基于形态特征和SSR标记的斑茅繁殖策略的研究

本研究以收集自我国7个省的45份野生斑茅(Saccharum arundinaceum)为研究对象,在开放授粉条件下,通过测定斑茅的花粉与胚珠比(Pollen-ovule ratio,P/O)、杂交指数(Outcrossing index,OCI)以及基于简单重复序列(Simple sequence repeats,SSR)分子标记估计交配系统参数这3种方法,探究斑茅繁殖特性及其有性繁殖力的情况,为斑茅资源开发利用、杂交育种及繁殖技术提供基础依据。结果表明:斑茅P/O为5 897,杂交指数OCI为2;采用11对SSR引物对随机取样的15个斑茅半同胞家系共计1 158个子代进行交配系统参数估计,结果显示斑茅种群具有较高的异交率水平(t_m=0.864),多位点异交率和单位点异交率的差值不明显(t_m—t_s=0.012),亲本近交系数F大于0(F=0.318),表明斑茅以异交为主,并存在部分近交。综上所述,本研究初步认为斑茅的繁殖特性为异交为主、自交为辅的混合交配系统模式。     

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。     

信息化时代大学生信息素养教育实践研究——以沈阳理工大学图书馆为例

[目的/意义]信息素养是人们在现实生活中就信息应用方面的综合表现,信息素养是大学生必备的基本素质,对其未来发展具有重要意义。[方法/过程]以沈阳理工大学图书馆信息素养教育为例,从大学生教育、教师教学和科研发展等需求多样性出发,开展多元化信息素养教育实践,形成了“课程整合教学—资源系列讲座—学科化服务—营造书香校园”的多层级、系统化信息素养教育体系。[结果/结论]建立一支学科知识齐全的信息素养专职师资队伍,发挥新媒体技术优势,积极开展线上教育新模式,加强与国内外知名大学图书馆交流与协作,引领高校师生信息素养教育沿着正确道路稳步发展。     

甘露糖修饰的壳聚糖聚乳酸-羟基乙酸共聚物纳米微球作为口蹄疫病毒核酸疫苗递送载体的特性评价

旨在对制备的甘露糖修饰的壳聚糖聚乳酸-羟基乙酸共聚物[poly （D，L-lactide-co-glycolide），PLGA]纳米微球作为口蹄疫病毒（foot-and-mouth disease virus，FMDV）核酸疫苗递送载体进行评价。采用西佛碱反应和元素分析制备具有一定取代度的甘露糖修饰的壳聚糖衍生物（mannose modified chitosan，MCS），然后，经双重乳化挥发法制备得到甘露糖修饰的壳聚糖PLGA纳米微球（MCS-PLGA-NPs）。采用纳米粒径仪检测MCS-PLGA-NPs粒径分布和表面电势（zeta）、扫描电镜考察其形态、琼脂糖凝胶电泳观察其对质粒的吸附和吸附质粒后抵抗核酸酶降解能力、CCK-8法检测MCS-PLGA-NPs的细胞毒性、激光共聚焦观察巨噬细胞对MCS-PLGA-NPs-质粒DNA复合物的摄取、荧光显微镜和Western blot验证MCS-PLGA-NPs加载质粒DNA在细胞中的表达。元素分析结果表明，成功制备了取代度为5%~10%的MCS。纳米粒径测定和扫描电镜结果表明，MCS-PLGA-NPs的zeta为正值、粒径分布均匀且形态规则呈球形。琼脂糖凝胶电泳结果显示，MCS-PLGA-NPs吸附质粒的能力随着其质量的增加而增强并且可以在一定程度上抵抗核酸酶降解质粒DNA。在细胞毒性试验中，不同浓度的MCS-PLGA-NPs与RAW264.7细胞共孵育24 h后，细胞存活率仍在85%以上。在细胞摄取试验中，用激光共聚焦显微镜可以明显观察到质粒DNA结合到纳米微球表面被RAW264.7细胞摄取。荧光显微镜和Western blot试验证明MCS-PLGA-NPs加载质粒DNA可以在细胞中进行表达。综上表明，本研究成功制备了MCS以及具有递送核酸疫苗能力的MCS-PLGA-NPs，为FMDV核酸疫苗的递送研究提供了新的方向和见解，也为该递送载体携带特定抗原靶向抗原递呈细胞表面甘露糖受体以及应用于动物免疫的研究奠定基础。     

