针对基于双向测距(Two Way Ranging,TWR)的超宽带(Ultra Wide Band,UWB)定位技术在温室场景下定位精度较低的问题,提出了一种基于多维处理的TWR测距优化方法,并在此基础上采用差分定位对UWB在温室场景下的定位误差进行修正。基于多维处...针对基于双向测距(Two Way Ranging,TWR)的超宽带(Ultra Wide Band,UWB)定位技术在温室场景下定位精度较低的问题,提出了一种基于多维处理的TWR测距优化方法,并在此基础上采用差分定位对UWB在温室场景下的定位误差进行修正。基于多维处理的TWR测距优化,主要以外推拟合的方式减少TWR测距的异常值,并利用粒子滤波对TWR测距系统的有色噪声进行处理。通过试验与传统的均值滤波和卡尔曼滤波进行对比发现:相较于均值滤波,本文方法的最大误差、误差均值、误差标准差分别降低了69.3%、73.8%、72.1%。基于差分定位的UWB优化方法,通过在常规三边定位的基础上引入位置已知的修正标签,将修正标签在UWB坐标系下到达各个固定基站的测量值与真实值的偏差作为修正值,利用固定基站将修正信息传送给待测标签,并对待测标签位置信息进行误差修正。试验结果表明:本文方法能在一定程度上提高UWB在温室场景下的定位精度。修正后,静态定位下的最大误差、平均绝对误差和均方根误差分别降低了11.56%、12.23%、11.57%,动态定位下的偏差均值、方差和标准差分别降低了9.06%、15.04%和7.84%。展开更多
为精准识别与分类不同花期杭白菊,满足自动化采摘要求,该研究提出一种基于改进YOLOv8s的杭白菊检测模型-YOLOv8s-RDL。首先,该研究将颈部网络(neck)的C2f(faster implementation of CSP bottleneck with 2 convolutions)模块替换为RCS-O...为精准识别与分类不同花期杭白菊,满足自动化采摘要求,该研究提出一种基于改进YOLOv8s的杭白菊检测模型-YOLOv8s-RDL。首先,该研究将颈部网络(neck)的C2f(faster implementation of CSP bottleneck with 2 convolutions)模块替换为RCS-OSA(one-shot aggregation of reparameterized convolution based on channel shuffle)模块,以提升骨干网络(backbone)特征融合效率;其次,将检测头更换为DyHead(dynamic head),并融合DCNv3(deformable convolutional networks v3),借助多头自注意力机制增强目标检测头的表达能力;最后,采用LAMP(layer-adaptive magnitude-based pruning)通道剪枝算法减少参数量,降低模型复杂度。试验结果表明,YOLOv8s-RDL模型在菊米和胎菊的花期分类中平均精度分别达到96.3%和97.7%,相较于YOLOv8s模型,分别提升了3.8和1.5个百分点,同时权重文件大小较YOLOv8s减小了6 MB。该研究引入TIDE(toolkit for identifying detection and segmentation errors)评估指标,结果显示,YOLOv8s-RDL模型分类错误和背景检测错误相较YOLOv8s模型分别降低0.55和1.26。该研究为杭白菊分花期自动化采摘提供了理论依据和技术支撑。展开更多
文摘针对基于双向测距(Two Way Ranging,TWR)的超宽带(Ultra Wide Band,UWB)定位技术在温室场景下定位精度较低的问题,提出了一种基于多维处理的TWR测距优化方法,并在此基础上采用差分定位对UWB在温室场景下的定位误差进行修正。基于多维处理的TWR测距优化,主要以外推拟合的方式减少TWR测距的异常值,并利用粒子滤波对TWR测距系统的有色噪声进行处理。通过试验与传统的均值滤波和卡尔曼滤波进行对比发现:相较于均值滤波,本文方法的最大误差、误差均值、误差标准差分别降低了69.3%、73.8%、72.1%。基于差分定位的UWB优化方法,通过在常规三边定位的基础上引入位置已知的修正标签,将修正标签在UWB坐标系下到达各个固定基站的测量值与真实值的偏差作为修正值,利用固定基站将修正信息传送给待测标签,并对待测标签位置信息进行误差修正。试验结果表明:本文方法能在一定程度上提高UWB在温室场景下的定位精度。修正后,静态定位下的最大误差、平均绝对误差和均方根误差分别降低了11.56%、12.23%、11.57%,动态定位下的偏差均值、方差和标准差分别降低了9.06%、15.04%和7.84%。
文摘为精准识别与分类不同花期杭白菊,满足自动化采摘要求,该研究提出一种基于改进YOLOv8s的杭白菊检测模型-YOLOv8s-RDL。首先,该研究将颈部网络(neck)的C2f(faster implementation of CSP bottleneck with 2 convolutions)模块替换为RCS-OSA(one-shot aggregation of reparameterized convolution based on channel shuffle)模块,以提升骨干网络(backbone)特征融合效率;其次,将检测头更换为DyHead(dynamic head),并融合DCNv3(deformable convolutional networks v3),借助多头自注意力机制增强目标检测头的表达能力;最后,采用LAMP(layer-adaptive magnitude-based pruning)通道剪枝算法减少参数量,降低模型复杂度。试验结果表明,YOLOv8s-RDL模型在菊米和胎菊的花期分类中平均精度分别达到96.3%和97.7%,相较于YOLOv8s模型,分别提升了3.8和1.5个百分点,同时权重文件大小较YOLOv8s减小了6 MB。该研究引入TIDE(toolkit for identifying detection and segmentation errors)评估指标,结果显示,YOLOv8s-RDL模型分类错误和背景检测错误相较YOLOv8s模型分别降低0.55和1.26。该研究为杭白菊分花期自动化采摘提供了理论依据和技术支撑。
