浅谈省际边境动物防疫监督检查的意义

省际边境动物防疫监督检查，是切实有效依法进行对过往境动物、动物产品实施查证验物，认真检查动物、动物产品有否存在染疫情况，保障过往境动物、动物产品检疫结果正确无误。同时，对过往境动物、动物产品和运载工具消毒。对查获的染疫或疑似染疫的动物、动物产品，及时就地消毁或作无害化处理，达到控制、扑灭动物疫病的目的。因此，此项工作，对促进《动物防疫法》的贯彻执行、建设无规定动物疫病区、阻止外地动物疫病进入我省境内，让我省城乡人民吃上“放心肉”，保障人民身体健康也做出重要贡献。１进一步促进《动物防疫法》的贯彻执…     

棉旱粮区麦田用麦草灵对后茬作物的影响

我乡属棉旱粮套种地区,土壤沙性,偏碱。1991年秋播推广了绿磺隆与甲磺隆混配而成的麦草灵防除麦田杂草1.4万亩。取得了良好的防除效果,株防效达87.1％,鲜重防效达91.2％。施药后麦苗虽有一段时间发黄,生长受抑制,但到返青后仍能恢复生长。然而,麦草灵在土壤中的残留对后茬多种作物造成了严重的药害。据初步统计,全乡春播作物发生药害面积1000多亩,占使用面积的8～10％。其中,绝收250亩,农民反映强烈。为此,我站对部分受害作物进行跟踪调查,并实施了一些补救性措施。现将情况小结如下:     

邳州市水稻条纹叶枯病加重发生原因分析及防治对策

根据邳州市条纹叶枯病及灰飞虱为害情况,分析近年来病情加重发生原因,提出防治对策。     

兽医，必也正名乎!

1981年7月，当我（林）通过博士口试时，指导教授（Dr．Morten T．Jones）很高兴的说：Dr．Lin，weare very proud of your work．From now on，your are a real Doctor。事实上，于1978年7月我初抵伦敦，进入“Sherington School of Physiology，St．Thomas’s Hospital Meclical School，University of London”，进修神经内分泌时，     

借鉴德国成功经验加快我国农村现代化建设

1 德国现代化农业的主要经验 1992年5月中旬,我们苏州市代表团一行5人,应德国科隆大学地理学院教授约瑟夫·尼帕博士的邀请,对德国进行了为期10天的农业现代化考察,主要参观了他们的农牧区、山区和市场,感触很深,颇受启发。     

新世纪兽医之永续医学

随着时间的飞逝 ,兽医学也如其他专业学问一样快速进展。最近的 1 0年间 ,一些关于人或动物的新式医学已经蓬勃的发展开来。在现代医学 (mod-ern medicine;MM)之外 ,可择医学 (alternativemedicine)或辅助医学 (complementary medicine)为最被认同的新式医学名词。就在最近 ,可择医学或辅助医学已经开始和现代医学并用或配合使用。现今 ,美国国家医学会已承认并推荐辅助与可择医学(complementary and alternative medicine;CAM) ,为 2 0世纪末形成的新式治疗体系 ,当 CAM获得人类医学接受之后 ,兽医团体也逐渐注意其重要性。在 1 996年 …     

从兽医针灸谈中兽医学之未来

兽医针灸是中兽医学中一门独特的物理治疗学，近数十年来，其国际影响越来越大，连带着中兽医学亦开始受到青睐，设若中兽医学能及早与西兽医学结合，以增进畜禽之健康，则彼之前景必然十分光明的。     

滁州市飞蝗发生及其治理

蝗虫与水、旱并称为滁州市农业三大自然灾害.建国以来,尤其是1959年确立"改治并举、根除蝗虫"的治蝗方针后,该市实施水利建设和围田垦荒等措施,大力改造蝗区,降低蝗虫密度,蝗虫危害得到了有效控制,蝗灾发生频次明显下降.     

基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中，饲料投喂是控制养殖成本，提高养殖效率的关键。室外环境复杂多变且难以控制，适用于此环境的移动设备计算能力较弱，通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象，该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像，根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集，经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%，召回率为99.40%，精准率为99.80%，F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比，MobileNetV3-Small模型的计算量最小为582 M，平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比，MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性，在室外真实养殖环境进行投喂试验。结果显示，与人工投喂相比，基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42，质量增加率为5.56%。在室外真实养殖环境下，MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果，基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策，为室外集约化养殖环境下的高效智能投喂提供了参考。