全文获取类型
收费全文 | 1788篇 |
免费 | 88篇 |
国内免费 | 414篇 |
专业分类
林业 | 126篇 |
农学 | 141篇 |
基础科学 | 587篇 |
444篇 | |
综合类 | 715篇 |
农作物 | 72篇 |
水产渔业 | 41篇 |
畜牧兽医 | 98篇 |
园艺 | 28篇 |
植物保护 | 38篇 |
出版年
2024年 | 42篇 |
2023年 | 114篇 |
2022年 | 155篇 |
2021年 | 140篇 |
2020年 | 84篇 |
2019年 | 93篇 |
2018年 | 54篇 |
2017年 | 67篇 |
2016年 | 97篇 |
2015年 | 90篇 |
2014年 | 104篇 |
2013年 | 96篇 |
2012年 | 142篇 |
2011年 | 133篇 |
2010年 | 109篇 |
2009年 | 139篇 |
2008年 | 113篇 |
2007年 | 104篇 |
2006年 | 84篇 |
2005年 | 58篇 |
2004年 | 55篇 |
2003年 | 31篇 |
2002年 | 28篇 |
2001年 | 26篇 |
2000年 | 26篇 |
1999年 | 16篇 |
1998年 | 21篇 |
1997年 | 10篇 |
1996年 | 15篇 |
1995年 | 12篇 |
1994年 | 10篇 |
1993年 | 4篇 |
1992年 | 3篇 |
1991年 | 6篇 |
1990年 | 4篇 |
1989年 | 4篇 |
1956年 | 1篇 |
排序方式: 共有2290条查询结果,搜索用时 296 毫秒
51.
52.
53.
54.
通过接种青枯菌与非病原的大肠杆菌,对2个桉树无性系和1种非寄主树木的根表吸附菌量及根内含菌量进行测定.结果表明:青枯菌对感病寄主根表的吸附量多于对抗病寄主和非寄主根表的吸附量,对感病寄主根部的侵入量多于对抗病寄主但少于对非寄主根部的侵入量;病原菌较非病原菌对感病寄主根表的吸附量大,但二者对感病寄主根部的侵入量则依据根部伤口的有无而互有高低.青枯菌接种24 h内,感病寄主根表吸附菌量和根内含菌量呈上升趋势,在抗病寄主及非寄主根表的吸附菌量和根内含菌量却呈下降趋势.从统计学上看,青枯菌对寄主根部的吸附和侵入都显示出了一定的选择性,但由于病原细菌能够大量地吸附和侵入抗病寄主和非寄主根部,非病原细菌也能够大量地吸附和侵入桉树根部,因此这种选择性的生物学意义不大,青枯菌对桉树根表没有表现出明显的识别行为. 相似文献
55.
Knowledge of the occurrence of sound and dead knots on the surface of sugi is important for the classification and application of the material. This study examined a color vision system for detecting sound and dead knots on sugi. The system can be conceptually divided into three components: a CCD-camera scanning system, an image-segmenting module, and a rule-based defect identifying module. The results showed that the potential defect regions could be located by Otsus threshold algorithm in conjunction with t-test analysis. The accuracies of locating sound knots and dead knots were 92.6% and 97.1%, respectively. The rule-based approach was used to identify sound and dead knots and the identifying accuracies for sound knots and dead knots were 92.0% and 94.1%, respectively. The overall detection accuracy of the system was 87.6%. The results indicated that the rule-based color vision system is an efficient means of detecting sound knots and dead knots on sugi. 相似文献
56.
