排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
分析了如何实现XML数据和关系数据库数据之间的转换,指出了其技术关键是在XML文档和关系数据库之间建立映射关系,最后提出了一种基于元素树的转换方法及其转换模型. 相似文献
4.
基于物联网的柑橘土壤水分养分实时监测系统的设计与实现 总被引:1,自引:0,他引:1
由于不同地区不同季节的土壤和气候环境不同,特别是丘陵山区果园之间的土壤养分、水分和温度差异明显,这就需要因地制宜的来实施柑橘生产的施肥或灌溉。本文借助物联网技术、人工智能技术、通信技术和ZigBee无线网络技术,建立柑橘土壤水分养分实时监测系统,能够实时监测土壤水分、温度和养分的变化,并根据这些变化及时给出专家决策意见。测试表明,该系统有助于指导果农进行科学的施肥或灌溉,提高柑橘生产的精准化作业水平,降低劳动力成本,减少乱施化肥造成的环境污染。 相似文献
5.
基于卷积神经网络结合图像处理技术的荞麦病害识别 总被引:3,自引:3,他引:0
荞麦病害的发生极大地影响了荞麦的品质和产量,对病害的监测是确保荞麦产业健康发展的重要措施。该研究利用深度学习中卷积神经网络的多层特征提取方式,对荞麦病害的特征进行抽取,然后根据特征进行分类,最终实现对荞麦病害的判别。首先采用一种最大稳定极值区域(MSER,Maximally Stable Extremal Regions)和卷积神经网络(CNN,ConvolutionalNeuralNetwork)结合的方法对荞麦发病区域进行检测,实现了病害区域与非病害区域的分离,准确定位病灶位置;然后在传统卷积神经网络框架上,通过提升网络宽度,约束参数量,加入了两级inception结构,对成像环境复杂,低质量荞麦图像准确地进行特征抽取。同时,为了降低采样过程中光照的影响,采用基于余弦相似度的卷积代替传统的卷积运算,对于光照不均的荞麦叶片也能够进行较好的病害识别。最后,为了验证该研究所提方法的有效性,建立一个包含8种荞麦病害图像的数据集,结果表明采用MSER和CNN结合的区域检测与两级inception识别框架的方法,对于荞麦是否发病判别的精确率、召回率、以及精确率和召回率加权调和平均值分别达到了97.54%,96.38%,97.82%;对于具体病害的识别其均值为84.86%,85.78%,85.40%。该方法在识别精度和速度方面具有良好的性能,为实现荞麦病害的自动识别提供了重要的技术支持。 相似文献
6.
分析了如何实现XML数据和关系数据库数据之间的转换,指出了其技术关键是在XML文档和关系数据库之间建立映射关系,最后提出了一种基于元素树的转换方法及其转换模型。 相似文献
1