全文获取类型
收费全文 | 11073篇 |
免费 | 482篇 |
国内免费 | 1288篇 |
专业分类
林业 | 469篇 |
农学 | 1027篇 |
基础科学 | 774篇 |
981篇 | |
综合类 | 4217篇 |
农作物 | 615篇 |
水产渔业 | 781篇 |
畜牧兽医 | 2487篇 |
园艺 | 459篇 |
植物保护 | 1033篇 |
出版年
2024年 | 113篇 |
2023年 | 299篇 |
2022年 | 406篇 |
2021年 | 488篇 |
2020年 | 370篇 |
2019年 | 432篇 |
2018年 | 256篇 |
2017年 | 410篇 |
2016年 | 582篇 |
2015年 | 435篇 |
2014年 | 558篇 |
2013年 | 527篇 |
2012年 | 798篇 |
2011年 | 888篇 |
2010年 | 747篇 |
2009年 | 729篇 |
2008年 | 675篇 |
2007年 | 724篇 |
2006年 | 624篇 |
2005年 | 489篇 |
2004年 | 395篇 |
2003年 | 345篇 |
2002年 | 263篇 |
2001年 | 205篇 |
2000年 | 202篇 |
1999年 | 154篇 |
1998年 | 112篇 |
1997年 | 116篇 |
1996年 | 84篇 |
1995年 | 97篇 |
1994年 | 70篇 |
1993年 | 40篇 |
1992年 | 54篇 |
1991年 | 51篇 |
1990年 | 26篇 |
1989年 | 27篇 |
1988年 | 13篇 |
1987年 | 17篇 |
1986年 | 3篇 |
1985年 | 2篇 |
1984年 | 1篇 |
1983年 | 1篇 |
1982年 | 1篇 |
1981年 | 3篇 |
1980年 | 1篇 |
1976年 | 1篇 |
1962年 | 1篇 |
1956年 | 4篇 |
1955年 | 4篇 |
排序方式: 共有10000条查询结果,搜索用时 10 毫秒
91.
92.
93.
研发水体中酰胺类农药残留简便快捷的检测技术,对评估农药造成的水体污染和提出相应的治理对策具有重要意义。以共掺杂镧系金属离子 (Eu3+ 和Tb3+) 作为配位金属离子,分别利用水热法和微波法制备了镧系金属有机框架材料 (lanthanide metal-organic frameworks, Ln-MOF),对其结构和性质进行了表征,并采用所制备的Ln-MOF对水体中残留的5种常见酰胺类除草剂 (乙草胺、异丙草胺、丙草胺、敌草胺和异丙甲草胺) 进行了定性和定量分析。结果表明:与水热法相比,采用微波法制备的Ln-MOF样品呈蓬松的簇状、结晶度好,且具有更高的发光效率,故选择微波法制备Ln-MOF。农药残留检测试验结果表明,不同除草剂对Tb3+和Eu3+的发光会产生差别性猝灭,并使整体发射光发生变化,进而实现水体中农药的可视化检测。进一步研究发现,荧光强度比值I (Tb3+)/I (Eu3+) 与丙草胺浓度在0.1~1 mmoL/L范围时呈线性相关,线性相关系数R2 = 0.998,检测限 (LOD) 为0.08 mmoL/L。另外,该材料对于用湖水配制的除草剂溶液也具有一定的定性检测能力。本研究结果展现了Ln-MOF用于水体中酰胺类除草剂的定性、定量分析具有良好应用前景。 相似文献
94.
为了提高农药检测的准确率,试验选择气相色谱(7890A、1310)与气相串联质谱(GCMS-MS)3种不同仪器,结球白菜、结球甘蓝、黄瓜、辣椒4种蔬菜样品及其基质标准溶液和正己烷溶剂标准溶液,对4种不同蔬菜中分别添加腐霉利、甲氰菊酯、氯氰菊酯、溴氰菊酯4种农药并进行回收校正,比较不同的校正溶液、不同仪器以及不同的样品类型对蔬菜农药残留检测中的基质效应的影响。结果显示:按不同基质标准溶液和溶剂标准溶液校正的检测结果分类,不同蔬菜、不同的标准校正溶液对于农药残留检测中的基质效应表现出多样性和复杂性的特点。但采用与本底一致的基质标准溶液校正样品可有效消除基质效应。按不同仪器检测结果分类,气相色谱(7890A、1310)与气相串联质谱(GC-MS-MS)基质效应的影响存在一定的差异,GC-MS-MS存在较为明显的基质增强效应;而同类仪器(7890A、1310)之间基质效应的影响较小。 相似文献
95.
