全文获取类型
收费全文 | 67篇 |
免费 | 4篇 |
国内免费 | 35篇 |
专业分类
农学 | 2篇 |
基础科学 | 25篇 |
36篇 | |
综合类 | 33篇 |
水产渔业 | 1篇 |
畜牧兽医 | 8篇 |
园艺 | 1篇 |
出版年
2022年 | 3篇 |
2021年 | 4篇 |
2020年 | 4篇 |
2019年 | 5篇 |
2018年 | 3篇 |
2017年 | 4篇 |
2016年 | 4篇 |
2015年 | 5篇 |
2014年 | 5篇 |
2013年 | 4篇 |
2012年 | 6篇 |
2011年 | 1篇 |
2010年 | 3篇 |
2009年 | 3篇 |
2008年 | 1篇 |
2007年 | 4篇 |
2006年 | 14篇 |
2005年 | 13篇 |
2004年 | 6篇 |
2003年 | 7篇 |
2002年 | 2篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1997年 | 2篇 |
1994年 | 1篇 |
排序方式: 共有106条查询结果,搜索用时 15 毫秒
81.
基于分布式流式计算的蛋鸡养殖实时监测与预警系统 总被引:1,自引:0,他引:1
为实现蛋鸡养殖生产过程参数实时监测与预警,研发了基于分布式流式计算框架Data-Canal的蛋鸡养殖实时监测与预警系统。Data-Canal是面向数据流的分布式计算框架,使用控制流集中、数据流分散的模型,以分布式文件系统为中间结果的存储,支持异地多数据源的实时采集和处理。系统以Data-Canal为基础设施,在具有一定扩展性的情况下,保证实时性。系统采用Brower/Server模式,用户通过浏览器即可访问,提升了信息共享的便捷性。系统实现了规模化蛋鸡生产过程实时数据采集与展示、生产信息管理、实时预警、决策分析和系统管理功能,对蛋鸡养殖全生命周期进行了全方位的管理。运行效果表明,该系统可以解决规模化蛋鸡生产过程中产生海量数据信息化和实时处理问题,在部署8台机器的情况下,Data-Canal集群的处理能力峰值达到160 MB/s,延迟在分钟级别,在线上实验环境中,Data-Canal集群每天处理约25 GB的数据,而且系统后期维护和升级都极为便利。 相似文献
82.
在种鸡养殖和管理过程中,借助非接触式、连续的声音检测手段和智能化设备,饲养员可以全面了解蛋鸡的健康状况以及个体需求,为提高生产效率并同时改善种鸡福利化养殖,提出了一种基于轻量级卷积神经网络的种鸡发声分类识别方法,以海兰褐种鸡为研究对象,收集种鸡舍内常见的5类声音,再将其声音一维信号转换为二维图像信号,利用卷积神经网络建立轻量级的深度学习模型,80%数据进行训练,20%数据进行测试,该模型实现了动物声音信号从输入端到识别结果输出端的高效检测。对比已有研究,本文方法对种鸡舍内常见的5类声音识别整体准确率提高3.7个百分点。试验结果表明,该方法平均准确率为95.7%,模型对饮水声、风机噪声、产蛋叫声识别召回率均达到100%,其中风机噪声和产蛋叫声精确率和F1值也均达到100%,而应激叫声召回率最低,为88.3%。本研究可为规模化无人值守鸡舍的智能装备研发提供一定理论参考。 相似文献
83.
基于卷积神经网络的大白母猪发情行为识别方法研究 总被引:2,自引:0,他引:2
针对现有发情检测方法灵敏度低、识别时间长、易受外界干扰等缺点,根据大白母猪试情时双耳竖立的特征,提出一种基于卷积神经网络(Convolutional neural network, CNN)的大白母猪发情行为识别方法。首先通过采集公猪试情时发情大白母猪与未发情大白母猪的耳部图像,划分训练集样本(80%)与验证集样本(20%)用于后期训练。随后,基于AlexNet卷积神经网络构建分类模型(AlexNet_Sow),并对该模型的网络结构进行简化,简化后的模型包含2个卷积模块和2个全连接模块,选择修正线性单元(Rectified linear units, ReLU)作为激活函数,用自适应矩估计(Adaptive moment estimation, Adam)方法优化梯度下降,选择Softmax作为网络分类器,通过结合增强学习的方法对模型进行训练,得到模型应用于验证集的准确率达到99%。此外,设定了发情鉴定的时间阈值,并结合LabVIEW的Python节点用于模型应用。当公猪试情时,大白母猪双耳竖立时长达到76s时,则可判定其为发情。该方法对大白母猪发情识别的精确率、召回率与准确率分别为100%、83.33%、93.33%,平均单幅图像的检测时间为26.28ms。该方法能够实现大白母猪发情的无接触自动快速检测,准确率高,大大降低了猪只应激情况和人工成本。 相似文献
84.
