冬小麦东农冬麦1号返青后各生育阶段光合生理特性研究

为明确寒地冬小麦返青后各生育阶段光合生理特性对小麦植株生长发育及籽粒形成的影响,以东农冬麦1号为试验材料,对大田种植返青后不同生育阶段小麦叶片光合参数、叶绿素、总可溶性糖和蔗糖含量及籽粒总可溶性糖、蔗糖和淀粉含量等生理指标进行测定分析。结果表明,返青后,随着生育期延长,小麦叶片光合速率、蒸腾速率呈先上升后下降趋势,开花期达到最大值。在开花期之前,气孔导度与胞间CO2浓度均呈上升趋势,光合速率主要受气孔因素影响;开花期后气孔导度与胞间CO2浓度呈相反变化趋势,此时期影响光合速率降低的主要是非气孔因素。叶绿素含量先上升后下降,灌浆期达到最大值;总可溶性糖及蔗糖含量呈下降-上升-下降趋势;籽粒中淀粉含量随总可溶性糖和蔗糖含量的下降而上升。     

外源ABA对冬小麦叶片抗寒相关蛋白的影响

为了解外源ABA对冬小麦抗寒性的蛋白质组学影响机制,以强抗寒品种东农冬麦1号和弱抗寒品种济麦22为材料,苗期经外源ABA和钨酸钠(ABA合成抑制剂)处理后,分别于18℃、4℃、-6℃和-20℃进行低温胁迫,对小麦叶片的全蛋白进行聚丙烯酰胺凝胶电泳(SDS-PAGE)分析。结果表明,低温下,外源ABA诱导处理后,东农冬麦1号叶片产生23、35和51kD特异蛋白,15、43及53kD蛋白上调表达;济麦22叶片产生28和36kD特异蛋白,15、53及76kD蛋白上调表达。     

基于深度学习特征的铸件缺陷射线图像动态检测方法

针对X射线检测中铸件微弱缺陷误检率和漏检率高的问题,提出一种基于选择性注意机制和深度学习特征匹配的缺陷动态跟踪检测方法。基于射线图像序列,采取帧内注意区域检测消除漏检、帧间深度学习特征匹配跟踪排除误检的策略。在帧内检测阶段,提出通过中央-周边梯度搜索方法模拟生物视觉的中央-周边差运算,根据梯度阈值直接检测各可疑缺陷区域,无需分割出缺陷本身。在帧间跟踪阶段,借鉴人类大脑视觉感知系统的深度学习层次结构,建立基于卷积神经的深度学习网络,可疑缺陷区域灰度信号直接作为输入,自动抽取表征可疑缺陷区域的本质特征信息,组成深度学习特征矢量。定义基于欧氏距离的特征矢量相似度,通过连续图像中可疑缺陷区域的相似度匹配实现缺陷跟踪,以消除噪声等伪缺陷。实验结果表明,基于深度学习特征匹配方法的铸件缺陷图像动态检测,误检率和漏检率均低于3%,缺陷检测准确率超过97%,证明了所提方法的有效性。