全文获取类型
收费全文 | 101篇 |
免费 | 1篇 |
国内免费 | 6篇 |
专业分类
林业 | 7篇 |
农学 | 8篇 |
基础科学 | 7篇 |
4篇 | |
综合类 | 70篇 |
农作物 | 4篇 |
水产渔业 | 1篇 |
畜牧兽医 | 5篇 |
园艺 | 2篇 |
出版年
2023年 | 2篇 |
2022年 | 5篇 |
2021年 | 6篇 |
2020年 | 5篇 |
2019年 | 5篇 |
2018年 | 6篇 |
2017年 | 2篇 |
2016年 | 3篇 |
2015年 | 2篇 |
2014年 | 7篇 |
2013年 | 7篇 |
2012年 | 9篇 |
2011年 | 4篇 |
2010年 | 4篇 |
2009年 | 7篇 |
2008年 | 4篇 |
2007年 | 4篇 |
2006年 | 8篇 |
2005年 | 6篇 |
2004年 | 2篇 |
2003年 | 2篇 |
2002年 | 3篇 |
2000年 | 3篇 |
1999年 | 1篇 |
1993年 | 1篇 |
排序方式: 共有108条查询结果,搜索用时 15 毫秒
71.
PowerPoint是目前较为常用的多媒体课件制作软件之一。本文介绍了在PowerPoint中使用VB内部控件和ActiveX控件的方法和具体步骤。 相似文献
72.
73.
74.
[目的]构建重金属铅污染下的水稻地上部器官集特征与高光谱识别模型。[方法]以南粳44和两优培九2个水稻品种为材料,通过盆栽试验,研究了不同浓度铅污染下水稻地上部器官对铅的富集特征,以及冠层光谱特征和植株各器官铅含量的定量关系。[结果]2个水稻品种整株、茎、叶和穗各器官铅含量均随着铅污染处理浓度的增加而加大,且茎中含量最高;不同浓度铅污染胁迫下的水稻冠层反射光谱曲线在可见光红光波段也存在差异,随着铅处理浓度增大,光谱曲线反射值降低,去除包络线后归一化深度加大。通过构建NDVI(x)与水稻器官中铅含量的多种关系模型,比较了模型预测的显著性,分别构建了适用于2个水稻品种各器官的铅胁迫遥感监测的预测模型,南粳44分别为y整株=2270.4x2-2292.8x+577.35,y茎=4260.9x2-4294x+1077.8,y叶=2780.8x2-2777.9x+690.71以及y穗=309.31x2-306.07x+75.369;两优培九分别为y整株=524269e-25.557x,y茎=1E+07e-31.65x,y叶=2E+07e-34.056x,y穗=14320e-21.756x。[结论]地面高光谱遥感对水稻重金属铅污染及其胁迫水平有较好的响应,可通过水稻冠层光谱的差异性分析,实现水稻铅污染的快速、无损伤探测。 相似文献
75.
水稻抽穗后株型指标与产量形成关系的研究 总被引:31,自引:1,他引:31
以代表性品种中粳武运粳 8号和杂交中稻汕优 6 3为材料 ,研究高产水稻株型和籽产量形成的关系。结果表明 ,高产水稻的株型应为 :株高在适宜范围内的上限 ,穗下节间较长、基部第 1、2节间粗短 ,穗下节间占秆长的32 %~ 35 % ,茎生 3叶叶角和弯曲度小 ,茎生 5叶叶长配置合理 ;高产株型植株抽穗后的势粒比为 4 5 .0~ 4 9.0cm2·粒 -1。此时 ,水稻植株节间茎鞘基础物质积累高 ,茎鞘输出物质多 ,而茎鞘输出相对比例小。 相似文献
76.
77.
基于计算机视觉的水稻叶部病害识别研究 总被引:13,自引:1,他引:12
【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】(1)病斑图像获取:水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。(2)特征参数的选择与设计:首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。(3)病害识别流程的设计:根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。(4)病害识别模型的建立:将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。 相似文献
78.
79.
当前在大面积生产中,主要病害的发生严重威胁农作物健康持续发展,亟须高效的病害识别方法来解决人工识别耗时、误判及效率低等问题。通过SONY@6300数码相机和开源数据库获取3种病害图像各150张,利用Labelme标注图片病斑,经过图像增强得到2 250张图片并构成数据集,按照8∶1∶1的比例划分为训练集、验证集和测试集。训练Deeplabv3+、 U-Net、 U-Net++等3种神经网络模型,对3种病害的图片进行预测并评价,比较在相同迭代次数下的损失曲线;根据对测试集进行预测的混淆矩阵,计算其精准度、召回率和F1得分。综合对比这3种模型的性能,结果表明U-Net++效果最好,3个评价指标均在97%以上,对病害的分割性能也优于Deeplabv3+和U-Net模型。研究结果可为生产上病害防治提供科学指导,也可为其他作物的病害识别提供技术参考。 相似文献
80.
赤霉病是影响小麦产量和品质的主要病害之一。为快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,对Deeplabv3+网络模型进行调参和训练。以轻量化网络MobileNet V2为网络编码模块,利用空洞卷积技术建立基于深度学习网络的小麦赤霉病发病麦穗的识别与检测模型,并用实测数据对模型进行验证和评价。结果表明,该模型的平均精度为0.969 2,损失函数Loss为0.103 0,平均交并比MIoU为0.793,模型识别与检测效果较好。上述结果为小麦赤霉病的检测与识别提供新的手段。 相似文献