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
1418 публикаций
Поиск: 145 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 95 с найденным полным текстом
3D crop phenotyping technology provides critical support for screening morphology-related plant genes and identification of germplasm resource. Organ segmentation or recognition is the first key step in 3D crop phenotyping, where inductive deep learning currently dominates as the mainstream methodology. However, the high requirement for data annotation in inductive learning paradigm has transformed the manual data labeling into a labor-intensive task, thereby in turn restricting the progress of inductive learning. This problem has inspired us to leverage Graph Neural Networks (GNNs) as the tra
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.
Boll-opening concentration is critical for mechanical cotton harvesting, yet it is still assessed mainly by manual records and single time-point indicators that miss temporal dynamics. To bridge the lack of a unified workflow linking vision foundation models, multi-temporal boll-opening monitoring, and harvest decision-making, we developed a cross-scale UAV high-throughput phenotyping framework centered on DINO-BollGX. DINO-BollGX couples a DINO v3 backbone, a RetinaNet detection head, and an adaptive refinement-and-suppression module for robust open-boll detection under complex field conditio
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.
Maize ear phenotyping is receiving increasing attention, driven by the demand of plant scientists for large-scale trait data and enabled by the rapid development of AI-based machine vision. While manual measurement of ear traits is labour-intensive and often destructive, existing digital solutions typically rely on a limited number of 2D images without capturing the entire 3D structure of an ear. Therefore, a novel 3D ear scanning pipeline was developed that computes voxel grids based on RGB images automatically captured from 100 different viewing angles. For kernel segmentation, open-source d
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.
Root phenotypic traits such as length and number are critical indicators of plant growth and productivity. However, accurate extraction of these traits remains challenging due to the slender morphology, dense overlap, and frequent occlusion within root systems. Traditional digital image processing methods suffer from low throughput and limited robustness, while most deep learning-based approaches rely on semantic segmentation, which fails to distinguish individual roots and therefore limits their applicability in instance-level phenotypic analysis.To address these limitations, we propose Dual-
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.
High-fidelity 3D reconstruction and precise phenotypic parameter extraction of banana plants are critical for crop growth monitoring and yield estimation in precision agriculture. However, traditional methods encounter significant bottlenecks: LiDAR systems are cost-prohibitive for widespread adoption, while traditional photogrammetry often fails to handle the complex canopy structures, severe occlusions, and weak texture features characteristic of banana leaves. To address these limitations, this article proposes a novel framework for 3D reconstruction and automatic phenotyping based on multi
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.
Leaves are central indicators of photosynthesis and plant growth status, and their precise monitoring is crucial for smart agriculture. Dense leaf detection, as a foundation for leaf morphology analysis, must address challenges such as occlusion and overlap, directly enabling key tasks including phenotypic trait extraction, disease identification, and yield estimation. Leaves are the most important plant organs, and monitoring leaves is a crucial aspect of crop surveillance. Dense leaf detection plays an important role as a fundamental technology for leaf monitoring. Existing dense leaf detect
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.
Canopy Structural Complexity (CSC) is a key structural attribute for evaluating forest ecological functions and health, with accurate canopy extraction serving as the prerequisite for its quantification and the basis for improving metric reliability and elucidating spatiotemporal canopy dynamics. However, existing canopy extraction methods generally rely on large-scale fully labeled point cloud datasets, which are often impractical for large-scale Unmanned Aerial Vehicle (UAV) LiDAR forest surveys. To address this limitation, we propose a weakly supervised canopy extraction strategy that relie
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.
As a crucial agricultural crop in China, litchi exhibits a biennial bearing pattern with alternating high-yield and low-yield cycles, known as on-year and off-year respectively. Research has identified unstable floral initiation as the primary cause of irregular fruiting in mid-to-late maturing cultivars. Rapid and accurate quantification of female to male flower ratios during the flowering phase enables targeted management strategies to optimize floral development and enhance fruit-setting rates. This study proposes Flower Quantification and Gender Recognition Network (FQGR-Net), a three-bran
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.
Potato cyst nematodes pose a major threat to potato cultivation, with infestations often going undetected for years. Early and accurate detection is crucial for effective management, necessitating reliable, large-scale monitoring methods. Hyperspectral imaging shows great promise for non-invasive nematode detection, yet distinguishing between biotic (e.g., nematodes) and abiotic (e.g., drought) stressors remains a challenge. This study investigated the stress responses of potato plants to potato cyst nematodes Globodera rostochiensis and G. pallida, and water deficiency. We generated datasets
СтатьяПолный текст не найденПеревод 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.
High throughput phenotyping for crop monitoring at both leaf and canopy scales is essential for understanding plant responses to various stresses. PhenoGazer, a high-throughput phenotyping system, enhances crop monitoring in controlled environments by integrating a portable hyperspectral spectrometer with eight fiber optics, four Raspberry Pi cameras, and blue LED lights. This system allows for comprehensive assessment of plant health and development. PhenoGazer features automated moveable upper and lower racks for continuous measurements. The lower rack, equipped with four blue LED lights and
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.
