增强自主创新 争作农机科研龙头

<正>纷繁复杂的2009,是新世纪以来广东经济发展最为困难的一年。作为全国农机科、工、贸等方面发展的佼佼者,广东省农业机械研究所在过去的一年里积极迎接挑战,化危为机,抓住广东实施《珠江三角洲地区改革发展规划纲要》的历史机遇,紧扣广东发展特色,大力增强自主创新     

芥蓝八氢番茄红素脱氢酶基因BaPDS1和BaPDS2的克隆与表达分析

以白花芥蓝为材料,采用反转录PCR技术克隆得到2个八氢番茄红素脱氢酶基因BaPDS1和BaPDS2,GenBank登录号为KX426039和KX426040,其开放阅读框分别为1 692和1 698 bp,分别编码563和565个氨基酸。同源性及进化树构建结果表明PDS蛋白在进化过程中比较保守,芥蓝PDS基因与甘蓝、白菜、花椰菜等十字花科蔬菜亲缘关系较近。半定量PCR分析发现,BaPDS1和BaPDS2表达水平在芥蓝不同发育时期和组织器官间均存在显著差异。萌动种子期BaPDSs表达量较低,之后迅速上升;BaPDS1在成熟期器官间呈现组成型表达,BaPDS2在器官间表达差异较大,幼果中未检出;花器官中萼片的BaPDSs表达量显著低于其他组织,在开花过程中,雄蕊和雌蕊的BaPDS1表达水平出现上调。     

乌鲁木齐市红雁池电厂脱硝改造工程的分析

随着我国经济的快速发展,污染物排放量的增长与环境保护间的矛盾日益突出,为了实现国民经济与环境的可持续发展,环保部对于燃煤电厂污染物排放量提出了更高的要求,为了适应新的要求,乌鲁木齐红雁池电厂决定对其燃煤锅炉进行烟气脱硝技术改造.     

高校青年教师科研能力培养对策及成效

通过分析高校青年教师的特点,提出培养青年教师科研能力的对策,并对其成效进行了总结,以期提高青年教师科研教学水平,为青年教师尽快成长为科研教学骨干、培养高质量人才提供依据。     

基于深度学习的半监督图像标注系统设计与实现

针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法。该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注。基于所设计的方法构建了半监督图像标注系统,在试验中对系统进行性能评测和分析。结果表明:迭代更新后的检测模型在测试集上的检测准确率为98.1%,召回率为88.5%,平均准确率为88.3%;利用所构建的半监督图像标注系统可以实现15s/幅的标注速度,单幅图像的标注耗时仅为纯手工标注耗时的2.5%,图像标注时间代价大幅降低。研究结果为深度学习研究中的训练样本标注提供了高效的标注方法和工具,有助于提高图像标注效率,减少人力成本投入。     

6个月从身无分文到7万资产

2007年10月份的时候,山东人徐一文身边只有3包方便面,躺在床上饿了7天;现在,他已经成了拥有雇员,固定资产7万元,月开支1万元的印刷公司老板.而帮助徐一文创造6个月创业奇迹的,正是互联网.     

啤酒酵母对生长獭兔盲肠微生物及营养物质消化率的影响

本试验旨在研究饲粮中添加不同水平的啤酒酵母对生长獭兔盲肠微生物及营养物质消化率的影响。选取120只30日龄、体重相近的健康白色獭兔(公母各占1/2),按性别和体重分成4组,每组30个重复,每个重复1只。对照组饲喂基础饲粮,Ⅰ、Ⅱ、Ⅲ组为试验组,分别饲喂在基础饲粮中以5、10、15 kg/t的啤酒酵母等量替代豆粕的试验饲粮。预试期10 d,正试期60 d。结果表明:1) 60、80、100日龄时,各试验组獭兔盲肠微生物操作分类单元(OTU)数量均高于对照组(P0.05)。80日龄时,各试验组Ace指数显著高于对照组(P0.05),试验Ⅰ、Ⅲ组Chao1指数显著高于对照组(P 0. 05)。100日龄时,试验Ⅱ组Shannon指数显著高于对照组(P0.05)。2)试验Ⅱ组干物质、总能、磷、粗蛋白质和中性洗涤纤维的消化率均最高,且显著于对照组高(P0.05)。由此可见,啤酒酵母可以丰富獭兔盲肠微生物种群,有助于獭兔盲肠微生物区系稳态的建立,提高营养物质消化率。     

柳树科技文献的分析

本文通过对柳树科技文献的查询，分析了柳树在国内，外科技资料中各个学科中的数量及所占的比重，试图为从事柳树研究的科研人员提供信息。     

人工合成小麦农艺性状与SSR标记的关联分析（英文）

人工合成小麦是通过人工融合粗山羊草(Aegilops tauschii)(2n=2x=14,DD)的D基因组与普通硬粒小麦(Triticum aestivum)(2n=6x=42,AABBDD)的A、B基因组获得的一种新型六倍体小麦,是获得基因变异的有效工具。本研究通过构建含有86份人工合成小麦和24份常规小麦的自然群体,利用102对SSR标记与4个重要的农艺性状进行关联分析。共检测出660个等位变异,每个位点的等位变异数为3~11个,平均为4.6个。多态性信息量(PIC)范围为0.2477~0.8971,平均为0.7235。供试材料被划分为三个亚群。2015年和2016年分别发现20个、17个与4个性状相关的位点(P0.01)。2015年,解释率为0.0398~0.2472,2016年则为0.063 9~0.191 3。这些显著性标记丰富了小麦的遗传多样性,为小麦分子标记辅助育种提供了新的资源。     

自然环境下果实作业机器人幼果期苹果侦测方法

首先,采用自适应G-B色差法对初始图像计算,获得色差灰度图,使用迭代阈值分割法提取果实兴趣区;其次,对经形态学处理后的兴趣区图像进行Blob分析,计算每个Blob的离心率和像素面积,去除明显偏离果实形状特点的Blob;最后,应用改进圆形Hough变换算法检测潜在类圆形果实目标,最终采用融合方向梯度直方图特征和网格搜索优化支持向量机的判别模型进一步去除虚假果实目标,提升苹果目标的侦测精确度。试验结果显示,该方法对果园自然环境下幼小青苹果的侦测正确率为88.51%,漏报率和误报率分别为11.49%和4.84%,算法模型综合性能指标为90.29%,表明该方法对幼果期苹果目标具有较强的侦测能力和较好的鲁棒性,该结果为果实作业机器人幼果期的自动化果实侦测提供参考。