检索结果-内蒙古大学图书馆

光谱学与光谱分析 2024年第5期44卷 1364-1371页

作者：杨增荣王怀彬田密密李军会赵龙莲中国农业大学信息与电气工程学院北京100083 现代精细农业系统集成研究教育部重点实验室北京100083

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采... 详细信息

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采集80个无损样品、60个轻度损伤样品以及60个重度损伤样品各自在损伤后0、10、20和30 min的近红外漫反射光谱;采用SNV作为光谱数据预处理方法,谱区范围选择4000~9000 cm^(-1);主成分个数为9,采用偏最小二乘法-判别分析(PLS-DA)和支持向量机(SVM)两种方法建立“无损-有损”二分类模型,预测集的平均识别率分别为85.00%和89.80%,模型识别效果有待提高。在以上实验结果的基础上,使用波段范围为1000~2350 nm的近红外相机采集无损、轻度瘀伤、中度瘀伤和重度瘀伤的100个苹果样品的近红外图像,相机加装1150和1400 nm的滤光片后分别再次采集这些苹果样品的近红外图像,所有图像均在瘀伤产生后立即采集。共采集3个波段、4种瘀伤程度的苹果样本图像共1200张。提取图像吸光度信息并分别建立KNN、SVM和DT分类模型,DT法“无损-损伤”二分类模型和“无损-轻度-重度”三分类模型的识别率最高,分别为99.00%和94.67%。相比基于近红外光谱的苹果早期外部瘀伤识别方法,近红外相机多波段成像法在苹果表面早期瘀伤和瘀伤程度分类的应用中都有更高的识别准确率。与此同时近红外相机成像方法方便确定瘀伤的位置,这为苹果表面瘀伤的实时在线检测与分类提供了一种快速高效的新思路。

关键词：近红外光谱近红外相机成像苹果早期瘀伤

来源：评论

学校读者我要写书评

暂无评论

基于改进CBAM-DeepLab V3+的苹果种植面积提取

引用

农业机械学报 2023年第S02期54卷 206-213页

作者：常晗郭树欣张海洋张瑶中国农业大学信息与电气工程学院北京100083 中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

为提高苹果种植区域的提取精度,提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看,采用基于时序的时空融合算法ESTA... 详细信息

为提高苹果种植区域的提取精度,提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看,采用基于时序的时空融合算法ESTARFM,通过融合Sentinel-2和MODIS的遥感影像数据,实现更高空间分辨率和时间分辨率数据的获取。与此同时,将训练样本从原始的800幅扩充至2400幅,为后续语义分割模型提供更为充足的样本容量。在语义分割模型优化方面,为了进一步提高苹果种植面积的提取精度,以DeepLab V3+网络结构模型为基础,引入基于通道和空间的CBAM注意力机制,进而发展出CBAM-DeepLab V3+模型。与原始DeepLab V3+模型相比,加入CBAM注意力机制的CBAM-DeepLab V3+模型在拟合速度较慢、边缘目标分割不精确、大尺度目标分割内部不一致和存在孔洞等缺陷方面实现了突破,这些改进提高了模型的训练与预测性能。本研究采用原始Sentinel-2影像及时空融合后的影像数据集,结合烟台市牟平区王格庄镇的数据集和观水镇苹果数据集对U-Net、FCN以及DeepLab V3+模型和CBAM-DeepLab V3+模型进行对比,研究发现在苹果种植面积提取方面,CBAM-DeepLab V3+优化模型所取得的MIoU为84.6%,苹果种植面积提取准确率达90.4%。U-Net、FCN和DeepLab V3+模型的MIoU分别为79.2%、75%、81.2%。此外,该模型预测的烟台市牟平区王格庄镇苹果种植面积为3433.33 hm^(2),与烟台市国民经济和社会发展统计公报公布的3666.66 hm^(2)相比,误差为233.33 hm^(2),预测准确率高达93.64%。

关键词：苹果种植面积提取时空融合卷积神经网络 DeepLab V3+ 语义分割

来源：评论

学校读者我要写书评

暂无评论

融合改进头脑风暴与Powell算法的马铃薯多模态图像配准

引用

农业工程学报 2024年第19期40卷 146-158页

作者：李易达王雨欣李晨曦赵冀马恢张漫李寒中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 张家口市农业科学院张家口075000

