全文获取类型
收费全文 | 5604篇 |
免费 | 180篇 |
国内免费 | 201篇 |
专业分类
林业 | 168篇 |
农学 | 134篇 |
基础科学 | 295篇 |
140篇 | |
综合类 | 1505篇 |
农作物 | 90篇 |
水产渔业 | 167篇 |
畜牧兽医 | 3386篇 |
园艺 | 65篇 |
植物保护 | 35篇 |
出版年
2024年 | 3篇 |
2023年 | 71篇 |
2022年 | 105篇 |
2021年 | 113篇 |
2020年 | 140篇 |
2019年 | 139篇 |
2018年 | 57篇 |
2017年 | 102篇 |
2016年 | 144篇 |
2015年 | 188篇 |
2014年 | 371篇 |
2013年 | 333篇 |
2012年 | 416篇 |
2011年 | 486篇 |
2010年 | 384篇 |
2009年 | 401篇 |
2008年 | 426篇 |
2007年 | 323篇 |
2006年 | 301篇 |
2005年 | 367篇 |
2004年 | 165篇 |
2003年 | 175篇 |
2002年 | 131篇 |
2001年 | 133篇 |
2000年 | 81篇 |
1999年 | 59篇 |
1998年 | 58篇 |
1997年 | 48篇 |
1996年 | 47篇 |
1995年 | 36篇 |
1994年 | 40篇 |
1993年 | 23篇 |
1992年 | 28篇 |
1991年 | 25篇 |
1990年 | 27篇 |
1989年 | 19篇 |
1988年 | 6篇 |
1987年 | 2篇 |
1986年 | 2篇 |
1981年 | 3篇 |
1979年 | 2篇 |
1976年 | 1篇 |
1965年 | 2篇 |
1958年 | 1篇 |
1957年 | 1篇 |
排序方式: 共有5985条查询结果,搜索用时 156 毫秒
1.
采用改进CenterNet模型检测群养生猪目标 总被引:5,自引:4,他引:1
为实现对群养环境下生猪个体目标快速精准的检测,该研究提出了一种针对群养生猪的改进型目标检测网络MF-CenterNet(MobileNet-FPN-CenterNet)模型,为确保目标检测的精确度,该模型首先以无锚式的CenterNet为基础结构,通过引入轻量级的MobileNet网络作为模型特征提取网络,以降低模型大小和提高检测速度,同时加入特征金字塔结构FPN(Feature Pyramid Networks)以提高模型特征提取能力,在保证模型轻量化、实时性的同时,提高遮挡目标和小目标的检测精度。该研究以某商业猪场群养生猪录制视频作为数据源,采集视频帧1 683张,经图像增强后共得到6 732张图像。试验结果表明,MF-CenterNet模型大小仅为21 MB,满足边缘计算端的部署,同时对生猪目标检测平均精确度达到94.30%,检测速度达到69 帧/s,相较于Faster-RCNN、SSD、YOLOv3、YOLOv4目标检测网络模型,检测精度分别提高了6.39%、4.46%、6.01%、2.74%,检测速度分别提高了54、47、45、43 帧/s,相关结果表明了该研究所提出的改进型的轻量级MF-CenterNet模型,能够在满足目标检测实时性的同时提高了对群养生猪的检测精度,为生产现场端的群养生猪行为实时检测与分析提供了有效方法。 相似文献
2.
