一种接线防脱落的放电棒

    公开(公告)号:CN217903467U

    公开(公告)日:2022-11-25

    申请号:CN202221269477.6

    申请日:2022-05-25

    IPC分类号: H01R11/14

    摘要: 本实用新型涉及放电棒技术领域,尤其是一种接线防脱落的放电棒,包括放电棒主体,所述放电棒主体一端连接有挂钩,所述放电棒主体上方一侧固定有侧板,所述侧板上方一侧转动连接有挡板,所述侧板上开设有滑孔,所述滑孔内滑动设置有滑板,所述滑孔侧壁固定有滑杆,所述滑杆一端穿过滑板并固定在滑孔另一侧壁,所述滑杆外套设有弹簧,所述弹簧一端固定在滑孔侧壁,所述弹簧另一端固定在滑板上。该放电棒在使用时,只需要将挡板与需要放电的电线进行抵触,再向前移动放电棒主体,电线便能够带动挡板进行转动。

    一种带有防护结构的电容器

    公开(公告)号:CN217690798U

    公开(公告)日:2022-10-28

    申请号:CN202221340971.7

    申请日:2022-05-31

    IPC分类号: H01G2/10

    摘要: 本实用新型涉及电容器技术领域,尤其是一种带有防护结构的电容器,包括电容器主体,所述电容器主体下方套设有下壳体,所述电容器主体上方套设有上壳体,所述下壳体底部两侧均开设有圆孔,电容器主体底部两侧引脚均穿过圆孔并向下延伸,所述下壳体上方开设有多个插槽,所述上壳体下方固定有多个插杆,且插杆插设在插槽内,所述插槽侧壁开设有滑孔,所述滑孔侧壁开设有限位滑孔,所述插杆下方一侧固定有下板,所述下板一端穿过限位滑孔并向外延伸。该电容器通过将上壳体和下壳体套设在电容器上下两侧便能够对其进行防护,通过限位杆穿过上板和下板的限位孔便能够对上壳体和下壳体进行限位。

    基于高光谱影像的小麦产量计算模型的构建方法及其应用

    公开(公告)号:CN111798327A

    公开(公告)日:2020-10-20

    申请号:CN202010590387.6

    申请日:2020-06-24

    申请人: 安徽大学

    摘要: 本发明特别涉及一种基于高光谱影像的小麦产量计算模型的构建方法,包括如下步骤:A、拍摄实验麦田的高光谱图像;B、对麦田高光谱图像进行预处理得到训练集和测试集;C计算样本特征值;D、人工计算样本的小麦产量;E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练,得到每种特征的权重系数,选取最优特征组合;F、将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型;本发明还公开了利用该模型计算小麦产量的方法。以高光谱波段以及植被指数来作为样本的特征值,这些特征值能很好地作为小麦产量评估依据;利用随机森林算法挑选最优特征组合,可以大幅减少后期小麦产量计算量和处理速度,并且计算结果的精确度也能够得到保证。

    基于可见光影像的小麦产量计算模型的构建方法及其应用

    公开(公告)号:CN111798326A

    公开(公告)日:2020-10-20

    申请号:CN202010590368.3

    申请日:2020-06-24

    申请人: 安徽大学

    摘要: 本发明特别涉及一种基于可见光影像的小麦产量计算模型的构建方法,包括如下步骤:A、拍摄实验麦田的RGB图像;B、对麦田RGB图像进行预处理得到训练集和测试集;C、计算样本的特征值;D、人工计算样本的小麦产量;E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练,得到每种特征的权重系数,选取最优特征组合;F、将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型;本发明还公开了利用该模型计算小麦产量的方法。以RGB像元值以及植被指数来作为样本的特征值,这些特征值能很好地作为小麦产量评估依据;利用随机森林算法挑选最优特征组合,可以大幅减少后期小麦产量计算量和处理速度,并且计算结果的精确度也能够得到保证。

    基于深度学习UNet网络的水稻倒伏识别方法

    公开(公告)号:CN110889394A

    公开(公告)日:2020-03-17

    申请号:CN201911267940.6

    申请日:2019-12-11

    申请人: 安徽大学

    IPC分类号: G06K9/00 G06K9/62

    摘要: 本发明特别涉及一种基于深度学习UNet网络的水稻倒伏识别方法,包括如下步骤:S1、拍摄待检测稻田图像并进行分块处理,分块处理后的图像宽度和高度为32的倍数;S2、提取分块后图像的像元值或计算植被指数输入到训练好的UNet网络模型中;S3、将UNet网络模型输出的图像依次进行二值化处理、滤波处理得到分割结果图;S4、计算分割结果图中倒伏区域占总区域的比值即可得到倒伏占比。这里通过对无人机进行拍摄得到的图像进行处理得到田块的倒伏占比,其机动性强,受云层和雾的影响小,图像的分辨率很高,识别起来也更加精准;同时,利用UNet深度学习框架,此模型可以自主地学习到数据中的各种浅层、深层特征,具有泛化性高的优点,非常容易扩展到其他特征的识别上。