基于热成像仪获取作物冠层温度可以实现作物水分胁迫状态的非接触式、无损检测,并且具有高通量检测的潜力。然而热红外图像存在作物边缘分布不清晰、噪声强、缺乏形状、纹理信息等问题,无法实现作物冠层温度自动化提取,利用可见光与热... 详细信息

基于热成像仪获取作物冠层温度可以实现作物水分胁迫状态的非接触式、无损检测,并且具有高通量检测的潜力。然而热红外图像存在作物边缘分布不清晰、噪声强、缺乏形状、纹理信息等问题,无法实现作物冠层温度自动化提取,利用可见光与热红外图像间的信息互补性,通过图像自动配准技术可以弥补热红外图像缺点,为自动化检测提供基础。为解决可见光图像与热红外图像之间辐射、形状和纹理差异,导致不同模态图像配准难度较大问题,该研究提出了一种融合改进头脑风暴(brain storm optimization algorithm,BSO)与Powell算法的可见光与热红外图像配准方法。研究通过对原始BSO优化算法进行改进使得整体算法更好寻找到最优仿射变换矩阵进而完成图像配准任务,具体改进包含以下5个方面:使用混沌映射函数初始化BSO群体分布、修改新个体变异范围、手肘法动态调整BSO中K-means聚类数、在个体变异方式策略中加入混沌本地搜索方法、在算法执行过程中根据BSO算法前期后期不同特性动态调整概率参数。研究选用互信息值(mutual information,MI)、归一化互信息值(normalized mutual information,NMI)、均方根误差(root mean square error,RMSE)和平均结构相似性指数(mean structure similarity index measure,MSSIM)作为评价指标。该研究算法相对比Powell优化算法、遗传算法(genetic algorithm,GA)和BSO_Powell算法在温室数据中MI指标分别提升0.054 2、0.076 9、0.040 5,NMI指标分别提升0.015 9、0.023 1、0.052 7,RMSE指标分别降低15.02、13.03、27.08,MSSIM指标分别提升0.052 3、0.048 8、0.122 4;大田数据中MI指标分别提升0.064 2、0.066 7、0.035 5,NMI指标分别提升0.007 7、0.012 5、0.012 4,RMSE指标分别降低14.06、10.57、15.40,MSSIM指标分别提升0.047 1、0.038 1、0.042 9。结果表明,所提出算法具有很强的鲁棒性,能够准确完成复杂环境下马铃薯多模态图像配准任务。

关键词：图像配准头脑风暴算法 Powell算法互信息马铃薯

来源：评论

学校读者我要写书评

暂无评论

基于Encoder-CNN的土壤氮含量光谱预测模型研究

引用

光谱学与光谱分析 2022年第5期42卷 1372-1377页

作者：冀荣华赵迎迎李民赞郑立华中国农业大学烟台研究院山东烟台264670 中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈。鉴于特征提取及非线性表达能力方面的优势,深度学习模型具有较强的泛化能力。提出一种融合自动编码器和卷积神经网络(Encoder-CNN)的土壤氮含量光谱预测模型,探索模型... 详细信息

