全文获取类型
收费全文 | 10135篇 |
免费 | 250篇 |
国内免费 | 486篇 |
专业分类
林业 | 511篇 |
农学 | 491篇 |
基础科学 | 1087篇 |
698篇 | |
综合类 | 4667篇 |
农作物 | 245篇 |
水产渔业 | 417篇 |
畜牧兽医 | 1772篇 |
园艺 | 733篇 |
植物保护 | 250篇 |
出版年
2024年 | 101篇 |
2023年 | 275篇 |
2022年 | 325篇 |
2021年 | 297篇 |
2020年 | 291篇 |
2019年 | 291篇 |
2018年 | 138篇 |
2017年 | 227篇 |
2016年 | 266篇 |
2015年 | 288篇 |
2014年 | 614篇 |
2013年 | 617篇 |
2012年 | 684篇 |
2011年 | 714篇 |
2010年 | 673篇 |
2009年 | 721篇 |
2008年 | 897篇 |
2007年 | 716篇 |
2006年 | 623篇 |
2005年 | 524篇 |
2004年 | 247篇 |
2003年 | 233篇 |
2002年 | 178篇 |
2001年 | 223篇 |
2000年 | 123篇 |
1999年 | 65篇 |
1998年 | 72篇 |
1997年 | 61篇 |
1996年 | 43篇 |
1995年 | 41篇 |
1994年 | 66篇 |
1993年 | 32篇 |
1992年 | 34篇 |
1991年 | 28篇 |
1990年 | 41篇 |
1989年 | 22篇 |
1988年 | 9篇 |
1987年 | 13篇 |
1986年 | 11篇 |
1985年 | 6篇 |
1984年 | 3篇 |
1983年 | 4篇 |
1982年 | 5篇 |
1981年 | 4篇 |
1980年 | 5篇 |
1979年 | 5篇 |
1977年 | 3篇 |
1975年 | 2篇 |
1955年 | 2篇 |
1953年 | 2篇 |
排序方式: 共有10000条查询结果,搜索用时 31 毫秒
1.
针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题,提出一种改进的YOLO v5方法。首先,在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块,加强网络对特征信息的提取能力;其次,在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积,能够在保证精度的前提下,降低模型参数量;再次,在预测头前加入ECA(efficient channel attention)注意力模块,能够更加准确定位目标信息;最后,引入EIOU(efficient intersection over union)损失函数加速预测框的收敛,提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见,所提出的改进网络在橙子检测上更有优势,能为今后智能采摘机器人的研发提供理论支撑和技术参考。 相似文献
2.
农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。 相似文献
3.
基于GF-1和Sentinel-2时序数据的茶园识别 总被引:1,自引:1,他引:0
由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。 相似文献
4.
针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法。该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结果和各个分类器对不同水果的分类准确率,构建基本概率函数(BPA函数),通过DS证据融合规则对分类器融合后对被测图像进行识别。试验结果表明:该方法对5种水果的识别平均准确率为95.2%,总体标准偏差为0.02993,在提高单分类器识别准确率的同时,解决了分类器对各种水果识别的不均衡问题。对10组测试集识别的平均准确率为93.5%,总体标准偏差为0.055,该方法对水果种类的识别更准确和稳定。 相似文献
5.
6.
采用双模态联合表征学习方法识别作物病害 总被引:1,自引:1,他引:0
基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。 相似文献
7.
对乡村景观进行特征识别及景观评价,可以更好地了解乡村景观特征及资源,找出乡村景观资源发展的优劣,实现其特色化发展.该研究运用地理信息系统对乡村景观进行特征识别,绘制乡村景观特征分区图,再基于AVC理论构建乡村景观综合评价体系,运用定量和定性相结合的方法确定指标分值,得到综合评价结果,并以潜山市黄铺村为例,进行了较为完整的景观特征识别与综合评价研究.结果表明,黄铺村具备良好的乡村旅游条件,其社会吸引力和环境承载力较高,但经济生命力相对较低,有待进一步提升.研究结果可为黄铺村景观评价及制定有针对性的乡村规划提供科学依据. 相似文献
8.
9.
岩溶流域典型农业区水体氢氧同位素的空间异质性及形成机制 总被引:1,自引:0,他引:1
分别于平水期和枯水期采集了花溪河流域典型农业区地表水和地下水样品。利用氢氧同位素示踪技术,结合土地利用类型对研究区不同水体的补给来源、季节变化及主要影响过程进行了分析,并对不同水体氢氧同位素值进行了空间插值分析,同时对其形成机制进行了分析,阐明了不同土地利用类型影响下的主要水文过程。结果表明:(1)研究区不同水体的主要补给来源为当地大气降水,月亮湖水库受蒸发作用影响明显,地表水和地下水的δD和δ~(18)O整体上呈现平水期高于枯水期的特征。(2)地下水的δD和δ~(18)O在枯水期与平水期均呈现明显的空间分异性特征,西部水田/水库集中区富集,东部旱地集中区贫化,土地利用对研究区环境水文过程影响明显。该研究结果有助于了解不同土地利用方式下地表水对地下水的影响,为流域管理提供科学依据。 相似文献
10.
基于BERT+BiLSTM+CRF深度学习模型和多元组合数据增广的渔业标准命名实体识别 总被引:1,自引:0,他引:1
为解决渔业标准命名实体识别任务中部分实体语料分布稀疏导致的效果不佳问题,提出了基于多元组合数据增广(data augmentation method based on multiple combination,MCA)的渔业标准命名实体识别方法,该方法融合了基于领域词典的联合替换算法(joint replacement algorithm based on domain dictionary,DDR)、基于槽点保护的随机删除算法(random deletion algorithm based on slot protection,SPD)和基于槽点保护的随机插入算法(random insertion algorithm based on slot protection,SPI)进行语料库的数据增广,首先构建"水产品名称"同类词词典和领域同义词词典,通过两个词典分别对"水产品名称"类实体和随机词进行同类词替换和同义词替换,生成新的句子,以增加目标实体数量和句子的多样性,然后在基于槽点保护的情况下对原句子分别进行随机删除和随机插入操作,在保留实体及上下文特征的情况下进一步丰富语料的多样性,提高模型的泛化能力.结果表明,采用基于融合注意力机制的BERT+BiLSTM+CRF网络模型和多元组合数据增广方法进行渔业标准命名实体识别,准确率、召回率、F1值分别达到了91.73%、88.64%、90.16%,具有较好的效果.研究表明,基于多元组合数据增广的渔业标准命名实体识别方法有效解决了部分实体样本稀疏问题,提升了渔业标准命名实体识别的整体效果. 相似文献