Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
1419 публикаций
Поиск: 463 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 95 с найденным полным текстом
Assessing forest loss from snow and ice storms is vital for disaster evaluation and sustainable management. Traditional optical remote sensing methods, which focus on horizontal canopy changes, struggle to capture vertical stand alterations caused by snow and ice storms. This study introduces the LiDAR Forest Structure Change Index (LFSCI), a novel index that employs bitemporal unmanned aerial vehicle (UAV) LiDAR point data to comprehensively evaluate changes in the vertical distribution of forest stands. Following ice storms in Shizishan, Wuhan, China in early 2024, research was conducted to
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Noninvasive analysis of pod phenotypic traits under field conditions is crucial for soybean breeding research. However, previous pod phenotyping studies focused on postharvest materials or were limited to indoor scenarios, failing to generalize to real-field environments. To address these issues, this paper employs an instance segmentation approach for the precise extraction of the pod area from multiplant RGB images in preharvest soybean fields. We first introduce a cost-effective workflow for constructing datasets of densely planted crop images with a uniform backdrop. Starting with video re
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The growth of the global population has increased the demand for fruits and vegetables, while high harvesting labor costs severely constrain industry development. Currently, relevant personnel primarily utilize 2D object detection technology to facilitate automated harvesting, aiming to reduce labor costs. However, 2D detection technology is limited to providing planar information and cannot meet the requirements of scenarios that need 3D spatial data, whereas 3D object detection technology can effectively address these needs, including point cloud-based methods and monocular-based methods. Si
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Monitoring and managing maize seedlings post-planting is essential for ensuring yield and quality. Unmanned aerial vehicle (UAV) remote sensing technology has been widely integrated for non-destructive detection of maize seedlings. However, significant challenges remain in maize seedling monitoring, such as relatively late monitoring periods, high data annotation costs, and lack of geolocation feedback for missing seedlings. To tackle these issues, this study focused on maize seedlings up to and including the second vegetative leaf (V2) stage. Firstly, the detection performance of both seedlin
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Weed management plays a crucial role in increasing crop yields. Semantic segmentation, which classifies each pixel in an image captured by a camera into categories such as crops, weeds, and background, is a widely used method in this context. However, conventional semantic segmentation methods rely solely on pixel information within the camera's field of view (FOV), hindering their ability to detect weeds outside the visible area. This limitation can lead to incomplete weed removal and inefficient herbicide application. Incorporating information beyond the FOV in crop and weed segmentation is
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Computer vision is increasingly used in farmers' fields and agricultural experiments to quantify important traits. Imaging setups with a sub-millimeter ground sampling distance enable the detection and tracking of plant features, including size, shape, and colour. Although today's AI-driven foundation models segment almost any object in an image, they still fail for complex plant canopies. To improve model performance, the global wheat dataset consortium assembled a diverse set of images from experiments around the globe. After the head detection dataset (GWHD), the new dataset targets a full
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Advanced plant phenotyping technologies are vital for trait improvement and accelerating intelligent breeding. Due to the species diversity of plants, existing methods heavily rely on large-scale high-precision manually annotated data. For self-occluded objects at the grain level, unsupervised methods often prove ineffective. This study proposes IPENS, an interactive unsupervised multi-target point cloud extraction method. It utilizes radiance field information to lift 2D masks, segmented by SAM2 (Segment Anything Model 2), into 3D space for target point cloud extraction. A multi-target collab
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Rubber products have become an important strategic resource in the global economy. However, individual rubber tree segmentation in plantation environments remains challenging due to canopy background interference and significant morphological variations among trees. To address these issues, we propose a high-precision segmentation network,TM-WSNet (Spatial Geometry Enhanced Hybrid Feature Extraction Module-Wavelet Grid Feature Fusion Encoder Segmentation Network). First, we introduce SGTramba, a hybrid feature extraction module combining Grouped Transformer and Mamba architectures, designed to
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate segmentation of areas affected by pests and diseases is essential for precisely assessing the severity and spread of infections, thereby facilitating the development of effective management and intervention strategies. Obtaining high-quality pixel-level annotations for training deep learning models in agricultural environments poses considerable challenges. To overcome this limitation, the present work introduces a novel semantic segmentation approach (SegPPD-FS) that employs few-shot learning techniques to reduce annotation demands while effectively segmenting plant pests and disease
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Manual assessment of toxic fungal infection levels in crop seeds is important for developing antifungal-resistant cultivars, yet it has long been recognized as health-risking and inherently subjective. This study presents an edge computing-based computer vision approach for high-throughput on-site assessment and quantification of Aspergillus flavus infection in crop seeds. The edge computing-based computer vision approach, termed Edge CV, was developed using the Jetson Nano, embedded cameras, and deployed with the proposed Edge CV model to enable intelligent evaluation with constrained computi