基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈。鉴于特征提取及非线性表达能力方面的优势,深度学习模型具有较强的泛化能力。提出一种融合自动编码器和卷积神经网络(Encoder-CNN)的土壤氮含量光谱预测模型,探索模型结构和参数对模型性能的影响。根据以往研究成果和相关性分析,获得180个与氮含量强相关的波长,将其作为Encoder-CNN模型输入,而将土壤氮含量作为模型输出。Encoder-CNN模型利用自动编码器的编码部分进行光谱数据降维,然后输入到卷积神经网络进行土壤氮含量预测。设计2种网络结构,每种网络结构包含2种不同参数设置,共4个模型,用以探索Encoder-CNN土壤氮含量光谱预测模型结构和参数对模型性能的影响。利用公开数据集LUCAS对模型进行训练。按3σ原则对公开数据集LUCAS进行异常值检测与处理,获得20791个数据,其中18711个样本作为训练集,2080个样本作为测试集,对Encoder-CNN模型进行训练。结果表明:对于自动编码器,在相同隐含层数下,最后的隐含层神经元个数为30时,复现效果最优。增加隐含层数,会提升复现效果。增加卷积核数量,特别是尺寸为1×1卷积核,能够提高模型的预测性能与可靠性。增加池化层的网络结构,模型预测精度提升至0.90以上。增加全连接层神经元数量也会提升模型性能。利用自采集的黑龙江黑土实时光谱数据集进行模型迁移,观察模型泛化能力。当模型迭代100次后,在黑龙江数据集上的预测精度即可达到0.90以上;当迭代次数为900时,模型在训练集和测试集上的预测精度可以达到0.98。结果表明,所构建的Encoder-CNN土壤氮含量光谱预测模型具有较好的泛化能力。

关键词：土壤氮含量光谱预测卷积神经网络自动编码器

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLO v5的自然环境下樱桃果实识别方法

引用

农业机械学报 2022年第S01期53卷 232-240页

作者：张志远罗铭毅郭树欣刘刚李淑平张瑶中国农业大学信息与电气工程学院北京100083 中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

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... 详细信息

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2.9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。

关键词：樱桃目标检测 YOLO v5 数据增强注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于改进DeepLab V3+的苹果种植面积提取

引用

农业机械学报 2023年

作者：常晗郭树欣张海洋张瑶中国农业大学信息与电气工程学院中国农业大学现代精细农业系统集成研究教育部重点实验室

为提高苹果种植区域的提取精度，提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看，采用基于时序的时空融合算法ES... 详细信息

为提高苹果种植区域的提取精度，提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看，采用基于时序的时空融合算法ESTARFM，通过融合Sentinel-2和MODIS的遥感影像数据，实现更高空间分辨率和时间分辨率数据的获取。与此同时，将训练样本从原始的800幅扩充至2400幅，为后续语义分割模型提供更为充足的样本容量。在语义分割模型优化方面，为了进一步提高苹果种植面积的提取精度，以DeepLab V3+网络结构模型为基础，引入基于通道和空间的CBAM注意力机制，进而发展出CBAM-DeepLab V3+模型。与原始DeepLab V3+模型相比，加入CBAM注意力机制的CBAM-DeepLab V3+模型在拟合速度较慢、边缘目标分割不精确、大尺度目标分割内部不一致和存在孔洞等缺陷方面实现了显著突破，这些改进提高了模型的训练与预测性能。本研究采用原始Sentinel-2影像及时空融合后的影像数据集，结合烟台市牟平区王格庄镇的数据集和观水镇苹果数据集对U-Net、FCN以及DeepLab V3+模型和CBAM-DeepLab V3+模型进行对比，研究发现在苹果种植面积提取方面，CBAM-DeepLab V3+优化模型所取得的MIoU为84.6%，苹果种植面积提取准确率达93.3%。U-Net、FCN和DeepLab V3+模型的MIoU分别为79.2%、75%、81.2%。此外，该模型预测的烟台市牟平区王格庄镇苹果种植面积为3433.33hm2，与烟台市国民经济和社会发展统计公报公布的数据3666.67 hm2相比，误差仅为233.33 hm2，预测准确率高达93.64%。

关键词：时空融合卷积神经网络 DeepLab V3+ 语义分割苹果种植面积提取

来源：评论

学校读者我要写书评

暂无评论

基于光谱结构特性的马铃薯干腐和疮痂病识别方法研究

引用

光谱学与光谱分析 2022年第8期42卷 2471-2476页

作者：李鸿强孙红李民赞河北建筑工程学院理学院河北张家口075000 中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

马铃薯干腐病和疮痂病的检测通过人工目测,结果存在主观性,该工作研究正常、干腐和疮痂病马铃薯的光谱分类识别方法。试验获取116个样本,光谱采集范围860~1745 nm。经过一阶导数(first derivative,FD)处理后的光谱数据,主成分(PCA)分类... 详细信息

