粗糙集在智能空瓶检测感兴趣区域提取中的应用

为实现空瓶检测中感兴趣区域ROI的自动精确标定,介绍了一种基于粗糙集不可分辨关系划分及粗近似进行ROI区域提取的新方法。首先,基于先验知识描述,确定粗略ROI区域,然后,提取和ROI区域标定有关的底层图像特征如灰度、边缘、位置等,在对特征属性离散化后,构造出反映分类关系的信息表,并依据不可分辨关系划分获得基本像元区域,最后,以初始ROI区域的上近似作为最终提取的ROI区域。在瓶身及瓶口的ROI区域提取实验中,该方法可以获得比人工标定更为精细的ROI区域,有利于提高后续检测过程中的检测精度。     

空瓶的智能检测算法研究

研究了针对空瓶特点如何设计空瓶的图像采集系统及其从空瓶图像中提取特征的方法．首先提出采用多特征综合的专家系统以适应高速检测的需要．其后又研究了基于遗传支持向量机的决策算法,提出采用遗传算法根据分类准确率来优化支持向量机的参数,以提高分类决策的性能．通过与模糊神经网络的实验比较表明,采用专家决策算法检测速度快;基于遗传支持向量机决策算法的准确率较高,达到94％以上,并具有更好的推广性能。     

APR工具LPR-N阀在大比重泥浆条件下井下故障分析

Madederop-1井是中国石油在印度尼西亚马杜拉岛2010年打的三口探井之一,其井况复杂,大多数层位为超压层,本次施工2根2-7/8〞油管的层位压力系数为1.5,井筒内采用比重为1.8的泥浆。在本文当中叙述了施工简况,结合工具原理和现场试验,对LPR-N阀中途开阀和测试结束不能开阀故障进行分析并提出解决办法。     

引入地形特征的田块尺度玉米遥感估产与空间格局分析

田块尺度作物估产引入地形特征提升精度与产量空间格局分析对规模经营具有重要意义。以黑龙江省规模化种植的春玉米为研究对象,测定无人机(unmanned aerial vehicle, UAV)高精度地形与变量测产数据,基于多时期SPOT-6影像提取7种植被指数;采用最小二乘法,构建不同时期植被指数与春玉米实测产量的经验统计模型,确定遥感估产最佳时期和最优植被指数;提取6种地形因子,使用多元逐步回归评价引入地形因子的遥感估产模型,应用空间统计分析探索产量空间分布格局。结果表明:春玉米灌浆期是遥感估产的最佳时期,决定系数R~2达到0.6以上的植被指数共6种,比值植被指数(ratio vegetation index, RVI)为最优植被指数,其余依次为修正比值植被指数(modified simple ratio, MSR)、无蓝色波段增强型植被指数(enhanced vegetation index without a blue band, EVI2)、归一化植被指数(normalized difference vegetation index, NDVI)、次生修正土壤调节植被指数(modified secondary soil adjusted vegetation index, MSAVI2)、绿度归一化植被指数(green normalized difference vegetation index, GNDVI);最佳估产模型引入地形辅助信息后R~2提升5.6%,达到0.79,均方根误差(root mean squared error, RMSE)为347.03 kg/hm~2;高海拔与高坡度区域产量均值最低为7 502.64 kg/hm~2,中海拔与低坡度区域产量均值最高为9 157.63 kg/hm~2。优化后的遥感估产模型可以快速评估作物产量,确定春玉米最佳生长区域,为规模化农业精细管理、土地整治与作物种植结构调整提供科学依据。     

宽波段与窄波段植被指数估算大豆LAI对比研究

分析比较几种常见宽波段植被指数和高光谱窄波段植被指数与大豆叶面积指数(LAI)的相关性及其预测力,通过建立不同植被指数与LAI之间的统计回归模型,发现各植被指数均与LAI曲线相关,相关关系可分为两种不同的模式——幂函数关系和指数函数关系。对于全部植被指数和窄波段植被指数而言,一阶微分绿度植被指数1DZ-DGVI对大豆LAI的估算效果最佳;而对于宽波段植被指数而言,以宽波段三角植被指数B-TVI的效果最佳。通过对比发现,在估算大豆LAI方面,窄波段植被指数并没有表现出明显的优势性,有些植被指数甚至还没有其对应宽波段植被指数表现的好。不论从回归分析结果的均方根误差RMSE来看,还是从模型检验的均方根误差RMSE和相对误差RE来看,B-TVI的表现与1DZ-DGVI的表现相差不多,因为两者回归分析和模型检验的RMSE分别相差0.0153、0.0083,模型检验的相对误差仅相差0.0043,这表明宽波段光谱植被指数可以用来监测大豆LAI。图2,表3,参22。