全文获取类型
收费全文 | 18360篇 |
免费 | 1860篇 |
国内免费 | 2054篇 |
专业分类
林业 | 1186篇 |
农学 | 1633篇 |
基础科学 | 940篇 |
3390篇 | |
综合类 | 7159篇 |
农作物 | 1053篇 |
水产渔业 | 714篇 |
畜牧兽医 | 4056篇 |
园艺 | 1350篇 |
植物保护 | 793篇 |
出版年
2024年 | 37篇 |
2023年 | 361篇 |
2022年 | 564篇 |
2021年 | 797篇 |
2020年 | 820篇 |
2019年 | 821篇 |
2018年 | 577篇 |
2017年 | 855篇 |
2016年 | 988篇 |
2015年 | 918篇 |
2014年 | 1028篇 |
2013年 | 1194篇 |
2012年 | 1454篇 |
2011年 | 1523篇 |
2010年 | 1341篇 |
2009年 | 1338篇 |
2008年 | 1139篇 |
2007年 | 1287篇 |
2006年 | 1064篇 |
2005年 | 782篇 |
2004年 | 617篇 |
2003年 | 472篇 |
2002年 | 363篇 |
2001年 | 284篇 |
2000年 | 262篇 |
1999年 | 234篇 |
1998年 | 141篇 |
1997年 | 132篇 |
1996年 | 138篇 |
1995年 | 118篇 |
1994年 | 81篇 |
1993年 | 100篇 |
1992年 | 81篇 |
1991年 | 68篇 |
1990年 | 59篇 |
1989年 | 49篇 |
1988年 | 45篇 |
1987年 | 30篇 |
1986年 | 27篇 |
1985年 | 20篇 |
1984年 | 13篇 |
1983年 | 6篇 |
1982年 | 5篇 |
1981年 | 5篇 |
1980年 | 5篇 |
1978年 | 6篇 |
1977年 | 4篇 |
1962年 | 4篇 |
1956年 | 9篇 |
1955年 | 3篇 |
排序方式: 共有10000条查询结果,搜索用时 62 毫秒
1.
结合Sentinel-2影像和特征优选模型提取大豆种植区 总被引:6,自引:6,他引:0
准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(RandomForest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine, SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%~91.91%,Kappa系数在0.72~0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。 相似文献
2.
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
3.
基于融合坐标信息的改进YOLO V4模型识别奶牛面部 总被引:3,自引:2,他引:1
为实现奶牛个体的准确识别,基于YOLO V4目标检测网络,提出了一种融合坐标信息的奶牛面部识别模型。首先,采集71头奶牛面部图像数据集,并通过数据增强扩充提高模型的泛化性能。其次,在YOLO V4网络的特征提取层和检测头部分分别引入坐标注意力机制和包含坐标通道的坐标卷积模块,以增强模型对目标位置的敏感性,提高识别精度。试验结果表明,改进的YOLO V4模型能够有效提取奶牛个体面部特征,平均精度均值(mAP)为93.68%,平均帧率为18帧/s,虽然检测速度低于无锚框的CenterNet,但mAP提高了10.92%;与Faster R-CNN和SSD模型相比,在检测速度提高的同时,精度分别提高了1.51%和16.32%;与原始YOLO V4相比,mAP提高0.89%,同时检测速度基本不变。该研究为奶牛精准养殖中的牛脸图像识别提供了一种有效的技术支持。 相似文献
4.
该研究采用石蜡为相变芯材,Fe-MIL-101-NH2金属有机骨架为载体材料,旨在解决石蜡芯材在固-液相变过程中体积变大,从而出现泄漏现象的问题。通过溶剂蒸发法制备了质量分数为40%~70%的石蜡/Fe-MIL-101-NH2定形复合相变材料。采用扫描电子显微镜(Scanning Electron Microscope, SEM)、X射线衍射仪(X-ray Diffraction, XRD)、傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy, FTIR)对定形复合相变材料的形貌和结构进行观察;用热重分析(Thermogravimetric Analysis, TGA)对定形复合相变材料的热稳定性进行分析;通过差示扫描量热(Differential Scanning Calorimetry, DSC)仪对样品的相变温度、相变焓和热循环稳定性进行测试;SEM结果表明,石蜡的最高负载量为70%,且其均匀分布于Fe-MIL-101-NH2孔道中。XRD、FTIR分析发现石蜡与Fe-MIL-101-NH2之间只是物理混合,没有化学变化;DSC分析可知,质量分数为70%的石蜡/Fe-MIL-101-NH2储能量最大,为51.3 J/g,且质量分数为70%的石蜡/Fe-MIL-101-NH2经过50次循环后,其储能量为47.6 J/g,无明显下降,说明质量分数为70%的石蜡/Fe-MIL-101-NH2具有良好的热循环稳定性,可为相变材料在建筑领域应用研究提供参考。 相似文献
5.
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
6.
基于轻量型残差网络的自然场景水稻害虫识别 总被引:4,自引:3,他引:1
准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络(Light Weight Residual Network,LW-ResNet)用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。 相似文献
7.
基于序列信息的土壤CT图像超分辨率重建 总被引:1,自引:1,他引:0
受部分容积效应影响,土壤计算机断层扫描(Computed Tomography,CT)图像存在孔隙边界模糊现象,影响土壤孔隙结构研究的准确性。针对该问题,该研究提出基于序列信息的生成式对抗网络(Sequence information Generative Adversarial Network,SeqGAN),实现土壤CT图像的超分辨率重建。针对土壤CT序列图像具有较高相似性的特点,SeqGAN法引入序列卷积块挖掘前后图像的序列信息,并将多重特征增强融合于目标图像中;利用多层残差块提取图像特征,构建残差块输入和输出的直接连接,以减少模型退化;利用对抗网络实现损失间接反馈,提高模型的特征学习能力。在序列相似性较高的土壤图像数据集验证了该方法性能。结果表明,SeqGAN法均方误差比次优方法GAN降低25%,峰值信噪比提升1.4 dB,结构相似性提升0.2%。重建的土壤图像具有较高准确率和清晰度,可为后续土壤物理学研究提供准确的数据基础。 相似文献
8.
基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法 总被引:4,自引:4,他引:0
针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法(Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs)。首先根据番茄叶片缺素特点提出了多尺度特征融合结构(Multi-Scale Feature Fusion Module,MSFF Module);其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。 相似文献
9.
融合光谱混合分解与面向对象的土地利用/覆被分类 总被引:2,自引:2,他引:0
错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI(Normalized Difference Water Index)、NDVI(Normalized Difference Vegetation Index)、SBL(Soil Background Level)等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质(SL;岩石和土壤)、植被(GV;光合作用叶片)和暗色物质(DA;阴影和水)3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明:1)基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2)融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3)具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。 相似文献
10.
基于迁移学习的葡萄叶片病害识别及移动端应用 总被引:7,自引:6,他引:1
为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10~13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。 相似文献