氨唑草酮的水解、挥发及其在水-沉积物系统中的降解特性

为评价氨唑草酮的环境安全性,参照国家标准GB/T 31270-2014的要求,采用室内模拟法研究了氨唑草酮在不同温度和不同pH值缓冲溶液中的水解特性、在不同环境介质中的挥发特性,以及在2种水-沉积物系统中的降解特性。结果表明:氨唑草酮在25 ℃时,在pH值为4或7的缓冲液中水解半衰期均长于365 d,在pH值为9的缓冲液中水解半衰期为90.0 d,属于难水解至中等水解农药。在20~25 ℃、气体流速500 mL·min^-1的条件下,氨唑草酮在空气、水和土壤中的挥发率均小于1%,属于难挥发农药。氨唑草酮在湖泊(杭州西湖)水-沉积物系统和河流(京杭大运河)水-沉积物系统中的降解符合一级动力学方程,好氧降解半衰期分别为408 d和630 d,厌氧降解半衰期分别为248 d和990 d,在水-沉积物系统中属于难降解农药。     

基于图像处理的茶叶智能识别与检测技术研究进展分析

作为茶叶智能化生产的关键难题之一,基于图像处理的茶叶智能识别与检测技术受到广泛关注。通过综述图像处理技术在茶叶嫩芽识别定位、茶叶病虫害检测、茶叶品种识别与品质检测等方面的研究应用,分析比较各方法的优缺点,总结现有研究存在的主要问题有嫩芽分割受光照影响较大、难以分割含与嫩芽颜色相近背景的图像、枝叶遮挡情况识别效果不理想、缺乏真实背景下茶叶病斑识别算法等。指出基于图像处理的茶叶智能识别与检测技术未来的研究重点:增加不同地域茶叶及品种的样本数据以提高算法普适性;采取多信息融合的方法以求获得更全面的茶叶嫩芽信息;枝叶遮挡严重情况下的识别策略可考虑借助机械装置或风机拨开枝叶,从而避免因枝叶遮挡而导致识别率低的现象发生。     

槟榔黄化病病原及检测方法研究进展

黄化病是一种严重威胁槟榔生产种植的毁灭性传染性病害，目前主要在印度和我国槟榔主产区发生。本文从非生物与生物因素两方面对槟榔黄化病病原认识过程及检测方法进行详细的综述。     

1株猪源2009/H1N1流感病毒反向遗传系统的建立

为建立1株猪源2009/H1N1流感病毒A/swine/Heilongjiang/44/2009(HLJ44)的反向遗传系统,利用双向表达质粒p HW2000,分别构建了该病毒株8个基因节段的重组质粒,将其共转染于293T和MDCK混合培养的细胞,拯救出重组病毒R-HLJ44。测序结果表明,R-HLJ44与亲本病毒HLJ44的核苷酸序列完全一致;二者在细胞上具有相似的增殖特性;抗原性未发生变化;分别以106TCID50的剂量鼻腔感染BALB/c小鼠,结果显示R-HLJ44与亲本HLJ44在小鼠脏器中的复制滴度也基本一致。以上结果表明拯救的重组病毒保持了与亲本病毒一致的生物学特性。该病毒反向遗传系统的建立,为进一步研究H1N1亚型流感病毒的致病分子机制及新型疫苗研制等奠定了基础。     

泡腾片在食品业中的研究进展

泡腾片具有崩解迅速、口感良好、服用方便、质量稳定等特点。在食品业中泡腾片主要是固体饮料,例如茶泡腾片、维生素泡腾片、果蔬泡腾片等。本文概述了我国泡腾片在食品业中的研究进展,并展望了泡腾片在食品业的应用前景,以期为泡腾片的开发利用提供参考。     

血样采集技术在动物疫病检测中的注意事项及应用

为全面提升动物健康水平,应积极落实动物疫病预防工作,而疫病检测是动物疫病防治的基础,本文提出采用血样采集技术的建议。文章在阐述动物疫病检测工作中存在的主要问题基础上,对禽、牛羊、猪对应的采血方法分别探究,最后分析了动物疫病检测工作中的注意事项。希望与动物疫病检测人员分享技术经验,共同优化动物疫病检测工作质量。     

液电混合直线驱动系统位置控制特性研究

提出了一种采用电-机械直线执行器和液压缸的液电混合直线驱动系统。为消除电-机械直线执行器和液压缸之间的耦合影响,液压泵和比例阀协同控制液压缸输出力和运行方向,满足系统负载力需求,电-机械直线执行器用于运动控制,并补偿液压缸输出力波动和外部干扰力。为实现上述目标,设计了基于扩张状态观测器的电-机械直线执行器自适应滑模控制方法,以估计的负载力调节泵压力和比例阀开度,对液压缸输出力进行调控。比例阀在系统运行中主要用于控制液压缸运动方向,阀开度较大,可显著降低节流损失。通过仿真和试验分析了系统的运行特性和能效特性。结果表明,该系统具有良好的位置控制特性,能量效率高,较传统阀控系统能耗减少51%。     

基于快速卷积神经网络的果园果实检测试验研究

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。