全文获取类型
收费全文 | 2899篇 |
免费 | 169篇 |
国内免费 | 980篇 |
专业分类
林业 | 380篇 |
农学 | 240篇 |
基础科学 | 653篇 |
1143篇 | |
综合类 | 1234篇 |
农作物 | 78篇 |
水产渔业 | 48篇 |
畜牧兽医 | 127篇 |
园艺 | 34篇 |
植物保护 | 111篇 |
出版年
2024年 | 56篇 |
2023年 | 135篇 |
2022年 | 197篇 |
2021年 | 226篇 |
2020年 | 183篇 |
2019年 | 172篇 |
2018年 | 134篇 |
2017年 | 200篇 |
2016年 | 199篇 |
2015年 | 177篇 |
2014年 | 182篇 |
2013年 | 207篇 |
2012年 | 238篇 |
2011年 | 219篇 |
2010年 | 209篇 |
2009年 | 176篇 |
2008年 | 170篇 |
2007年 | 209篇 |
2006年 | 156篇 |
2005年 | 151篇 |
2004年 | 105篇 |
2003年 | 67篇 |
2002年 | 58篇 |
2001年 | 38篇 |
2000年 | 22篇 |
1999年 | 23篇 |
1998年 | 28篇 |
1997年 | 10篇 |
1996年 | 17篇 |
1995年 | 11篇 |
1994年 | 11篇 |
1993年 | 19篇 |
1992年 | 11篇 |
1991年 | 10篇 |
1990年 | 7篇 |
1989年 | 7篇 |
1988年 | 4篇 |
1987年 | 1篇 |
1984年 | 1篇 |
1982年 | 1篇 |
1978年 | 1篇 |
排序方式: 共有4048条查询结果,搜索用时 78 毫秒
81.
针对奶牛养殖场复杂环境下多目标奶牛嘴部自动跟踪及反刍监测的困难,该研究提出了一种基于嘴部区域跟踪的多目标奶牛反刍行为智能监测方法。在YOLOv4模型识别奶牛嘴部上下颚区域的基础上,以Kalman滤波和Hungarian算法跟踪上颚区域,并对同一奶牛目标的上颚和下颚区域进行关联匹配获取嘴部咀嚼曲线,以此获取反刍相关信息,从而实现多目标奶牛个体的嘴部跟踪和反刍行为监测;为解决奶牛快速摆头运动和棚舍栏杆遮挡引发奶牛标号变化的问题,提出未匹配跟踪框保持及扩大的方法。采集并选择实际养殖场环境下的反刍奶牛视频66段,对其中58段视频采取分帧操作得到图像,制作YOLOv4模型数据集,以其余8段视频验证跟踪方法和反刍行为判定方法的有效性。试验结果表明,YOLOv4模型对奶牛嘴部上颚、下颚区域的识别准确率分别为93.92%和92.46%;改进的跟踪算法可实现复杂环境下多目标奶牛嘴部区域的稳定跟踪,且有效解决了栏杆遮挡、快速摆头运动造成的奶牛标号变化现象,上下颚匹配率平均为99.89%,跟踪速度平均为31.85帧/s;由反刍行为判定方法获取的咀嚼次数正确率的平均值为96.93%,反刍时长误差的平均值为1.48 s。该研究可为实际养殖中多目标奶牛反刍行为的智能监测和分析提供参考,也可供其他群体动物运动部位的跟踪和行为监测借鉴。 相似文献
82.
