排序方式: 共有66条查询结果,搜索用时 0 毫秒
1.
2011年3月16日,我区一朗德鹅业养殖公司,全场共有鹅5800余只,其中种鹅4000余只,网上平养育雏鹅(23日龄)1800只中约有20%出现腹泻等症状,死亡34只,经临床症状、病理解剖和实验室检测,诊断为大肠杆菌感染,通过治疗,取得显著效果。(一)发病情况据调查,3月10日,育雏鹅群注射了重组禽流感病毒灭活疫苗(H5N1亚型,Re-5株),3月11日,育雏鹅开始发病,到15日死亡34 相似文献
2.
随着高校教学改革的不断深入,国家精品课程建设全面展开。重点对食品加工机械类课程建设现状进行分析,肯定成就,找出不足,提出见解,以促进全面食品工程专业的课程建设。 相似文献
3.
4.
5.
针对现在市场上常见的两种大米掺伪现象,利用近红外光谱技术结合化学计量学方法分别建立了大米中掺入低档米和掺入矿物油的定量分析模型。制配不同掺伪比例的大米样品,采集其近红外光谱,并选用标准正态变量变换、最大最小归一化、平滑和一阶导数4种方法对原始光谱进行预处理,分别结合偏最小二乘法建立PLS定量分析模型。通过对比建模结果选出的最优预处理方法是最大最小归一化,建立的掺低档米模型的校正集和预测集相关系数分别为0.9698和0.9845,均方根误差分别为8.66和6.46;掺矿物油米模型的校正集和预测集相关系数分别为0.9739和0.9888,均方根误差分别为0.106和0.0698。模型的预测精度和稳定性均很好,实现了对两种掺伪大米快速、准确的定量判别,为大米的品质监控提供了一种新的方法思路。 相似文献
6.
提出了一种基于比色传感器数据和近红外光谱特征融合的储藏期面粉脂肪酸值的定量检测方法。开发比色传感器阵列、搭建便携式近红外光谱测量系统,分别采集不同储藏期面粉样本的比色传感器数据和近红外光谱。利用主成分分析分别对预处理后的比色传感器数据和近红外光谱数据进行特征降维,采用五折交互验证法在反向传播神经网络(BPNN)模型校正过程中进行优化,确定基于单技术分析模型的最佳主成分(PCs)个数。将优化后的基于单技术模型的最佳PCs在特征层进行融合,建立基于融合特征的BPNN分析模型,以实现对面粉储藏过程中脂肪酸值的快速检测。实验结果显示,基于比色传感器特征和基于近红外光谱特征建立的最佳BPNN模型的最佳PCs数量分别为3和4,基于融合特征建立的BPNN模型在预测集中的相关系数和预测均方根误差的均值分别为0.9276和1.9345 mg/(100 g)。研究表明,与单技术数据分析模型相比,基于比色传感器数据和近红外光谱特征融合模型的检测精度和泛化性能都有所提高。本研究可为粮食储藏品质的高精度原位监测提供一种技术方法。 相似文献
8.
《中华人民共和国动物防疫法》(以下简称((动物防疫法》)于2007年8月30日修订通过,自2008年1月1日起施行。5年来,四川省广安市广安区政府和区畜牧食品局认真贯彻实施《动物防疫法》,采取广泛宣传、强化责任、强化举措和规范执法,广大干部群众法律意识不断增强,动物防疫工作人员的执法水平和工作能力显著提高,形成了区、乡(镇)、村三级动物防疫网络体系,动物防疫、检疫工作卓有成效,为全区现代畜牧业又好又快发展提供了坚强保证,确保了全区清净无疫。 相似文献
9.
基于机器视觉和工艺参数的针芽形绿茶外形品质评价 总被引:6,自引:0,他引:6
外形是针芽形绿茶的关键感官评价指标,通常依据色泽、条形、嫩度和匀整度等表象特征进行人工评审,难以做到精准、客观和量化评价。本文以自动化生产线机制的针芽形绿茶为研究对象,基于茶叶品质、形成工艺和视觉形态等内外因素,构建了外形品质的智能感官评价方法。首先,在线采集在制品的17个机制工艺参数和成品茶的图像,进行图像特征提取,选取9个颜色特征和6个纹理特征。进而,通过与专家感官评分进行关联分析,明确了与感官品质显著相关的特征变量。为获取高效的评价模型,采用偏最小二乘法(PLS)、极限学习机(ELM)和强预测器集成算法(ELM-Ada Boost)3种多元校正方法,分别建立了基于工艺或图像特征的针芽形绿茶外形感官的量化评价模型。建模结果表明,基于图像特征建立的ELM-Ada Boost模型(Rp=0.892,RPD大于2),其预测性能优于其他模型,且具有更小的RMSEP(0.874)、Bias(-0.148)、SEP(0.226)和CV(0.018)值。同时,非线性模型的预测性能均高于PLS线性模型,能更好地表征工艺参数、图像信息与感官评分之间的解析关系,且建模速度更快(0.014~0.281 s)。而Ada Boost法作为一种混合迭代算法,能进一步提升ELM模型的精度和泛化能力。结果表明,基于机器视觉和工艺评价针芽形绿茶外形品质是可行的,为拓展茶叶感官品质评价方法和专家工艺决策支持系统研制,提供理论依据和数据支撑。 相似文献
10.
雪莲花产地鉴别的近红外光谱分析方法 总被引:4,自引:0,他引:4
以青海、西藏、云南和新疆4个不同产地的雪莲花为研究对象,利用K-最近邻域(KNN)模式识别方法建立雪莲花产地鉴别模型,模型参数K和主成分因子数(PCs)通过交互验证的方法优化;同时比较了标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数和二阶导数4种预处理方法对模型结果的影响.试验结果显示,通过SNV光谱预处理后,在K为3和PCs为5时,所得到的模型最佳,模型交互验证识别率和预测识别率均为100%.研究表明,近红外光谱技术结合KNN方法可以成功鉴别雪莲花产地. 相似文献