全文获取类型
收费全文 | 369篇 |
免费 | 8篇 |
国内免费 | 205篇 |
专业分类
林业 | 17篇 |
农学 | 10篇 |
基础科学 | 156篇 |
210篇 | |
综合类 | 155篇 |
农作物 | 6篇 |
水产渔业 | 3篇 |
畜牧兽医 | 14篇 |
园艺 | 6篇 |
植物保护 | 5篇 |
出版年
2024年 | 32篇 |
2023年 | 61篇 |
2022年 | 81篇 |
2021年 | 79篇 |
2020年 | 46篇 |
2019年 | 40篇 |
2018年 | 22篇 |
2017年 | 21篇 |
2016年 | 24篇 |
2015年 | 13篇 |
2014年 | 18篇 |
2013年 | 19篇 |
2012年 | 30篇 |
2011年 | 8篇 |
2010年 | 20篇 |
2009年 | 19篇 |
2008年 | 12篇 |
2007年 | 8篇 |
2006年 | 3篇 |
2005年 | 4篇 |
2004年 | 5篇 |
2003年 | 6篇 |
2002年 | 6篇 |
2001年 | 3篇 |
2000年 | 1篇 |
1996年 | 1篇 |
排序方式: 共有582条查询结果,搜索用时 15 毫秒
71.
瘤胃充盈度评分是反映奶牛个体采食量与能量摄入状态的直观指标,为实现奶牛瘤胃充盈度的自动评分,该研究提出了一种基于SOLOv2网络和空腔特征的瘤胃充盈度自动评分方法,首先对获取的奶牛背部深度图像进行预处理以提取目标奶牛;其次利用SOLOv2实例分割网络对奶牛瘤胃区域进行分割以获取瘤胃区域点云,将其投影至X-Z平面内采样得到二值图像,通过形态学处理得到空腔结构特征图;最后构建分类模型对特征图像进行分类以实现瘤胃充盈度的自动评分。试验结果表明,主干网络为ResNet-101-FPN时SOLOv2模型对测试集图像分割的平均精度达到86.29%,瘤胃充盈度自动评分的精准识别率为85.77%,评分误差在1以内的样本达到99.9%,平均识别速率为5.5 帧/s,并对肥瘦程度不同的奶牛具有较强的鲁棒性。该方法可实现规模化养殖中奶牛个体瘤胃充盈度的无接触评定。 相似文献
72.
73.
74.
【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。 相似文献
75.
基于叶片图像和环境信息的黄瓜病害识别方法 总被引:6,自引:10,他引:6
作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。 相似文献
76.
基于Zernike矩的马铃薯薯形检测 总被引:3,自引:5,他引:3
目前基于机器视觉的马铃薯薯形检测的形状特征单一,相关研究较少,为了进一步探索合适的形状特征参数及检测方法,该文将Zernike矩作为特征参数并利用支持向量机实现了马铃薯薯形的检测分类,准确度较高。首先用截取最佳图像的方法对马铃薯图像进行归一化,使得归一化后的图像具有平移和尺度不变性,然后从归一化的图像中计算具有旋转不变性的Zernike矩参数,通过特征筛选确定分类的19个Zernike特征参数,最后将这些特征输入到支持向量机中,用高斯径向基核函数(RBF)和Sigmoid核函数构建混合核函数,完成马铃薯薯形检测分类,对薯形良好和畸形的检测准确率达93%和100%,能够准确剔除畸形马铃薯并满足实际检测的要求。 相似文献
77.
78.
针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F1为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F1值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。 相似文献
79.
光照条件变化会对花椒目标识别率产生影响,关系到机器视觉技术能否有效应用于生产现场的花椒采摘。通过对HSV特性图像识别技术的分析,提出HSV和形状特征融合的花椒识别算法。该算法采用同态滤波方法对光照进行补偿,解决因为光照不均匀而导致的花椒识别率低的问题,最后利用花椒圆度特征,排除树枝及树叶等的干扰,实现花椒的准确识别。利用同态滤波方法对光照进行补偿,对于光照不强或者发生遮挡的花椒图像有较大改善,通过试验得出其平均识别率达到94.0%,比单独采用HSV特性识别时,在顺光,背光和遮阴条件下,识别率分别提高4%,13%和21%,此外在遮阴条件下运行时间缩短14.6%。为遮阴条件下提高花椒识别率提供一种方法。 相似文献