Sorghum canopy architecture in field trials is determined by various phenotypic traits, such plant and panicle count, leaf density and angle and panicle morphology, and canopy height. These traits together affect light capture and biomass production as well as conversion of photosynthates to grain yield. Panicle morphology exhibits considerable variation as influenced by genetics, environmental conditions and management practices. This study presents a framework for the 3D reconstruction of sorghum canopies and phenotyping panicle morphology. First, we developed a scalable, low-altitude Unmann
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 threat of crop diseases can lead to reduced yields and significantly hinder progress towards achieving the sustainable development goal of "zero hunger." In the process of detecting crop diseases, variations in data collection conditions can lead to significant differences in the spatial distribution features of training and testing data. Models trained on specific datasets often perform poorly when applied to detect crop diseases in new datasets, significantly affecting the performance of cross-domain object detection tasks. To address the challenges of cross-domain crop disease object de
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.
Deep learning-based crop and weed detection is essential for modern precision weed control. But its effectiveness is limited when facing newly presented weed species due to the impracticality of collecting large, balanced training datasets in field conditions. To address these challenges, this study presents a few-shot learning framework that achieves rapid and effective adaptation to new weed species by leveraging domain-specific characteristics of plant detection. We proposed few-shot enhanced attention (FSEA) network, built upon Faster R-CNN, which implements three prior knowledge in weed d
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.
With the continuous progress in micro-optical machine technology, miniature spectral imaging devices have been rapidly developed; however, three-dimensional (3D) imaging measurement technology has become increasingly mature and widely used. The evolution of these technologies has established a robust foundation for the integration of three-dimensional imaging and spectral information. To achieve accurate alignment between 3D data and spectral information to obtain a more comprehensive spectral representation of objects in 3D space, we developed a binocular multispectral stereo imaging (BMSI) s
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.
Fusiform rust, caused by the pathogen Cronartium quercuum (Berk.) Miyabe ex Shirai f. sp. fusiforme, is the most important disease of loblolly pine (Pinus taeda L.) in the U.S., causing millions of dollars in damage each year. Using resistant genotypes has proven a successful strategy to limit the disease, but resistance selection still relies on visual inspection for symptoms, which can lead to misclassification due to human error and the presence of 'escaped susceptibles' (i.e., susceptible individuals with no visible symptoms due to either an extended asymptomatic phase of the disease or th
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.
Deep learning and computer vision, using remote sensing and drones, are 2 promising nondestructive methods for plant monitoring and phenotyping. However, their applications are infeasible for many crop systems under tree canopies, such as coffee crops, making it challenging to perform plant monitoring and phenotyping at a large spatial scale at a low cost. This study aims to develop a geographic-scale monitoring method for coffee cherry counting, supported by an artificial intelligence (AI)-powered citizen science approach. The approach uses basic smartphones to take a few pictures of coffee t
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 spores is crucial for predicting and preventing fungal- or oomycete-induced diseases like grapevine downy mildew. However, manual spore or sporangium detection using microscopes is time-consuming and labor-intensive, often resulting in low accuracy and slow processing speed. Emerging deep learning models like YOLOv8 aim to rapidly detect objects accurately but struggle with efficiency and accuracy when identifying various sporangia formations amidst complex backgrounds. To address these challenges, we developed an enhanced YOLOv8s, namely, AFM-YOLOv8s, by introducing an Adaptive Cro
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.
Our research focuses on winter jujube trees and is conducted in a greenhouse environment in a structured orchard to effectively control various growth conditions. The development of a robotic system for winter jujube harvesting is crucial for achieving mechanized harvesting. Harvesting winter jujubes efficiently requires accurate detection and location. To address this issue, we proposed a winter jujube detection and localization method based on the MobileVit-Large selective kernel-GSConv-YOLO (MLG-YOLO) model. First, a winter jujube dataset is constructed to comprise various scenarios of ligh
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.
Hyperspectral reflectance contains valuable information about leaf functional traits, which can indicate a plant's physiological status. Therefore, using hyperspectral reflectance for high-throughput phenotyping of foliar traits could be a powerful tool for tree breeders and nursery practitioners to distinguish and select seedlings with desired adaptation potential to local environments. We evaluated the use of 2 nondestructive methods (i.e., leaf and proximal/canopy) measuring hyperspectral reflectance in the 350- to 2,500-nm range for phenotyping on 1,788 individual Scots pine seedlings belo
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 head detection can measure wheat traits such as head density and head characteristics. Standard wheat breeding largely relies on manual observation to detect wheat heads, yielding a tedious and inefficient procedure. The emergence of affordable camera platforms provides opportunities for deploying computer vision (CV) algorithms in wheat head detection, enabling automated measurements of wheat traits. Accurate wheat head detection, however, is challenging due to the variability of observation circumstances and the uncertainty of wheat head appearances. In this work, we propose a simple b
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.