排序方式: 共有50条查询结果,搜索用时 0 毫秒
31.
32.
王小飞 《畜牧兽医科技信息》2021,(1)
是由A型流感病毒引起禽类的一种从呼吸系统到严重全身败血症等多种症状的传染病.其传播速度很快,致死亡率很高,尤其高致病性禽流感,不利于养殖场的稳定发展,造成重大的经济损失.基于此,本文以禽流感为研究对象,主要介绍了禽流感的有效防控策略,供参考. 相似文献
33.
利用湖北省ADTD闪电定位系统记录的江汉平原天门市、仙桃市、潜江市城市下垫面与3个城市外围平原下垫面的地闪数据,通过对地闪数据中闪电频次、闪电极性、闪电幅值、累积概率等闪电特征进行归纳分析对比,从而揭示湖北省内在同一大气环流背景下城市与平原2种不同下垫面状况对闪电具体特征的影响。结果表明,在同一大气环流背景下,城市与平原下垫面之间同时发生闪电的相关系数较高,因为下垫面特征产生的局部闪电比例较低;城市下垫面对应的正闪电比例高于平原下垫面,但是其正闪平均幅值较低,呈负相关;城市下垫面的闪电幅值分布更加集中,主要在20~35 kA;城市下垫面与平原下垫面相比,雷电流平均幅值大0.91 kA,雷电流累积概率中值电流大0.90 kA,60.0 kA以上的雷电流也表现为城市下垫面更多。 相似文献
34.
建立QuEChERS结合超高效液相色谱串联质谱(UPLC-MS/MS)法测定了番茄中吡蚜酮和吡丙醚残留量的分析方法。样品用乙腈超声提取,QuEChERS法提取和净化,UPLC-MS/MS分析检测。结果表明,在0.005~0.5 mg/L范围内,吡蚜酮的相关系数为0.994 5,吡丙醚的相关系数为0.999 6,该方法的线性关系良好。在0.02、0.2、1.0 mg/kg 3个添加浓度下,吡蚜酮的平均添加回收率为87.5%~106.1%,RSD值在2.2%~3.1%之间;吡丙醚的平均添加回收率为82.2%~89.1%,RSD值在1.6%~14.7%之间。吡蚜酮的检出限为1.0×10~(-3) mg/kg,吡丙醚的检出限为2.0×10~(-4) mg/kg。该方法适用于番茄中吡蚜酮和吡丙醚残留量的测定。 相似文献
35.
高效液相色谱法测定乳房炎涂膜剂中咖啡酸的含量 总被引:1,自引:1,他引:0
为了建立乳房炎涂膜剂中咖啡酸的反相高效液相色潽分析方法,试验采用Waters symmetry shieldTM C18 色谱柱(250 mm?4.6 mm,5 μm),流动相为甲醇 -1 %冰醋酸水溶液(20∶80)等度洗脱;流速:1.0 mL?min-1;检测波长323 nm;柱温为35 ℃。结果表明,咖啡酸在8 - 40 μg?mL-1 范围内线性关系良好(r2 =0.9989)。平均回收率为100.1 %,RSD为0.8 %。该方法简便,准确,可用于测定乳房炎涂膜剂中咖啡酸的含量。 相似文献
37.
王小飞 《新农村(黑龙江)》2014,(8):343-343
煤炭行业的发展仍在继续,而煤矿事故仍时有发生。事故的后果是可怕的,一旦发生就会影响生产甚至造成全面停产。巨大的经济损失背后还有着生命危险.给煤矿工人及家属留下身心的创伤。其实,一些安全问题我们都了解,也经常谈起,但是最重要的是怎样才能落实煤矿的安全生产,把工作做到实处。 相似文献
38.
39.
基于改进YOLOv4-Tiny的蓝莓成熟度识别方法 总被引:3,自引:2,他引:1
为实现自然环境下蓝莓果实成熟度的精确快速识别,该研究对YOLOv4-Tiny网络结构进行改进,提出一种含有注意力模块的目标检测网络(I-YOLOv4-Tiny)。该检测网络采用CSPDarknet53-Tiny网络模型作为主干网络,将卷积注意力模块(Convolution Block Attention Module,CBAM)加入到YOLOv4-Tiny网络结构的特征金字塔(Feature Pyramid Network,FPN)中,通过对每个通道的特征进行权重分配来学习不同通道间特征的相关性,加强网络结构深层信息的传递,从而降低复杂背景对目标识别的干扰,且该检测网络的网络层数较少,占用内存低,以此提升蓝莓果实检测的精度与速度。对该研究识别方法进行性能评估与对比试验的结果表明,经过训练的I-YOLOv4-Tiny目标检测网络在验证集下的平均精度达到97.30%,能有效地利用自然环境中的彩色图像识别蓝莓果实并检测果实成熟度。对比YOLOv4-Tiny、YOLOv4、SSD-MobileNet、Faster R-CNN目标检测网络,该研究在遮挡与光照不均等复杂场景中,平均精度能达到96.24%。平均检测时间为5.723 ms,可以同时满足蓝莓果实识别精度与速度的需求。I-YOLOv4-Tiny网络结构占用内存仅为24.20 M,为采摘机器人与早期产量预估提供快速精准的目标识别指导。 相似文献
40.
为了精准获取河南省冬小麦空间分布及面积数据,基于2003—2021年250 m MODIS-NDVI时间序列遥感数据集,通过设置不同的阈值条件获得高质量的样本数据,采用深度神经网络(DNN)、随机森林(RF)和支持向量机(SVM)算法,自动从NDVI时序数据中提取冬小麦特征,分别训练出非线性模型,在250 m尺度对河南省冬小麦分布和面积进行识别。结果表明,基于DNN算法的河南省冬小麦面积识别模型精确率为97.26%,总体一致性为97.97%;基于RF、SVM算法的精确率分别为91.51%和89.31%,总体一致性均在90%以下。和RF、SVM算法相比,DNN算法在精度上有明显的提升,能够更好地反映河南省冬小麦的时间变化趋势和空间面积分布。该研究说明,运用中等分辨率长时间序列影像结合DNN算法,在一定程度上可以更准确识别大区域的农作物信息。 相似文献