全文获取类型
收费全文 | 620篇 |
免费 | 36篇 |
专业分类
公路运输 | 197篇 |
综合类 | 212篇 |
水路运输 | 157篇 |
铁路运输 | 83篇 |
综合运输 | 7篇 |
出版年
2024年 | 7篇 |
2023年 | 26篇 |
2022年 | 26篇 |
2021年 | 32篇 |
2020年 | 18篇 |
2019年 | 18篇 |
2018年 | 8篇 |
2017年 | 4篇 |
2016年 | 8篇 |
2015年 | 20篇 |
2014年 | 39篇 |
2013年 | 26篇 |
2012年 | 30篇 |
2011年 | 37篇 |
2010年 | 36篇 |
2009年 | 40篇 |
2008年 | 40篇 |
2007年 | 46篇 |
2006年 | 33篇 |
2005年 | 38篇 |
2004年 | 22篇 |
2003年 | 20篇 |
2002年 | 17篇 |
2001年 | 13篇 |
2000年 | 8篇 |
1999年 | 11篇 |
1998年 | 7篇 |
1997年 | 5篇 |
1996年 | 8篇 |
1995年 | 2篇 |
1994年 | 1篇 |
1993年 | 3篇 |
1992年 | 2篇 |
1991年 | 2篇 |
1990年 | 1篇 |
1989年 | 1篇 |
1956年 | 1篇 |
排序方式: 共有656条查询结果,搜索用时 109 毫秒
651.
652.
针对道岔故障难检测、难分类、时效差等难题,以S700型转辙机道岔为研究对象,提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手,总结故障类型、故障原因和故障信号形态特征,并对道岔转换动作曲线进行预处理,即数据统一维度和归一化。然后计算标准电流曲线和功率曲线,根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选,选取对故障分类具有明显效果的时域特征,以及根据深度学习算法获取的图像特征,形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练,并基于诊断模型实现道岔故障的实时诊断。实验表明:在样本数据量足够大的情况下,DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。 相似文献
653.
为探明桥梁涡振全过程模态参数演变规律,对发生涡振的某悬索桥12 d实测加速度数据进行分析。首先,基于涡振特征指标与改进的随机子空间法,识别并追踪桥梁涡振分布和模态参数;然后,根据涡振报警级别将频率、阻尼比进行分类,研究模态参数在涡振前、中、后的变化规律;最后,分析模态参数与涡振特性之间的相关性。结果表明:在这12 d内,该悬索桥间断地发生了多次、多阶频率,多种程度的涡振;前6阶频率均值仅由于环境影响出现小幅度波动;在涡振期间,各阶频率离散性更小,波动范围仅在0.002 Hz左右;前6阶阻尼比均值线基本保持在稳定区间内,但局部波动变异很大;在涡振期间,由于气动阻尼影响,桥梁涡振锁定频率所在阶次对应的识别阻尼比先明显下降后很快恢复,其他阶次阻尼比没有明显变化;涡振对阻尼比识别值影响较大,但对结构阻尼比影响很小。研究结果揭示了该悬索桥涡振全过程的频率和阻尼比变化规律及其与涡振的关系,可为更准确找出涡振原因和涡振管控提供参考。 相似文献
654.
针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准,从而造成识别精度较低的问题,研究了基于改进U型神经网络(Unet)的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络,难以提取更复杂的裂缝特征信息,故本文以牛津大学视觉几何组网络(VGG16)作为传统Unet的特征提取网络,提高网络的裂缝特征提取能力;为抑制高低阶特征融合时产生的无用特征,本文在模型解码部分添加压缩与激励单元(SE block),构建裂缝注意力单元,使得网络可以关注不同通道下的裂缝特征,建立了基于SE block和VGG16的改进Unet网络(SE-VUnet)。研究采用迁移学习的方法,将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集,并使用摄像头采集图片构建1 600张路面裂缝数据集,再次训练SE-VUnet模型,获得裂缝区域分割结果。以查准率(precision)与查全率(recall)的加权调和平均值F1和雅卡尔(Jaccard)相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1,相比于Unet分别高出了1.04%和1.51%,且均高于其他3种对比模型;SE-VUnet的单帧图片预测时间为89 ms,在分割效果提升明显的情况下仅比Unet慢5 ms,优于其他模型。 相似文献
655.
针对现有的桥梁裂缝检测语义分割网络参数量过于庞大、计算时间长、难以部署在移动端等资源受限的设备上,而且存在裂缝细节识别困难、分割结果不连续的问题,提出了一种优化PSPNet网络结构的改进型轻量级裂缝语义分割模型Ghost-PSPNet。首先利用GhostNet替换ResNet-50作为主干网络,以更小的计算代价生成冗余特征,其次在模型中引入一条支路结构融合多层级特征,得到含更多准确裂缝形态、空间位置信息的高语义特征图,并在金字塔池化模块(Pyramid pooling module PPM)后嵌入自适应通道注意力机制ECANet来强化上下文语义关系衔接。实验结果表明,与PSPNet以及ShuffletNetV2、VGG16为主干的DeepLabV3+、UNet网络相比该模型mIoU值可达82.8%,所占内存仅为14.9 MB较原始PSPNet模型减少了近90%,实时帧率值FPS为38,实现了实时性和准确率的良好平衡。 相似文献
656.
钢桥面板疲劳开裂为常见的钢桥病害,准确快速地发现并确定钢桥面板裂纹几何特征对降低运维成本、制定运维策略具有重要意义。针对传统人工巡检效率低、检测环境恶劣等问题,提出了基于计算机视觉的钢桥面板裂纹及其特征识别方法。采用目标检测网络YoloV5和图像语义分割网络U-Net++相结合的方法识别裂纹。根据2个网络的结构特性标注图像中的目标后生成数据集,并分别对网络中的参数进行训练。利用训练后的YoloV5与U-Net++分阶段对待测裂纹图像进行检测与分割,并通过阈值分割优化U-Net++分割结果,再通过骨架化后得到裂纹骨架线;在确定裂纹形貌后,采用YoloV5识别出的标定块求解透视变换矩阵与像素尺度系数,然后对裂纹骨架线进行图像矫正并确定裂纹几何特征。研究结果表明:YoloV5可准确检测出裂纹与标定块,且检测稳定性好;通过优化U-Net++训练时输入的像素尺寸,提高了U-Net++训练的收敛速度,网络损失由0.121降至0.096;求解透视变换矩阵时,使用所有角点坐标拟合该矩阵的最小二乘解可提高图像矫正标定的精度;当图像采集距离较远、角度较大时,角点投影误差增大,且该误差对角度更为敏感;不同图... 相似文献