动物防控检测工作重要性、存在问题和对策

近年人们生活水平和生活质量日益提高,对食物安全性提出更严格的要求,尤其是对肉食品的选择上。市场上各种食品安全问题层出不穷,严重危害国民的身体健康,也影响畜牧业的经济效益。因此,动物健康状况尤为重要,相关工作人员要十分重视动物防控检测工作,了解这项工作的重要意义,对检测工作中存在的问题及时实施可行的对策。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于荧光光谱的辣椒种子品种识别

为了提高辣椒种子品种鉴别效率,实现辣椒种子品种快速无损鉴别,研究了一种基于荧光光谱的辣椒种子品种快速无损识别方法。选择同一系列相似辣椒种子的杂交品种卓椒3号、卓椒4号和卓椒5号为研究对象,分别采集辣椒种子的荧光光谱56份,对原始光谱进行Savitzky-Golay(SG)卷积平滑和一阶导数(first derivative,FD)预处理;采用主成分分析(Principal Component Analysis,PCA)方法提取主成分,实现数据降维;采用Fisher判别分析方法建立辣椒种子品种识别模型。结果显示:采用荧光光谱建立判别模型时,卓椒3号辣椒种子的品种识别正确率达到92.9%,卓椒4号、卓椒5号辣椒种子的品种识别正确率均达到100.0%,整体识别正确率达到97.6%;采用荧光光谱的一阶导数光谱建立判别模型时,卓椒3号、卓椒4号、卓椒5号辣椒种子的品种识别正确率均达到100.0%,整体识别正确率达到100.0%。研究结果表明,种子叶绿素荧光光谱结合化学计量学方法能够有效识别辣椒种子品种。     

甘蓝型油菜种子萌发期耐铝毒特性综合评价及其种质筛选

种子萌发是油菜植株形态建成的重要阶段,铝毒是酸性土壤中影响其种子萌发的主要因素之一,因此筛选出种子萌发过程中耐铝毒种质对油菜生产及研究具有重要意义。本研究利用5份甘蓝型油菜品种(系)筛选出油菜萌发期耐铝毒种质资源处理的适宜胁迫浓度为90μg mL~(-1)。并以该浓度处理148份甘蓝型油菜品种(系)种子,于萌发期测定其发芽势、发芽率、鲜重、干重、根长和芽长等指标,通过铝毒胁迫耐性综合评价值(A值)、平均隶属函数值(ASF值)、对铝毒加权耐性系数(WAC值)、相关性、频数、主成分、灰色关联度、聚类和逐步回归分析等鉴定萌发期耐铝性,建立萌发期对铝毒耐性综合评价模型并筛选出适宜的评价鉴定指标。结果表明, 148份甘蓝型油菜的萌发期各指标在品种(系)间存在显著差异;筛选出萌发期耐铝毒甘蓝型油菜品种(系) 01188、WH-20、A109、甲预31棚等。根据灰色关联度及回归分析结果认为,在油菜萌发期测定其根长、芽长、鲜重、发芽率和发芽势,通过回归方程估算其A值,可以初步判断甘蓝型油菜种质的耐铝毒特性。     

2个抗虫棉的外源Bt基因分子鉴定及其染色体定位

以中美2个抗虫棉品种GK19与33B为试验材料,利用检测中美Bt基因的特异性引物,分别对抗虫棉亲本GK19和33B进行PCR扩增,并通过SSR分子标记技术对其Bt基因进行分子鉴定与染色体定位,旨在从外源基因转化事件的视角探究中美转基因抗虫棉差异的分子基础。结果表明, GK19为中国转Bt基因抗虫棉, 33B为美国转Bt基因抗虫棉; GK19的Bt基因被定位在棉花Chr.20上,共16对SSR多态性标记与其Bt基因连锁,两侧的分子标记为NAU3907和NAU2579,其遗传距离分别为2.4 cM和1.5 cM; 33B的Bt基因被定位在棉花Chr.26上,共20对SSR多态性标记与Bt基因连锁,目标Bt基因位于标记NAU460和dc40260之间,其遗传距离分别为3.6 cM和2.0 cM。以上结果表明GK19和33B属于不同的遗传转化事件。     

电子鼻技术在肉与肉制品检测中的研究进展和应用展望

电子鼻因具备操作简单、能够快速、无损检测的特点，满足人们对肉与肉制品安全指标高效和高精确度检测提出了更高的要求。本文阐述了电子鼻技术的检测原理和其在硬件和软件系统方面的发展；从肉与肉制品的新鲜度检测、掺假检测、风味评价、病原微生物污染检测四个方向，对近年来电子鼻技术在肉与肉制品检测的应用研究进展进行了分析，突出了电子鼻技术应用的可行性和先进性；指出电子鼻技术在肉与肉制品检测中面临的检测效果参差不齐，电子鼻仪器体积大、价格高昂，模型通用性和普及性不够等不足。最后，本文从硬件系统和软件系统两方面，对未来电子鼻技术的发展及其应用前景进行了展望，包括硬件系统方面提高电子鼻传感器阵列电极膜材料的性能，增强电子鼻耐用性和识别气味的灵敏度；软件系统方面不断探索引入新的模式识别算法，使电子鼻技术实现对气味更快、更准确的识别分析。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

改进SSD的灵武长枣图像轻量化目标检测方法

针对加载预训练模型的传统SSD（Single Shot MultiBox Detector）模型不能更改网络结构，设备内存资源有限时便无法使用，该研究提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法。首先，建立灵武长枣目标检测数据集。其次，以提出的改进DenseNet网络为主干网络，并将Inception模块替换SSD模型中的前3个额外层，同时结合多级融合结构，得到改进SSD模型。然后，通过对比试验证明改进DenseNet网络和改进SSD模型的有效性。在灵武长枣数据集上的试验结果表明，不加载预训练模型的情况下，改进SSD模型的平均准确率（mAP，mean Average Precision）为96.60%，检测速度为28.05帧/s，参数量为1.99×106，比SSD模型和SSD模型（预训练）的mAP分别高出2.02个百分点和0.05个百分点，网络结构参数量比SSD模型少11.14×106，满足轻量化网络的要求。即使在不加载预训练模型的情况下，改进SSD模型也能够很好地完成灵武长枣图像的目标检测任务，研究结果也可为其他无法加载预训练模型的目标检测任务提供新方法和新思路。     

基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

面向养殖水体分布差异的COD光谱法检测研究

面向养殖水体，传统光谱法对化学需氧量（Chemical Oxygen Demand，COD）检测模型构建的基础：源域（现有样本库）与目标域（检测地水体）间光谱数据独立同分布。但是当源域与目标域分布间存在差异时，由源域得到的低误差模型常在目标域上表现下滑。针对该问题，提出面向UV Vis光谱的域对抗训练网络（DAUVwpNet），将分布不同的源域和目标域数据映射至相同分布的特征空间中，使其在该空间的分布距离尽可能接近，从而在特征空间中对源域训练的目标函数也可以迁移至目标域上，以降低模型在目标域的误差。试验表明：面向同一批测试数据，DAUVwpNet的预测误差为0.78，要低于传统模型的预测误差（0.85）；DAUVwpNet预测值与实测值间相关系数为0.95，要高于传统模型的相关系数（0.89）。表明了该网络能够较好对齐两域特征空间数据分布，降低因分布差异带来的COD检测误差。