全文获取类型
收费全文 | 148篇 |
免费 | 10篇 |
国内免费 | 8篇 |
专业分类
林业 | 11篇 |
农学 | 2篇 |
基础科学 | 6篇 |
7篇 | |
综合类 | 41篇 |
农作物 | 5篇 |
水产渔业 | 13篇 |
畜牧兽医 | 19篇 |
园艺 | 12篇 |
植物保护 | 50篇 |
出版年
2022年 | 3篇 |
2021年 | 1篇 |
2020年 | 1篇 |
2018年 | 3篇 |
2017年 | 1篇 |
2016年 | 4篇 |
2015年 | 3篇 |
2013年 | 2篇 |
2012年 | 2篇 |
2011年 | 8篇 |
2010年 | 4篇 |
2009年 | 5篇 |
2008年 | 11篇 |
2007年 | 12篇 |
2006年 | 9篇 |
2005年 | 10篇 |
2004年 | 9篇 |
2003年 | 11篇 |
2002年 | 9篇 |
2001年 | 4篇 |
2000年 | 1篇 |
1999年 | 2篇 |
1998年 | 1篇 |
1996年 | 1篇 |
1995年 | 1篇 |
1993年 | 4篇 |
1992年 | 3篇 |
1991年 | 1篇 |
1990年 | 2篇 |
1989年 | 5篇 |
1988年 | 5篇 |
1987年 | 4篇 |
1986年 | 5篇 |
1985年 | 2篇 |
1984年 | 3篇 |
1983年 | 6篇 |
1982年 | 2篇 |
1980年 | 4篇 |
1962年 | 2篇 |
排序方式: 共有166条查询结果,搜索用时 15 毫秒
161.
163.
164.
1985~2005年,美国报道从我国出口的竹制品中发现包括竹绿虎天牛(Chlorophorus annularis F.)在内的20多种有检疫意义的害虫.由于目前还没有针对竹制品中竹绿虎天牛的熏蒸处理技术指标,美国APHIS-PPQ采用其检疫处理手册的T404-d方案对竹制品进行熏蒸处理,即溴甲烷熏蒸24h.美国采用的竹制品熏蒸方案中溴甲烷的用量较高,本文应用比T404~d方案更低剂量的溴甲烷,研究竹桩中竹绿虎天牛的熏蒸效果.溴甲烷熏蒸试验在自制的小型熏蒸箱中进行,在26.7℃48 g/m3、21.1℃ 64 g/m3、15.6℃ 80 g/m3、10.0℃ 96 g/m3和4.4℃ 112 g/m3等5个温度和剂量组合,共20个试验(每个剂量4个重复)共熏蒸处理2847头幼虫、140头蛹和122头成虫,死亡率达100%,而在3组对照中共发现455头活虫.同时,用装满竹杆(80%)的20尺集装箱模拟竹制品出口熏蒸试验,以检查在24h的熏蒸过程中溴甲烷是否保持必需的浓度要求.本研究推荐了较低剂量的溴甲烷熏蒸处理竹制品的新的技术指标. 相似文献
165.
精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫智能识别模型。该模型通过引入坐标注意力(Coordinate Attention, CA)机制而改进EfficientNet主体结构,引入数据增强的组合训练策略及Adam优化算法来提高模型的泛化能力,并采用迁移学习策略来训练改进的EfficientNet模型,从而提出了一个高性能轻量化的作物害虫识别模型CA-EfficientNet。在公开的大规模作物害虫数据集IP102上展开试验,结果表明该研究提出的CA-EfficientNet模型识别准确率达到69.45%,较改进前提高了4.01个百分点;与现有同类最优算法(GAEnsemble)的性能相比,识别准确率高出2.32个百分点。改进后的CA-EfficientNet模型参数量为5.38 M,较改进前仅增加了0.09 M;相比于经典分类网络VGG、ResNet-50、GoogleNet等,其参数量仅是这些网络模型参数量的3.89%、22.72%和52.63%。试验结果表明,所提方法有效提高了作物害虫图像的识别准确率,较大幅度地减少了模型参数量,在保持轻量化计算开销的基础上获得了明显优于同类最优算法的准确率。 相似文献
166.
实现繁育期精准个体检测是提高集约养殖环境下肉鸽繁育效率和精准管控效果的有效手段,其中小目标鸽蛋及粘连乳鸽的精准检测是关键。该研究提出了一种基于改进RetinaNet的目标检测模型,以RetinaNet网络为基础框架,将ResNet50特征提取网络与特征金字塔网络(Feature Pyramid Networks,FPN)结合,增加特征金字塔网络中特征检测尺度,提升对图像中遮挡鸽蛋与粘连乳鸽的检测精度;在分类和回归子网络前引入卷积注意力模块(Convolutional Block Attention Module,CBAM),提升对小目标检测的精度。试验结果表明,该研究提出的模型对于笼养肉鸽个体检测的平均精度均值(mean Average Precision,mAP)达到80.89%,相比SSD、YOLOv3、YOLOv4、YOLOv5s、YOLOv5m和原始RetinaNet模型提高了18.66、29.15、19.92、21.69、18.99与15.45个百分点;对成鸽、乳鸽与鸽蛋检测的平均精度(Average Precision,AP)分别为95.88%,79.51%和67.29%,相对原始RetinaNet模型提高了2.16、21.74和22.48个百分点,在保证成鸽精准检测的基础上,显著提升了对复杂环境下存在局部遮挡的小目标鸽蛋以及粘连乳鸽的检测精度,为实现集约化养殖环境下肉鸽繁育周期个体检测和精准管控提供有效支持。 相似文献