全文获取类型
收费全文 | 1469篇 |
免费 | 95篇 |
国内免费 | 198篇 |
专业分类
林业 | 70篇 |
农学 | 123篇 |
基础科学 | 73篇 |
187篇 | |
综合类 | 483篇 |
农作物 | 133篇 |
水产渔业 | 68篇 |
畜牧兽医 | 401篇 |
园艺 | 156篇 |
植物保护 | 68篇 |
出版年
2024年 | 45篇 |
2023年 | 79篇 |
2022年 | 89篇 |
2021年 | 79篇 |
2020年 | 45篇 |
2019年 | 64篇 |
2018年 | 41篇 |
2017年 | 68篇 |
2016年 | 60篇 |
2015年 | 80篇 |
2014年 | 79篇 |
2013年 | 85篇 |
2012年 | 123篇 |
2011年 | 138篇 |
2010年 | 101篇 |
2009年 | 103篇 |
2008年 | 83篇 |
2007年 | 69篇 |
2006年 | 56篇 |
2005年 | 41篇 |
2004年 | 37篇 |
2003年 | 39篇 |
2002年 | 24篇 |
2001年 | 14篇 |
2000年 | 18篇 |
1999年 | 23篇 |
1998年 | 9篇 |
1997年 | 9篇 |
1996年 | 17篇 |
1995年 | 6篇 |
1994年 | 4篇 |
1993年 | 4篇 |
1992年 | 2篇 |
1991年 | 10篇 |
1990年 | 3篇 |
1989年 | 3篇 |
1988年 | 2篇 |
1986年 | 1篇 |
1985年 | 1篇 |
1984年 | 2篇 |
1983年 | 1篇 |
1982年 | 1篇 |
1981年 | 1篇 |
1977年 | 1篇 |
1973年 | 1篇 |
1956年 | 1篇 |
排序方式: 共有1762条查询结果,搜索用时 15 毫秒
31.
32.
33.
为了研究噬菌体尾丝蛋白gp37在识别宿主菌大肠埃希菌K12过程中的作用,PCR扩增获得gp37基因C端1 161bp序列,以EGFP为荧光标签,构建重组表达质粒pET-28a-EGFP-gp37,在大肠埃希菌BL21(DE3)中IPTG诱导表达重组蛋白EGFP-gp37,亲和层析纯化蛋白。SDS-PAGE及Western blot检测结果表明,重组蛋白EGFP-gp37在大肠埃希菌BL21(DE3)为可溶性表达,表达量占菌体总蛋白量的23%。EGFP-gp37融合蛋白与大肠埃希菌K12相互作用,激光共聚焦显微镜检测结果显示,尾丝蛋白gp37能够吸附到宿主菌K12表面,表明尾丝蛋白gp37参与宿主菌受体的识别和吸附过程。 相似文献
34.
35.
从蔗渣腐烂域筛选出一株高纤维素酶活力的特异青霉(P.notatum)YB-5,经紫外线和亚硝基胍诱变,获得一突变株YB-7,其生长快,产孢子多且无毒性。并研究了碳源、氮源、金属离子和表面活性剂对产酶的影响。在正交优化的固体培养基和优化培养条件下,60h时CMCase、FPA和β-葡萄糖苷酶活力分别可达29.4IU/ml、8.40IU/ml和25.1IU/ml。 相似文献
36.
针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,mAP)、F1得分(F1 score,F1)分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。 相似文献
37.
为了解决因梭梭和红柳等宿主遮挡、样本分布密集、样本大小不均衡等造成人工种植肉苁蓉检测精度低以及模型参数量过大难以向嵌入式设备移植等问题,该研究提出一种基于改进YOLOv5s的人工种植肉苁蓉轻量化检测方法。首先,将YOLOv5s的主干网络替换为EfficientNetv2网络,以减少模型参数量和计算复杂度进而实现模型轻量化,便于后期将模型向嵌入式设备部署;其次,为了增强模型对小目标肉苁蓉特征信息的提取能力,将C3模块与Swin Transformer Block进行整合,得到C3STR模块,将其引入主干网络,并将其输出的特征图与Neck网络中的特征图进行融合;最后,在检测头前端与颈项加强网络之间添加CA注意力机制,以弱化背景信息、聚焦目标特征,提高网络检测性能。试验结果表明,该模型对于肉苁蓉的检测精度和准确率分别为89.8%和92.3%,模型的参数量和计算量分别为5.69×106 MB和6.8 GB,权重文件大小为11.9 MB,单幅图像推理时间为8.9 ms,能够实现实时性检测。同其他主流模型相比,改进后的模型的检测精度分别比SSD、Faster R-CNN、YO... 相似文献
38.
为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型:YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络(extended-efficient long-range attention networks, E-ELAN)进行改进,通过融合兼具卷积和注意力机制优势的ACmix(a mixed model that enjoys the benefit of both self-attention and convolution)结构得到AC-E-ELAN模块,提升模型的学习和推理能力,引入可变形卷积(deformable convolutional networks version 2, DCNv2)结构得到DCNv2-E-ELAN模块,增强模型对不同尺寸目标的提取能力;其次,采用内容感知特征重组(content-aware reassembly of features, CARAFE)上采样模块,提高模型对重要特征的提取能力;然后,在主干和头部网络部分添加全局注意力机制(global-attention mechanism, GAM),强化特征中的语义信息和位置信息,提高模型特征融合能力;最后,采用WIoU(wise intersection over union)损失函数减少因正负样本数据不平衡造成的干扰,增强模型的泛化性。在公开数据集上的试验结果表明,YOLOv7-ACGDmix模型的精确率达到89.1%,召回率达到89.0%,平均精度均值(mean average precision, mAP)达到95.1%,F1-score达到89.0%,相比于原YOLOv7模型分别提高1.8、4.0、2.3和3.0个百分点。与Faster R-CNN、SSD、YOLOv8模型相比,改进模型的平均精度均值(mAP0.5)分别提高了9.8、2.2、0.7个百分点。实地采集杨梅树样本数据的检测精确率87.3%、召回率85.7%。试验表明,改进模型为基于无人机影像的杨梅树单木检测提供了一种有效的解决方案,对果园精准管理的发展具有重要意义。 相似文献
39.
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
40.
为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07... 相似文献