全文获取类型
收费全文 | 1314篇 |
免费 | 16篇 |
国内免费 | 65篇 |
专业分类
林业 | 36篇 |
农学 | 40篇 |
基础科学 | 73篇 |
48篇 | |
综合类 | 383篇 |
农作物 | 9篇 |
水产渔业 | 132篇 |
畜牧兽医 | 629篇 |
园艺 | 21篇 |
植物保护 | 24篇 |
出版年
2024年 | 11篇 |
2023年 | 39篇 |
2022年 | 31篇 |
2021年 | 35篇 |
2020年 | 35篇 |
2019年 | 40篇 |
2018年 | 12篇 |
2017年 | 17篇 |
2016年 | 23篇 |
2015年 | 29篇 |
2014年 | 58篇 |
2013年 | 75篇 |
2012年 | 120篇 |
2011年 | 111篇 |
2010年 | 70篇 |
2009年 | 71篇 |
2008年 | 93篇 |
2007年 | 65篇 |
2006年 | 63篇 |
2005年 | 54篇 |
2004年 | 28篇 |
2003年 | 35篇 |
2002年 | 20篇 |
2001年 | 30篇 |
2000年 | 29篇 |
1999年 | 19篇 |
1998年 | 21篇 |
1997年 | 12篇 |
1996年 | 18篇 |
1995年 | 22篇 |
1994年 | 37篇 |
1993年 | 7篇 |
1992年 | 8篇 |
1991年 | 10篇 |
1990年 | 11篇 |
1989年 | 12篇 |
1988年 | 6篇 |
1987年 | 3篇 |
1986年 | 2篇 |
1984年 | 1篇 |
1983年 | 1篇 |
1982年 | 2篇 |
1981年 | 3篇 |
1980年 | 4篇 |
1959年 | 1篇 |
1958年 | 1篇 |
排序方式: 共有1395条查询结果,搜索用时 15 毫秒
71.
72.
中子仪测定砂性土壤水分的标定与测试参数的界定分析 总被引:1,自引:0,他引:1
以科尔沁沙地6个砂性土壤试验点为研究对象,实施中子水分仪测试土壤水分的标定试验,采用点聚图筛选和三点平滑处理土壤体积含水率数据,选用线性标定和非线性标定2种形式,系统分析中子仪计数时间、中子管安装稳定时间以及降雨、灌水等提高土壤含水率的方法对标定结果的影响,以界定中子仪的测试参数,经模拟与验证,确定砂性土壤的中子仪标定方程。结果表明:砂性土壤0-30cm表土采用二项式标定效果相对较好;砂土土质对中子仪读数影响较小,两种不同含水率的土壤可以统一标定;中子管安装稳定时间至少需7d,尤以经历一、两场较大降雨后进行标定其试验误差较小;标定和测量实施过程中,中子仪计数时间宜选用64s,再适当加大计数时间也能得到较好结果;在较大降雨和干旱两种状态下,选用64s中子仪计数时间进行测量,可得到砂性土壤测量水分范围为1.01%~29.92%且精度较高的标定方程。验证结果表明,中子仪测量结果能反映实际土壤含水量的分布状况,标定方程精度可满足实际测试要求。 相似文献
73.
为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3%,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强。 相似文献
74.
利用数码相机获取棒材端面的图像,通过对图像格式转化、灰度化处理得到灰度图像,再进行平滑处理抑制噪声、锐化处理突出目标、选择合适的闻值转换为二值图像,然后进行形态学腐蚀操作去掉棒材之间的粘连,最终得到分割效果较好的图像,为后续棒材的计数奠定了基础。 相似文献
75.
76.
雾滴在靶标上常出现粘连的情况,为准确测量雾滴尺寸、掌握雾滴分布规律,需要判断雾滴是否粘连,并用图像处理技术将粘连雾滴分开。首先提出判断雾滴是否粘连的改进方法,该方法结合雾滴的形状因子和面积阈值对粘连雾滴进行判断和特征提取,并用极限腐蚀法和迭代开运算法对粘连雾滴进行计数处理,其次调用迭代开运算标记的分水岭算法分割,最后对分割后雾滴的连通域进行标记及形状圆整。试验结果表明:该方法可实现粘连雾滴的自动判断和特征提取,弱粘连准确率100%,强粘连可达97.2%以上。该算法获得的雾滴粒径参数与激光粒度仪试验测量结果接近,其尺寸测量准确度较Deposit Scan软件计算平均提高了7.67%。基于相同的样本,与人工计数标定结果对比表明,该方法获得的雾滴个数快速且精准度达97.06%以上。 相似文献
77.
在分析水轮发电机测频现状的基础上,讨论了基于高速计数模块(VHSC)的新型测频环节,并与常规测频环节进行了比较,得出新型测领环节较前者优越的结论。 相似文献
78.
79.
80.
针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因... 相似文献