为揭示绿肥对咖啡园杂草多样性及功能群的影响,调查了云南省保山市常规种植咖啡园(CK)、种植绿肥田菁咖啡园(SC)、种植绿肥硬皮豆咖啡园(MU)的杂草群落,探讨种植绿肥对咖啡园杂草群落的生态位、多样性、群落结构相似性及功能群的影响。结果表明:CK有杂草12科21种,SC有杂草10科16种,MU有杂草7科10种。3种类型咖啡园杂草生态位宽度大于0.600的杂草有10种,其中,CK有6种,SC有2种,MU有3种。种植绿肥的咖啡园杂草的物种丰富度、个体数、ACE估计值、Fisher α指数、Shannon-Wiene指数及生物量均低于常规种植咖啡园(CK),其中,杂草物种丰富度、ACE估计值和鲜重具有显著性差异。常规种植咖啡园与种植绿肥咖啡园杂草群落结构不相似。3种类型咖啡园杂草单子叶一年生或越年生植物功能群占据最大优势,但种植绿肥咖啡园的占比更高。种植绿肥改变了咖啡园杂草群落的生态位、群落结构及功能群,降低了咖啡园杂草群落多样性,对咖啡园杂草群落产生了影响。 相似文献
3.
利用传统育种技术与分子标记辅助选择技术有机结合,成功培育出了株型理想、不育转换起点温度低于23.5℃、育性稳定、异交性好、配合力强的两用核不育系隆科638S,于2014年通过湖南省品种审定。全基因组重测序分析结果表明,隆科638S含有约56.0%的早籼稻遗传背景,以及约8.7%的粳稻遗传背景,为充分利用“早晚生态型间和籼粳亚种间”双重杂种优势奠定了遗传基础。依据分子设计和杂种优势群理论,按“双亲抗性基因互补”和“双亲品质基因一致性”配组原则,高效培育出一批绿色、优质、广适、高产的隆两优系列品种,迅速成为我国南方杂交水稻主栽品种,推动了长江流域杂交中籼品种的更新换代。 相似文献
4.
为探究基于A矩阵期望遗传关系最大化(maximizing the expected genetic relationship for matrix A,RELA)、基于A矩阵目标群体遗传方差最小化(minimized the target population genetic variance for matrix A,MCA)、平均亲缘关系最大化(the highest mean kinship coefficients,KIN)、随机选择(random selection,RAN)、共同祖先筛选(common ancestor,CA)等不同参考群筛选方法及参考群规模对基因型填充准确性的影响。本研究使用矮小型黄羽肉鸡作为试验群体,采用鸡600K SNP芯片(Affymetrix Axion HD genotyping array)进行基因分型,测定435羽子代公鸡45、56、70、84、91日龄体重。利用Beagle软件将低密度SNP芯片填充为高密度SNP芯片数据,比较不同参考群筛选方法、参考群规模对基因型填充准确性的影响,以及填充芯片基因组预测准确性。结果表明,使用Beagle 4.0结合系谱信息进行填充效果最佳,其次为Beagle 4.0,而Beagle 5.1填充效果最差。使用MCA方法筛选参考群进行基因型填充准确性最高,使用RAN方法筛选参考群进行基因型填充准确性最低,MCA、RELA、CA 3种方法基因型填充准确性差别较小。相比其他方法,使用MCA方法筛选个体作为参考群将低密度SNP芯片填充至高密度SNP芯片进行基因组选择的预测准确性较高,与真实高密度SNP芯片的基因组预测准确性相差甚微。随着参考群规模增大,基因型填充准确性也随之增加,但增速逐渐下降,最后趋于平缓。综上所述,可以通过参考群筛选方法构建参考群以及控制参考群规模,以保证基因型填充和基因组预测准确性并节省成本,本研究为基因型填充在畜禽遗传育种中的应用提供技术参考。 相似文献
5.
一、适时春繁秦巴地区弱群通常在油菜花期前70天开始春繁,即小寒节前后进行保温和饲喂,在油菜开花前能够加上继箱。越冬双王群每群6框蜂,紧脾换脾后,每只蜂王各保留2~3张脾,蜂量1.5~2kg,双王群利用箱内升温,简单外保温繁殖近50天,在油菜流蜜前10天加继箱,提早产王浆。春繁紧脾是为了提高哺育蜂密度,刺激蜂王产卵,提高巢温,是保温的重要措施。弱群不仅要重视巢内保温,用细柔保温物填满空隙的一半,还要重视外保温,箱底垫上一层厚厚的稻草,箱身用草帘包裹严实,要特别注意蜂箱大盖上部的保温。 相似文献
6.