马铃薯干腐病和疮痂病的检测通过人工目测,结果存在主观性,该工作研究正常、干腐和疮痂病马铃薯的光谱分类识别方法。试验获取116个样本,光谱采集范围860~1745 nm。经过一阶导数(first derivative,FD)处理后的光谱数据,主成分(PCA)分类识别效果较好,FD作为光谱预处理方法。光谱曲线上的极值点、极值点间的中点和极值点间连线的斜率决定光谱曲线的形状和变化,是曲线上的关键点,光谱曲线形状变化代表着内部物质的变化,具有指纹特性,利用极值点和中点对应的光谱或极值点间连线的斜率组成模式特征向量。分别用3种样本关键点的平均光谱形成标准模式特征向量,通过计算待测样本关键点组成的特征向量和标准模式特征向量之间的马氏距离,以最小马氏距离判定样本的归属,通过错误识别率检验模型识别性能。正常、干腐、疮痂样本分别有13,12,15个关键点,由各自关键点对应的反射率组成的模式特征向量,3类样本的错误识别率为0。去掉冗余关键点整合成一个标准模式特征向量,正常和疮痂样本的错误识别率为0,干腐样本的错误识别率为14.3%,全部错误识别为疮痂样本,特征向量数据点的增多,增加了病害样本之间的贴合度,降低了两类病害样本之间的区分度。利用波长911,1269和1455 nm处两点间的斜率形成模式特征向量,正常和疮痂样本的错误识别率为0,干腐样本的错误识别率为2.4%。利用前2个主成分得分作为参数,采用线性判别分析(LDA)和贝叶斯分类器(BC)建模,提供不同角度的分类模型,对比检验基于模式特征向量建立的分类模型的有效性,2种识别方法的错误识别率均为0。实验结果表明,可以利用表征光谱曲线结构特征的模式特征向量作为分类参数,结合距离法建模,与常见识别方法具有同等识别精度。

关键词：马铃薯干腐病疮痂病高光谱模式识别

来源：评论

学校读者我要写书评

暂无评论

土壤粒度对基于近红外离散波长土壤全氮预测精度影响

引用

光谱学与光谱分析 2021年第12期41卷 3682-3687页

作者：周鹏王炜超杨玮冀荣华李民赞中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

土壤粒度是对土壤近红外光谱造成严重干扰的主要因素之一。通常在样本前处理阶段采用研磨和过筛土壤来降低土壤粒度干扰,在数据处理阶段通过对连续光谱微分法等数学方法消除土壤粒度干扰。但是对于近红外波段离散波长的建模,至今没有有... 详细信息

土壤粒度是对土壤近红外光谱造成严重干扰的主要因素之一。通常在样本前处理阶段采用研磨和过筛土壤来降低土壤粒度干扰,在数据处理阶段通过对连续光谱微分法等数学方法消除土壤粒度干扰。但是对于近红外波段离散波长的建模,至今没有有效的方法消除土壤粒度干扰。为此,提出了土壤粒度修正法以解决土壤粒度干扰消除难题。首先建立土壤粒度修正模型,将农田采集的标准土壤在实验室烘干消除水分后,进行土样配置,得到4个土壤粒度(2.0,0.9,0.45,0.2 mm)和6个全氮浓度等级(0,0.04,0.08,0.12,0.16,0.2 g·kg^(-1))的96个土壤样本。采用MATRIX-Ⅰ型傅里叶变换近红外光谱仪采集土壤样本近红外光谱,计算四个不同粒度(每个粒度包含24个土壤样本)和全部土壤样本在每个波长处(850~2500 nm)所有样本间吸光度的光谱标准偏差,分析得到土壤粒度的特征波段为1361和1870 nm。采用特征波段吸光度比值作为单一输入变量建立SVM土壤粒度分类模型,土壤粒度整体分类准确率为93.8%,表明对土壤粒度进行分类是可行的。选择本研究团队开发的基于近红外波段离散波长(1070,1130,1245,1375,1550,1680 nm)吸光度的车载土壤全氮检测仪对提出的土壤粒度修正模型进行验证。结果表明修正后粒度为2.0,0.9和0.45 mm的吸光度和原始土壤吸光度分别降低了62%,74%,111%和61%。表明土壤粒度修正法可以显著减小土壤粒度干扰。最后采用BPNN建立不同吸光度的全氮模型,相较于原始吸光度模型,修正后的土壤吸光度模型R^(2) v提高了25%。表明提出的土壤粒度修正法可以显著减小土壤粒度对近红外光谱离散波长吸光度的干扰,提高车载土壤全氮检测仪的测量精度。

