全文获取类型
收费全文 | 7856篇 |
免费 | 111篇 |
国内免费 | 270篇 |
专业分类
林业 | 803篇 |
农学 | 129篇 |
基础科学 | 1232篇 |
321篇 | |
综合类 | 3778篇 |
农作物 | 83篇 |
水产渔业 | 121篇 |
畜牧兽医 | 1608篇 |
园艺 | 120篇 |
植物保护 | 42篇 |
出版年
2024年 | 143篇 |
2023年 | 344篇 |
2022年 | 429篇 |
2021年 | 339篇 |
2020年 | 275篇 |
2019年 | 343篇 |
2018年 | 101篇 |
2017年 | 266篇 |
2016年 | 275篇 |
2015年 | 194篇 |
2014年 | 480篇 |
2013年 | 615篇 |
2012年 | 584篇 |
2011年 | 633篇 |
2010年 | 574篇 |
2009年 | 544篇 |
2008年 | 489篇 |
2007年 | 415篇 |
2006年 | 227篇 |
2005年 | 243篇 |
2004年 | 164篇 |
2003年 | 177篇 |
2002年 | 108篇 |
2001年 | 90篇 |
2000年 | 55篇 |
1999年 | 26篇 |
1998年 | 17篇 |
1997年 | 6篇 |
1996年 | 16篇 |
1995年 | 8篇 |
1994年 | 5篇 |
1993年 | 5篇 |
1992年 | 3篇 |
1991年 | 3篇 |
1988年 | 2篇 |
1983年 | 1篇 |
1982年 | 4篇 |
1981年 | 1篇 |
1980年 | 3篇 |
1978年 | 1篇 |
1977年 | 3篇 |
1976年 | 7篇 |
1975年 | 2篇 |
1974年 | 2篇 |
1973年 | 1篇 |
1965年 | 5篇 |
1957年 | 1篇 |
1955年 | 1篇 |
1953年 | 1篇 |
1951年 | 1篇 |
排序方式: 共有8237条查询结果,搜索用时 15 毫秒
21.
采用深度学习算法实现植物图片的自动识别,并将该算法嵌入手机APP,应用到园林植物学教学中,辅助教师的教学工作和学生课后的自主学习活动。算法中数据采集与标记采用园林植物专家筛选和标记,数据处理采用随机增强算法避免过拟合,卷积神经网络采用MobileNet以适用于移动终端,损失函数采用正例损失和负例损失,参数优化采用Adam算法。最终训练结果达到90%以上的精度,满足实用需要,达到优化园林植物学课程的课堂与课后教学活动的效果,有效地解决植物识别在种类数量、准确度和速度上的难点。 相似文献
22.
纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s-1 相似文献
23.
成熟度判别是芒果采收及储藏的重要依据.为了适应移动设备硬件算力的限制,对比了传统机器学习方法和迁移学习方法在芒果成熟度鉴别方面的表现,优选最佳模型并开发了芒果成熟度分类软件.试验采集了不同成熟度的小台农图像100张,进行数据扩充后按照8:2划分为训练集和测试集,以准确率、F1值和预测时间作为模型评价指标,分别采用k近邻(K-NearestNeighbor, KNN)、支持向量机(Support vector machine, SVM)、朴素贝叶斯(Naive bayes, NB)、决策树(Decision tree, DT)机器学习算法模型和AlexNet、ResNet18、VGG16、GoogleNet和SqueezeNet迁移学习算法模型进行训练和测试,并对比分析各模型的表现.结果表明:机器学习虽然运算速度快,但分类的准确率明显低于迁移学习,迁移学习的分类准确率均在90%以上.但综合考虑模型的分类准确率和计算能力认为Resnet18表现最佳,它在迭代20次后准确率达到98.75%,而测试时间仅为74.66 ms,优于其它深度学习模型. 相似文献
24.
为了研究基于云班课平台的线上线下混合式教学模式,进行了《动物生物化学》线上线下混合教学实践,对获得的云班课数据和教学效果进行了分析,结果表明:64.71 %的学生云班课资源学习低于 60 %;云班课测试分数 46.16 %学生在 60 分以下,作业/小组任务分数 33.33 %学生测试成绩在 60 分以下,教师需进一步... 相似文献
25.
