全文获取类型
收费全文 | 68篇 |
免费 | 15篇 |
国内免费 | 23篇 |
专业分类
林业 | 3篇 |
农学 | 3篇 |
基础科学 | 32篇 |
26篇 | |
综合类 | 32篇 |
农作物 | 1篇 |
水产渔业 | 2篇 |
畜牧兽医 | 3篇 |
园艺 | 1篇 |
植物保护 | 3篇 |
出版年
2024年 | 1篇 |
2023年 | 8篇 |
2022年 | 10篇 |
2021年 | 6篇 |
2020年 | 7篇 |
2019年 | 9篇 |
2018年 | 5篇 |
2017年 | 7篇 |
2016年 | 5篇 |
2015年 | 6篇 |
2014年 | 7篇 |
2013年 | 6篇 |
2012年 | 5篇 |
2011年 | 4篇 |
2010年 | 5篇 |
2009年 | 5篇 |
2008年 | 1篇 |
2007年 | 2篇 |
2006年 | 4篇 |
2004年 | 1篇 |
2003年 | 1篇 |
1994年 | 1篇 |
排序方式: 共有106条查询结果,搜索用时 15 毫秒
1.
为进一步提升苹果的侦测精度,从而提高苹果作业机器人的果实作业效率,以果园重叠苹果为对象,研究了自然环境下双果重叠目标的机器侦测方法。首先将采集到的苹果图像在Lab色彩空间中利用K-means聚类算法提取重叠苹果目标区域;其次在得到重叠苹果边界上的Harris角点后,通过关键角点检测算法定位苹果重叠部分的果实轮廓所在区域,并利用Canny边缘检测算子提取出苹果重叠部分的果实轮廓;然后利用Y型节点搜索算法实现重叠苹果目标的单果轮廓分离,并得到未遮挡果实的完整轮廓;最终利用距离最小二乘算法对被遮挡苹果目标进行果实轮廓重建。为验证方法的有效性,将Hough变换法、Spline样条内插法的重叠果实侦测结果与本文方法所得结果进行对比。试验结果显示,本文方法不仅可以侦测出未遮挡果实的完整轮廓,同时对被遮挡苹果目标也有较好的轮廓重建效果,其果实平均重合度和定位误差分别为95.43%和4.44%,侦测性能明显优于前两种方法,表明本文方法可以较好实现自然环境下苹果双果重叠目标的侦测,该结果为苹果作业机器人多果重叠目标的自动化侦测提供参考。 相似文献
2.
针对木质部交互统计误差大、效率低、重现性差、劳动强度高和传统图像处理算法精度不理想等问题,该文以狭叶锦鸡儿木质部切片图像为研究对象,根据木质部特点提出基于K均值聚类算法和环形结构提取算法相结合,实现木质部准确提取的方法。首先通过动态巴特沃斯同态滤波法对30幅供试图像进行光照不均校正,然后采用K均值聚类法对光照补偿后图像初分割,最后采用环形结构提取算法实现木质部提取计数。试验结果表明:采用K均值聚类算法对光照补偿后的木质部图像初分割分割误差R(section error, R)、过分割误差OR(over-segmentation error, OR)和欠分割误差UR(under-segmentation error, UR)均值分别为5.15%、1.48%和6.46%,优于未光照补偿和3R-G-B算法;该文提出的环形结构提取算法对初分割后木质部图像检测的平均相对误差为2.26%,比分水岭法低11.69个百分点,比凹点匹配法低4.93个百分点。从速度上看,该算法平均耗时3.17 s,比分水岭法快1.40 s,比凹点匹配法快4.88 s。该算法检测的均方根误差RMSE(root mean squared error, RMSE)为0.52%,约相当于分水岭法的1/3,约相当于凹点匹配法的1/2,该算法优于其他2种分割算法;在图像结构复杂、光照不均匀、内部分布不均等缺陷条件下,该文算法也能很好地实现木质部的分割和提取。该方法不仅能对狭叶锦鸡儿木质部自动分割和提取,也可为其他植物木质部分割提取提供参考。 相似文献
3.
基于双次Otsu算法的野外荔枝多类色彩目标快速识别 总被引:5,自引:0,他引:5
针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。 相似文献
4.
用K-means图像法和主成分分析法监测生菜生长势 总被引:2,自引:2,他引:0
温室植物生长状况的实时监测可为生产管理提供科学的决策支持.为开发实时监测中的机器视觉技术,该文选定生菜为研究对象,从单株和群体两个角度构建生菜生长势图像检测法.采集自然光条件下生菜整个生命周期俯视及侧视两类序列图像样本,并同步人工实测生菜生长势的动态数据样本,探讨生长势的图像检测指标与人工实测综合指标之间的相关性.对于单株生菜,通过CCD相机获取其投影图像及水平面两垂直方向侧视图像.就投影图像分割,为提高算法运行效率,将图像由RGB模型转换到HSI模型并提取H分量图像,再运用自动阈值法进行图像二值化处理,可测得单株生菜的投影面积.由于侧视图像背景较复杂,故联合使用K-means彩色图像分割法及伪彩色图像处理方法,获得生菜株高值.同时手工测量表达单株生菜生长势的叶片数、株高、x轴和y轴方向生菜植株的最大宽度、生菜植株某选定叶片的长和宽等6个指标,用主成分分析法从中提取出总生长势信息.将该值作为因变量,图像测得的投影面积和株高值作为自变量并进行回归分析.结果表明,模型的显著性检验概率均小于0.0001,除第4株生菜外,其余模型的决定系数均大于0.80,说明模型极显著且具有较高的拟合精度.对于群体生菜,预试验发现其侧视图像难以准确表达群体生菜生长势信息,故只考虑投影图像,其分割方法与单株生菜侧视图像相同.从中可计算得到群体生菜覆盖指数,再手工测量并算得群体生菜体积指数,以体积指数为因变量,以覆盖指数为自变量建模并进行回归分析.结果表明,模型显著性检验概率均小于0.0001,且决定系数均大于0.89,覆盖指数较好地表达了群体生菜生长势信息.故用图像检测获得的生菜投影面积、株高、群体覆盖指数等三项指标表征生菜生长势一方面具有科学性和可行性,在植物生长状况实时监测领域具有潜在的应用价值,另一方面,其图像分割方法和数据统计方法也可为植物生长状况实时监测等提供一定的借鉴和参考. 相似文献
5.
