全文获取类型
收费全文 | 56880篇 |
免费 | 3731篇 |
国内免费 | 5130篇 |
专业分类
林业 | 4598篇 |
农学 | 3594篇 |
基础科学 | 2971篇 |
6185篇 | |
综合类 | 27029篇 |
农作物 | 3849篇 |
水产渔业 | 2481篇 |
畜牧兽医 | 8608篇 |
园艺 | 3821篇 |
植物保护 | 2605篇 |
出版年
2024年 | 404篇 |
2023年 | 1086篇 |
2022年 | 2578篇 |
2021年 | 2602篇 |
2020年 | 2524篇 |
2019年 | 2438篇 |
2018年 | 1712篇 |
2017年 | 2693篇 |
2016年 | 1942篇 |
2015年 | 2826篇 |
2014年 | 3110篇 |
2013年 | 3441篇 |
2012年 | 4994篇 |
2011年 | 4928篇 |
2010年 | 4634篇 |
2009年 | 4214篇 |
2008年 | 4139篇 |
2007年 | 3745篇 |
2006年 | 3080篇 |
2005年 | 2448篇 |
2004年 | 1523篇 |
2003年 | 898篇 |
2002年 | 972篇 |
2001年 | 920篇 |
2000年 | 795篇 |
1999年 | 366篇 |
1998年 | 103篇 |
1997年 | 90篇 |
1996年 | 98篇 |
1995年 | 65篇 |
1994年 | 43篇 |
1993年 | 58篇 |
1992年 | 60篇 |
1991年 | 41篇 |
1990年 | 26篇 |
1989年 | 28篇 |
1988年 | 29篇 |
1987年 | 24篇 |
1986年 | 10篇 |
1985年 | 7篇 |
1984年 | 4篇 |
1983年 | 1篇 |
1982年 | 3篇 |
1981年 | 6篇 |
1963年 | 2篇 |
1962年 | 7篇 |
1956年 | 18篇 |
1955年 | 5篇 |
1905年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
991.
不断拓展的秸秆资源应用途径丰富了亚地块尺度下秸秆信息丰度的研究,但界定和表达亚地块尺度下秸秆信息丰度尚缺乏科学规范。本文以机收小麦原茬地的秸秆信息丰度为研究对象,设计系列指标(立茬与碎秸的质量分布、碎秸堆叠层数、立茬侧影覆盖度),分别探讨原位网格取样称草、平板匀铺图像处理、背景板图像处理、碎秸筛分、人工观察计数等手段与方法,进行原茬秸秆信息的指标化。将获取的多维秸秆信息进行归一化处理,并运用图像相似度分析法研究信息指标间的相关性。结果表明,本文提出的秸秆信息参数及测试方法增加了亚地块尺度下的秸秆信息丰度,秸秆信息图像间的相关分析也能反映出各指标间的内在联系。所得信息反映了收获机的留茬状态与碎草性能,碎秸质量集中分布在割幅中间区域。立茬质量分布受作物行间距影响,碎秸堆叠层数表达了机排草口的排草状况,立茬侧影覆盖度分布可反映收获机的留茬碾压破坏情况。秸秆信息指标间的相关分析表明,地表秸秆总质量与碎秸质量的相似度为0.89、与立茬质量相似度为0.43,碎秸质量与碎秸堆叠层数相似度为0.64,立茬质量与立茬侧影覆盖度相似度为0.48。本文界定的亚地块尺度下秸秆信息丰度及其参数化研究结果可为系统开展亚地块尺度下秸秆信息技术研发提供参考。 相似文献
992.
994.
准确识别地表变化的时空信息,有助于探究地表自然环境和生态系统发展演变的规律,支撑相关的科研与行政管理工作。本文以河南某生态保护修复工程部分实施范围为研究区域,基于Google Earth Engine(GEE)云平台,以2013—2020年的98景Landsat8/OLI遥感影像作为数据源,应用Breaks for additive season and trend(BFAST)算法对地表变化进行了信息提取和制图。首先基于GEE云平台对Landsat8/OLI地表反射率数据集进行调用和预处理,基于CFMask算法对遥感数据集进行云影掩膜,开展光谱指数(植被指数NDVI)的计算以及时间序列数据集的构建。其次基于时序数据集与BFAST算法构建由趋势项、季节项和残差项组成的广义线性回归模型,通过最小二乘法求解模型中的未知参数集,以此进一步构建时序拟合模型,而后基于残差的Moving sums(MOSUM)方法对时序结构变化进行检测。最后从检测结果中抽取像元样点,通过与Google Earth高分辨率影像数据叠置和目视解译,开展结果验证和精度评价。结果表明,本文提出的方法在研究区的时序地表变化... 相似文献
995.