7.
张老师您好:我饲养的是中蜂,去年晚秋和初冬天气较暖,蜂群群势相对较大,大多数都达到5~6脾蜂,蜂路在2~2.2cm之间,有的挡板外都是蜜蜂,经常在巢外空飞。我打开蜂箱检查,发现蜂群居然没有断子,里面还有卵、幼虫和封盖子,于是我将里面的卵虫全部处理掉。后来,外界的温度达到-24℃~-8℃。过了13天后,我再次检查,发现里面又有了卵虫,为什么这么冷的天气,我的蜂群还有子呢?我需要怎么处理?请张老师帮助指点一下,谢谢。 相似文献
8.
9.
2020年冬天,对长江中下游的广大蜂友来说,就一个字“冷”。养蜂人要根据天气预报安排蜂事,尽量在寒潮来袭之前布置好蜂群,抽出多余巢脾,天冷时蜜蜂能方便取食。倘若没有适当紧脾,很多新蜂会出现不取食现象。寒潮来袭时,外界气温低,在糖浆中适当添加些蜂蜜或全部饲喂蜂蜜,这样可使蜜蜂兴奋,取食积极。中蜂在寒潮时断子结团,蜂团几乎是静止状态,消耗极低,一旦遭受外界干扰,轻则损伤过半,重则整群灭亡。中蜂嗅觉灵敏,盗性较强。漫漫长冬,防止盗蜂是中蜂管理的一项主要工作。最好在巢门处安装塑料防逃片,剪去其一二格的底挡扩大进出孔大小,方便处女王或雄蜂进出,也可防范胡蜂侵入。在饲养过程中,根据群势变化开放或堵塞孔洞。箱缝用塑料胶带封严。 相似文献
10.
土壤磷素含量是评价土壤养分的重要指标之一。利用热红外发射率数据对土壤全磷含量进行反演的研究较少且多使用常规线性回归方法,本文利用东北海伦地区采集的热红外航空成像光谱仪TASI(Thermal Airborne Hyperspectral Imager)数据,通过机器学习方法探究黑土土壤发射率与全磷含量关系,选出最优模型对研究区土壤全磷含量进行预测研究。结果表明:在8 ~ 11.5 μm范围内,土壤热红外发射率值随着全磷含量的增加而增加;除原始光谱10.792 μm这一波段外,发射率值及其数学变换与全磷含量相关系数均在0.5以下,相关性较弱;在DNN(Deep Neural Networks)训练集和测试集中,从模型精度和PSO(Particle Swarm Optimiazation)算法优化时间来看,弹性传播训练算法(RP)表现最佳,决定系数R2分别为0.51、0.7,均方根误差RMSE分别为0.0443、0.0301;激活函数对本次构建的网络精度影响非常有限,激活函数为Tansig和ReLU的深度神经网络模型训练集精度基本与偏最小二乘及逐步回归模型一致,测试集精度有所提高但稳定性较为欠缺;研究区土壤全磷含量整体较高,水田和旱田含量均大于0.8 g kg?1,城镇及建筑群密集程度与土壤全磷含量呈负相关,与偏最小二乘模型对土壤全磷含量预测结果相比,神经网络模型对研究区土壤全磷含量小于0.6 g kg?1和0.6 ~ 0.8 g kg?1两区间做了更多划分,将更多人为活动密集区附近像元划分到该含量区间内,从而使得预测含量更加符合真实情况分布;总体来看,全磷含量最高值集中分布于研究区西部、西北及西南部,但在东部及其北部区域则呈无规律性分散分布,中部地区及其余地区含量值大多为0.8 ~ 1.0 g kg?1。综上,合适调参的深度神经网络模型在反演土壤元素类问题中的表现与偏最小二乘及逐步回归等方法相比更加具有发展的潜力,在样本数据量足够的前提下,深度神经网络能够得到充分训练从而使得预测结果更加精确、稳定。 相似文献