复杂背景下黄瓜病害叶片的分割方法研究 总被引:2,自引:0,他引:2
利用图像处理和模式识别技术进行复杂背景下黄瓜叶部病害的自动识别,需要先把目标叶片从复杂背景中分割出来,才能进行后续的特征提取和病害识别。为实现复杂背景下黄瓜叶片的分割,首先利用K-均值聚类算法去除图片中的非绿色部分,再采用基于laplacian of gaussia(LOG)算子的方法对待分割的叶片进行区域检测,然后进行基于形状上下文(shape context)的模板匹配和分割。为了提高匹配速度,先检测叶片的生长点和叶尖,以确定叶片的位置、尺寸和方向;然后使用基于超像素(superpixel)的最优匹配搜索方法来减少搜索的复杂度。对20幅黄瓜叶部病害图像进行分割测试,并与人工分割法进行对比,结果表明,本文所采用的分割算法能较好地从复杂背景下提取出黄瓜叶部病害图像,分割准确率达94.7%,为后期黄瓜病斑的特征提取等工作奠定了良好的基础。 相似文献
6.
基于颜色特征的玉米种子纯度识别 总被引:5,自引:1,他引:4
为准确快速的识别出玉米种子中的杂粒,提高玉米种的纯度,该文提出一种以玉米种子冠部与侧面颜色作为特征向量进行纯度识别的新方法。该方法首先将玉米种子原始图像进行背景分割、单粒提取,然后进行冠部核心区域及侧面RGB、HSV颜色特征向量的提取,最后采用Fisher判别理论将多维特征向量投影到一维空间中,进行K-均值聚类分析。试验结果证明:利用Fisher判别理论在一维空间上进行K-均值聚类分析,玉米种子纯度的识别率高于93.75%。影响玉米种子正确识别率的主要因素是投影方向的选择及正确的冠部核心区域的提取。 相似文献
7.
基于改进的BP神经网络集成的作物精准施肥模型 总被引:3,自引:1,他引:2
作物最优施肥量与土壤养分含量、产量之间存在复杂的非线性关系。为更加准确地模拟这种关系,提出一种改进的的BP神经网络集成方法。该方法采用K-均值聚类优选神经网络个体,采用拉格朗日乘子方法计算待集成的神经网络个体的权值。然后,基于农田肥料效应试验数据,以土壤养分含量和施肥量作为神经网络的输入,以产量作为神经网络的输出,建立了作物精准施肥模型。该模型通过求解一个非线性规划问题,能同时获得最大产量和最优施肥量。试验结果表明,在施肥模型的拟合精度方面,改进的神经网络集成方法(其均方根误差为64.54)明显优于单个神经网络方法(其均方根误差为169.74)。而且,作为一种定量模型,基于改进的神经网络集成的施肥模型优于传统施肥模型,能有效地指导精准施肥。 相似文献
8.
基于K-means聚类的柑橘红蜘蛛图像目标识别 总被引:6,自引:3,他引:3
为快速检测红蜘蛛虫害,该研究采用基于Lab颜色模型中a(红/绿)、b(黄/蓝)层信息的K-means聚类法识别彩色图像中的红蜘蛛。试验选取8幅具有不同清晰度的柑橘红蜘蛛图像,采用基于Sobel边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度,对比采用灰度法和包含2、3、4或5个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,灰度法对8幅图像中红蜘蛛目标识别率平均值为29%,误判率平均值为201%,无法应用于复杂背景图像中的红蜘蛛目标识别。包含5个聚类中心的K-means聚类法对清晰度较高的图像识别率为100%,误判率为0,对清晰度较低的图像识别率为88%,误判率为0;当图像尺寸较小时,包含4个聚类中心的K-means聚类法识别效率与灰度法相当;当图像尺寸较大时,重复计算聚类中心导致识别耗时较长;基于Lab颜色空间的识别算法无法有效识别其他颜色的红蜘蛛,继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。 相似文献
9.
奶牛等大型动物的疾病和发情状况目前主要依赖饲养员目测判断,大规模集约化养殖仍采用人工观测方法,这不仅带来繁重的人力负担,也容易误判。为了能自动准确地识别奶牛是否发情或生病,该文提出在奶牛颈部安装无线传感器节点,通过各种传感器获取奶牛的体温、呼吸频率和运动加速度等参数,采用K-均值聚类算法对提取的各种参数进行行为特征多级分类识别,以此建立的动物行为监测系统能准确区分奶牛静止、慢走、爬跨等行为特征,从而可以长时间监测奶牛的健康状态。而且,这种监测系统易于推广到对其他动物的监测,对促进养殖业和畜牧业的发展也具有指导意义。 相似文献
10.