为提高RGB(Red, Green, Blue)图像方法在检测植物叶片叶绿素含量的预测精度、普适性和实用性,该研究提出了一种智能手机结合辅助拍照装置获取植物叶片RGB图像并即时检测叶绿素含量的低成本方法。设计了一种内置主动光源的低成本便携式拍照装置,用以降低环境光及拍照角度等因素对成像质量的影响;并采用了基于24色Macbeth标准色卡的二阶多项式回归法构建色差校正矩阵以减小不同手机所获取图像的色差;最后开发了基于微信小程序的远程诊断系统以实现植物叶片叶绿素含量的原地、实时及无损检测。以甘蔗叶片为例,采用了3款不同品牌的手机进行了试验,首先分析了叶片39种颜色特征与其叶绿素含量的相关性及色差校正方法对其的影响。结果表明,该方法获取的叶片颜色特征与叶绿素含量大多具有较强的相关性(相关系数>0.8),同时,色差校正可明显提升多手机混合数据集的颜色特征与叶绿素含量的相关系数,其中RGB色彩空间下三个颜色通道亮度值R、G、B的代数运算特征(B-G-R)/(B+G)的提升最明显,达到了0.842 4,比校正前提高了89%。进一步结合主成分分析构建了色差校正前与色差校正后的叶绿素含量多元线性回归(Multivariate Linear Regression,MLR)和支持向量机回归(Support Vector Regression,SVR)预测模型。针对多手机混合数据集的通用预测模型中,色差校正后的SVR通用预测模型精度和稳定性最高,相比校正前的SVR通用预测模型,五折交叉验证的R2均值达到了0.721 4,提高了14.6%,RMSE均值为0.328 8 mg/g,降低了13.3%;同时,该模型五折交叉验证的R2标准差仅为0.004 2,具有更高的稳定性。该研究为不同手机准确预测植物叶片叶绿素含量提供了一种通用方法。 相似文献
83.
注意力与多尺度特征融合的水培芥蓝花蕾检测 总被引:1,自引:3,他引:1
准确辨识水培芥蓝花蕾特征是区分其成熟度,实现及时采收的关键。该研究针对自然环境下不同品种与成熟度的水培芥蓝花蕾外形与尺度差异大、花蕾颜色与茎叶相近等问题,提出一种注意力与多尺度特征融合的Faster R-CNN水培芥蓝花蕾分类检测模型。采用InceptionV3的前37层作为基础特征提取网络,在其ReductionA、InceptionA和InceptionB模块后分别嵌入SENet模块,将基础特征提取网络的第2组至第4组卷积特征图通过FPN特征金字塔网络层分别进行叠加后作为特征图输出,依据花蕾目标框尺寸统计结果在各FPN特征图上设计不同锚点尺寸。对绿宝芥蓝、香港白花芥蓝及两个品种的混合数据集测试的平均精度均值mAP最高为96.5%,最低为95.9%,表明模型能实现不同品种水培芥蓝高准确率检测。消融试验结果表明,基础特征提取网络引入SENet或FPN模块对不同成熟度花蕾的检测准确率均有提升作用,同时融合SENet模块和FPN模块对未成熟花蕾检测的平均准确率AP为92.3%,对成熟花蕾检测的AP为98.2%,对过成熟花蕾检测的AP为97.9%,不同成熟度花蕾检测的mAP为96.1%,表明模型设计合理,能充分发挥各模块的优势。相比VGG16、ResNet50、ResNet101和InceptionV3网络,模型对不同成熟度花蕾检测的mAP分别提高了10.8%、8.3%、 6.9%和12.7%,检测性能具有较大提升。在召回率为80%时,模型对不同成熟度水培芥蓝花蕾检测的准确率均能保持在90%以上,具有较高的鲁棒性。该研究结果可为确定水培芥蓝采收期提供依据。 相似文献
84.
基于机器视觉的玉米果穗参数的图像测量方法 总被引:1,自引:12,他引:1
在玉米育种和品质研究中,经常需要对玉米的果穗长度、果穗宽度、穗行数、穗粒数等参数进行测量。该研究提出了一种基于机器视觉的玉米果穗参数图像测量方法。使用PC摄像头连续采集旋转台上的玉米果穗图像,经过图像处理,获得玉米穗的图像区域,进而得到玉米果穗的穗长和穗宽参数;通过对玉米果穗局部区域的x方向和y方向累计像素值曲线进行分析,提取出玉米穗行,获得每一穗行的穗粒数和穗行宽度;通过图像匹配,获得玉米果穗的穗行数。试验表明,使用该研究方法对玉米果穗的长度、宽度和穗行数的参数测量准确率可达98%以上,对穗行宽及总穗粒数测量准确率达95%以上,整穗的平均检测时间约102 s/穗。该研究实现了玉米果穗参数快速有效的自动检测,相对于目前采用的人工检测,大大提供检测效率,降低劳动强度,可应用于玉米千粒质量检测、产量预测、育种和品质分析等场合。 相似文献
85.