蛋鸡声音信号去噪方法对比分析 总被引:1,自引:0,他引:1
声音分析技术已成为研究动物行为、动物福利的一种重要工具,蛋鸡声音可用来评价其健康或福利状况,然而规模化蛋鸡舍中存在较多风机噪声等声源干扰,这对准确识别蛋鸡发声有很大影响。本文以海兰褐蛋鸡为例,预处理获取的声音信号,以减少风机噪声的干扰。利用数字化声音采集平台采集不同类型的蛋鸡发声和风机噪声音频,采用Lab VIEW软件进行声音信号处理并分析蛋鸡声音和风机噪声的时频特征。同时,对比分析不同去噪方法(IIR滤波器去噪、小波阈值去噪和改进谱减法去噪)在去除风机噪声方面的效果。结果表明,在信噪比为-8~20 d B声音环境下,改进谱减法均方根误差最小(0.03~0.38),算法运行耗时最短(6~7 ms),在实际应用中去噪效果较好,可为规模化蛋鸡舍中风机噪声环境下的蛋鸡声音信号处理和分析提供参考。 相似文献
85.
分布式网络控制——实现温室环境调控自动化的一种新方案 总被引:5,自引:4,他引:5
针对传统计算机控制技术在温室环境调控中呈现的控制复杂、维修不便和价格昂贵的缺点,该文分析了温室环境调控自动化的现状,提出了一种全新的实现方案。采用分布式网络控制技术并使用国际先进的微型单片机技术和国外高精度、高稳定性的湿敏及温敏器件,研制出全数字化“智能温湿度传感器”和“双回路智能温湿度控制器”。目前研制的温室环境调控自动化系统已在国内数家现代化智能温室推广应用。还对温室环境调控自动化的发展提出了几点看法 相似文献
86.
87.
基于机器视觉的猪体体尺测点提取算法与应用 总被引:18,自引:13,他引:5
无应激获取猪体的体尺、体质量,是猪福利养殖中的一个重要任务,为解决机器视觉提取自然站立姿态下猪体的体尺测点识别率低的问题,该文通过在线摄像机获取120d龄长白猪的彩色图像,以猪体体尺传统的测量位置为研究基础,结合猪舍现场实际情况,提出了复杂背景下猪体个体信息提取的算法、基于包络分析的猪体头部和尾部的去除算法以及具有一定弯曲姿态的复杂猪体体尺测点坐标提取的算法,并利用Matlab2010软件实现了其算法。验证试验结果表明:通过背景减法和去除噪声算法可去除背景干扰,有效识别猪体信息;测点提取算法可准确提取自然姿态下猪的个体轮廓,识别其体尺测点,实现了猪体的体长、体宽等体尺量算的9个体尺测点的坐标提取,经验证,对猪体体长的实测值平均相对误差最小,其平均相对误差仅为0.92%;其次为腹部体宽,其平均相对误差为1.39%;而对猪体肩宽和臀宽的检测误差较大,平均相对误差分别为2.75%和3.03%。本研究可应用于猪体无应激量算体尺、估算猪体体质量,为开展福利养殖提供了一种新方法。 相似文献
88.
滕光辉 《农业工程技术:农产品加工》2003,(12)
(接上期)三、传感器及执行设备(现场设备)智能化3.1 智能节点概述现场设备是FHC系统的基础,是直接与生产过程相连接的设备。诸如温湿度传感器、液位传感器、风速仪以及电动机等都属于此类设备。FHC系统与传统的控制系统相比,最大的特点就是现场执行机构实现了智能化,具备了独立运行的能力,现场设备诸如温湿度传感器、液位传感器、风速仪以及天窗传动机构等都具有了智能。这意味着现有的常规模拟设备进入了一个完全不同的变革时代。现场设备与上层过程控制级或监控级实现了双向多变量数字通信,全数字信号标准取代了曾经长时间应用的4mA~… 相似文献
89.
基于机器视觉的猪体质量估测模型比较与优化 总被引:1,自引:7,他引:1
基于机器视觉的猪体质量估测模型较多,但模型缺乏在实用性、准确性的对比,最佳模型没有定论。该文总结了已有的估测算法,基于79组背部图像面积、实际面积、体长、体宽、体高、臀宽、臀高数据,使用线性回归、幂回归、二次回归、主成分线性回归、RBF(radial basis function,径向基函数)神经网络等方法,重建了13种体质量估测模型,并比较了13种模型的估测精度。结果表明,基于体长、体宽、体高、臀宽和臀高的线性回归模型具有较好的估测精度,估测值与真值的相关系数达到了0.996。利用主成分法去掉体尺的共线性,利用曲线回归解决残差不均匀问题,更加符合猪体质量增长趋势,结果表明基于主成分的幂回归模型具有较高的相关系数和较低的标准估计误差,对于97组数据的估测平均相对误差为2.02%。使用猪场实测24组数据验证模型,估测质量与测量值相关系数为0.97,估测平均相对误差为2.26%,标准差为1.78%,优于基于面积和面积体高结合的估测模型,平均绝对误差为2.08 kg,优于面积体高结合方法的平均绝对误差。试验证明使用多个体尺的主成分幂回归体质量估测模型较为精确,可用于机器视觉估测猪体质量的应用中。 相似文献
90.