全文获取类型
收费全文 | 52898篇 |
免费 | 1213篇 |
国内免费 | 2646篇 |
专业分类
林业 | 2162篇 |
农学 | 3382篇 |
基础科学 | 3550篇 |
2452篇 | |
综合类 | 20568篇 |
农作物 | 2389篇 |
水产渔业 | 1820篇 |
畜牧兽医 | 16148篇 |
园艺 | 2964篇 |
植物保护 | 1322篇 |
出版年
2024年 | 357篇 |
2023年 | 1242篇 |
2022年 | 1223篇 |
2021年 | 1375篇 |
2020年 | 1347篇 |
2019年 | 1572篇 |
2018年 | 721篇 |
2017年 | 1306篇 |
2016年 | 1576篇 |
2015年 | 1737篇 |
2014年 | 3025篇 |
2013年 | 2936篇 |
2012年 | 3777篇 |
2011年 | 3878篇 |
2010年 | 3332篇 |
2009年 | 3691篇 |
2008年 | 4431篇 |
2007年 | 3254篇 |
2006年 | 2947篇 |
2005年 | 2603篇 |
2004年 | 1608篇 |
2003年 | 1659篇 |
2002年 | 1101篇 |
2001年 | 1073篇 |
2000年 | 714篇 |
1999年 | 480篇 |
1998年 | 503篇 |
1997年 | 422篇 |
1996年 | 334篇 |
1995年 | 376篇 |
1994年 | 297篇 |
1993年 | 270篇 |
1992年 | 252篇 |
1991年 | 371篇 |
1990年 | 299篇 |
1989年 | 332篇 |
1988年 | 68篇 |
1987年 | 69篇 |
1986年 | 48篇 |
1985年 | 30篇 |
1984年 | 17篇 |
1983年 | 18篇 |
1982年 | 18篇 |
1981年 | 18篇 |
1980年 | 12篇 |
1977年 | 4篇 |
1965年 | 3篇 |
1957年 | 11篇 |
1956年 | 3篇 |
1953年 | 5篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
11.
12.
13.
作为茶叶智能化生产的关键难题之一,基于图像处理的茶叶智能识别与检测技术受到广泛关注。通过综述图像处理技术在茶叶嫩芽识别定位、茶叶病虫害检测、茶叶品种识别与品质检测等方面的研究应用,分析比较各方法的优缺点,总结现有研究存在的主要问题有嫩芽分割受光照影响较大、难以分割含与嫩芽颜色相近背景的图像、枝叶遮挡情况识别效果不理想、缺乏真实背景下茶叶病斑识别算法等。指出基于图像处理的茶叶智能识别与检测技术未来的研究重点:增加不同地域茶叶及品种的样本数据以提高算法普适性;采取多信息融合的方法以求获得更全面的茶叶嫩芽信息;枝叶遮挡严重情况下的识别策略可考虑借助机械装置或风机拨开枝叶,从而避免因枝叶遮挡而导致识别率低的现象发生。 相似文献
14.
15.
16.
17.
为明确水地强筋冬小麦高产、优质、高效的灌溉技术,试验设3个灌水时期8个灌溉处理[越冬期灌1水(W1),拔节期灌1水(W2),孕穗期灌1水(W3),越冬期和拔节期灌2水(W12),越冬期和孕穗期灌2水(W13),拔节期和孕穗期灌2水(W23),越冬期、拔节期和孕穗期灌3水(W123),全生育期不灌水处理(CK)],于小麦成熟期测定籽粒产量、总蛋白及其组分含量和淀粉含量。结果表明,与不灌水的CK比较,所有灌水处理的籽粒产量、有效穗数、穗粒数、千粒重、蛋白质产量以及籽粒淀粉含量均显著增加,但籽粒的总蛋白及其组分含量均呈不同程度降低(W1处理除外)。越冬期灌水对有效穗数、籽粒产量、总蛋白及其组分含量、淀粉含量的提升作用较大;拔节期灌水对穗粒数的提升作用较大,但对淀粉含量的提升作用较小,对总蛋白及其组分含量的降低作用较大;孕穗期灌水对千粒重的提升作用较大,对蛋白质产量的提升作用较小。随着灌水次数增加,小麦籽粒产量显著提高,淀粉含量先显著提高后基本不变,而籽粒总蛋白及其组分含量降低。W123处理籽粒产量最高,其次是W13处理;W1处理籽粒蛋白质及其组分含量最高,其次是W12及W13处理;W23处理淀粉含量最高,其次是W12或W13处理。综合各项指标,最好的灌水组合是越冬期和孕穗期灌2水(W13)。 相似文献
18.
为全面提升动物健康水平,应积极落实动物疫病预防工作,而疫病检测是动物疫病防治的基础,本文提出采用血样采集技术的建议。文章在阐述动物疫病检测工作中存在的主要问题基础上,对禽、牛羊、猪对应的采血方法分别探究,最后分析了动物疫病检测工作中的注意事项。希望与动物疫病检测人员分享技术经验,共同优化动物疫病检测工作质量。 相似文献
19.
20.
近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。 相似文献