浅谈知识管理与知识库系统

知识经济的出现,促使了知识管理的产生,同时大量先进信息技术的推广与应用为知识管理提供了物质技术保障。本文综述了知识管理产生的背景、知识管理的概念、作用;介绍了知识库系统的结构和功能,以及国内外研究概况;讨论了在农业领域开展知识管理和建设知识库系统的必要性和重要性。     

Natuphos植酸磷分解酶在畜牧生产中的应用

动物体内矿物质种类很多,其性质差异也很大。在矿物质中,禽畜对钙和磷的需要量最多。磷是骨骼的主要成分,体组织和脏器含磷也较多。磷在碳水化合物和脂肪代谢从及维持机体的酸碱平衡也是必要的。饲料中无机磷的利用率可视为100%,但对植酸磷的利用能力彼此差异很大。反刍动物在其预消化过程中,凭借自身特有的植酸磷分解     

内陆橄榄高接换种操作要点

橄榄高接换种是优化橄榄品种结构,淘汰劣质品种,实现橄榄良种化、区域化,提高品质和产量的有效途径。现将内陆橄榄高接换种操作技术简要介绍如下:一、选择高接树橄榄高接树接穗发芽和初期生长主要靠砧木和接穗自身的贮藏养分,因此,在高接换种时要选择树体贮藏养分充足的3～15年     

晚熟荔枝新品种"桂味"的选育及栽培技术要点

四川省是我国内陆荔枝的主产区 ,其栽培历史悠久 ,品种资源丰富。但生产上长期采用实生繁殖 ,品种单一 ,品质良莠不齐 ,目前已形成大面积栽培的 ,除大红袍 (广东又名大造 )品种外 ,其他品种仅为零星栽培。大红袍荔枝存在成年树不稳产 ,幼树投产迟和适龄树“花而不实”等问题 ,制约了我省荔枝的大面积发展。近几年来 ,我省虽从沿海地区引进了许多优良品种 ,但需经过驯化适应阶段 ,远远不能满足生产上的需要。针对上述问题 ,我们开展了荔枝新品种选育工作 ,从本省现有实生荔枝中选育出“桂味”荔枝 ,该品种丰富了我省荔枝品种资源 ,成为当地果…     

基于YOLO V3的葡萄病害人工智能识别系统

葡萄在生长过程中会感染各种病害,葡萄病害的高效识别是防治葡萄病害的关键。本文提出了一个基于YOLO V3的葡萄病害智能识别系统,由微信小程序、云服务器和葡萄病害识别模型构成。其中的葡萄病害识别模型以植物病虫害生物学国家重点实验室提供的2 566张原始葡萄病害图片为基础,构建了32 871张葡萄病害图片数据集,采用改进的YOLO V3训练得到。本系统能对手机保存的或现场拍摄的自然条件下的12类葡萄病害图像进行识别,准确率达98.60%。识别结果、病害特征、发病原因、病害地理分布和防治建议可立刻反馈至用户。本系统不但识别率高,而且涵盖了目前大多数常见葡萄病害种类,可作为辅助果农、消费者和相关科研人员甄别葡萄病害的智能工具。     

螺虫乙酯对桃蚜的毒力及持效期

[目的]明确新型内吸型杀虫剂螺虫乙酯对桃蚜(Myzus persicae)的毒力及持效期.[方法]利用3种生物测定方法开展螺虫乙酯对桃蚜的室内生物测定,用定量数据概率和时间剂量死亡率模型分析螺虫乙酯对桃蚜的毒力,并利用微虫笼法对螺虫乙酯的持效期进行研究.[结果]玻璃板法、微虫笼法和圆片法的测定结果存在差异,微虫笼法进行生物测定时植物叶片的保持时间较长,测定结果更加可靠.3种生物测定方法测得的桃蚜若蚜死亡率随着时间的延长呈上升趋势,到120 h达稳定.利用定量数据概率的方法分析表明,玻璃板法、微虫笼法和圆片法测定的螺虫乙酯对桃蚜若蚜的LC50分别为0.0886、0.1258和0.8459 mg·kg-1,利用时间剂量死亡率模型分析表明,在1.5625 mg·kg-1下的LT50分别为2.5、2.9和3.5d,LT50随着药剂浓度的增大而递减.螺虫乙酯具有较长的持效期,防治效果在施药7d后开始下降,死亡率由100％降低至20％以下.[结论]本研究提出的用微虫笼进行螺虫乙酯生物测定的方法,可为长持效期药剂的生物测定提供参考;目前田间桃蚜种群对螺虫乙酯仍处于非常敏感的状态.     

3S技术在城市森林研究中的应用

总结国内外3S技术在城市森林研究领域应用现状,分析其不足,即遥感学家与植物生态学家缺乏沟通、被动遥感优势尚未挖掘、生态系统服务制图滞后、生态系统管理中忽视信息系统建设,以及景观规划的精确性与客观性有待提高等,在此基础上提出相应改进建议,以期为我国城市森林的3S技术应用和城市森林建设工作提供借鉴。       

蒸爆法棉秆无胶纤维板热压工艺初探

以棉秆为原料,经过蒸爆解纤处理后热压制成无胶纤维板.研究了密度为0.85g/cm3、板厚为4mm的无胶纤维板热压工艺.结果表明:在试验范围内较优的热压工艺为:板坯含水率12%、热压温度210℃、热压时间60s/mm.     

基于数据挖掘的电子皮带秤皮带跑偏检测

为提高电子皮带秤连续累计称量精度,针对严重影响精度的电子皮带秤跑偏,采用对皮带秤现有原始传感器的数据挖掘实现跑偏量实时在线检测,以取代传统硬件检测设备。引入流形学习和深度学习,分别提出了基于局部切空间排列(local tangent space alignment,LTSA)+广义回归神经网络(generalized regression neural networks,GRNN)和基于连续深度置信网络(continuous deep belief networks,CDBN)的在线跑偏特征提取模型,再结合极限学习机(extreme learning machine,ELM)以跑偏特征为模型输入进行跑偏量预测。最后通过试验对该文提出的在线跑偏量预测模型的性能进行了验证:LTSA+GRNN+ELM平均跑偏预测精度为93.33%,平均每组预测时间38.29 ms;CDBN+ELM预测精度则高达98.61%,平均每组预测时间1.47 ms。二者预测精度和实时性皆表明能取代传统硬件检测装置,为皮带跑偏检测提供了一种方法,为进一步的皮带秤在线精度补偿和故障预测提供了必要依据。