全文获取类型
收费全文 | 781篇 |
免费 | 52篇 |
国内免费 | 212篇 |
专业分类
林业 | 70篇 |
农学 | 57篇 |
基础科学 | 249篇 |
247篇 | |
综合类 | 373篇 |
农作物 | 5篇 |
水产渔业 | 5篇 |
畜牧兽医 | 22篇 |
园艺 | 12篇 |
植物保护 | 5篇 |
出版年
2024年 | 22篇 |
2023年 | 66篇 |
2022年 | 64篇 |
2021年 | 77篇 |
2020年 | 47篇 |
2019年 | 39篇 |
2018年 | 50篇 |
2017年 | 41篇 |
2016年 | 45篇 |
2015年 | 50篇 |
2014年 | 51篇 |
2013年 | 57篇 |
2012年 | 66篇 |
2011年 | 64篇 |
2010年 | 46篇 |
2009年 | 62篇 |
2008年 | 39篇 |
2007年 | 39篇 |
2006年 | 41篇 |
2005年 | 21篇 |
2004年 | 10篇 |
2003年 | 14篇 |
2002年 | 9篇 |
2001年 | 9篇 |
2000年 | 3篇 |
1999年 | 1篇 |
1998年 | 1篇 |
1997年 | 1篇 |
1996年 | 2篇 |
1995年 | 2篇 |
1994年 | 1篇 |
1992年 | 1篇 |
1991年 | 1篇 |
1990年 | 2篇 |
1989年 | 1篇 |
排序方式: 共有1045条查询结果,搜索用时 31 毫秒
91.
基于深度全卷积神经网络的大田稻穗分割 总被引:9,自引:7,他引:2
稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。 相似文献
92.
基于小麦群体图像的田间麦穗计数及产量预测方法 总被引:15,自引:11,他引:4
在田间小麦测产时,需人工获取田间单位面积内的麦穗数和穗粒数,耗时耗力。为了快速测量小麦田间单位面积内的产量,该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像,通过转换图像颜色空间RGB→HSI,提取饱和度S分量图像,然后把饱和度S分量图像转换成二值图像,再经细窄部位粘连去除算法进行初步分割,再由边界和区域的特征参数判断出粘连的麦穗图像,并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割,进而识别出图像中的麦穗数量;通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数,进而计算出每幅图像上所有麦穗的预测籽粒数,然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数;同时根据籽粒千粒质量数据,计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%,籽粒数的平均预测精度为90.73%;对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。 相似文献
93.
【目的】解决棉田复杂背景下棉花叶部病害快速识别问题,为提出一种快速提取棉花植株和分割棉花叶片的方法。【方法】通过棉花植株的RGB颜色特征将植株与土壤进行分离,结合形态学处理技术和彩色分割方法,将植株的茎秆去除,保留棉花叶片部分;分别使用广度搜索分割算法、分水岭分割算法和轮廓搜索分割算法,对棉花叶片图像进行分割提取。【结果】基于广度搜索的分割算法将叶片轮廓搜索出来与原图融合分离出叶片,该算法对于图像结构简单的情况分割效果较好,通过对应的drawContours函数将每个轮廓画出,再与原图定位,将叶片的完整信息也轮廓结合,实现叶片的分离。【结论】基于距离变换的分水岭分割算法存在过分割问题,基于广度搜索分割算法与边缘检测结合对于叶片结构清楚图像分割效果显著,与轮廓搜索算法相比,后者的适用性更广,提取的轮廓层次结构也清楚,分割效果最佳。 相似文献
94.
针对Otsu算法对直方图呈现多峰多谷的复杂马铃薯病害图像分割效果不佳的问题,结合混合蛙跳算法(shuffled frog leaping algorithm,SFLA)提出了一种Otsu-SFLA分割优化模型,将Otsu病害图像的分割结果作为SFLA算法的优化起点,进行复杂背景的马铃薯病害图像的分割优化,将马铃薯叶枯病、马铃薯晚疫病、马铃薯菌核病、马铃薯根腐线虫病、马铃薯灰霉病的病害图像作为分割对象进行分割,分割匹配率分别为97.0%、96.2%、96.9%、95.7%、94.8%,平均分割匹配率为96.1%,错误率分别为1.6%、1.1%、1.2%、1.1%、1.4%、平均错误率为1.3%,正确率分别为95.4%、95.1%、95.7%、94.6%、93.4%,平均正确率为94.8%,表明Otsu-SFLA模型可有效从复杂马铃薯病害图像中获取病斑区域。 相似文献
95.
