全文获取类型
收费全文 | 6354篇 |
免费 | 200篇 |
国内免费 | 198篇 |
专业分类
林业 | 265篇 |
农学 | 482篇 |
基础科学 | 214篇 |
369篇 | |
综合类 | 3007篇 |
农作物 | 2013篇 |
水产渔业 | 26篇 |
畜牧兽医 | 177篇 |
园艺 | 84篇 |
植物保护 | 115篇 |
出版年
2024年 | 33篇 |
2023年 | 95篇 |
2022年 | 209篇 |
2021年 | 359篇 |
2020年 | 289篇 |
2019年 | 264篇 |
2018年 | 156篇 |
2017年 | 235篇 |
2016年 | 332篇 |
2015年 | 285篇 |
2014年 | 442篇 |
2013年 | 371篇 |
2012年 | 549篇 |
2011年 | 513篇 |
2010年 | 414篇 |
2009年 | 377篇 |
2008年 | 314篇 |
2007年 | 282篇 |
2006年 | 238篇 |
2005年 | 163篇 |
2004年 | 125篇 |
2003年 | 89篇 |
2002年 | 76篇 |
2001年 | 87篇 |
2000年 | 59篇 |
1999年 | 61篇 |
1998年 | 49篇 |
1997年 | 36篇 |
1996年 | 31篇 |
1995年 | 37篇 |
1994年 | 19篇 |
1993年 | 39篇 |
1992年 | 50篇 |
1991年 | 23篇 |
1990年 | 20篇 |
1989年 | 10篇 |
1988年 | 10篇 |
1987年 | 7篇 |
1986年 | 2篇 |
1985年 | 1篇 |
1955年 | 1篇 |
排序方式: 共有6752条查询结果,搜索用时 15 毫秒
51.
茶叶抖筛机是茶叶精加工的关键装备,传统抖筛装备主要通过经验设计,筛分性能较差,主要表现在筛净率较低、误筛率较高。该研究结合抖筛机的筛分原理,运用solidworks构建虚拟样机,利用EDEM软件建立茶叶颗粒离散元仿真模型,通过单因素仿真试验对茶叶颗粒进行动力学分析,结果表明,连杆长度、曲柄半径和筛面倾角是茶叶抖筛机筛分性能的主要影响因素。以筛净率、误筛率为评价指标,设计三因素三水平二次旋转正交试验,并运用Design-Expert软件对试验数据进行回归分析,当连杆长度为1 977 mm、曲柄半径为25 mm、筛面倾角为2.8 °时,茶叶筛净率为94.5%、误筛率为4.61%,筛分性能最优。以最优结构参数进行验证试验,筛净率为93.8%,误筛率为4.73%,生产效率为319kg/h,较优化前筛净率提高3.42%,误筛率降低7.62%,生产效率提高8.87%。该研究结果可为茶叶筛分装备的优化提供理论依据。 相似文献
52.
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
53.
54.
55.
56.
57.
基于GF-1和Sentinel-2时序数据的茶园识别 总被引:1,自引:1,他引:0
由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。 相似文献
58.
59.
60.
为筛选高氨基酸和高茶氨酸茶树资源,探明贵州茶树资源氨基酸和茶氨酸特性,本研究分别利用分光光度法和高效液相色谱法测定115份贵州地方茶树资源春季一芽二叶生化样的氨基酸总量和茶氨酸含量。结果表明:115份茶树资源的氨基酸总量在0.95%~7.96%,平均值为3.40%;茶氨酸含量在0~3.80%,平均值为1.58%;茶氨酸占比在0~67.66%,且集中分布于40%~<60%。在这115份茶树资源中,发现特异高氨基酸(氨基酸总量≥5%)茶树资源11份、特异高茶氨酸(茶氨酸含量≥3%)茶树资源3份。不同地方的茶树资源,其氨基酸总量和茶氨酸含量存在较大差异,其中,贵定、黎平和石阡的茶树资源表现出较高的氨基酸总量和茶氨酸含量,而三都和普安的茶树资源氨基酸总量和茶氨酸含量显著(P<0.05)低于其他地方。来自三都的突肋茶(Camellia costata)资源表现出更原始的生化性状,均未检测出茶氨酸。聚类分析结果显示,115份茶树资源可分为5类,其中,石苔14号以远高于其他资源的氨基酸总量和茶氨酸含量单独分为一类。 相似文献