全文获取类型
收费全文 | 27435篇 |
免费 | 557篇 |
国内免费 | 1504篇 |
专业分类
林业 | 939篇 |
农学 | 1343篇 |
基础科学 | 3083篇 |
1187篇 | |
综合类 | 8673篇 |
农作物 | 725篇 |
水产渔业 | 911篇 |
畜牧兽医 | 10874篇 |
园艺 | 747篇 |
植物保护 | 1014篇 |
出版年
2024年 | 258篇 |
2023年 | 847篇 |
2022年 | 981篇 |
2021年 | 1032篇 |
2020年 | 864篇 |
2019年 | 1015篇 |
2018年 | 397篇 |
2017年 | 823篇 |
2016年 | 1013篇 |
2015年 | 1015篇 |
2014年 | 1609篇 |
2013年 | 1580篇 |
2012年 | 1816篇 |
2011年 | 1814篇 |
2010年 | 1610篇 |
2009年 | 1786篇 |
2008年 | 1866篇 |
2007年 | 1428篇 |
2006年 | 1240篇 |
2005年 | 1171篇 |
2004年 | 825篇 |
2003年 | 911篇 |
2002年 | 574篇 |
2001年 | 505篇 |
2000年 | 345篇 |
1999年 | 236篇 |
1998年 | 265篇 |
1997年 | 246篇 |
1996年 | 204篇 |
1995年 | 229篇 |
1994年 | 170篇 |
1993年 | 184篇 |
1992年 | 152篇 |
1991年 | 177篇 |
1990年 | 138篇 |
1989年 | 130篇 |
1988年 | 13篇 |
1987年 | 10篇 |
1986年 | 4篇 |
1985年 | 2篇 |
1983年 | 2篇 |
1982年 | 2篇 |
1981年 | 3篇 |
1979年 | 1篇 |
1977年 | 1篇 |
1964年 | 1篇 |
1955年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 31 毫秒
991.
992.
993.
本章提出了一种基于概率神经网络(PNN)结合机器视觉的鸭蛋表面裂痕检测方法,配合背景光照法,结合灰度图像处理、图像高斯滤波处理、图像分割处理等算法去除图像杂质干扰,采用反锐化掩模局部对比度增强的分段增益改进算法来增强裂痕,收集裂痕、污点的相关信息作为数据集录入PNN神经网络,进行识别判断。本研究对1 600张鸭蛋图片样本进行采样分析,将鸭蛋分为好蛋、脏污蛋、裂纹蛋3种。试验表明,该系统对干净无损蛋、脏污无损蛋、裂纹蛋的检测准确率分别达到了95.1%、77.9%、95.3%,具有较好的泛化性和鲁棒性,符合复杂鸭蛋生产加工环境的应用需求。 相似文献
994.
饲料对奶牛生产尤为重要,约占生产总成本的60%~70%,通过降低饲料成本而又保持其质量,或者提高饲料质量而保持其成本不变,来提高饲料效率,将直接提高奶牛生产效率,以便利用最低成本生产出高质量日粮,来满足奶牛营养的需要。因此,通过饲料营养成分测定,确定奶牛的日粮至关重要,是低成本日粮配方成败与否的关键,可以说“保证原料的质量,也就保证了配合饲料质量的90%”。奶牛场(户)在奶牛生产过程中应重视饲料营养成分测定,选择权威的饲料分析机构,主要对奶牛的常用饲料如精饲料、羊草、苜蓿干草、青贮玉米、糟渣类、块根块茎类进行常规成分测… 相似文献
995.
为精确预测蝴蝶兰产量和对蝴蝶兰的生产进行科学管理,对大苗时期的蝴蝶兰植株花朵和花苞进行识别与检测,统计其花量。由于蝴蝶兰花苞目标体积较小,提出一种基于改进YOLOv5的蝴蝶兰花朵与花苞识别方法。首先,修改颈部网络的结构,在特征金字塔FPN(Feature Pyramid Network)和路径聚合网络PANet(Path Aggregation Network)中引入有利于小目标检测的160×160尺度特征层,以提升对小目标的检测效果;其次,使用K-means++聚类算法针对训练集生成更合适的先验框,并采用载入预训练权重和冻结主干网络的训练方式,以使模型更加容易学习,提高网络模型收敛速度和泛化能力;最后,在颈部网络加入轻量级注意力机制,加强对目标的关注,减少背景干扰,以提升模型的特征提取能力。试验结果显示,该算法对花苞的检测精确率达到89.54%,比改进前提升9.83%;对花苞和花朵的平均精确率达到91.81%,比改进前提升5.56%。该算法有优异的检测精度并有效提高对小目标的检测能力。 相似文献
996.
随着智慧农业技术和大田种植技术的不断发展,自动除草具有广阔的市场前景。关于除草剂自动喷洒的有效性,农田杂草的精准、快速地识别和定位是关键技术之一。基于此提出一种改进的YOLOv5算法实现农田杂草检测,该方法通过改进数据增强方式,提高模型泛化性;通过添加注意力机制,增强主干网络的特征提取能力;通过改进框回归损失函数,提升预测框的准确率。试验表明,在芝麻作物和多种杂草的复杂环境下,本文方法的检测平均精度均值mAP为90.6%,杂草的检测平均精度AP为90.2%,比YOLOv5s模型分别提高4.7%和2%。在本文试验环境下,单张图像检测时间为2.8 ms,可实现实时检测。该研究内容可以为农田智能除草设备提供参考。 相似文献
997.
伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。 相似文献
998.
999.
1000.
松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明:3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL... 相似文献