基于图像边缘检测技术的采摘机器人视觉系统设计

采摘机器人作业环境复杂,视觉系统往往不能准确对待采摘的果树或者果实进行准确的定位。为了提高采摘机器人视觉系统的定位精度,引入了图像边缘检测技术,通过提取待采摘果树或者果实的边缘,计算果实的位置坐标,为采摘机器人的自主行走定位和采摘作业提供可靠数据支持。为了验证方案的可行性,以待采摘果树的特征边缘提取为例,对系统的果树边缘提取的可行性及定位准确性进行了实验。实验结果表明:采用基于图像边缘检测技术的采摘机器人视觉系统可以成功地对果树进行定位,并输出果树的位置坐标,将位置坐标和实测位置坐标进行对比发现,其结果基本吻合,具有较高的定位精度。     

重组酶聚合酶扩增技术(RPA)检测创伤弧菌

为建立创伤弧菌的重组酶聚合酶扩增技术(RPA)检测方法,根据编码创伤弧菌DNA促旋酶的B亚单位蛋白(Gyrase Beta Subunit,gryB)的基因保守序列,设计RPA特异性引物,建立创伤弧菌gryB基因的RPA检测方法并测试其特异性、灵敏度和应用效果。结果发现,建立的RPA检测方法特异性好,能够从创伤弧菌中检测到234 bp的特异性条带,仅需在37℃下恒温反应40 min,不需要特殊的仪器设备;该方法的灵敏度与PCR相当,可达到0.1 ng/μL,应用检测结果也表明该方法与传统培养方法相当。因此,本研究建立的RPA方法检测gryB特异性强、灵敏度高,无需特殊的仪器设备,适合实验室快速检测。     

新疆部分地区规模化鸡场饲料中霉菌毒素污染状况检测与分析

为了解新疆部分地区规模化鸡场饲料中霉菌毒素污染情况,从新疆部分地区规模化鸡场采集豆粕(78份)、玉米(72份)、麦麸(60份)及全价配合饲料样品(80份)共计290份,采用酶联免疫吸附试验(ELISA)检测290份饲料样品中黄曲霉毒素B1(AFB1)、玉米赤霉烯酮(ZEN)、呕吐毒素(DON)和T-2毒素(T-2)含量。结果表明,豆粕、玉米、麦麸及全价配合饲料样品中4种霉菌毒素检出率在52.7%～100.0%之间,豆粕中AFB1和ZEN超标率分别为9.2%和6.2%,玉米中AFB1和ZEN超标率分别为16.2%和8.4%,全价配合饲料中AFB1和T-2超标率分别为19.8%和12.6%。说明该地区规模化鸡场中豆粕、玉米、麦麸及全价配合饲料存在AFB1、ZEN及T-2等3种霉菌毒素污染,应引起重视。     

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。     

大鲵皮肤蛋白质活性物质的提取与检测

本研究通过组织匀浆、PBS缓冲液浸提从大鲵皮肤中提取蛋白质活性成分,并用SDS-聚丙烯酰胺凝胶电泳(SDS-PAGE)技术对浸提物进行蛋白质电泳检测。结果表明:大鲵皮肤浸提液含有多种蛋白质活性成分,分子量分别约为68 kD、44 kD、30 kD、25 kD、20 kD和15 kD,根据分子量大小及其他两栖类研究结果,这些蛋白推测应与蛙皮抗菌肽蛋白(26 kD,32 kD)、胰蛋白酶抑制活性剂血清白蛋白(68 kD)、LPⅡ蛋白多肽(63 kD)、β-microseminoprotein蛋白(12 kD)、竞争性抑制剂(22 kD)以及serpin类不可逆抑制剂(50 kD)等为同类活性蛋白;大鲵不同部位皮肤蛋白质活性成分的表达有较大差异,其中腹部皮肤蛋白活性成分含量最高,背部次之,头部和尾部较低,头部和尾部皮肤蛋白活性物含量没有明显差异。     

汽车检测与故障诊断技术课程改革及实践探讨

鉴于汽车保有量的不断增多,汽车技术日新月异,汽车维修保养等汽车后市场的人才需求逐年增加,高等职业院校需要适应时代发展,培养出高素质技能型汽车售后服务人才。理论知识学习是高职学生的薄弱之处,必须通过降低学习难度,增加实际操作训练,才能使学生更好地掌握相关知识和技能。基于此,文章介绍了汽车检测与故障诊断技术课程改革的具体内容,并结合课程教学实践,探讨课程改革的经验与不足。     

基于RetinaNet模型的梨小食心虫智能识别计数方法

针对梨小食心虫监测调查中存在的人工分类计数费时、费力且误差较大的问题,基于RetinaNet深度学习目标检测模型,构建了一种普适性更广的梨小食心虫智能识别计数方法.试验结果表明,RetinaNet目标检测模型对黏虫板上梨小食心虫的平均识别准确率达95.93％,平均计数准确率达95.62％,且该方法对拍摄条件要求低,普适性广,优于Faster R-CNN目标检测模型,完全可以在梨小食心虫监测调查中替代人工进行分类计数.     

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。