全文获取类型
收费全文 | 478篇 |
免费 | 38篇 |
国内免费 | 106篇 |
专业分类
林业 | 36篇 |
农学 | 19篇 |
基础科学 | 180篇 |
128篇 | |
综合类 | 187篇 |
农作物 | 10篇 |
水产渔业 | 3篇 |
畜牧兽医 | 46篇 |
园艺 | 6篇 |
植物保护 | 7篇 |
出版年
2024年 | 36篇 |
2023年 | 91篇 |
2022年 | 67篇 |
2021年 | 43篇 |
2020年 | 14篇 |
2019年 | 15篇 |
2018年 | 7篇 |
2017年 | 14篇 |
2016年 | 18篇 |
2015年 | 12篇 |
2014年 | 33篇 |
2013年 | 22篇 |
2012年 | 40篇 |
2011年 | 33篇 |
2010年 | 24篇 |
2009年 | 20篇 |
2008年 | 15篇 |
2007年 | 18篇 |
2006年 | 23篇 |
2005年 | 9篇 |
2004年 | 16篇 |
2003年 | 15篇 |
2002年 | 7篇 |
2001年 | 6篇 |
2000年 | 7篇 |
1999年 | 2篇 |
1998年 | 7篇 |
1996年 | 1篇 |
1994年 | 2篇 |
1993年 | 3篇 |
1992年 | 1篇 |
1990年 | 1篇 |
排序方式: 共有622条查询结果,搜索用时 250 毫秒
611.
针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野,提高了模型对小个体遮挡情况下的目标识别能力,提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法,并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包,设计了蛋鸡日常行为智能识别与统计系统。试验结果表明,SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点,对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型,平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持,为智慧养殖提供了借鉴。 相似文献
612.
613.
在智慧养殖研究中,基于深度学习的猪只图像实例分割方法,是猪只个体识别、体重估测、行为识别等下游任务的关键。为解决模型训练需要大量的逐像素标注图像,以及大量的人力和时间成本的问题,采用弱监督猪只分割策略,制作弱监督数据集,提出一种新的特征提取骨干网络RdsiNet:首先在ResNet-50残差模块基础上引入第2代可变形卷积,扩大网络感受野;其次,使用空间注意力机制,强化网络对重要特征的权重值;最后引入involution算子,借助其空间特异性和通道共享性,实现加强深层空间信息、将特征映射同语义信息连接的功能。通过消融实验和对比实验证明了RdsiNet对于弱监督数据集的有效性,实验结果表明其在Mask R-CNN模型下分割的mAPSemg达到88.6%,高于ResNet-50、GCNet等一系列骨干网络;在BoxInst模型下mAPSemg达到95.2%,同样高于ResNet-50骨干网络的76.7%。而在分割图像对比中,使用RdsiNet骨干网络的分割模型同样具有更好的分割效果:在图像中猪只堆叠情况下,能更好地分辨猪只个体;使用BoxInst训... 相似文献
614.
个人媒体作为网络新媒体的代表,在21世纪强势崛起。在此新形势下,以个人媒体的内涵、特征为思考基础,深入挖掘其与农业信息化主体模块的内在联系,得出个人媒体影响并引领着农业信息化建设的发展趋势这一建设性结论。同时为实现个人媒体在实践领域对农业信息化建设的促进作用,从农业信息化建设的主体、资源和层次三方面提出个人媒体在农业信息化建设中的具体应用策略,并辅以移动学习模式构建、图文视频模块搭建和交流沟通互动保障的具体实施方案,以确保个人媒体这一新型理念在农业信息化建设中得到切实而高效的实施。 相似文献
615.
为弥补目前多作物分类提取精细化程度不高的问题,探究不同尺度数据集对网络精度的影响,该研究对协调注意力进行改进,并将此模块加入到UNet网络中,以验证改进后的空间-协调注意力UNet(spatial-coordinate attention UNet,SPCA-UNet)的合理性与有效性。结果表明:以1 500×1 500像素分辨率数据为输入的网络提取精度最高,UNet和DeepLab v3+网络模型对尺度信息不敏感;在注意力比较试验中,改进的空间-协调注意力的平均交并比、平均像素精度、平均精准率、平均召回率均优于SENet(squeeze-and-excitation networks)、CBAM(convolutional block attention module)、ECA(efficient channel attention)和CA(coordinate attention)模块,平均交并比达到了92.20%,平均像素精度达到95.97%,比CA模块的平均交并比和平均像素精度分别高出1.16和0.76个百分点。改进的空间-协调注意力可以很好地保持作物边界信息,由于其较强的规范... 相似文献
616.
