首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   3篇
  免费   0篇
  国内免费   1篇
  1篇
综合类   2篇
农作物   1篇
  2023年   2篇
  2021年   1篇
  2003年   1篇
排序方式: 共有4条查询结果,搜索用时 9 毫秒
1
1.
作物叶面积测量的研究进展   总被引:1,自引:0,他引:1  
对作物叶面积测量理论和方法进行梳理,综述了基于单叶叶面积、单株叶面积、群体叶面积3个维度进行叶面积测量的研究进展,提出作物叶面积测量的物理原理、数学建模原理、光学特征提取原理的理论分类,从精确度、有损和无损测量2个角度分析了叶面积测量的研究进展,并对叶面积测量技术发展趋势进行展望。  相似文献   
2.
二化螟种群空间格局的地统计学分析   总被引:7,自引:0,他引:7  
为探明二化螟种群分面格局的空间相关性并进而为抽样估计提供依据,从一个原始样本出发,另构建了了一个顺序样本和一个随机样本,采用地统计学半变异函数对述3样本进行分析。结果表明,地统计学半变异函数克服了经典格局分析的局限性,能有效刻划二化螟种群空间分布格局,并表征其聚集强度;二化螟原始样本属聚集分布,在行方向和列方向的聚集强度均较弱,但存在几何异向性,行方向的空间连续性(0.2716)明显高于列方向(0.0867);原始样本行方向和列方向的空间依赖范围分别范围分别为1.15m和2.64m。  相似文献   
3.
为提高苹果园中现有设备的病害树叶识别精度,该研究提出了一种快速识别方法S-DenseNet-E。首先,基于DenseNet的Dense模块提出了S-Dense模块,并基于S-Dense模块搭建了S-DenseNet模型。S-Dense模块在输出层中以前馈直连方式将模型内每一层输出聚合连接在一起,改善了Dense模块的密集连接存在计算量大的问题,有效减小了模型计算量。通过在Phytopathology 2021 FGVC8的苹果树叶病害公开数据集上测试表明,S-DenseNet的F1-score达到85.14%,高于常用的CNN类模型;其识别推理时间(或延迟)是33.03 ms,低于MobileNetV2模型。其次,针对S-DenseNet模型在不可辨别病害上的F1-score较低(65.82%)的问题。该研究在S-DenseNet基础上增加辅助模型专门识别不可辨别病害,形成S-DenseNet-E方法。通过在同一数据集上测试表明,S-DenseNet-E在不可辨别病害上的F1-score达到70.10%,识别推理时间为38.92 ms,比S-DenseNet模型仅升高5.89 ms,并且保持了原来S-DenseNet对其他病害的识别效果。因此,该研究表明,S-DenseNet-E方法针对苹果患多种病害和不可辨别病害两种复杂情形的识别效果好,并且计算资源的需求较少,满足果园实际需求。  相似文献   
4.
本文定义了油菜理想株型的内涵,强调油菜的多功能性和理想株型的功能特定性。油菜理想株型是实现油菜某种特定功能,有利于相关经济效益最大化所具备的植株形态。阐明了油菜单株株型和群体株型两个维度之间的关系。梳理了油菜株型研究的基本脉络,提出油菜理想株型研究的四个阶段:初级阶段、成熟阶段、数字化阶段和分子生物技术阶段。系统构建了油菜株型的指标体系,株型指标包括了根、茎、叶、分枝、花、角果以及冠层结构形态等。归纳并提出了形态测量法、经验总结法、试验统计法、数字模拟法、栽培调控法和遗传改良法的油菜株型研究方法划分,提出了光合效能原理,形态结构原理,源、库、流原理,作物生理原理的油菜株型研究基本原理分类。介绍了基于籽粒丰产、基于机械直播、基于菜用或饲用、基于观赏性的四种典型油菜理想株型特征和内涵。分析了油菜株型研究存在的不足,并对油菜理想株型的基本特征、建构策略和研究趋势进行了讨论和展望。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号