全文获取类型
收费全文 | 8738篇 |
免费 | 166篇 |
国内免费 | 245篇 |
专业分类
林业 | 772篇 |
农学 | 289篇 |
基础科学 | 1492篇 |
319篇 | |
综合类 | 4175篇 |
农作物 | 100篇 |
水产渔业 | 142篇 |
畜牧兽医 | 1606篇 |
园艺 | 188篇 |
植物保护 | 66篇 |
出版年
2024年 | 83篇 |
2023年 | 268篇 |
2022年 | 300篇 |
2021年 | 261篇 |
2020年 | 256篇 |
2019年 | 275篇 |
2018年 | 92篇 |
2017年 | 283篇 |
2016年 | 301篇 |
2015年 | 241篇 |
2014年 | 582篇 |
2013年 | 662篇 |
2012年 | 718篇 |
2011年 | 778篇 |
2010年 | 696篇 |
2009年 | 705篇 |
2008年 | 616篇 |
2007年 | 531篇 |
2006年 | 378篇 |
2005年 | 334篇 |
2004年 | 217篇 |
2003年 | 201篇 |
2002年 | 110篇 |
2001年 | 88篇 |
2000年 | 54篇 |
1999年 | 23篇 |
1998年 | 18篇 |
1997年 | 6篇 |
1996年 | 14篇 |
1995年 | 7篇 |
1994年 | 5篇 |
1993年 | 3篇 |
1992年 | 2篇 |
1991年 | 3篇 |
1986年 | 1篇 |
1984年 | 1篇 |
1983年 | 1篇 |
1982年 | 3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 |
排序方式: 共有9149条查询结果,搜索用时 156 毫秒
21.
为提高植物叶片识别的准确率及减少计算代价,在Pytorch框架下提出一种融合了深度卷积生成式对抗网络(DCGAN)和迁移学习(TL)的新型卷积神经网络叶片识别方法。首先,对植物叶片图像进行预处理,通过DCGAN对样本数据库扩充;其次,利用迁移学习将Inception v3模型应用于图像数据处理上,以提高植物叶片识别的准确率;最后,通过对比实验对该方法的有效性进行验证。结果表明:该方法可以获得96.57%的植物叶片识别精度,同时参数训练的迭代次数由4000次缩短到560次。 相似文献
22.
《山东省农业管理干部学院学报》2019,(4):80-81
本文阐述了高校英语词汇磨蚀的内涵和影响因素,分析了社会情感因素对高校英语词汇磨蚀的影响,提出了几点优化社会情感因素对高校英语学习良性影响的对策。旨在通过本文的研究,明确社会情感因素在高校英语磨蚀中的影响,优化情感因素在高校英语教学中积极作用的发挥,促进高校英语教学质量与效率的提升。 相似文献
23.
基于非接触式的牛只身份识别研究进展与展望 总被引:1,自引:0,他引:1
快速精准确定牛个体身份对疾病防控、品种遗传改良、奶制品和肉制品质量溯源以及改善农业假保险索赔等方面具有重要意义。传统的牛个体识别使用诸如烙印、耳纹、耳标和无线射频识别等方法,易遭受设备损失/工作重复、标记欺诈、动物福利安全以及监测成本和距离等方面的挑战;而基于生物特征的非接触识别由于其独特性、不变性、低成本易操作以及动物福利高,成为牛身份识别的新趋势。主要介绍了几种基于非接触式的牛身份识别的研究进展,重点关注牛脸识别的最新成果,讨论当前牛脸识别在实际应用中面临的挑战,在此基础上对深度学习在牛脸身份识别研究中的应用进行了设计构思与展望。 相似文献
24.
《信阳农业高等专科学校学报》2020,(1):117-121
提出了一种基于深度学习的高鲁棒性恶意软件识别算法,该算法利用软件的操作码序列来检测恶意软件。首先采用类信息增益进行特征选择,然后提出了基于启发式规则的图生成算法,并将图转换为矢量空间,最后应用基于堆叠自编码器的深度学习框架对恶意和正常软件进行分类。实验评估结果说明了与现有的算法相比,恶意软件识别算法具有较高的鲁棒性。 相似文献
25.
随着互联网信息技术发展和智能手机的普及,顺应时代发展的需要,线上教学成为未来高校教学活动开展一种必然途径。本文基于学习通和QQ群课堂平台构建了家畜环境卫生学课程的教学设计方案,并详细介绍了教学活动的实施办法,分析了线上教学面临的困难,并提出了相应对策,以期为高等学校线上教学改革提供参考。 相似文献
26.
27.
28.
29.
30.
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