全文获取类型
收费全文 | 1134篇 |
免费 | 16篇 |
国内免费 | 24篇 |
专业分类
林业 | 108篇 |
农学 | 17篇 |
基础科学 | 30篇 |
7篇 | |
综合类 | 241篇 |
农作物 | 7篇 |
水产渔业 | 50篇 |
畜牧兽医 | 665篇 |
园艺 | 29篇 |
植物保护 | 20篇 |
出版年
2023年 | 13篇 |
2022年 | 18篇 |
2021年 | 30篇 |
2020年 | 23篇 |
2019年 | 32篇 |
2018年 | 12篇 |
2017年 | 17篇 |
2016年 | 23篇 |
2015年 | 52篇 |
2014年 | 95篇 |
2013年 | 65篇 |
2012年 | 74篇 |
2011年 | 75篇 |
2010年 | 57篇 |
2009年 | 64篇 |
2008年 | 67篇 |
2007年 | 38篇 |
2006年 | 62篇 |
2005年 | 59篇 |
2004年 | 46篇 |
2003年 | 45篇 |
2002年 | 30篇 |
2001年 | 25篇 |
2000年 | 39篇 |
1999年 | 12篇 |
1998年 | 6篇 |
1997年 | 18篇 |
1996年 | 7篇 |
1995年 | 17篇 |
1994年 | 10篇 |
1993年 | 4篇 |
1992年 | 7篇 |
1991年 | 10篇 |
1990年 | 5篇 |
1989年 | 7篇 |
1988年 | 1篇 |
1986年 | 1篇 |
1985年 | 1篇 |
1983年 | 1篇 |
1982年 | 1篇 |
1976年 | 1篇 |
1973年 | 2篇 |
1965年 | 1篇 |
1952年 | 1篇 |
排序方式: 共有1174条查询结果,搜索用时 15 毫秒
71.
【目的】基于计算机视觉技术建立水稻考种中谷粒计数与粒径的检测方法,节省考种人力成本,提升效率,有利于数字化育种体系建立。【方法】通过对比基于 YOLOv5l 骨架结构的水平框目标检测策略与基于 ResNet101 和 DarkNet53 骨架结构的旋转框检测策略,同时比较旋转框检测策略预测的水稻谷粒长宽比值与实际测量值之间的差异,验证该方法的可行性。【结果】旋转框的目标检测模型计算得到的水稻谷粒长宽比与实测值无显著差异,两者的均方根误差为 0.91~2.29;而水平框的目标检测模型计算的长宽比显著小于实测值,且均方根误差值(9.38~9.45)比旋转框的目标检测模型更大。基于水平框的目标检测策略与基于旋转框的检测策略在谷粒计数的精度几乎相当,但水平框检测模型无法实现水稻谷粒长宽比的准确计算,而使用旋转框的目标检测策略能够较为准确计算谷粒长宽比。【结论】基于解耦旋转锚框匹配策略可对水稻谷粒进行准确计数,相比传统水平框的目标检测策略,可降低检测中的背景噪声和密集堆积物体的漏检情况,同时快速准确计算水稻谷粒长宽比。该方法可以进一步应用到水稻品种识别中的谷粒长短和大小的计算,以及种子质量检测及品种鉴定等数字化育种场景中。 相似文献
72.
73.
2014年10月15日,雀巢奶牛养殖培训中心在黑龙江省双城落成。奶业相关管理部门、行业协会、培训中心合作伙伴的领导,奶农代表,以及媒体代表出席了落成典礼。 相似文献
74.
75.
76.
<正>巢蜜是一种新型蜜种,许多蜂农不仅没有生产过,而且连见都没有见过,看来似乎很神秘,其实和生产普通蜂蜜程序差不多,不同之处就是"巢蜜"是成熟蜜,而平常数天一取的是非成熟蜜。巢蜜,在我国问世不久,可以说是新蜜种,与此有关的资料比较贫乏,蜂农一时无法下手生产。笔者近些年来专门从事巢蜜生产研究,亲自带蜂群到东北三省和新 相似文献
77.
78.
<正>笔者出生在祖国的西北大漠,家乡满眼绿色的地方是那样的稀少,有绿时节也很短暂,对依靠蜜源植物承载的养蜂,我更是一无所知。自从到海南省海口市工作后,环顾周围的四季碧绿,种类多样的丰富植被,让人心旷神怡!原来喜欢森林与植被,竟然是人类的天性。而在城市里养蜂对很多人而言,还如同美丽的传说时,在我这里却已成了真实事。从见蜂就躲的小女生,到经历了6年与蜜蜂共处的城市养蜂,我已发自内心的喜爱上了这种小精灵。并由此认识到判 相似文献
79.
80.
基于改进YOLOv4模型的全景图像苹果识别 总被引:3,自引:3,他引:0
苹果果园由于密植栽培模式,果树之间相互遮挡,导致苹果果实识别效果差,并且普通的图像采集方式存在图像中果实重复采集的问题,使得果实计数不准确。针对此类问题,该研究采用全景拍摄的方式采集苹果果树图像,并提出了一种基于改进YOLOv4和基于阈值的边界框匹配合并算法的全景图像苹果识别方法。首先在YOLOv4主干特征提取网络的Resblock模块中加入scSE注意力机制,将PANet模块中的部分卷积替换为深度可分离卷积,且增加深度可分离卷积的输出通道数,以增强特征提取能力,降低模型参数量与计算量。将全景图像分割为子图像,采用改进的YOLOv4模型进行识别,通过对比Faster R-CNN、CenterNet、YOLOv4系列算法和YOLOv5系列算法等不同网络模型对全景图像的苹果识别效果,改进后的YOLOv4网络模型精确率达到96.19%,召回率达到了95.47%,平均精度AP值达到97.27%,比原YOLOv4模型分别提高了1.07、2.59、2.02个百分点。采用基于阈值的边界框匹配合并算法,将识别后子图像的边界框进行匹配与合并,实现全景图像的识别,合并后的结果其精确率达到96.17%,召回率达到95.63%,F1分数达到0.96,平均精度AP值达到95.06%,高于直接对全景图像苹果进行识别的各评价指标。该方法对自然条件下全景图像的苹果识别具有较好的识别效果。 相似文献