617.
随着食用菌行业由自动化向智能化、信息化发展的趋势越来越明显,为了实现现代化菇房中平菇的准确检测,解决工厂化平菇栽培中收获阶段平菇之间相互遮挡等问题,帮助平菇采收机器人进行准确的自动化采收,该文提出了一种基于YOLOv5(you only look once version 5)模型的OMM-YOLO(ostreatus measure modle-YOLO)平菇目标检测与分类模型。通过在YOLOv5模型的Backbone层添加注意力模块,对输入的平菇图像特征进行动态加权,以获得更详细的特征信息,并在Neck层采用加权双向特征金字塔网络,通过与不同的特征层融合,提高算法的平菇目标检测的精度。此外,为了改善算法的准确性和边界框纵横比的收敛速度,该文采用了EIoU(enhanced intersection over union)损失函数替代了原有的损失函数。试验结果表明,与原始模型相比,改进模型OMM-YOLO对成熟平菇、未成熟平菇和未生长平菇的平均精度均值分别提高了0.4个百分点、4.5个百分点和1.1个百分点。与当前主流模型Resnet50、VGG16、YOLOv3、YOLOv4、YOLOv5m和YOLOv7相比,该模型的精确率、召回率和检测精度均处于优势,适用于收集现代化菇房中的平菇信息,有效避免了平菇之间因相互遮挡而产生的误检测现象。菇房平菇目标检测可以自动化地检测平菇的数量、生长状态等信息,帮助菇房工作人员掌握菇房内的菇况,及时调整温湿度等环境条件,提高生产效率,并且对可以对平菇进行质量控制,确保平菇产品的统一性和品质稳定性。同时可以减少对人工的依赖,降低人力成本,实现可持续发展,对智能化现代菇房建设具有积极作用。 相似文献
618.
619.
《农业科学学报》2023,22(6):1671-1683
Maize tassel detection is essential for future agronomic management in maize planting and breeding, with application in yield estimation, growth monitoring, intelligent picking, and disease detection. However, detecting maize tassels in the field poses prominent challenges as they are often obscured by widespread occlusions and differ in size and morphological color at different growth stages. This study proposes the SEYOLOX-tiny Model that more accurately and robustly detects maize tassels in the field. Firstly, the data acquisition method ensures the balance between the image quality and image acquisition efficiency and obtains maize tassel images from different periods to enrich the dataset by unmanned aerial vehicle (UAV). Moreover, the robust detection network extends YOLOX by embedding an attention mechanism to realize the extraction of critical features and suppressing the noise caused by adverse factors (e.g., occlusions and overlaps), which could be more suitable and robust for operation in complex natural environments. Experimental results verify the research hypothesis and show a mean average precision (mAP@0.5) of 95.0%. The mAP@0.5, mAP@0.5–0.95, mAP@0.5–0.95 (area=small), and mAP@0.5–0.95 (area=medium) average values increased by 1.5, 1.8, 5.3, and 1.7%, respectively, compared to the original model. The proposed method can effectively meet the precision and robustness requirements of the vision system in maize tassel detection. 相似文献
620.
茶叶采摘点定位是茶叶选择性采摘的关键技术之一,在茶树采摘场景中,存在采摘点尺度小、背景干扰大、光照情况复杂等问题,导致准确分割茶叶采摘点成为难题。本研究针对茶园场景下采摘点精确分割问题,构建了一种基于多头自注意力机制结合多尺度特征融合的语义分割算法——RMHSA-NeXt。首先使用ConvNeXt卷积神经网络提取图像特征;其次构造基于残差和多头自注意力机制的注意力模块,将模型注意力集中于分割目标,增强重要特征的表达;再次通过多尺度结构(Atrous spatial pyramid pooling, ASPP)将不同尺度的特征进行融合,在其中针对采摘点特性,在融合过程中使用条状池化(Strip pooling),减少无用特征的获取;最后通过卷积以及上采样等操作完成信息的解码,得出分割结果。试验表明,茶园环境下该模型可以对采摘点进行有效分割,模型的像素准确率达到75.20%,平均区域重合度为70.78%,运行速度达到8.97 f/s。基于相同测试集将本文模型与HRNet V2、EfficientUNet++、DeeplabV3+、BiSeNet V2模型进行对比,结果表明相比于其他模型同时... 相似文献