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Plant counting functions as a central role in the quantification system of plant phenotyping. Over the years, the field has evolved through successive technological paradigms, and its modern form has been strongly influenced by advances in visual counting from computer vision. In this review, we synthesize the historical origins of plant counting, assess its current fragmented landscape, and outline a roadmap toward standardized, universal plant counting systems. We propose a coherent conceptual framework- the four-level hierarchy of plant counting, which characterizes the environment, platfor
СтатьяОбзорПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The number of petals in an inflorescence is an important phenotypic indicator for quality evaluation and cultivar identification of cut chrysanthemums (Chrysanthemum morifolium Ramat.). Current manual measurement methods are time-consuming, error-prone, and poorly suited to the complex geometry of chrysanthemum flowers, which limits their utility for large-scale phenotyping and breeding programs. Although image-based phenotyping has advanced rapidly, automated and reliable methods for petal counting in densely packed or partially obscured inflorescences remain underdeveloped. Here, we develope
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Arabidopsis thaliana leaf development was tracked dynamically from high-throughput phenotyping image series using the SAM-2 deep learning model, enabling automated segmentation and tracking of individual leaves across hundreds of plants from different accessions grown under different water and nitrogen conditions. From these time series, leaf-level growth dynamics were reconstructed and used to calculate key developmental traits, including phyllochron and relative expansion rates. These measurements were further integrated into the GreenLab model to infer plant-scale parameters such as radiati
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Soil salinization threatens global agriculture, and seed germination is especially salt-sensitive. Although seed imbibition is a critical early phase, salt responses during this stage remain poorly understood. Reliance on final morphological traits limits nondestructive early phenotyping, thereby hindering efficient screening and mechanistic insight. To overcome this limitation, we integrated continuous physiological measurements with hyperspectral data to model dynamic responses of key indicators and further leveraged hyperspectral-derived traits for early prediction and genetic dissection of
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate phenotypic acquisition determines the effectiveness of germplasm screening, while the efficiency and accuracy of image segmentation directly affect the quality of phenotypic parameter extraction. While foundation models like Segment Anything Model 2 (SAM2) have achieved remarkable success in general tasks, their performance in complex field environments is often limited by a lack of crop-specific visual priors. To achieve high-precision segmentation with minimal data, few-shot learning has gained traction as a strategic alternative to manual-intensive training; however, existing appro
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Dissecting the temporal genetic architecture of crop growth requires phenotyping platforms that combine high throughput with fine temporal resolution. Here, we combined multi-season RGB-UAV phenotyping with temporal GWAS and QTL mapping to resolve stage-specific genetic effects on canopy height in bread wheat. An elite panel of 174 cultivars and a recombinant inbred line population of 162 lines were monitored across three growing seasons (2021-2024) in southern Italy. Digital canopy height was extracted from plot-level 3D point clouds at multiple percentile levels and validated against ground
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Wheat emergence rate and emergence uniformity are key indicators for evaluating seed vigor and sowing quality, and they play an important role in wheat growth and yield formation. Traditional methods for measuring emergence rate and evaluating emergence uniformity rely on manual assessment, which is inefficient, highly subjective, and unable to meet the demand for large scale, high efficiency, and precise acquisition of wheat emergence data. In this study, RGB images and a two-stage deep learning algorithm were used to extract and analyze seedling traits of 420 wheat varieties under two nitrog
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Efficient large-scale 3D reconstruction of orchard environments is essential for robotic inspection and precision agriculture, yet existing methods struggle with unstructured scenes, variable illumination, and computational bottlenecks. We propose InspectGaussian, a coarse-to-fine Gaussian reconstruction framework tailored for orchard inspection robots. The pipeline integrates an RGB-D-based data acquisition strategy using ORB-SLAM3, which is enhanced by a dense mapping module for robust large-scale pose estimation and point cloud generation. A divide-and-conquer strategy is then employed: ind
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The fraction of absorbed photosynthetically active radiation (FAPAR) is critical for characterizing crop photosynthetic capacity and growth status. Remote sensing technology based on unmanned aerial vehicles (UAVs) enables efficient estimation of FAPAR, but multiple scattering and transmission in the complex and dynamically changing crop canopy and background limit the accuracy of vegetation index (VI)-based methods. This study proposed an adaptive spectral unmixing framework VE-MLM for the multi-layer mixed scenarios, comprising three modules: (1) Variable Endmember Extraction , building a sp
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Sweet potato is a nutritionally valuable crop that contributes to food security, owing to its storage roots rich in starch, sugars, and antioxidants, while requiring minimal cultivation inputs. Estimating its yield based on visible above-ground traits remains challenging due to weak and inconsistent correlations between shoot biomass and storage root development. Therefore, direct assessment of underground biomass is essential. In this study, we demonstrate the field application of ground penetrating radar (GPR) for non-destructive detection and yield estimation of sweet potato. GPR is a geoph
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.