全文获取类型
收费全文 | 91篇 |
免费 | 0篇 |
国内免费 | 1篇 |
专业分类
林业 | 1篇 |
农学 | 2篇 |
基础科学 | 1篇 |
1篇 | |
综合类 | 33篇 |
农作物 | 1篇 |
畜牧兽医 | 4篇 |
园艺 | 49篇 |
出版年
2023年 | 2篇 |
2022年 | 3篇 |
2021年 | 1篇 |
2020年 | 1篇 |
2019年 | 3篇 |
2018年 | 8篇 |
2017年 | 3篇 |
2016年 | 1篇 |
2014年 | 5篇 |
2013年 | 8篇 |
2012年 | 5篇 |
2011年 | 3篇 |
2010年 | 3篇 |
2009年 | 4篇 |
2008年 | 7篇 |
2007年 | 11篇 |
2006年 | 6篇 |
2005年 | 1篇 |
2004年 | 1篇 |
2003年 | 1篇 |
1998年 | 2篇 |
1995年 | 2篇 |
1992年 | 3篇 |
1991年 | 2篇 |
1990年 | 1篇 |
1989年 | 1篇 |
1987年 | 3篇 |
1985年 | 1篇 |
排序方式: 共有92条查询结果,搜索用时 734 毫秒
71.
72.
73.
74.
75.
76.
77.
78.
基于改进YOLO v5的自然环境下樱桃果实识别方法 总被引:1,自引:0,他引:1
为提高对樱桃果实识别的准确率,提升果园自动采摘机器人的工作效率,使用采集到的樱桃原始图像以及其搭配不同数据增强方式得到的数据图像共1816幅建立数据集,按照8∶2将数据集划分成训练集与测试集。基于深度学习网络,利用YOLO v5模型分别对不同数据增强方式以及组合增强方式扩增后的樱桃数据集进行识别检测,结果表明离线增强与在线增强均对模型精度提升有一定的正向促进作用,其中采用离线数据增强策略能够显著且稳定的增加检测精度,在线数据增强策略能够小幅度提高检测精度,同时使用离线增强以及在线增强能够最大幅度的提升平均检测精度。针对樱桃果实之间相互遮挡以及图像中的小目标樱桃检测难等导致自然环境下樱桃果实检测精度低的问题,本文将YOLO v5的骨干网络进行改动,增添具有注意力机制的Transformer模块,Neck结构由原来的PAFPN改成可以进行双向加权融合的BiFPN,Head结构增加了浅层下采样的P2模块,提出一种基于改进YOLO v5的自然环境下樱桃果实的识别网络。实验结果表明:相比于其他已有模型以及单一结构改进后的YOLO v5模型,本文提出的综合改进模型具有更高的检测精度,使平均精度均值2提高了29个百分点。结果表明该方法有效的增强了识别过程中特征融合的效率和精度,显著地提高了樱桃果实的检测效果。同时,本文将训练好的网络模型部署到安卓(Android)平台上。该系统使用简洁,用户设备环境要求不高,具有一定的实用性,可在大田环境下对樱桃果实进行准确检测,能够很好地满足实时检测樱桃果实的需求,也为自动采摘等实际应用奠定了基础。 相似文献
79.
80.