全文获取类型
收费全文 | 1349篇 |
免费 | 66篇 |
国内免费 | 232篇 |
专业分类
林业 | 122篇 |
农学 | 14篇 |
基础科学 | 402篇 |
260篇 | |
综合类 | 659篇 |
农作物 | 10篇 |
水产渔业 | 13篇 |
畜牧兽医 | 138篇 |
园艺 | 13篇 |
植物保护 | 16篇 |
出版年
2024年 | 42篇 |
2023年 | 101篇 |
2022年 | 111篇 |
2021年 | 123篇 |
2020年 | 79篇 |
2019年 | 69篇 |
2018年 | 55篇 |
2017年 | 54篇 |
2016年 | 76篇 |
2015年 | 61篇 |
2014年 | 75篇 |
2013年 | 74篇 |
2012年 | 85篇 |
2011年 | 87篇 |
2010年 | 67篇 |
2009年 | 89篇 |
2008年 | 79篇 |
2007年 | 56篇 |
2006年 | 50篇 |
2005年 | 31篇 |
2004年 | 42篇 |
2003年 | 21篇 |
2002年 | 13篇 |
2001年 | 29篇 |
2000年 | 14篇 |
1999年 | 7篇 |
1998年 | 7篇 |
1997年 | 3篇 |
1996年 | 7篇 |
1995年 | 4篇 |
1994年 | 1篇 |
1993年 | 3篇 |
1992年 | 11篇 |
1991年 | 2篇 |
1990年 | 6篇 |
1989年 | 8篇 |
1988年 | 1篇 |
1987年 | 2篇 |
1985年 | 1篇 |
1957年 | 1篇 |
排序方式: 共有1647条查询结果,搜索用时 15 毫秒
41.
42.
针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因... 相似文献
43.
44.
基于卷积注意力的无人机多光谱遥感影像地膜农田识别 总被引:1,自引:0,他引:1
监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。 相似文献
45.
为在自然环境下准确分割作物苗期植株,实现苗期植株定位及其表型自动化测量,本文提出一种融合目标区域语义和边缘信息的作物苗期植株分割网络模型。以U-Net网络构建主干网络,基于侧边深度监督机制,引导主干网络在提取特征时能感知植株边缘信息;利用空间空洞特征金字塔构建特征融合模块,融合主干网络和边缘感知模块提取的特征,融合后的特征图具有足够的细节信息和更强的语义信息;联合边缘感知的损失与特征融合的损失,构建联合损失函数,用于整体网络优化。实验结果表明,本文模型对不同数据集的作物植株的语义分割像素准确率高达0.962,平均交并比达到0.932;与U-Net、SegNet、PSPNet、DeepLabV3模型相比,本文模型在不同数据集上平均交并比最高提升0.07,对自然环境下作物苗期植株具有良好的分割效果和泛化能力,可为植株定位、对靶喷药、长势识别等应用提供重要依据。 相似文献
46.
现阶段,智能化加工装备与技术代表着生产力,是提高生产效率、转变发展方式的物质基础,智能化装备技术在畜禽加工过程中的应用在保证稳定、可靠的生产过程的同时,有着显著的经济效益。总结了智能化装备在畜禽屠宰、分割和分级等加工过程中的应用,归纳了国内外学者在机器视觉、光谱检测、多种技术融合、X射线CT成像和超声波成像等智能化技术在畜禽加工领域的诸多研究成果,分析了当前畜禽加工中存在的智能装备不系统、智能化技术不成熟的问题现状,展望了未来智能装备技术在畜禽加工中设备类型标准、多样化,提高设备集成化水平,促进技术融合等发展趋势,为畜禽加工智能化装备技术研究与行业智能化发展提供相关信息和参考。 相似文献
47.
针对前处理工序造成的羊肉智能精细分割目标肌肉区图像识别准确度低的问题,以羊后腿自动去骨分割工序为研究对象,提出一种基于R2U-Net和紧凑空洞卷积的羊后腿分割目标肌肉区识别方法。对传统的U-Net语义分割网络进行改进,以U-Net为骨架网络,采用残差循环卷积块替换原始U-Net的特征编码模块和解码模块中的卷积块以避免U-Net的梯度消失,在特征编码模块和特征解码模块之间增加一个紧凑的四分支空洞卷积模块对语义特征进行多尺度编码,实现缝匠肌图像分割模型的构建。一方面,针对缝匠肌这一核心目标肌肉区,采集羊后腿图像构建数据集训练与测试本文模型,以验证该方法的准确性与实时性;另一方面,通过旋量法标定夹爪坐标系、相机点云坐标系、机器人坐标系的齐次变换矩阵以计算分割路径,并采用主动柔顺的力/位混合控制方法操纵分割机器人进行目标切削运动,验证基于本文方法得到的目标图像开展目标肌肉分割的可行性。相关试验结果表明:当交并比为0.8588时,本文方法平均精确度为0.9820,优于R2U-Net的(0.8324,0.9775);单样本检测时间平均为82ms,说明本文方法可快速、准确分割出缝匠肌图像,满足机器人自主分割系统的实时性要求,优于U-Net、R2U-Net、AttU-Net算法。最后,在本文方法得到的缝匠肌图像基础上开展机器人实机分割试验,机器人对5条羊后腿的平均切削时间为7.9s,平均偏移距离为4.36mm,最大偏移距离不大于5.9mm,满足羊后腿去骨分割的精度要求。 相似文献
48.
49.
50.