研究了6个鸡腿菇菌株的序列相关扩增多态性(SRAP)。结果表明,不同菌株间存在着丰富的遗传多样性,SRAP扩增指纹能有效分辨不同菌株的基因型。聚类分析表明,供试菌株在0.877的相似水平上可分为三大类:第一大类包括CC170、CC180和CC33;第二大类包括鸡腿菇和CC168;第三大类仅CC224。为鸡腿菇菌株鉴定和遗传研究提供了新的DNA分子标记技术手段。 相似文献
96.
针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP0.5值为96.9%,召回率为91.7%,交并比阈值为0.5~0.95的平均精度均值mAP0.5~0.95值为85.8%,模型大小为5.8MB,参数量为2.87M。与原模型YOLOv8n相比,mAP0.5值、召回率、mAP0.5~0.95值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。 相似文献
97.
针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,mAP)、F1得分(F1 score,F1)分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。 相似文献
98.
为了给变温干燥工艺提供新的技术支持,实现基于含水率变化的干燥温度自适应控制,该研究设计了具有物料含水率在线检测功能的温度自适应控制系统。采用卷积神经网络建立了以质量检测值、气流冲击速度、称重传感器弹性基体温度、气流冲击距离为输入,物料真实质量为输出的含水率在线检测模型。进行了含水率在线检测模型验证试验。结果表明,该模型满足变温干燥工艺中含水率在线检测的精度要求,5组含水率在线检测模型验证试验的决定系数R2和均方根误差RMSE依次为0.9934 和1.20%。该文设计了改进神经网络-PID(improved neural network-PID,INN-PID)控制器来实现变温干燥工艺中的温度控制。在MATLAB软件中以单位阶跃信号为输入对PID、神经网络-PID(neural network-PID,NN-PID)和INN-PID控制器的动态性能进行仿真。对3种控制器分别进行了50~55 ℃的干燥温度控制试验。结果表明,在仿真试验中,INN-PID控制器的控制稳定性和调节时间均显著优于另外两种控制器;干燥温度控制试验结果与仿真结果存在近似相同的规律,INN-PID控制器的峰值时间是208.00 s,调节时间是120.59 s,最大超调量是4.87 %,满足变温干燥过程中温度控制的要求。该研究在气体射流冲击干燥机中搭建了温度自适应控制系统,进行了基于含水率变化的温度自适应控制试验。结果表明,该系统可以对基于含水率变化的变温干燥工艺中的干燥温度进行快速且有效的调节。该研究对提高干燥设备的自动化水平以及开发新的变温干燥工艺具有重要意义,对其他领域的多信息融合检测和控制策略研究提供参考。 相似文献
99.
针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW。对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。 相似文献
100.
为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型:YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络(extended-efficient long-range attention networks, E-ELAN)进行改进,通过融合兼具卷积和注意力机制优势的ACmix(a mixed model that enjoys the benefit of both self-attention and convolution)结构得到AC-E-ELAN模块,提升模型的学习和推理能力,引入可变形卷积(deformable convolutional networks version 2, DCNv2)结构得到DCNv2-E-ELAN模块,增强模型对不同尺寸目标的提取能力;其次,采用内容感知特征重组(content-aware reassembly of features, CARAFE)上采样模块,提高模型对重要特征的提取能力;然后,在主干和头部网络部分添加全局注意力机制(global-attention mechanism, GAM),强化特征中的语义信息和位置信息,提高模型特征融合能力;最后,采用WIoU(wise intersection over union)损失函数减少因正负样本数据不平衡造成的干扰,增强模型的泛化性。在公开数据集上的试验结果表明,YOLOv7-ACGDmix模型的精确率达到89.1%,召回率达到89.0%,平均精度均值(mean average precision, mAP)达到95.1%,F1-score达到89.0%,相比于原YOLOv7模型分别提高1.8、4.0、2.3和3.0个百分点。与Faster R-CNN、SSD、YOLOv8模型相比,改进模型的平均精度均值(mAP0.5)分别提高了9.8、2.2、0.7个百分点。实地采集杨梅树样本数据的检测精确率87.3%、召回率85.7%。试验表明,改进模型为基于无人机影像的杨梅树单木检测提供了一种有效的解决方案,对果园精准管理的发展具有重要意义。 相似文献