全文获取类型
收费全文 | 1058篇 |
免费 | 115篇 |
国内免费 | 172篇 |
专业分类
林业 | 9篇 |
农学 | 16篇 |
基础科学 | 457篇 |
226篇 | |
综合类 | 565篇 |
农作物 | 15篇 |
水产渔业 | 20篇 |
畜牧兽医 | 25篇 |
园艺 | 10篇 |
植物保护 | 2篇 |
出版年
2024年 | 2篇 |
2023年 | 35篇 |
2022年 | 50篇 |
2021年 | 35篇 |
2020年 | 48篇 |
2019年 | 44篇 |
2018年 | 67篇 |
2017年 | 54篇 |
2016年 | 58篇 |
2015年 | 67篇 |
2014年 | 64篇 |
2013年 | 86篇 |
2012年 | 84篇 |
2011年 | 82篇 |
2010年 | 83篇 |
2009年 | 81篇 |
2008年 | 89篇 |
2007年 | 99篇 |
2006年 | 77篇 |
2005年 | 53篇 |
2004年 | 38篇 |
2003年 | 24篇 |
2002年 | 16篇 |
2001年 | 5篇 |
2000年 | 1篇 |
1993年 | 1篇 |
1988年 | 1篇 |
1981年 | 1篇 |
排序方式: 共有1345条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
5.
水稻灭茬机扶茬机构设计与试验 总被引:2,自引:0,他引:2
【目的】解决水稻灭茬机作业时,驱动轮容易将高留茬压倒,引起轮辙处倒茬多,导致水稻秸秆粉碎效果不理想的问题。【方法】研发了一种具有扶禾功能的水稻灭茬机,利用固接于扶茬轮轴上的"L"型扶指,采用扶茬轮轴和粉碎轮轴双侧带轮分流传动方式,实现前置扶茬系统与后置粉碎系统配合作业,使水稻秸秆倒伏的留茬被扶起后立即喂入粉碎室。采用正交设计试验验证灭茬机的田间性能。【结果】水稻灭茬机的前进速度、扶辊转速和扶指宽度均对水稻秸秆粉碎率有显著影响。田间试验的结果表明,机具工作参数的最佳组合为前进速度5.38 km·h~(–1)、扶辊转速160 r·min~(–1)和扶指宽度50 mm,该组合的水稻秸秆粉碎效果最好,粉碎率达到92.52%。【结论】该扶茬机结构简单,对水稻秸秆的扶茬粉碎效果好,在实际生产中能够提升高留茬稻秆的粉碎效率。 相似文献
6.
[目的]为丰富和深化蜂蜜黏度研究,对掺假蜜和掺水蜜进行了流变学试验,以研究温度、水分、掺假3因素对蜂蜜黏度的影响。[方法]对54个掺假蜜和12个掺水蜜进行了8个不同温度下的流变学试验。对试验结果进行了线性拟合和指数衰减拟合、t测验和F测验统计分析,得出了真、假蜜黏度变化的经验公式。[结果]真、假蜂蜜样本黏度-温度关系都符合Arrhenius公式,蜂蜜样本的黏度-温度、黏度-水分和黏度随温度和水分变化规律均符合指数衰减规律。[结论]Arrhenius公式中的常数与原蜜样本和掺假度有关,但不随掺假度单调变化。水分活化能和温度活化能,两者可分别定量揭示水分和温度对黏度的影响。 相似文献
7.
【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。 相似文献
9.
设计的串联式混合动力分动箱由输入轴、中间轴、输出轴以及轴上齿轮和一对滑移齿轮组成。为减小分动箱体积,同时满足配套旋耕机较大耕深需求,在满足结构、强度、刚度等约束条件下,以分动箱总中心距和齿轮总体积最小为目标函数,建立了分动箱参数优化的数学模型。采用基于改进粒子群算法(PSO)的参数优化策略,优化结果表明,与基本粒子群算法相比,改进后的粒子群算法在收敛速度和收敛精度方面均有明显提高,改进后的齿轮总体积减小了2.9%,优化精度提高了1.5%。分动箱运动学仿真及试验结果表明,优化后的分动箱动力输出轴(PTO)动力性能符合要求,能够满足配套旋耕机的工作要求。 相似文献
10.
基于YOLO v3与图结构模型的群养猪只头尾辨别方法 总被引:1,自引:0,他引:1
在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。 相似文献