您的位置: 专家智库 > >

张永梅

作品数:5 被引量:17H指数:2
供职机构:山西农业大学信息科学与工程学院更多>>
发文基金:国家自然科学基金山西省高等学校科技创新项目更多>>
相关领域:自动化与计算机技术农业科学电子电信更多>>

文献类型

  • 5篇中文期刊文章

领域

  • 3篇自动化与计算...
  • 2篇农业科学
  • 1篇电子电信

主题

  • 2篇SOCKET
  • 1篇多特征融合
  • 1篇叶部
  • 1篇叶片
  • 1篇叶片水分
  • 1篇玉米
  • 1篇玉米叶
  • 1篇玉米叶片
  • 1篇支持向量
  • 1篇支持向量机
  • 1篇视频
  • 1篇视频监控
  • 1篇水分
  • 1篇嵌入式
  • 1篇嵌入式LIN...
  • 1篇群算法
  • 1篇子群
  • 1篇自动识别
  • 1篇网络
  • 1篇网络视频

机构

  • 5篇山西农业大学
  • 1篇山西大同大学

作者

  • 5篇张永梅
  • 2篇孙瑜
  • 1篇张丽
  • 1篇李菊霞
  • 1篇乔霖

传媒

  • 2篇中国农学通报
  • 1篇农业网络信息
  • 1篇农业技术与装...
  • 1篇电子技术与软...

年份

  • 1篇2023
  • 1篇2022
  • 1篇2019
  • 1篇2014
  • 1篇2013
5 条 记 录,以下是 1-5
排序方式:
近红外叶片水分无损检测系统设计与试验被引量:1
2023年
玉米叶片水分含量是玉米生长过程中的重要生理指标,近红外线水分仪能够有效检测玉米叶片含水率。传统近红外水分仪存在功耗大、成本高等不足,为此使用1450 nm的红外二极管作为光源,设计基于STM32的便携式近红外玉米叶片水分无损检测系统。首先设计检测系统,包括光源电路、信号调理电路、STM32最小系统、电源电路等。然后对近红外水分仪进行水分标定,采集叶片吸收光和叶片实际水分含量,建立光吸收率与叶片含水率的线性拟合函数,并将拟合函数写入STM32小型系统。最后对水分检测仪进行测试,测量并实时显示叶片含水率。对玉米叶片的试验结果表明,光吸收率和叶片含水率耦合模型建模集相关系数Rc为0.8019,RMSEC为0.51,测试集最大测量误差1.80%,测量误差平均值为0.964%,可以满足农业生产要求。搭建的系统具有检测速度快、体积小、低成本的优点,可为研究近红外的光谱检测仪器提供理论参考和技术支持。
郭新东孙瑜张永梅
关键词:近红外光无损检测玉米叶片STM32
基于嵌入式Linux的网络视频监控系统的实现
2014年
本文针对网络视频监控设备的实际应用需求,设计了基于嵌入式Linux和ARM9的单画面视频监控系统。系统的硬件选用三星公司的S3C2440开发板,通过连接USB摄像头进行视频数据的采集。软件以嵌入式Linux的ubuntu操作系统为开发环境、选择H246算法对视频进行压缩,通过SOCKET传送回PC机上,客户端采用Qt技术实现界面并实时显示监控情况,同时以AVI格式存储以便播放历史录像。经测试,该系统能够实现实时视频监控及播放历史,且稳定性较好。
张永梅曹利文
关键词:嵌入式LINUX视频监控ARM9SOCKET
基于Socket的NGBOSS缴费充值系统的研究
2013年
本系统剥离了电信的业务逻辑,在Linux下采用C/S结构:服务端使用C语言的动态内存、单向链表进行用户信息的访问,并且可以实现日志记录功能;客户端完成与服务端和用户的交互功能;客户端和服务端间的通信通过TCP/IP协议的Socket进程实现。整个系统具有查询余额、缴费充值、退预存款的功能,达到了快速缴费的目的。
张永梅张丽乔霖
关键词:SOCKETO
成熟花椒果实的自动识别技术研究被引量:8
2019年
针对目前人工采摘花椒难的问题,文章提出一种花椒果实自动识别的方法,为研发花椒采摘机器人提供一定的技术支持。首先,分别在RGB和HSV两种颜色空间中提取R分量和H分量并选取合适的阈值分割花椒图像,将这两种分割结果相融合得到较准确的果实区域,再选择合适的结构元素对果实区域进行膨胀运算识别出果实的轮廓区域。然后,采用形心偏差法,即果实区域的形心指向轮廓区域的形心确定采摘点的大致方向。最后结合惯性主轴确定出采摘点的准确位置。实验结果表明,选取不同光照条件下的花椒图像均能准确识别出花椒果实区域,最终确定的采摘点偏差较小,可以为花椒采摘机器人图像识别系统提供技术支持。
张永梅李菊霞
关键词:惯性主轴
基于粒子群算法和支持向量机的黄花菜叶部病害识别被引量:8
2022年
使用数字图像处理技术,以黄花菜叶部病害图像为识别对象,基于Lab空间和K-means聚类算法分割病害区域,提取目标区域的颜色特征、方向梯度直方图(histogram of oriented gradient,HOG)特征和形状特征,分别建立单一特征模型和特征融合模型,采用粒子群(particle swarm optimization,PSO)算法通过交叉验证优化支持向量机(support vector machine,SVM)模型的惩罚因子和核参数,建立基于PSOSVM的多特征融合分类模型识别黄花菜病害。基于SVM的多特征融合分类模型识别率高于单一特征分类模型,识别率可达为81.67%;基于PSO-SVM多特征融合分类模型识别率高达92.39%。基于PSOSVM的多特征分类模型识别率高,可以及时、便捷、高效地识别黄花菜病害。
孙瑜张永梅武玉军
关键词:黄花菜病害识别支持向量机粒子群算法多特征融合
共1页<1>
聚类工具0