全文获取类型
收费全文 | 334篇 |
免费 | 21篇 |
国内免费 | 189篇 |
专业分类
林业 | 17篇 |
农学 | 9篇 |
基础科学 | 148篇 |
200篇 | |
综合类 | 145篇 |
农作物 | 5篇 |
水产渔业 | 3篇 |
畜牧兽医 | 7篇 |
园艺 | 5篇 |
植物保护 | 5篇 |
出版年
2024年 | 26篇 |
2023年 | 58篇 |
2022年 | 65篇 |
2021年 | 69篇 |
2020年 | 45篇 |
2019年 | 37篇 |
2018年 | 21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 | 10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544条查询结果,搜索用时 17 毫秒
31.
基于Radarsat-2影像的复杂种植结构下旱地作物识别 总被引:3,自引:5,他引:3
为提高基于Radarsat-2旱地作物识别的精度,该文研究了一种复杂种植结构背景下具有共同生长期作物的识别方法。研究区为一个12 km×12 km的样方,位于内蒙古上库力农场额很队,以春小麦、油菜2种共同生长期作物为识别对象,利用Spot-6影像和Radarsat-2影像,在数据预处理的基础上分析研究区内典型地物样本的后向散射系数在不同极化波段上的变化特征,根据该变化特征设计图像增强算法,然后基于图像增强后的影像设定合理的阈值实现作物识别提取。结果表明:该方法准确识别并有效提取了共同生长期作物春小麦和油菜的种植面积,总体精度达到97%,Kappa系数为0.96。该方法简便、快捷、可靠,为春小麦、油菜等旱地共同生长期作物种植面积提取提供重要的科学技术支撑。 相似文献
32.
针对油茶果采摘脱壳后存在的果壳籽粒分选效率较低的问题,该研究提出了一种结合人工免疫网络(aiNet)与支持向量机(Support Vector Machine)的多特征智能分选算法。该方法利用了免疫算法的多特征聚类特点与支持向量机的二分性特点,对油茶果壳与籽粒的延伸率、圆形度、圆满度、色差分量等6个特征进行分选。试验结果表明,该研究提出的方法在分选效率上达到了97.4%,时间平均值为600 ms,证明了这种方法在油茶果壳籽粒分选作业中的实时性与有效性。通过与其他智能分选算法的效率对比分析证明,该研究提出的方法在效率上更优,更加适合油茶脱壳生产线的实时性要求。 相似文献
33.
为了解决现阶段水稻发育期信息的获取主要依靠人工观测的效率低、主观性强等问题,该研究提出一种基于Rectified Adam(RAdam)优化器的ResNet50卷积神经网络图像识别方法,开展水稻关键生育期的自动识别。连续2a对12块试验田的水稻物候特征进行持续自动拍摄,对采集的水稻图像进行预处理,得到水稻各发育期分类图像数据集;采用ExG因子和大津法(Otsu)算法相结合的方法对水稻图像分割,减小稻田背景干扰;对比分析了VGG16、VGG19、ResNet50和Inception v3四种模型下水稻生育期图像分级识别的性能,选取性能较优网络模型并进行了网络参数调优;对比试验了不同优化器下模型准确率和损失值的变化,选取了RAdam优化器。结果表明,采取基于RAdam优化器卷积神经网络构建的模型,在真实场景下分类识别准确率达到97.33%,网络稳定性高、收敛速度快,为水稻生育期自动化观测提供了有效方法。 相似文献
34.
基于ResNet-50深度卷积网络的果树病害智能诊断模型研究 总被引:1,自引:1,他引:1
[目的/意义]果树病害危及农业生产安全,运用人工智能技术帮助果农及时准确地识别果树病害对保障农业安全生产具有重要意义。[方法/过程]采用10000张果树叶片病斑图像数据集,通过旋转、污化、增噪、切割等图像增强手段,提高样本图像的多样性;使用ResNet-50深度卷积网络模型,进行机器学习,获得果树病害识别模型,并基于此模型开发了应用软件提供在线诊断服务。[结果/结论]实验结果表明:该模型对4种果树病害的平均识别率达到92.9%,和相关研究成果相比具有较好的诊断效果。 相似文献
35.
为提供评判超级杂交水稻理想株型的方法和手段,以Visual C 为工具,利用图像识别技术,提供了超级杂交水稻理想株型经图像的二值化、细线化处理、提取了株型的骨架信息。 相似文献
36.
37.
在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80~110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN(K-Nearest Neighbors)、SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。 相似文献
38.
为实现自然环境下的板栗果实目标快速识别,该研究以湖北省种植板栗为研究对象,提出了一种基于改进YOLOv8模型的栗果识别方法YOLOv8-PBi。首先,将部分卷积(partial convolution,PConv)引入C2f模块中,缩减卷积过程中的浮点数和计算量;其次,引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),增强多尺度特征融合性能,最后,更改边界框损失函数为动态非单调聚焦机制WIoU(wise intersection over union,WIoU),提高模型收敛速度,进一步提升模型检测性能。试验结果表明,改进YOLOv8-PBi模型准确率、召回率和平均精度分别为89.4%、74.9%、84.2%;相比原始基础网络YOLOv8s,模型权重减小46.22%,准确率、召回率和平均精度分别提升1.3、1.5、1.8个百分点。部署模型至边缘嵌入式设备上,经过TensorRT加速后,检测帧率达到43 帧/s。该方法可为板栗智能化收获过程中的栗果识别提供技术基础。 相似文献
39.
40.
基于最小阈值法的棉花幼苗识别研究 总被引:1,自引:1,他引:0
面对纯机械式分苗机构经常出现的漏分和多分的问题,本文提出使用基于最小阈值法的图像识别技术对棉花幼苗进行识别和分离。使用了HSV颜色空间内与光照条件无关的H值将RGB真彩色图像转化为灰度图像,以提高图像处理的实时性。基于最小值阈值法,提出一种能够有效地将处于复杂背景下的棉花幼苗茎部图像提取的方法,使用棉花幼苗茎部图像的面积和长宽比等几何信息能有效识别棉花幼苗,并得到棉花幼苗茎部的重心坐标。本文的研究证明了用图像处理中的最小阈值法识别棉花幼苗是可行的。 相似文献