排序方式： 共有5条查询结果，搜索用时 104 毫秒
1
1.
2.
围绕基于动态生长模型的植物根系模拟技术展开研究与讨论,在分析了冬小麦根系动态生长模型的基础上,提出了一种利用改进型L系统规则结合动态数据结构的冬小麦根系模拟方法并予以实现。引入了植物根系的“管道模型”,使系统在模拟根系生长的同时,能完成对根系各生长参数的计算,最后能生成根系图形并计算出根系研究所需要的根长、根重、根体积等重要参数,实现了根系生长发育模型和形态发生模型的有机结合。 相似文献
3.
XML查询语言将树型路径查询作为其核心。以XML树形结构进行的导航式遍历的查询,其时间复杂度较高。提出了1种执行效率高的路径分解结构连接策略,对策略中的连接算法进行了深入分析。事实证明,该算法在降低时间复杂度,减少冗余连接等方面有优良的性能。 相似文献
4.
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
5.
1