为了更好地实现不同光照条件下的农作物图像融合,在Contourlet变换(contourlet transform,CT)的基础上采用了适合农作物图像的融合规则进行了融合处理。首先,采用Contourlet变换对源图像进行多尺度、多方向分解,得到低频子带系数和带通方向子带系数。然后,针对低频子带系数的选择,采用了一种改进的线性加权融合方法,以期减小噪声对融合结果的影响;针对带通方向子带系数的选择,结合人眼视觉特性,采用了一种基于梯度最大化规则的系数选择方案,得到待融合图像的系数。最后,经过Contourlet逆变换得到融合图像。与小波变换方法(wavelet transform,WT)进行了融合结果的比较,结果表明,与WT方法相比,该文方法在互信息量(mutual information,MI)、空间频率(spatial frequency,SF)、均方差(mean square error,MSE)、信息熵(entropy,Ent)、相关系数(correlation coefficient,CC)、平均梯度(average gradient,G’)和峰值信噪比(peak signal to noise ratio,PSNR)指标上均有了较大提升,表明利用该方法可以取得优于WT的融合效果;在此基础上,利用CT常见融合规则与文中融合规则进行了比较,同样表明CT方法可以有效提高图像融合的效果。研究表明,将文中所采用的融合规则应用于不同光照条件下的农作物图像融合是有效的、可行的。该研究可为变光照条件下的作物图像融合技术提供参考。 相似文献
86.
为了实现植物根系结构形态的原位检测,植物根系单根的断层图像重建研究非常必要。该文应用动态电阻抗成像技术对土壤-树根模拟系统进行了图像重建,对重建图像进行二值化处理并求出树根在该系统中的位置坐标、面积和形状,并以树根的位置坐标、面积及形状的相对偏差为指标,分析了图像重建算法、土壤含水率2个因素对成像质量的影响。结果表明:电阻抗成像技术能够实现树木单根断层图像重建;将重建图像进行二值化处理,所得图像更加直观,便于定量评价成像质量;基于Newton单步残差正则化的一步牛顿误差重构(Newton's one-step error reconsruction,NOSER)算法,比基于全变差正则化的主双-内点模式(primal dual-interior point method,PD-IPM)算法的成像质量好;土壤含水率越高成像质量越好。该研究为基于电阻抗成像技术的植物根系结构形态的图像重建提供参考。 相似文献
87.
旱地全膜覆土穴播和全沙覆盖平作对小麦田土壤水分和产量的调节机理 总被引:1,自引:1,他引:1
以春小麦品种‘陇春27’为试材,采用田间试验法,以裸地平作为对照,研究半干旱区旱地全膜覆土穴播和全沙覆盖平作对小麦田土壤水分和产量的调节作用。结果表明:与裸地平作(CK)相比,全膜覆土穴播(PM)和全沙覆盖平作(SM)小麦田0~40 cm土壤水分条件明显改善,尤其在干旱年份,能满足小麦前期生长,同时促进小麦出苗后对0~200 cm土壤水分的利用;种植第1年PM在60~80 cm土层耗水量最大,SM和CK在40~60 cm土层耗水量最大;种植第2年PM以120~180 cm土层耗水量最多,SM和CK则以60~80 cm土层耗水量最多。连续种植两年后,PM耗水深度从120 cm延伸到200 cm,SM耗水深度从120 cm延伸到140 cm,CK耗水深度无变化;小麦田休闲效率PM最大,SM次之,CK最小,但是各处理休闲效率随种植年限增加而降低。可见,PM和SM能改善小麦前期生长水分环境,促进出苗后耗水,并加快小麦对土壤深层水分的利用,因而与CK相比,PM产量增加48.77%~815.79%,SM产量增加49.41%~702.24%。但随种植年限增加,耗水深度加大,休闲效率降低,多年种植可能对土壤水分生态产生不利影响。 相似文献
88.
