全文获取类型
收费全文 | 1636篇 |
免费 | 110篇 |
国内免费 | 268篇 |
专业分类
林业 | 63篇 |
农学 | 79篇 |
基础科学 | 354篇 |
391篇 | |
综合类 | 789篇 |
农作物 | 74篇 |
水产渔业 | 50篇 |
畜牧兽医 | 119篇 |
园艺 | 24篇 |
植物保护 | 71篇 |
出版年
2024年 | 49篇 |
2023年 | 140篇 |
2022年 | 175篇 |
2021年 | 163篇 |
2020年 | 125篇 |
2019年 | 121篇 |
2018年 | 62篇 |
2017年 | 59篇 |
2016年 | 61篇 |
2015年 | 53篇 |
2014年 | 74篇 |
2013年 | 77篇 |
2012年 | 125篇 |
2011年 | 123篇 |
2010年 | 83篇 |
2009年 | 88篇 |
2008年 | 64篇 |
2007年 | 73篇 |
2006年 | 58篇 |
2005年 | 52篇 |
2004年 | 43篇 |
2003年 | 18篇 |
2002年 | 25篇 |
2001年 | 14篇 |
2000年 | 17篇 |
1999年 | 8篇 |
1998年 | 9篇 |
1997年 | 11篇 |
1996年 | 6篇 |
1995年 | 6篇 |
1994年 | 3篇 |
1993年 | 4篇 |
1992年 | 3篇 |
1991年 | 5篇 |
1990年 | 3篇 |
1989年 | 2篇 |
1988年 | 2篇 |
1987年 | 2篇 |
1986年 | 2篇 |
1976年 | 5篇 |
1962年 | 1篇 |
排序方式: 共有2014条查询结果,搜索用时 31 毫秒
91.
小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度(mAP)为93.7%,单张图片的检测速度为52帧·s-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。 相似文献
92.
93.
以毛乌素沙地覆盖度>90%的油蒿、50%~60%的沙柳、35%~40%的樟子松固定沙丘为研究对象,流动沙丘为对照,采用自动监测系统实时监测降雨、0~200 cm土壤含水量及200 cm以下渗漏量,分析5—11月不同固沙植被下沙丘土壤水分动态差异,以期为固沙植被稳定性评价提供参考。结果表明:较低覆盖度樟子松与高盖度油蒿、沙柳相比更具固沙优势。3种固沙植被表层0~30 cm土壤水分受降雨影响大,对>20 mm降雨均产生响应;60~200 cm土壤水分时间变化特征存在差异,樟子松与对照变化趋势一致,油蒿和沙柳仅对40 mm降雨产生响应;0~200 cm土壤水分垂直变化没有相同规律,变异性较大,樟子松变幅最大,为(5.03±3.09)%;深层渗漏特征基本一致,均有极少量水分渗漏到200 cm以下。 相似文献
94.
基于深度学习的病虫害智能化识别系统 总被引:2,自引:0,他引:2
我国农作物种植覆盖面广、分散度高,病虫害发生种类多、区域性发生规律复杂,传统的人工鉴定技术从效率、能力与精度方面均难以满足新形势下重大病虫测报要求。针对这一实践需求,以测报灯下害虫图像数据库(约18万张)、田间病虫害图像数据库(约32万张)为基础,构建了基于深度学习方法的病虫害种类特征自动学习、特征融合、识别和位置回归计算框架,并研发了移动式病虫害智能化感知设备和自动识别系统。通过近2年的精确度和实操运行效率检验,该系统在自然状态下对16种灯下常见害虫的识别率为66%~90%,对38种田间常见病虫害(症状)的识别率为50%~90%。随基础数据库的不断丰富、神经网络深层特征提取的不断完善,该系统有望进一步提高识别准确率,从而真正实现田间病虫害识别自动化、智能化和高效率。 相似文献
95.
96.
Gene cloning of ZmMYB59 transcription factor in maize and its expression during seed germination in response to deep‐sowing and exogenous hormones
下载免费PDF全文
![点击此处可从《Plant Breeding》网站下载免费的PDF全文](/ch/ext_images/free.gif)
Discovering the key genes responsible for deep‐sowing germination is very meaningful to cultivate maize varieties with strong germination ability in soil. In this study, ZmMYB59 gene whose functions remain unknown was successfully cloned. Subcellular localization showed that ZmMYB59 was localized in the nucleus. By analysing cis‐acting elements of its promoter sequence, many elements of MYB binding domain responsive to hormones (particularly gibberellin, GA) were found. On this basis, ZmMYB59 expression in different sowing depths, germination stages, tissues and treatments was analysed by real‐time PCR. ZmMYB59 expression levels in embryos or seedlings were significantly decreased with the increase in sowing depth at 2 days or 4 days after sowing (DAS). Further analysis showed that its expression in mesocotyls was also significantly downregulated with the increase in sowing depth at both 6 DAS and 8 DAS. Similarly, seed soaking with 10‐5 M GA3 inhibited ZmMYB59 expression in mesocotyls at 3 DAS. These results suggest that ZmMYB59 may play a negative regulatory role in seed germination in deep soil and the regulation is involved in GA signalling pathway. 相似文献
97.
指出了深度学习方法在医学图像分割中取得较大的进展,但医学图像处理的复杂性使得全自动分割方法难以取得较好的分割效果。在卷积网络分割的基础上,结合应用场景使用适当的后处理手段来提升图像的分割效果是一种比较有临床意义的研究方法。主要研究了基于概率图的全连接条件随机场模型和基于用户交互的深度编辑网络,并分析总结了这两种方法的实现原理和各自优势,并对未来的研究工作进行了一些展望。 相似文献
98.
99.
小浆果因具有较高的营养价值和保健作用深受人们喜爱,被国际市场誉为第3代水果。随着市场需求量的增加,林业小浆果的智能采摘与分选成为一种新的趋势。目前,由于现有技术自动化和智能化程度不高,导致大量人力、物力的投入。深度学习方法的飞速发展促进了检测技术的精确作业和检测精度的提高。文中概述了深度学习的发展进程,通过总结国内外关于深度学习方法在小浆果采摘与分选中的应用,提出深度学习方法在实际应用过程中存在的问题及解决措施,并展望深度学习方法在小浆果智能采摘与分选检测方面的发展趋势。 相似文献
100.
基于SDAE-BP的联合收割机作业故障监测 总被引:1,自引:0,他引:1
为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder, SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode, DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。 相似文献