无公害农产品(渔业产品)检测目录评估分析

随着经济的快速发展,我国的无公害农产品事业也进入新的发展阶段。文章通过探讨无公害农产品(渔业产品)检测目录的提出背景、内容、评估手段等,对我国无公害农产品(渔业产品)检测目录的内容变化进行了详细的比对分析,旨在为我国无公害农产品的管理和控制提供技术支撑。     

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。     

不同柱花草绿肥种质磷含量差异研究

柱花草是世界热区重要的绿肥与牧草兼用的豆科作物。作为豆科绿肥，磷含量是影响绿肥品质的重要指标。本文对134份柱花草绿肥种质的磷含量进行了分析评价，结果表明，供试的134份柱花草绿肥种质有133份种质磷含量在0.3%以下，这些柱花草的磷含量达到四级有机肥磷含量标准，仅有1份柱花草种质的磷含量高于0.3%，其磷含量达到三级有机肥磷含量标准。     

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。     

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。     

灌水对强筋小麦籽粒产量及营养品质的影响

为明确水地强筋冬小麦高产、优质、高效的灌溉技术，试验设3个灌水时期8个灌溉处理［越冬期灌1水（W₁），拔节期灌1水（W₂），孕穗期灌1水（W₃），越冬期和拔节期灌2水（W₁₂），越冬期和孕穗期灌2水（W₁₃），拔节期和孕穗期灌2水（W₂₃），越冬期、拔节期和孕穗期灌3水（W₁₂3），全生育期不灌水处理（CK）］,于小麦成熟期测定籽粒产量、总蛋白及其组分含量和淀粉含量。结果表明，与不灌水的CK比较，所有灌水处理的籽粒产量、有效穗数、穗粒数、千粒重、蛋白质产量以及籽粒淀粉含量均显著增加，但籽粒的总蛋白及其组分含量均呈不同程度降低（W₁处理除外）。越冬期灌水对有效穗数、籽粒产量、总蛋白及其组分含量、淀粉含量的提升作用较大；拔节期灌水对穗粒数的提升作用较大，但对淀粉含量的提升作用较小，对总蛋白及其组分含量的降低作用较大；孕穗期灌水对千粒重的提升作用较大，对蛋白质产量的提升作用较小。随着灌水次数增加，小麦籽粒产量显著提高，淀粉含量先显著提高后基本不变，而籽粒总蛋白及其组分含量降低。W₁₂3处理籽粒产量最高，其次是W₁₃处理；W₁处理籽粒蛋白质及其组分含量最高，其次是W₁₂及W₁₃处理；W₂₃处理淀粉含量最高，其次是W₁₂或W₁₃处理。综合各项指标，最好的灌水组合是越冬期和孕穗期灌2水（W₁₃）。     

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。     

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。