基于图像处理技术的扇贝尺寸及位置自动识别

准确识别扇贝的大小和位置是实现扇贝自动化分级操作的首要条件。本研究中,应用图像处理技术对扇贝进行定位和识别,首先将采集到的扇贝彩色图像转换为灰度图,并通过阈值分割转变为二值图像,再通过滤波减少图像噪声,然后采用改进的OPTA算法和边界追踪算法提取扇贝图像边界,最后通过计算扇贝图像边界各点相对距离的最大值识别其尺寸,通过计算中心点得到位置坐标。实验结果表明,将图像处理技术用于扇贝的自动分类时,能够有效地完成扇贝的定位和尺寸识别,且计算量小,易于实现。     

基于BP神经网络算法的树状结构智能找形研究

为实现非均布荷载工况或支撑不规则曲面屋盖情况下的树状结构找形设计,提出了一种基于BP神经网络算法的智能找形方法.该方法将树状结构各支撑点的荷载、跨度及分叉角度作为设计条件,以节点零弯矩和结构稳定性为设计目标,利用人工智能BP神经网络对下层分级节点进行智能定位,由上而下逐级递推实现树状结构的整体几何形态找形.以二维树状结...     

用吊耳法养殖虾夷扇贝时左壳定向方法的研究

为了实现吊耳法养殖虾夷扇贝Patinopecten yessoensis的钻孔作业自动化,对扇贝左壳定向方法进行了研究。提出了利用扇贝左右壳曲率不同的形状特征,通过控制扇贝的入水速度和角度,在水中实现左壳定向的方法。结果表明:扇贝在水中运动时,左右两壳所受的压力不同,扇贝在流体压力差和重力的作用下实现左壳朝上。在入水速度为1.0～1.5 m/s、入水角度为-30°～60°、水槽直径为60 cm、槽深为26 cm以上的条件下,将扇贝投入静水中,可实现左壳朝上定向;扇贝在水中完成定向所需时间为0.42～0.45 s。该法既可避免机械振动和碰撞对扇贝的损伤,又能减少因加工过程中扇贝在空气中暴露对其生长的影响。     

公路隧道岩体分级的神经网络方法

根据公路隧道岩体分级标准的要求，全面考虑各种分级指标，建立了公路隧道岩体分级的神经网络方法。对各类定性和定量指标数据进行了向量规范化处理，选取适宜的分级指标，建立起神经网络学习样本，并进行样本学习训练，其结果可作为各种公路隧道岩体分级的评判依据。据此，对韩家岭隧道围岩进行了分级和评价，证实所建立分级方法的可行性、准确性和优越性。     

基于径向基神经网络的目标测向定位算法

针对热释电红外传感器定位系统中解析算法定位误差较大和未充分利用冗余测向信息的问题,提出了1种基于径向基神经网络的目标测向定位方法,介绍了PIR传感器节点的区域分割模型,利用K均值聚类和梯度下降法对神经网络进行训练;通过对不同数量样本的监督学习,比较得出性能较优的神经网络模型,然后通过仿真实验将其与传统的解析算法作对比。实验数据表明,在同等的实验条件下,神经网络模型的定位精度至少提高了18%,在探测区域边界的定位误差远小于解析算法,体现了径向基神经网络较强的非线性映射能力和较高的鲁棒性。     

基于图注意力机制超分网络模型的土建场景实例分割

针对变电站土木建设现场智能识别中的建筑工地施工场景复杂、目标识别分割困难及信息不对称等问题,本文提出了一种基于图注意力机制超分网络模型的智能识别场景解析技术,利用图卷积神经网络和注意力机制网络提取图像目标特征深层次信息,通过双线性插值与反卷积相结合的像素超分辨率技术处理得到清晰的图像目标物边界,实现变电站土建场景实例分割。结果表明,图注意力机制超分网络模型有效解决了航拍图像中目标物边界信息不丰富、实例分割精度差等问题,准确分割变电站场景目标物,目标物边缘界限清晰。     

基于生态系统完整性的自然保护地边界划定方法——以欧美地区的实践为例

科学划定自然保护地的边界关系到保护目标的实现和管理措施的制定,是自然保护地规划和建设的首要环节。该文以欧美地区的实践案例为例,介绍了基于生态系统完整性的自然保护地边界划定方法。首先对现有自然保护地边界划定方法进行梳理,在此基础上介绍了面向实施的景观单元（Operational Landscape Units）的概念和划定流程;其次梳理了韦斯特布鲁克圩田保护边界划定和旧金山湾海岸带保护边界划定的案例;最后为我国自然保护地的边界划定提出建议。     

基于计算机视觉的芒果自动分级方法设计

针对芒果分级的方法进行改进,以提高芒果的市场竞争力,提出了一种基于计算机视觉的芒果自动分级方法。该算法首先对拍摄的芒果图像进行相关预处理;然后,综合芒果的大小、果形、颜色、表面缺陷面积四种特征,基于通过训练完成的BP神经网络模型对测试样本进行自动分级。与单一特征的分级算法比,该方法更符合实际需求。实验表明芒果自动分级准确率达90%。     

基于红外图像的森林凋落物阴燃火灾探测

针对森林凋落物阴燃火灾识别问题,利用小波阈值去噪去除图像中大部分噪声杂波,再采用形态学开运算进行边界平滑,完成阴燃火灾红外图像的预处理,在此基础上采用最大类间方差法对红外图像进行分割,完成阴燃火灾目标的提取,提取探测目标的温度、形状参数变化率和面积变化率,作为BP神经网络的输入向量,输出为阴燃火概率。结果表明,该方法对阴燃火灾的识别率为96.6%。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.