全文获取类型
收费全文 | 5726篇 |
免费 | 215篇 |
国内免费 | 683篇 |
专业分类
林业 | 551篇 |
农学 | 177篇 |
基础科学 | 1593篇 |
875篇 | |
综合类 | 2508篇 |
农作物 | 124篇 |
水产渔业 | 133篇 |
畜牧兽医 | 390篇 |
园艺 | 158篇 |
植物保护 | 115篇 |
出版年
2024年 | 159篇 |
2023年 | 394篇 |
2022年 | 479篇 |
2021年 | 448篇 |
2020年 | 341篇 |
2019年 | 298篇 |
2018年 | 173篇 |
2017年 | 211篇 |
2016年 | 282篇 |
2015年 | 277篇 |
2014年 | 375篇 |
2013年 | 320篇 |
2012年 | 355篇 |
2011年 | 325篇 |
2010年 | 288篇 |
2009年 | 272篇 |
2008年 | 299篇 |
2007年 | 275篇 |
2006年 | 193篇 |
2005年 | 164篇 |
2004年 | 142篇 |
2003年 | 114篇 |
2002年 | 71篇 |
2001年 | 74篇 |
2000年 | 48篇 |
1999年 | 27篇 |
1998年 | 23篇 |
1997年 | 14篇 |
1996年 | 21篇 |
1995年 | 28篇 |
1994年 | 24篇 |
1993年 | 13篇 |
1992年 | 9篇 |
1991年 | 11篇 |
1990年 | 9篇 |
1989年 | 11篇 |
1988年 | 8篇 |
1987年 | 6篇 |
1986年 | 4篇 |
1985年 | 2篇 |
1984年 | 2篇 |
1983年 | 4篇 |
1982年 | 5篇 |
1976年 | 1篇 |
1973年 | 1篇 |
1965年 | 3篇 |
1958年 | 1篇 |
1957年 | 12篇 |
1955年 | 1篇 |
1953年 | 5篇 |
排序方式: 共有6624条查询结果,搜索用时 171 毫秒
1.
针对雾霾天气下无人车行驶容易出现视野受限,导致防碰撞能力下降的问题,提出了一种基于VGGNet网络的深度卷积神经网络模型,通过反向传播算法不断调整模型的权重和偏置,对收集雾霾天气下的图像和相关数据进行处理,实现模型的训练和优化。实验结果表明,所提出的方法可以有效地提高无人车在雾霾天气下的防碰撞能力,达到了良好的效果。研究结果可以为无人车行业在特殊气候条件下的防碰撞提供了一种新思路和实现方法,具有一定的参考价值和应用前景。 相似文献
2.
3.
近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。 相似文献
4.
植物根系表型信息获取技术研究进展 总被引:1,自引:0,他引:1
人口数量增长和全球气候变化加剧了粮食安全供给压力,育种学家亟需培育高产、高效作物品种以满足日益增长的粮食消费需求.基于根性状的品种培育改良可有效提高作物水分、养分利用率,但根系表型观测的困难性极大地限制了育种进程.随着自动化控制、成像和传感器以及图像解译技术的发展,高通量根表型信息系统性收集已成为可能.本文综述了一系列适用于室内或田间的非破坏性或破坏性根系二维或三维结构测定技术;系统阐述了主流的根表型参数提取图像分析技术和软件;探讨了基于根表型平台的根性状筛选应用于新品种培育的成功案例,并对高通量根表型平台的进一步研发进行了展望. 相似文献
5.
面向养殖水体,传统光谱法对化学需氧量(Chemical Oxygen Demand,COD)检测模型构建的基础:源域(现有样本库)与目标域(检测地水体)间光谱数据独立同分布。但是当源域与目标域分布间存在差异时,由源域得到的低误差模型常在目标域上表现下滑。针对该问题,提出面向UV Vis光谱的域对抗训练网络(DAUVwpNet),将分布不同的源域和目标域数据映射至相同分布的特征空间中,使其在该空间的分布距离尽可能接近,从而在特征空间中对源域训练的目标函数也可以迁移至目标域上,以降低模型在目标域的误差。试验表明:面向同一批测试数据,DAUVwpNet的预测误差为0.78,要低于传统模型的预测误差(0.85);DAUVwpNet预测值与实测值间相关系数为0.95,要高于传统模型的相关系数(0.89)。表明了该网络能够较好对齐两域特征空间数据分布,降低因分布差异带来的COD检测误差。 相似文献
6.
7.
9.
渗碳层深度应按零件的具体尺寸及工作条件而定。如齿轮的渗碳层深度是根据齿轮的工作特点和模数大小等因素来确定的。零件渗碳层太薄易引起表面疲劳剥落。太厚则受不起冲击负荷。下表中推荐汽车拖拉机不同模数齿轮渗碳层的深度范围。 相似文献