全文获取类型
收费全文 | 590篇 |
免费 | 12篇 |
国内免费 | 19篇 |
专业分类
林业 | 73篇 |
农学 | 55篇 |
基础科学 | 4篇 |
18篇 | |
综合类 | 317篇 |
农作物 | 28篇 |
水产渔业 | 2篇 |
畜牧兽医 | 16篇 |
园艺 | 99篇 |
植物保护 | 9篇 |
出版年
2024年 | 1篇 |
2023年 | 2篇 |
2022年 | 6篇 |
2021年 | 5篇 |
2020年 | 9篇 |
2019年 | 10篇 |
2018年 | 7篇 |
2017年 | 17篇 |
2016年 | 17篇 |
2015年 | 19篇 |
2014年 | 36篇 |
2013年 | 22篇 |
2012年 | 48篇 |
2011年 | 60篇 |
2010年 | 51篇 |
2009年 | 46篇 |
2008年 | 43篇 |
2007年 | 42篇 |
2006年 | 31篇 |
2005年 | 34篇 |
2004年 | 22篇 |
2003年 | 9篇 |
2002年 | 8篇 |
2001年 | 4篇 |
2000年 | 7篇 |
1999年 | 13篇 |
1998年 | 8篇 |
1997年 | 2篇 |
1996年 | 4篇 |
1995年 | 10篇 |
1994年 | 7篇 |
1993年 | 4篇 |
1992年 | 1篇 |
1991年 | 3篇 |
1989年 | 1篇 |
1988年 | 2篇 |
1987年 | 1篇 |
1986年 | 3篇 |
1985年 | 1篇 |
1984年 | 1篇 |
1983年 | 1篇 |
1982年 | 1篇 |
1980年 | 1篇 |
1977年 | 1篇 |
排序方式: 共有621条查询结果,搜索用时 31 毫秒
621.
精准检测茶叶嫩芽是茶叶机械智能采摘的重要前提。针对茶叶大小不一、遮挡造成的小尺度嫩芽特征显著性弱、漏检率高等问题,提出一种基于改进YOLOv4-tiny的茶叶嫩芽检测模型。该模型在颈部网络添加52×52的浅层特征层以提高YOLOv4-tiny网络对小目标嫩芽的关注度,通过引入卷积块注意力机制(Convolutional block attention module,CBAM)以抑制背景噪声,提高嫩芽特征的显著性,采用双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)以融合不同尺度的特征信息,从而提出一个高性能轻量化的茶叶嫩芽检测模型YOLOv4-tiny-Tea。对同一训练集与测试集进行模型训练与性能测试,结果表明YOLOv4-tiny-Tea模型检测精确率和召回率分别为97.77%和95.23%,相比改进之前分别提高了5.58个百分点和23.14个百分点。消融试验验证了网络结构改进对不同尺度嫩芽检测的有效性,并将改进后的YOLOv4-tiny-Tea模型与3种YOLO系列算法进行对比,发现改进后的YOLOv4-tiny-Tea模型F1值比YOLOv3、YOLOv4、YOLOv5l模型分别提高了12.11、11.66和6.76个百分点,参数量仅为3种网络模型的13.57%、13.06%和35.05%。试验结果表明,YOLOv4-tiny-Tea模型能有效提高不同尺度下嫩芽检测的精确率,大幅度减少小尺寸或遮挡嫩芽的漏检情况,在保持轻量化计算成本的基础上获得较为明显的检测精度,能够满足农业机器人的实时检测和嵌入式开发的需求,可以为茶叶嫩芽智能采摘方法提供参考。 相似文献