为了实现光照变化等复杂环境下果实的选择性采摘,该研究以黄瓜为研究对象,以RT-Detr为基线网络,提出了RT-Detr-EV模型。首先在主干网络中添加RepVGG模块,以加强网络特征提取能力,并减少推理时计算量;加入轻量化自注意力机制,减少计算量,增加网络深度;最后使用MPDIoU(minimum point distance based intersection over union)替换原模型中的损失函数,加快模型的收敛,提高模型的检测准确率。研究表明,改进RT-Detr-EV的平均精度均值mAP50相较于原模型提升了3.2个百分点,检测速度相较原模型提升了17.4帧/s。与YOLOv7-X、YOLOv8-l相比,对非适宜采摘的黄瓜识别准确率分别提升4.6、6.5个百分点,检测速度分别提升了40.6、25帧/s,参数量分别减少了55.5%、27.3%。同时试验证明,模型对光照条件多种变化的采摘场景也具有一定的鲁棒性与泛化能力。该研究提出的RT-Detr-EV模型能够满足复杂生长环境黄瓜果实的实时检测需求,可为后续移动式选择性采摘的研究提供技术支持。
为有效检测树干分层介质厚度和相对介电常数,该研究提出一种基于雷达探测的树干分层结构介电参数反演方法。基于斯涅耳定律结合树干生理结构特点,构建雷达信号在树干分层结构中的传播模型。利用软件定义无线电平台(software defined rad...
详细信息
为有效检测树干分层介质厚度和相对介电常数,该研究提出一种基于雷达探测的树干分层结构介电参数反演方法。基于斯涅耳定律结合树干生理结构特点,构建雷达信号在树干分层结构中的传播模型。利用软件定义无线电平台(software defined radio,SDR)搭建树干探测雷达。然后采用稀疏分解算法、K-SVD字典训练以及层剥离算法对探测雷达回波信号进行参数反演,并对不同的稀疏分解算法反演结果进行了对比。试验表明在回波混叠和无混叠的情况下,该方法均能够对树干分层介质厚度和相对介电常数进行估算;无混叠时相对介电常数和厚度的反演误差分别在2.93%和3.5%以内,混叠时相对介电常数和厚度的反演误差分别在7.52%和7.61%以内。综合试验结果表明,在5种反演算法中,SAMP算法在未知信号稀疏度的条件下表现最佳,具有较高的反演准确率和鲁棒性。
暂无评论