针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling, SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4-MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。 相似文献
996.
基于改进DeepSORT的群养生猪行为识别与跟踪方法 总被引:1,自引:0,他引:1
为改善猪只重叠与遮挡造成的猪只身份编号(Identity,ID)频繁跳变,在YOLO v5s检测算法基础上,提出了改进DeepSORT行为跟踪算法。该算法改进包括两方面:一针对特定场景下猪只数量稳定的特点,改进跟踪算法的轨迹生成与匹配过程,降低ID切换次数,提升跟踪稳定性;二将YOLO v5s检测算法中的行为类别信息引入跟踪算法中,在跟踪中实现准确的猪只行为识别。实验结果表明,在目标检测方面,YOLO v5s的mAP为99.3%,F1值为98.7%。在重识别方面,实验的Top-1准确率达到99.88%。在跟踪方面,改进DeepSORT算法的MOTA为91.9%,IDF1为89.2%,IDS为33;与DeepSORT算法对比,MOTA和IDF1分别提升了1.0、16.9个百分点,IDS下降了83.8%。改进DeepSORT算法在群养环境下能够实现稳定ID的猪只行为跟踪,能够为无接触式的生猪自动监测提供技术支持。 相似文献
997.
针对目前对虾开背环节工艺不完善、实际应用装备缺乏等问题,以中型南美白对虾为研究对象,探究了对虾开背关键工艺方法,建立了对虾开背过程力学模型,获得影响开背效果主要因素为刀具角度、加工中心盘转速和刀具安置距离;采用单因素试验研究和分析了各因素对开背成功率、虾仁损伤率、虾线裸露成功率和感官评分值的影响,确定影响因素最佳区间为:刀具角度20°~60°、加工中心盘转速10~40r/min和刀具安置距离9~11mm;利用Design-Expert软件进行多因素响应面试验研究分析,并采用多目标优化方法,得到最优参数组合为:刀具角度43.838°、加工中心盘转速28.391r/min、刀具安置距离9.801mm时,开背成功率为99.161%、虾仁损伤率为2.825%、虾线裸露成功率为90.727%、感官评分值为86.944。验证试验结果表明:针对中型南美白对虾,当刀具角度45°、加工中心盘转速28r/min、刀具安置距离9.8mm时,开背成功率为98.89%、虾仁损伤率为3.33%、虾线裸露成功率为87.78%、感官评分值为85.33,与理论优化值的绝对误差均较小,优化后的对虾开背装置性能满足作业要求。研究可为对虾开背工序装置设计和参数选择提供理论基础和科学依据。 相似文献
998.
针对液肥穴深施机具存在施肥位置不准确等问题,结合机械结构设计和自动控制技术,设计了一种深施型液肥对靶点施装置,该装置包括液肥深施开沟器和液肥对靶点施控制系统。设计液肥深施开沟器,构建了开沟器与土壤间力学接触模型和土粒质点运动学模型,确定了开沟器结构参数,解析了扰土和回土原理,应用EDEM软件建立开沟器-土壤离散元仿真模型,验证了液肥深施开沟器结构可行性。以单片机为核心开发一种液肥对靶点施系统,光电传感器感知作物植株位置,测速模块实时监测装置作业速度,单片机结合作物植株位置信息和作业速度控制电磁阀启闭,实现液肥对靶点施作业。通过田间试验验证了装置作业性能,在作业速度为0.4~1.0m/s时,平均回土深度52.8mm,平均对靶率84.03%,装置回土性能和对靶喷肥性能稳定,满足液肥深施农艺要求。 相似文献
999.
为实现水稻施肥知识图谱自动化构建,为后续构建水稻施肥决策系统提供基础,定义了水稻施肥体系数据结构并制作水稻施肥数据集,结合水稻施肥数据特点,添加单位标注器,并改进CASREL解码加入隐藏层,提出了基于RoBERTa-wwm编码+改进CASREL解码的信息抽取模型,同时针对编码与解码环节进行试验对比。结果表明,基于该模型的F1值达到91.86%,与对比模型相比有较为显著的提升。基于改进RoBERTa-wwm-CASREL的信息抽取模型能有效提高水稻施肥信息抽取效果,为水稻施肥知识图谱构建以及施肥决策系统提供基础。 相似文献
1000.
猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.2... 相似文献