针对烹饪成教生"烹饪器械及设备"课程考试通过率不高的情况,运用蓝墨云班课进行混合式教学.数据分析的结果表明:学生的考试成绩有了显著提高,在学习习惯和学习态度方面也有了很大的改善,有必要继续在此方面努力,从而改善学生的学习效果. 相似文献
26.
数字信号处理课程理论性强、概念抽象、公式烦琐,学生掌握起来较困难,易产生厌学情绪.针对此特点,总结课程讲授经验教训,研究优化课程教学内容,将知识点模块化,引入语音信号处理实例,加强师生互动,提高学生的学习兴趣.经过尝试,学生学习效果较好. 相似文献
27.
马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。 相似文献
28.
为提高灌溉农田中灌溉水体的识别精度,以河套灌区解放闸灌域作为研究区,基于Sentinel-2遥感影像,结合灌区实际情况对地表水体提取模型(WatNet)进行改进,得到MWatNet模型并提取灌溉水体。采用总体精度(Overall accuracy,OA)、平均交并比(Mean intersection over union,MIoU)、F1值等水体提取精度指标进行综合评价。结果表明:改进后的地表水体提取模型(MWatNet)在解放闸灌域农田灌溉水体的提取上具有较好的识别精度,模型总体精度达到96%,平均交并比达到83%,F1值为80%,实地调研验证准确度为85.7%;对比原WatNet、水体语义分割模型(Deeplabv3_plus)和水体提取模型(Deepwatermapv2),MWatNet在灌溉水体提取的连结性、剔除道路和城镇干扰等方面,均表现出更好的效果和模型运行效率。利用该模型可以实现灌溉水体定量化表征,为灌溉用水调度提供了数据支撑。 相似文献
29.
该研究旨在解决桑蚕养殖过程中对蚕虫计数的难题,特别是针对蚕虫目标小、分布密集且易被遮挡的特点,通过改进的目标检测算法,实现对蚕虫数量的高效、准确检测与计数,以支持蚕虫的科学喂养与健康成长管理。本文提出了一种基于YOLOv8模型改进的蚕虫检测与计数新方法(SDM-YOLO)。该方法的核心创新包括:1) 引入RCS-OSA模块作为残差模块,替代原YOLOv8中的C2f模块,以增强网络的多尺度特征提取能力并融合不同感受野的信息,提升对密集分布蚕虫的识别能力;2) 改造检测头为动态预测头(dynamic prediction head),结合尺寸、空间和通道三个维度的特征信息,提高蚕虫识别的精确度,减少误检;3) 优化损失函数,采用EIOU LOSS作为边界框回归的损失函数,以改善密集场景下蚕虫目标的漏检问题。经过试验验证,SDM-YOLO方法在多个评估指标上均表现出色。具体而言,该方法在精确度上达到了88.2%,召回率为87.2%,平均准确度mAP@0.5为93.2%,而mAP@0.5:0.95也达到了74.7%。这些结果充分证明了与一阶段检测模型YOLO系列相比,SDM-YOLO在蚕虫检测与计数方面具有比较明显的优势。 相似文献
30.
命名实体识别是从农产品信息文本数据中有效抽取信息的关键一步,旨在从非结构化文本中确定与农产品特性相关的命名实体。农业领域的命名实体识别研究大多集中在农业病虫害领域,关于农产品信息文本的实体识别研究较少,通过采用BMES标注的方式对爬虫获取的农产品信息文本数据进行标注,提出融合BERT的BiLSTM-CRF深度学习模型对该文本数据进行实体抽取。将该模型与多种神经网络模型的实验结果比较发现,融合BERT的BiLSTM-CRF模型对农作物、地区、富含营养成分等3种命名实体识别的准确率和召回率分别为82.25%和84.54%,明显优于IDCNN-CRF等神经网络模型,说明该方法能有效识别抽取农产品信息文本数据命名实体。基于此,命名实体识别作为中文文本信息抽取的关键技术,在农产品信息推荐系统、智能问答等方面将会有广泛的应用前景。 相似文献