针对实际稻田环境中水稻与杂草相互遮挡、难以准确区分的问题,提出一种基于改进DeepLabv3+的水稻杂草识别方法。以无人机航拍的复杂背景下稻田杂草图像为研究对象,在DeepLabv3+模型的基础上,选择轻量级网络MobileNetv2作为主干特征提取网络,以减少模型参数量和降低计算复杂度;融合通道和空间双域注意力机制模块,加强模型对重要特征的关注;提出一种基于密集采样的多分支感受野级联融合结构对空洞空间金字塔池化模块(ASPP)进行改进,扩大对全局和局部元素特征的采样范围;对模型解码器部分进行改进。设置消融试验验证改进方法的有效性,并与改进前DeepLabv3+、UNet、PSPNet、HrNet模型进行对比试验。试验结果表明,改进后模型对水稻田间杂草的识别效果最佳,其平均交并比(MIoU)、平均像素准确率(mPA)、F1值分别为90.72%、95.67%、94.29%,较改进前模型分别提高3.22、1.25、2.65个百分点;改进后模型内存占用量为11.15 MB,约为原模型的1/19,网络推算速度为103.91 f/s。结果表明改进后模型能够实现复杂背景下水稻与杂草分割,研究结果可... 相似文献
57.
由“植物诊所”形成的电子病历为作物病害处方推荐提供了新的思路。如何高效地挖掘电子病历数据并辅助作物病害处方推荐,目前还是亟待解决的研究热点问题。在总结和整理现有国内外研究文献的基础上,对基于显微图像的作物病害病菌孢子识别、基于光谱的作物病害诊断、基于电子病历的作物病害处方推荐等作物病害诊断与处方推荐关键技术进行了系统分析与讨论。综述结果表明,围绕作物病害病菌侵染过程,以智能化处方推荐需求为导向,开展基于电子病历数据挖掘的作物病害处方推荐研究,将成为一个研究重点。针对作物病害处方推荐过程中,存在由于作物病害致病机理复杂、作物品种及病害种类多、病害病症动态变化且特征多等特点和难点,研究基于电子病历数据挖掘的作物病害致病机理解析、诊断推理、智能化处方推荐及其应用策略,将是研究的重大方向;探索基于知识图谱分析、大数据挖掘和机器学习算法推理等关键技术的作物病害电子病历数据挖掘分析研究,从区域宏观视角可视化解析作物病害致病机理及其与特征间的关联关系,面向实际应用场景实现基于诊断推理的单一作物病害处方推荐、基于语义匹配的多种作物多种病害处方推荐,具有更大的实际意义。 相似文献
58.
为实现非接触、高精度个体识别,本文提出了一种基于牛只脸部RGB-D信息融合的个体身份识别方法。以108头28~30月龄荷斯坦奶牛作为研究对象,利用Intel RealSense D455深度相机采集2334幅牛脸彩色/深度图像作为原始数据集。首先,采用冗余图像剔除方法和自适应阈值背景分离算法进行图像预处理,经增强共得到8344幅牛脸图像作为数据集;然后,分别选取Inception ResNet v1、Inception ResNet v2和SqueezeNet共3种特征提取网络进行奶牛脸部特征提取研究,通过对比分析,确定FaceNet模型的最优主干特征提取网络;最后,将提取的牛脸图像特征L2正则化,并映射至同一特征空间,训练分类器实现奶牛个体分类。测试结果表明,采用Inception ResNet v2作为FaceNet模型的主干网络特征提取效果最优,在经过背景分离数据预处理的数据集上测试牛脸识别准确率为98.6%,验证率为81.9%,误识率为0.10%。与Inception ResNet v1、SqueezeNet网络相比,准确率分别提高1、2.9个百分点;与未进行背景分离的数据集相比,准确率提高2.3个百分点。 相似文献
59.
【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络GoogLeNet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤秧和合格秧苗数据集;然后,基于GoogLeNet结构训练数据,得到最佳网络识别模型;最后,对单穴秧苗图像进行分类试验,并与传统图像分类算法(SVM、BP神经网络)进行对比。【结果】在相同样本的条件下,基于GoogLeNet的秧苗形态识别方法更快、更准确地完成了判断分类,秧苗形态识别的平均正确率为91.17%,平均耗时0.27 s;与SVM和BP神经网络相比,分类平均精度分别提高了21和13个百分点,检测时间分别缩短了1.09和0.58 s。【结论】本研究可为水稻插秧质量评价提供相关支持。 相似文献
60.
基于改进YOLO v3的自然场景下冬枣果实识别方法 总被引:4,自引:0,他引:4
为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。 相似文献