马铃薯芽眼图像的分割与定位方法 总被引:1,自引:0,他引:1
为了探索种薯自动化切种过程,填补关于马铃薯芽眼识别的研究空白,提出一种基于机器视觉技术的芽眼识别方法:从摄像头采集到马铃薯图像后进行计算机图像处理,从彩色空间中利用欧式距离直接分割芽眼区域,在灰度空间中对图像进行中值滤波后利用模糊技术对图像进行增强,之后利用动态阈值分割法分割芽眼区域,结合两个空间的分割结果后利用数学形态学处理方法标记出芽眼。结果显示:在彩色空间中,芽眼识别准确率为62%;在灰度空间中,识别率达到89%。将二者有机结合后,获得了96%的识别准确率。该方法识别成功率高,鲁棒性强,且芽眼区域标记完整,可为种薯切种自动化奠定基础。 相似文献
96.
自然环境下重叠果实图像识别算法与试验 总被引:7,自引:0,他引:7
针对非结构化自然环境中光照变化和对象重叠特征等外界因素给图像处理带来的难题,提出了一种自然环境下重叠果实的图像识别与边界分割的组合优化算法。该组合优化算法首先对原始图像进行噪声滤波处理,然后利用Sobel算子以及改进算子的最大类方差法(OTSU)来辨识重叠果实目标;接着采用K-means算法对重叠目标的像素进行聚类得到单个目标位置,再结合边缘检测结果的连通域分析及区域生长获得单个目标边界的大致区域;最后利用基于限制区域的分水岭算法,得到目标的精确边界。为了验证所提算法的有效性和适应性,进行了试验研究。试验结果表明:所提出的组合优化算法不仅可以在自然环境下从重叠物体图像背景中识别出重叠目标,而且还可以从重叠目标中分割出单个目标的精确边界。 相似文献
97.
为提升水土资源信息分类精度,以无人机航拍获取的高分辨率影像为实验对象,提出了最优分割尺度和决策树支持下的对象级影像分类方法。首先,根据影像内部的同质性和异质性,建立了分割质量函数,通过该函数获取了最优分割尺度;然后,提出了基于光谱信息和面积信息的最优分割尺度评价模型对分割结果进行评价;最后,引入决策树规则机制,完成了水土资源信息分类,并与最大似然法分类结果进行对比。研究结果表明:所建立的分割质量函数能准确获取最优分割尺度,有效避免了人工分割带来的主观性,所提方法分类总体精度为86.78%,最大似然分类方法总体精度为77.59%,在分类精度上有较大提升。 相似文献
98.
基于色差信息多色彩模型的黄羽鸡快速分割方法 总被引:2,自引:0,他引:2
快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。 相似文献
99.
旨在比较分析不同龄沙地云杉的差异。以不同龄沙地云杉为实验材料,采用Li-6400便携式光合作用系统,测定不同龄云杉的光响应、叶绿素荧光参数。结果表明:(1)沙地云杉叶片净光合速率随着树龄的增加净光合速率(Pn)逐渐降低,其中5年生的沙地云杉的净光合速率最大。10年生的沙地云杉的光饱和点光饱和点(LSP)比5年、20年的高,这就说明10年沙地云杉光合最活跃,是生产光合产物最高的时期,处于生命最旺盛的时期。(2)不同龄沙地云杉的叶绿素荧光参数之间差异不显著,其中实际光化学反应量子效率(ΦPSⅡ)、表观光合电子传递速率(ETR)随着树龄的增加而降低,5年生的ΦPSⅡ、ETR达到最大。 相似文献
100.