简介：[目的/意义]为了提高体尺关键点定位准确率,猪三维点云体尺自动测量方法会采用点云分割,在各个分割后局部点云定位测量关键点,以减少点云之间相互干扰.然而点云分割网络通常需要消耗较大计算资源,且现有测量点定位效果仍有待提升空间.本研究旨在通过设计关键点生成网络从猪体点云中提取出各体尺测量所需关键点.在降低显存资源需求的同时提高测量关键点定位效果,提高体尺测量的效率和精度.[方法]针对猪三维表面点云进行体尺测量,提出了一种定位猪体尺关键点的模型Pig Back Transformer.模型分为两个模块,分别设计了两种改进的Transformer自注意力编码器,第一模块为全局关键点模块,首先设计了一种猪背部边缘点提取算法用于获取边缘点,再使用edge encoder编码器以边缘点集合作为输入,edge encoder的edge attention中加入了边缘点和质点的偏移距离信息;第二模块...

简介：摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的 MobileNetV3网络，结合关键点预测的目标检测网络（ CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（ M-CenterNet），并通过与 CenterNet和单次多重检测器（ Single Shot Multibox Detector， SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%；模型体积和帧率分别为 14.2MB和 8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为 CenterNet网络的 1/4；相比于 SSD网络，所提网络模型的 AP提升了 3.9%，模型体积降低了 84.3%；本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。

简介：[目的/意义]准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节.传统的人工测量方法耗时长、工作量大,且会对马匹造成一定应激反应.因此,实现准确且高效的体尺参数自动测量对于制定蒙古马早期育种计划至关重要.[方法]选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据,以YOLOv8n-pose为基础,通过在C2f模块中引入可变形卷积(Deformable Convolution v2,DCNv2),同时添加洗牌注意力机制(Shuffle Atten-tion,SA)模块和优化损失函数(SCYLLA-IoU Loss,SIoU)的方法,利用余弦退火法动态调整学习率,提出一种名为DSS-YOLO(DCNv2-SA-SIoU-YOLO)的模型用于蒙古马体尺关键点的检测.其次,将RGB图中的二维关键点坐标与深度图中对应深度值相结合,得到关键点三维坐标,并实现蒙古马点云信息的转换.利用直通滤波、随机抽样一致性(Random Sample Consensu...

简介：摘要 : 水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合 PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择，提出了仅含有 695、 507和 465nm 3个高光谱特征波段的红边优化指数（ ORVI）。与 Index Data Base数据库中其他用于叶绿素含量反演植被指数，包括 ND528,587、 SR440,690、 CARI、 MCARI的反演结果进行了对比分析，结果表明： IDB数据库中的已有 4种植被指数叶绿素含量反演模型的决定系数 R2分别为 0.672、 0.630、 0.595和 0.574； ORVI植被所建立的叶绿素含量反演模型的决定系数 R2为 0.726，均方根误差 RMSE为 2.68，精度高于其他植被指数，说明了 ORVI在实际的应用中，能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。