期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于ESP32的多节点分布式温室环境控制系统设计
1
作者 余恩 李永可 +1 位作者 周文艺 王磊 《现代电子技术》 北大核心 2025年第17期153-159,共7页
文中研究开发了一套基于ESP32的多节点分布式温室环境控制系统。该系统利用FreeRTOS实时操作系统及多线程技术,有效监控和调节温湿度、光照强度及CO_(2)浓度等关键环境参数。借助RS 485总线和MQTT协议,确保了数据在复杂温室环境下的高... 文中研究开发了一套基于ESP32的多节点分布式温室环境控制系统。该系统利用FreeRTOS实时操作系统及多线程技术,有效监控和调节温湿度、光照强度及CO_(2)浓度等关键环境参数。借助RS 485总线和MQTT协议,确保了数据在复杂温室环境下的高稳定性传输,实验数据显示成功率高达99.96%。相较于传统控制方法,文中系统不仅提升了控制精度,还显著降低了能耗,证实了其在现代农业生产中的高效性和广泛适用性。 展开更多
关键词 ESP32 多节点分布式 智能温室 FREERTOS MQTT 物联网
在线阅读 下载PDF
面向智慧农场的高精度地图构建
2
作者 丁晓晨 孟小艳 +1 位作者 方伟舟 周洪 《江苏农业科学》 北大核心 2025年第15期220-226,共7页
为应对新疆大型农场对智慧农业发展的迫切需求,推动现代农业向智慧农业转型,针对农业机械感知作业环境以及大型智能化农场管理对高精度地图的需求,提出了一种新的高精度地图构建方法,并将地图划分为静态地图层和动态数据层,其中静态地... 为应对新疆大型农场对智慧农业发展的迫切需求,推动现代农业向智慧农业转型,针对农业机械感知作业环境以及大型智能化农场管理对高精度地图的需求,提出了一种新的高精度地图构建方法,并将地图划分为静态地图层和动态数据层,其中静态地图层细分为农场基础信息层、地块信息层及田间障碍物信息层。在此基础上,采用无人机搭载高分辨率相机进行影像采集,结合地理底图合成技术生成高精度农场底图;再通过QGIS开源软件生成矢量地图,并利用PostgreSQL开源数据库管理系统、GeoServer框架及OpenLayers框架实现数据的整合与后续处理。通过对新疆华兴农场的试验验证发现,地图的定位精度优于5 cm,能够为智慧农场建设及无人化农机作业提供可靠的先验信息。该方法支持水肥灌溉管理的直观化,同时能够保障无人农机在包含障碍物的复杂农田环境中顺利作业。该高精度地图构建方法可以有效满足大型智能化农场的需求,显著提升农场管理的效率与精准度,并为无人农机的路径规划提供关键支持,进而为智慧农业技术的推广奠定坚实的基础。 展开更多
关键词 智慧农场 高精度地图 无人机航拍影像 开源框架 新疆华兴农场
在线阅读 下载PDF
基于ORB-SLAM3的温室环境下番茄植株三维重建方法
3
作者 尹书林 董峦 +1 位作者 尤永鹏 李佳航 《湖北农业科学》 2024年第8期96-103,共8页
针对当前生产环境下难以对植物进行精细三维重建的问题,提出一种基于ORB-SLAM3的番茄植株三维重建方法,利用深度相机采集RGB-D图像信息,根据前后帧图像特征点信息进行位姿估计,设计点云稠密重建模块,实现温室环境下番茄植株三维重建。... 针对当前生产环境下难以对植物进行精细三维重建的问题,提出一种基于ORB-SLAM3的番茄植株三维重建方法,利用深度相机采集RGB-D图像信息,根据前后帧图像特征点信息进行位姿估计,设计点云稠密重建模块,实现温室环境下番茄植株三维重建。结果表明,该方法在轨迹估计上整体表现较好,估计的轨迹没有重大漂移,较Elasticfusion方法、BadSlam方法估计的轨迹更贴合实际轨迹,位姿跟踪具有一定鲁棒性,且使用的关键帧数量较少,降低了冗余信息对算法的干扰;该方法重建的点云果径与实际果径平均绝对误差为1.48 mm,与实际情况十分接近,点云还原度高,重建品质较好,滤波算法没有对果实表型信息造成破坏,信息保留完整;该方法能够在温室环境下获取准确的位姿信息,并生成番茄植株三维模型,三维重建精度高,可以满足温室环境下番茄植株三维重建及番茄采摘机器人目标定位需要。 展开更多
关键词 三维重建 RGB-D ORB-SLAM3 番茄植株 温室环境
在线阅读 下载PDF
基于YOLOv8的无人机影像农田地表残膜检测
4
作者 张天乐 王麒哲 +2 位作者 杨寒冰 刘城铭 赵新苗 《湖北农业科学》 2025年第10期179-183,共5页
农田地表地膜残留对土壤和作物生长有负面影响,高效评估地膜残留情况是关键。提出了一种基于YOLOv8的深度学习检测方法,对无人机拍摄的RGB图像进行自动化识别,采用新疆昌吉华兴农场采集的农田数据,通过LabelMe进行标注,并对数据进行预... 农田地表地膜残留对土壤和作物生长有负面影响,高效评估地膜残留情况是关键。提出了一种基于YOLOv8的深度学习检测方法,对无人机拍摄的RGB图像进行自动化识别,采用新疆昌吉华兴农场采集的农田数据,通过LabelMe进行标注,并对数据进行预处理和增强。结果表明,YOLOv8在残膜检测任务中表现良好,mAP@0.5达到86.5%,实现高效、精准的残膜检测。 展开更多
关键词 地表残膜 无人机影像 农田监测 YOLOv8
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部