排序方式: 共有5条查询结果,搜索用时 129 毫秒
1
1.
2.
本文调查了日本松干蚧不同虫口密度对油松生长量的影响,结果表明:不同的虫口密度对油松的危害程度不同,虫口密度等级为0级的样株,与虫口密度等级I级的样株相比较,二者的连年生长量相差不大;虫口密度等级为0级样株较Ⅱ级样株的树高连年生长量高0.14 m,材积连年生长量高0.002 8 m~3;虫口密度等级为0级样株较Ⅲ级样株的树高连年生长量高0.25 m,材积连年生长量高0.003 6 m~3。 相似文献
3.
4.
基于卷积神经网络的菊花花型和品种识别 总被引:8,自引:1,他引:7
菊花作为国内十大名花之一,具有极为重要的观赏价值和经济价值,表现为种类丰富、花样瓣形繁多的特点,这些特征对其智能识别和高效的管理带来很大挑战。目前菊花的识别和管理主要靠人工方式,效率不高。本文基于端到端的卷积神经网络技术,直接作用于菊花的原始图像数据,通过逐层进行特征学习,进而利用多层网络获取菊花的特征信息,从而避免了人工提取特征的困难和问题,在此基础上使用优化目标函数实现菊花花型的高效、智能识别。针对菊花花型之间差别细微的特点,在细粒度上实现区分相同花型和不同花型的目标函数,系统不仅能够识别菊花花型,还能给出菊花所属的概率值和该花型涵盖的菊花品种。系统的实现分为离线训练和在线识别2个阶段,训练处的模型可以离线托管在云端以便在移动环境下使用。为了训练网络模型,采集了大量的菊花图像样本,并手工标注了相关的花型和类别信息,在此数据集上,与现有的典型系统进行了对比试验,试验表明:系统平均识别率可以达到0.95左右,部分达到0.98,系统识别精度得到明显提升,除此之外系统还能提供更加详细的菊花种类信息,实现了的菊花花型和品种智能识别和高效管理,具有重要的理论和应用价值,为菊花的自动化管理提供了有力的手段。 相似文献
5.
1