全文获取类型
收费全文 | 292篇 |
免费 | 11篇 |
国内免费 | 16篇 |
专业分类
林业 | 30篇 |
农学 | 16篇 |
基础科学 | 18篇 |
48篇 | |
综合类 | 119篇 |
农作物 | 29篇 |
水产渔业 | 17篇 |
畜牧兽医 | 19篇 |
园艺 | 15篇 |
植物保护 | 8篇 |
出版年
2024年 | 3篇 |
2023年 | 8篇 |
2022年 | 13篇 |
2021年 | 11篇 |
2020年 | 20篇 |
2019年 | 15篇 |
2018年 | 14篇 |
2017年 | 11篇 |
2016年 | 9篇 |
2015年 | 12篇 |
2014年 | 17篇 |
2013年 | 13篇 |
2012年 | 9篇 |
2011年 | 15篇 |
2010年 | 9篇 |
2009年 | 13篇 |
2008年 | 5篇 |
2007年 | 19篇 |
2006年 | 14篇 |
2005年 | 6篇 |
2004年 | 17篇 |
2003年 | 17篇 |
2002年 | 6篇 |
2001年 | 11篇 |
2000年 | 8篇 |
1999年 | 4篇 |
1998年 | 3篇 |
1997年 | 4篇 |
1995年 | 3篇 |
1994年 | 3篇 |
1993年 | 2篇 |
1991年 | 1篇 |
1990年 | 2篇 |
1988年 | 2篇 |
排序方式: 共有319条查询结果,搜索用时 15 毫秒
301.
探讨茶叶嫩芽自动分割方法,为茶叶智能采摘提供技术支持。以自然环境下茶叶嫩芽图像为研究对象,比较了基于颜色的阈值分割与聚类分割方法对茶叶嫩芽自动分割的影响。首先,选择了R-B和b分量进行茶叶阈值分割;其次在Lab颜色模型下进行K-means聚类分割;最后,通过形态学处理实现茶叶嫩芽自动识别。基于聚类的茶叶分割方法不仅能够抑制颜色阈值分割受光照的影响,且实现了自然环境下茶叶嫩芽的有效分割。 相似文献
302.
303.
304.
305.
红松人工林的主要病虫害防治 总被引:1,自引:0,他引:1
对红松人工林主要病害和虫害的种类、病害症状、危害程度进行分析,提出有针对性的防治方法。 相似文献
306.
小麦AQPs蛋白TaPIP1基因cDNA克隆及其表达分析 总被引:1,自引:0,他引:1
为探索小麦水通道蛋白在氮素处理过程中的生物学功能,以0.1%尿素处理6.0 h的周麦19幼根为材料,利用RTPCR方法克隆了小麦PIPs类型的水通道蛋白基因TaPIP1,并分析了该基因的组织表达特性及其在尿素处理过程中的表达特征。TaPIP1全长1 062 bp,包括61 bp的5′非翻译区,128 bp的 3′非翻译区和一个长度为873 bp、编码290个氨基酸的开放阅读框。序列分析表明,TaPIP1基因与已知小麦(GQ452384和AAM00368)、大麦(BAA23746,CAA54233和BAA23745)、水稻(BAA24016)和玉米(AAK26754 ,ACG39699,ACG37183,CAA57955和AAK26756)等单子叶植物来源的同类基因同源性较高,相似性为85.9%~99.3%。半定量RTPCR表达谱分析显示,TaPIP1在抽穗期小麦的根、茎和旗叶中均能表达。氮素处理下该基因表达分析结果显示,TaPIP1在萌发期小麦根系中的表达受尿素的诱导。 相似文献
307.
308.
企业内外网安全接入平台建设 总被引:1,自引:0,他引:1
随着信息化的深入,很多企业需要从外网获取信息,但又不希望被外网访问。防火墙或代理服务器可以满足一定的需要,但存在安全隐患。为解决这一问题,本文通过整合网闸、VPN、防火墙和数据库同步等多项技术,完成安全接入平台建设。 相似文献
309.
310.
精准检测茶叶嫩芽是茶叶机械智能采摘的重要前提。针对茶叶大小不一、遮挡造成的小尺度嫩芽特征显著性弱、漏检率高等问题,提出一种基于改进YOLOv4-tiny的茶叶嫩芽检测模型。该模型在颈部网络添加52×52的浅层特征层以提高YOLOv4-tiny网络对小目标嫩芽的关注度,通过引入卷积块注意力机制(Convolutional block attention module,CBAM)以抑制背景噪声,提高嫩芽特征的显著性,采用双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)以融合不同尺度的特征信息,从而提出一个高性能轻量化的茶叶嫩芽检测模型YOLOv4-tiny-Tea。对同一训练集与测试集进行模型训练与性能测试,结果表明YOLOv4-tiny-Tea模型检测精确率和召回率分别为97.77%和95.23%,相比改进之前分别提高了5.58个百分点和23.14个百分点。消融试验验证了网络结构改进对不同尺度嫩芽检测的有效性,并将改进后的YOLOv4-tiny-Tea模型与3种YOLO系列算法进行对比,发现改进后的YOLOv4-tiny-Tea模型F1值比YOLOv3、YOLOv4、YOLOv5l模型分别提高了12.11、11.66和6.76个百分点,参数量仅为3种网络模型的13.57%、13.06%和35.05%。试验结果表明,YOLOv4-tiny-Tea模型能有效提高不同尺度下嫩芽检测的精确率,大幅度减少小尺寸或遮挡嫩芽的漏检情况,在保持轻量化计算成本的基础上获得较为明显的检测精度,能够满足农业机器人的实时检测和嵌入式开发的需求,可以为茶叶嫩芽智能采摘方法提供参考。 相似文献