粒子图像测速(Particle Image Velocimetry, PIV)技术具有多点同时测量、对水流无干扰的优点,该研究利用高分辨率PIV(分辨率为64 pixels/mm),测量了7组坡面流(水深范围为0.5~1.1 cm,雷诺数范围为1 000~3 000),并测量1组深水明渠紊流作为对照,研究了流速轮廓线和修正系数、紊动强度和雷诺应力、偏态系数和峰度系数的变化规律。结果表明:1)PIV能够有效观测坡面流床面至水面的流速分布。当坡面流流态为过渡流时,流速修正系数随着雷诺数的增加呈对数增加,均值为0.77;2)对比深水明渠紊流的紊动强度,坡面流的流向紊动强度较大,而垂向紊动强度较小,且随着水深及雷诺数的增加,坡面流紊动强度逐渐与深水明渠紊流的特征吻合。深水明渠紊流中受雷诺应力影响的流体占比约80%,而坡面流中受雷诺应力影响的流体占比小于80%,随着雷诺数的增加坡面流中受雷诺应力影响的流体占比变大;3)对比深水明渠紊流的峰度系数,坡面流的峰度系数大部分大于3,表明坡面流较深水明渠紊流出现极端流速事件的概率小。PIV技术有利于实验室研究坡面水力侵蚀的力学机理机制问题。 相似文献
89.
基于厘米级高分辨率无人机影像,应用面向对象方法(Object-Based Image Analysis, OBIA)对吉林省伊通县椽子沟流域的横坡改垄、地埂植物带、生态恢复乔木林、生态恢复草地等水土保持措施进行自动精准识别。应用超绿指数(Excess Green Index,ExG)、超红指数(Excess Red Index,ExR)、归一化差异指数(Normalized Difference Index,NDI)等光谱指数,形状的主方向、形状指数等形状特征,均值(Mean)、方差(Variance)、对比度(Contrast)等纹理特征进行措施的特征提取。结果表明:研究区水土保持措施识别的总体精度可达91.24%,Kappa系数为0.87;对垄台、垄沟等线性水土保持措施总体精度可达72.33%,Kappa系数为0.63。基于厘米级无人机影像,应用面向对象方法基本可实现对黑土区水土保持措施的精准识别,也可对垄台垄沟等线性措施进行自动识别,研究结果可为水土保持措施实施范围及完好程度的动态监测提供参考依据。 相似文献
90.
无人机机载激光雷达提取果树单木树冠信息 总被引:2,自引:3,他引:2
定株管理是未来果园精准生产管理的趋势,果树单木树冠信息的提取是定株管理的关键。该研究利用无人机采集的苹果园激光探测与测量数据(Light Detection and Ranging,LiDAR)检测和测量每棵果树的树冠面积和树冠直径,并评价空间分辨率对于果树单木树冠检测与提取的影响。该方法主要包括使用反距离权重插值法间接生成冠层高度模型(Canopy Height Model,CHM);使用局部极大值滤波算法和标记控制分水岭分割算法(Marked-Controlled Watered Segmentation,MCWS)对果树进行单木树冠检测与提取,通过与参考数据的比较,评估了该方法的精度,并定量分析了空间分辨率对于单木树冠检测与信息提取结果的敏感性。结果表明,该方法有效地实现果树单木树冠检测与信息提取,代表果树检测精度的F1得分为94.86%,树冠轮廓提取准确率为86.39%,树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%,树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%,树冠面积和直径不同程度地被高估。此外,冠层高度模型的空间分辨率接近果树平均树冠直径的1/10时精度最高,可以有效检测果树单木树冠及提取树冠轮廓,从而准确提取果树单木树冠信息。 相似文献