分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-08-13 合作期刊: 《计算机应用研究》
摘要： 随着机器人在服务行业中的应用推广，尤其在家庭服务中有着重要的作用，对服务机器人的信息采集或目标识别需求也越来越强烈。传统的日用商品识别流程通常使用较为经典的图像识别和机器学习算法，如支持向量机(SVM)、随机森林或Adaboost，然后利用目标图像的梯度、纹理或颜色的基本特征来对日用商品进行识别，可以在比较简单的背景中得到应用，但是在复杂的背景环境中很难有比较突出的表现，并且难以达到较高的准确率。目前在目标识别中表现比较优异的是卷积神经网络(CNN)，并成为很多目标识别场景中的首选。考虑到服务机器人的硬件配置成本，将基于区域的卷积神经网络(R-CNN)的快速算法Faster R-CNN引入系统中，并以CPU计算的方式进行物品识别。利用CNN网络提取图像特征，在其后面接入一个区域提议层。实验结果表明，将深度学习的识别方法应用到服务机器人平台是可行的，识别效果准确，且在实验中得到较好的检测效果。
分类： 农、林、牧、渔 >> 农业基础学科 提交时间： 2023-08-14 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］分析广西甘蔗主产区甘蔗产量与气象因素的关系，利用气象数据预测甘蔗产量，为糖厂及 相关管理部门提供科学的数据支撑。［方法］选用2002~2019年广西五个不同地级市内蔗区的产量数据及14种逐 日气象数据，将每年的各气象因子以78个逐月递增的连续时段的均值与产量进行相关性分析，根据敏感时段分析 法确定关键气象因子，并分析各气象因子在敏感时段对产量的影响。分别利用BP神经网络（BP Neural Network， BPNN）、支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）、长短期记忆网络（Long Short-Term Memory，LSTM） 建立单蔗区产量预测模型，并采用以全生育期气象均值作为模型输入的方法进行对照 实验。使用HP 滤波法（Hodrick Prescott Filter） 分离出甘蔗气象产量，将5 个蔗区的数据混合，分别利用RF、 SVM、BPNN和LSTM建立通用的多蔗区气象产量预测模型。［结果和讨论］对于单蔗区，敏感时段分析法的模型 预测效果明显优于全生育期取气象均值的方法，LSTM模型对于上述两种数据处理方法的预测效果均明显优于目 前广泛使用的BPNN、SVM、RF模型，敏感时段分析法的LSTM模型整体的均方根误差（Root Mean Square Error， RMSE） 和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE） 分别为10.34 t/ha和6.85%，决定系数Rv 2 为0.8489。对于多蔗区，LSTM预测结果较差，RF、SVM及BPNN三种预测模型都取得了良好的效果，预测效果最 好的BPNN模型的RMSE和MAPE分别为0.98 t/ha和9.59%，Rv 2为0.965。［结论］通过敏感时段分析法筛选的关键 气象因子与产量均呈显著相关，根据敏感时段能准确地分析各气象因子对产量的影响。使用LSTM模型预测单蔗 区产量，使用BPNN模型预测多蔗区甘蔗气象产量的方法是可行的，且预测误差在可接受范围内。
点击量
点击量
下载量
评论
