全文获取类型
收费全文 | 3773篇 |
免费 | 129篇 |
国内免费 | 320篇 |
专业分类
林业 | 271篇 |
农学 | 149篇 |
基础科学 | 896篇 |
456篇 | |
综合类 | 1531篇 |
农作物 | 85篇 |
水产渔业 | 101篇 |
畜牧兽医 | 503篇 |
园艺 | 145篇 |
植物保护 | 85篇 |
出版年
2024年 | 123篇 |
2023年 | 320篇 |
2022年 | 356篇 |
2021年 | 326篇 |
2020年 | 228篇 |
2019年 | 193篇 |
2018年 | 94篇 |
2017年 | 99篇 |
2016年 | 141篇 |
2015年 | 136篇 |
2014年 | 230篇 |
2013年 | 193篇 |
2012年 | 229篇 |
2011年 | 224篇 |
2010年 | 188篇 |
2009年 | 138篇 |
2008年 | 184篇 |
2007年 | 152篇 |
2006年 | 124篇 |
2005年 | 92篇 |
2004年 | 64篇 |
2003年 | 73篇 |
2002年 | 45篇 |
2001年 | 46篇 |
2000年 | 33篇 |
1999年 | 15篇 |
1998年 | 9篇 |
1997年 | 12篇 |
1996年 | 18篇 |
1995年 | 20篇 |
1994年 | 21篇 |
1993年 | 7篇 |
1992年 | 8篇 |
1991年 | 10篇 |
1990年 | 6篇 |
1989年 | 9篇 |
1988年 | 8篇 |
1987年 | 6篇 |
1986年 | 4篇 |
1985年 | 2篇 |
1984年 | 2篇 |
1983年 | 4篇 |
1982年 | 4篇 |
1976年 | 1篇 |
1973年 | 1篇 |
1965年 | 3篇 |
1958年 | 1篇 |
1957年 | 12篇 |
1955年 | 1篇 |
1953年 | 5篇 |
排序方式: 共有4222条查询结果,搜索用时 625 毫秒
91.
旨在指导生产上玉米青贮切割后的科学堆放及使用,以青贮料温为考察指标,进行了夏季牧场玉米青贮堆放时间和截料深度优化实验.堆放时间优化实验结果显示,玉米青贮在青贮窖中堆放24 h后开始再次发酵,在仓库中堆放24 h后有再次发酵趋势;截料深度筛选实验结果显示,在距离料面30 cm处的料温基本不受外界温度影响.建议:牧场将切割... 相似文献
92.
黄花菜人工采摘存在劳动强度大、成本高、无法适应规模化生产需求、采摘设备缺乏等问题。该文针对智能采摘设备视觉系统开展了深度图像计算研究。基于田间黄花菜图像,分别采用SGBM算法、BM算法进行图像匹配、视差计算和深度计算。结果表明,SGBM算法计算结果的绝对误差范围为-1~1.6 mm,BM算法计算结果的绝对误差范围为-3.1~3.5 mm,SGBM算法计算结果优于BM算法,BM算法的运行效率高于SGBM算法。采用的两种方法深度计算绝对误差均小于5 mm,满足采摘设备使用需求,可为研发自动采摘设备提供技术支撑。 相似文献
93.
为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法 ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果:1)针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2)使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3)引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87... 相似文献
94.
为解决构建知识图谱过程中由于上下文环境复杂、现有模型字向量语义表征相对单一导致领域专业实体识别率低的问题,该研究提出了来自转换器的双向编码器表征量(bi-directional encoder representation from transformer, BERT)和残差结构(residual structure, RS)融合的命名实体识别模型(bert based named entity recognition with residual structure,BBNER-RS)。通过BERT模型将文本映射为字符向量,利用双向长短时记忆网络(bi-directional long-short term memory, BiLSTM)提取局部字符向量特征,并采用RS保留BERT提供的全局字符向量特征,以提高字向量的语义丰富度,最后通过条件随机场(conditional random field, CRF)模型对特征向量解码,获取全局最优序列标注。与其他命名实体识别模型相比,提出的BBNER-MRS模型在葡萄数据集上表现较好,在葡萄人民日报、玻森、简历和微博数据集上F1值分别达到89... 相似文献
95.
《农机化研究》2021,43(11)
我国是甘蔗种植大国,种植区域集中在海南、广西、云南等南方热带地区。甘蔗种植在云南省种植业中占很大比重。云南地形特殊,多丘陵山地,种植坡度在20°左右,土地多为红土壤,土壤粘阻比大,导致现阶段云南地区的甘蔗田间管理大多采用人工松土施肥,或为单一功能的小型农具,机械化程度不高、工作效率低、作业效果不理想。为此,设计了专门用于云南地区的甘蔗旋耕施肥复合机具,与现有旋耕机具相比,增加了施肥功能且旋耕刀针对云南红土壤特点设计为弯刀。同时,运用SoildWorks软件进行三维建模,对旋耕装置进行运动学计算和功耗分析。田间试验表明:样机作业效果得到提升,达到甘蔗种植的农艺要求。 相似文献
96.
针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW。对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。 相似文献
97.
98.
从施肥技术和栽培措施两者相结合角度,通过大田试验对不同移栽深度结合一次性双层施肥对烤烟生长及产量品质的影响进行了研究.结果表明:壮苗一次性双层施肥9叶移栽能够促进烤烟生长发育,提高前期根系活力,增加根系一级侧根数目、根系干物质、烟株株高、茎围、有效叶片效、单株有效叶面积、地上部烟株干重和地上部干物质积累速率.与对照相比,壮苗一次性双层施肥9叶移栽烟叶产量增加145.5 kg/hm2,产值增加2 130元/hm2,烟叶均价增加0.46元/kg;同时,烟碱和总氮含量比对照下降了0.41%,总糖含量提高了1.57%,总糖/蛋白质和氮/碱比更趋协调. 相似文献
99.
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
100.
基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类 总被引:1,自引:1,他引:0
在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80~110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN(K-Nearest Neighbors)、SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。 相似文献