荷斯坦牛新遗传缺陷单倍型HH7分子筛查

HH7(Holstein Haplotype 7)是在荷斯坦牛群中新发现的一种隐性遗传缺陷单倍型,由27号染色体上CENPU基因4个碱基缺失突变引起,隐性基因纯合时能引起胚胎早期流产,严重影响着奶牛养殖者的经济效益。本研究利用竞争性等位基因特异性PCR(KASP法)对随机抽取的166头荷斯坦公牛样本进行了检测分析,结果表明,在所检测的荷斯坦公牛中未发现HH7携带者个体。提示新缺陷单倍型HH7在北京地区的荷斯坦牛群中比例可能很低,但在全国牛群中的分布情况尚不清楚,建议继续开展相关研究,并在种牛遗传物质引进时重点关注,避免将新缺陷基因引入进来,造成有害基因的广泛传播。     

扁蓿豆叶绿体基因组密码子偏好性分析

为阐明扁蓿豆（Medicago ruthenica）叶绿体基因组密码子使用模式，以其50条蛋白编码序列（CDS）为对象，利用软件CodonW 1.4.2、Excel以及在线程序对其ENC，RSCU，GC含量、中性绘图、PR2-plot、最优密码子等进行分析得到以下结果：基因组平均GC含量为40.58%，其中GC1>GC2>GC3；ENC的取值介于35.77～56.62之间，表明密码子使用偏好性较弱；基因组中共有30个密码子RSCU>1，其中29个以A/U结尾；ENC-plot绘图分析结果中多数基因分布于标准曲线下方，22个基因ENC比值在—0.05～0.05之间，密码子偏好性主要受选择影响；PR2-plot分析表明碱基T的使用频率大于A，G大于C，说明密码子偏好性还受其他因素影响；该基因组中共有UUU，UUA，ACU等11个最优密码子并均以A/U结尾。以上研究结果可为扁蓿豆叶绿体基因组优良基因利用提供理论与基础。     

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。     

松阳县古松树的松材线虫病现状调查与分析

古松树是历史的见证,是文化的承载,其保护工作具有重要意义,但因松材线虫的传播侵染,其生存状况不容乐观。本研究以松阳古松树为对象,基于分子检测技术,对其松材线虫病现状进行了调查与分析。结果表明,有12个乡镇近60%的古松树均已感病,疫情较为严重,需及时开展抗病保护工作。     

微流控芯片在农产品安全检测中的应用

近年来,随着食品工业的迅猛发展,国内外食品安全事故也频繁发生。开发安全可靠、便携有效的检测方法对食品安全至关重要。微流控芯片集样品前处理、分离和检测等过程为一体,实现了样品前处理和检测分析的自动化、集成化、小型化、低消耗、高效率和便携化,满足了现场、实时检测的需求。本研究对微流控芯片在食品成分、农药残留、兽药残留、食品添加剂和重金属检测中的应用进行归纳总结,为农产品安全检测提供参考。     

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。     

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。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

剔除土壤背景的棉花水分胁迫无人机热红外遥感诊断

剔除无人机热红外影像中的土壤背景是提高作物水分诊断精度的有效途径,但也是热红外图像处理的难点问题。本文以不同水分处理的花铃期棉花为研究对象,分别在09:00、13:00和17:00等3个时刻,连续5 d采集无人机高分辨率热红外影像,并采用二值化Ostu算法和Canny边缘检测算法对热红外图像进行掩膜处理,实现对土壤背景的剔除,然后分别计算二值化Ostu算法、Canny边缘检测算法和包含土壤背景下的3种棉花水分胁迫指数(Crop water stress index,CWSI),最后建立不同时刻下3种CWSI与棉花叶片气孔导度Gs的关系模型。研究结果表明,应用Canny边缘检测算法可有效剔除热红外影像中的土壤背景,剔除土壤背景后的温度直方图呈单峰的偏态分布;3种处理方法获得的作物水分胁迫指数CWSI中,Canny边缘检测算法的CWSI最小,二值化Ostu算法的CWSI较高,包含土壤背景的CWSI最大;采用Canny边缘检测算法剔除土壤背景后的CWSI与棉花叶片气孔导度Gs的决定系数R2达到0.84,Ostu算法的结果次之,包含土壤背景的最差。本研究可为无人机热红外遥感监测作物水分状况提供参考。     

Seasonal critical concentration and relationships of leaf phosphorus and potassium status with biomass and yield traits of soybean

Analysis of uppermost fully expanded leaves is useful to detect a deficiency of mineral nutrients such as phosphorus (P) and potassium (K) in soybean. Although, the leaf P or K status aids in fertilizer management, information on nutrient seasonal relationships with growth and yield traits at maturity are limited. To investigate this, soybean was grown under varying P or K nutrition under ambient and elevated CO₂ concentrations. Results show significant relationships of the relative total biomass and yield‐related traits with the foliar P and K concentrations measured several times in the season across CO₂ levels. However, the relationships established earlier in the season showed that the growth period between 25 and 37 d after planting (DAP), representing the beginning of flowering and pod, respectively, is the best for leaf sampling to determine the foliar P or K status. The leaf P and K status as well as the critical leaf P (CLPC) and K (CLKC) concentrations for traits such as seed yield peaked around 30 DAP (R2 stage) and tended to decline thereafter with the plant age. The CLPC and CLKC of seed yield indicate that the leaf P and K concentration of at least 2.74 mg g^?1 and 19.06 mg g^?1, respectively, in the uppermost fully expanded leaves are needed between 25 and 37 DAP for near‐optimum soybean yield. Moreover, the greatest impact of P and K deficiency occurred for the traits that contribute the most to the soybean yield (e.g., relative total biomass, seed yield, pod and seed numbers), while traits such as seed number per pod, seed size, and shelling percentages were the least affected and showed smaller leaf critical concentration. The CLPC or CLKC for biomass and seed yield was greater under elevated CO₂ 24–25 DAP but varied thereafter. These results are useful to researchers and farmers to understand the dynamics of the relationship of pre‐harvest leaf P and K status with soybean productivity at maturity, and in the determination of suitable growth stage to collect leaf samples.