绵羊羊角形态与遗传调控机制的研究进展

绵羊是较早驯化的家畜之一，可为人类提供肉、毛、奶等产品，因而在我国畜牧产业中占有重要的地位。由于各地自然环境的差异和社会需要的不同，经长期的选择形成了数百个外表特征和生理习性各具特色的绵羊品种。羊角作为绵羊品种的特征性表型，承担着双重功能，发达的羊角不仅有利于公羊个体提高其在种群内的地位，拥有优先交配权，还可以有效抵御天敌的攻击，使群体免受捕食伤害；然而，随着规模化养殖的推广，羊角的存在已不利于舍内饲养管理，进而对绵羊品种的培育工作提出了新要求。目前，羊角虽在实际生产和品种培育工作中受到广泛关注，但其形态多样性及遗传调控机制的研究尚显不足。本文根据我国现有绵羊品种，对角的数量和形态、发育过程、遗传调控机制等方面的研究进行了综述，不仅能为后期鉴别绵羊羊角多样性的突变位点和主效基因提供参考，也可为绵羊的新品种培育奠定相关的理论基础。     

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。     

基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题，提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism，MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module，MSFF Module）；其次在DenseNet基础上，结合浅层网络主要提取纹理、细节特征，深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法，通过不同形式引入注意力机制及多尺度特征融合结构，使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能；同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明，MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升，其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点，召回率分别提高了6.31和5.00个百分点，F1得分分别提高了7.25和5.55个百分点，平均识别准确率可达95.92%，具有较高的识别准确率及广泛的适用性，能够满足番茄叶片缺素图像的高精度分类需求，可为植物叶片缺素识别提供参考。     

生态公共服务视野下城市森林生态-经济系统的协同机理研究

在生态公共服务视野下,尽管当前我国的城市森林发展较为迅速,但对其森林生态经济系统的协同机理研究仍然还是一个新课题。本文结合海南国际旅游岛建设的相关实践,从治理机制、市场机制、利益分配机制、合作机制、扶持机制5个方面,对海南城市森林进行研究,以促进海南城市森林资源的优化利用和社会经济的可持续发展。     

Cotton Image Segmentation Algorithm Based on Fusion Method of Markov Random Field and Quantum Particle Swarm Cluster

[Objective] The aim of this study was to improve the cotton image segmentation accuracy in a picking robot image processing system. [Method] An image segmentation algorithm based on a fusion method of Markov random field and quantum particle swarm optimization clustering was proposed. The process of the proposed algorithm is as follows: first, transform the RGB (red, green, blue) images into grayscale; second, use it to segment these images; finally, the threshold of the connected area is set on the basis of the segmented image to obtain the target area. Then, the cotton front image and the cotton side image are selected from the images collected from different angles. The segmentation experiment was carried out by using this algorithm, and compared with the Otsu algorithm, the fuzzy C-means algorithm, the quantum particle swarm image segmentation algorithm and the Markov random field image segmentation algorithm. [Result] The results showed that the segmentation accuracy and peak signal to noise ratio of the proposed algorithm were 98.94% and 77.48 dB. When compared with the Otsu algorithm, fuzzy C-means algorithm, quantum particle swarm optimization algorithm and Markov random field algorithm, the average segmentation accuracy and peak signal to noise ratio of the proposed algorithm increased by 2.47%–4.56%, and 9.81–13.11 dB, respectively. [Conclusion] The proposed algorithm had higher segmentation accuracy and higher peak signal to noise ratio than the other algorithms tested.