关键词：土壤粒度干扰近红外离散波长光谱标准偏差土壤粒度修正法 SVM

来源：评论

学校读者我要写书评

暂无评论

温室温湿度传感网簇头选举算法研究

引用

农业机械学报 2021年第S01期52卷 418-426页

作者：况洋王跃亭王敏娟李桂鑫李民赞郑立华中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

针对目前传统温室当中仍然存在着远程操作困难、数据采集需要人工干预、智慧化程度低等问题,构建了以边缘计算为基础的智慧化边缘Mesh传感网,并提出一种基于改进LEACH算法的温室温湿度传感网簇头选举方法。利用ESP8266-12F型无线模块、N... 详细信息

针对目前传统温室当中仍然存在着远程操作困难、数据采集需要人工干预、智慧化程度低等问题,构建了以边缘计算为基础的智慧化边缘Mesh传感网,并提出一种基于改进LEACH算法的温室温湿度传感网簇头选举方法。利用ESP8266-12F型无线模块、NodeMCU型物联网扩展板和DHT-11型温湿度传感器组建了温湿度传感节点并开发了自动化数据采集算法,基于ESP8266-12F型无线模块构建了边缘无线Mesh传感网,实现了节点之间的自动化组网。针对中心路由器多节点负载消耗大以及信号传输速率低等问题提出了一种基于中心路由器RSSI值划分网络的方法,提升了网络的传输速率,在此基础之上改进了LEACH算法,设计了一种适用于温室温湿度Mesh传感网的Sink簇头选举方法,以均衡网络整体的能量效率。仿真结果表明,当初始簇头概率为0.1时,原始LEACH算法在中心位置出现簇头的概率为10.86%;应用权重k=1改进LEACH算法在中心位置出现簇头的概率为17.42%;应用权重k=2改进LEACH算法在中心位置出现簇头的概率为24.96%。

关键词：温室无线传感网数据采集簇头选举算法 Mesh网络 LEACH算法

来源：评论

学校读者我要写书评

暂无评论

基于树莓派的农田表土层土壤容重检测系统研究

引用

农业机械学报 2021年第S01期52卷 329-335,376页

作者：李民赞任新建杨玮孟超王炜超中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

设计了一种基于树莓派的表层土壤容重检测系统,利用易于获取的土壤表面图像特征对表层土壤容重进行预测。提取图像的Tamura纹理特征以及图像的分形维数特征。经过验证,Tamura纹理特征中的粗糙度、对比度、方向度以及图像分形维数特征与... 详细信息

设计了一种基于树莓派的表层土壤容重检测系统,利用易于获取的土壤表面图像特征对表层土壤容重进行预测。提取图像的Tamura纹理特征以及图像的分形维数特征。经过验证,Tamura纹理特征中的粗糙度、对比度、方向度以及图像分形维数特征与土壤容重的相关性较高,相关系数分别为-0.754、-0.799、-0.806、-0.849,因而选用这4个参数作为预测模型输入。分别采用SVM回归模型和GRNN回归模型以及基于SVM、GRNN的Bagging集成模型对土壤容重进行预测。基于SVM、GRNN的Bagging集成模型预测结果同环刀法得到的结果进行相关性分析,决定系数R^(2)达到0.8641,预测结果的平均绝对误差(MAE)达到了0.0316 g/cm^(3),相对单一SVM回归模型和单一GRNN回归模型具有更好的预测结果。基于树莓派的农田表土层土壤容重检测系统的田间实时测量结果显示测量的平均绝对误差(MAE)为0.0412 g/cm^(3),满足了田间精准、快速检测的要求。

关键词：土壤容重树莓派 Bagging模型数字图像 Tamura纹理特征

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：