排序方式: 共有33条查询结果,搜索用时 0 毫秒
21.
22.
23.
24.
25.
Toll样受体研究进展 总被引:4,自引:0,他引:4
免疫系统识别"非我"和"自我"的过程是依赖于不同的受体来完成的,作为先天性免疫系统的重要组成部分及连接获得性免疫与先天性免疫的"桥梁",Toll样受体(Toll-like receptors,TLRs)是生物的一种模式识别受体(pattern recognition receptor,PRR),它主要通过识别病原相关分子模式(pathogen-associated molecularpatterns,PAMPs)来启动免疫反应。已发现TLRs在炎症、细胞信号转导、细胞凋亡、肿瘤等发生过程中扮演重要角色。随着分子细胞生物学的发展,有关TLRs的研究必将更加深入,同时也会进一步拓展对机体免疫机制的认识。 相似文献
26.
27.
检查电梯控制系统是确保电梯安全运行的重要环节。本文主要介绍了电梯的工作原理,分析了电梯安全检查工作的必要性,研究了电梯控制系统容易出现的问题,最后提出了解决电梯控制系统问题的对策与措施,希望能为电梯安全检查工作提供理论上的借鉴。 相似文献
28.
屠宰猪肝脏中戊型肝炎病毒(HEV)的检测及组织病理学观察 总被引:7,自引:0,他引:7
从北京、河北和河南三地的屠宰场共采集了581头屠宰猪的肝脏.用抗-人戊型肝炎病毒(HEV)抗体做肝脏中HEV抗原的免疫组织化学染色,用针对HEVORF2区设计的通用引物进行巢式RT-PCR,结果发现,6个地区581头屠宰猪的肝脏HEV免疫组织化学阳性率都在90%以上.从114份肝脏样品中扩增到2条产物,与预期片段348bp大小基本一致,位于HEVORF2区,序列分析、比较显示,扩增出的2个片段(GenBank登录号为:EU326142和EU375565)同源性为99.2%,与HEV基因Ⅰ、Ⅱ、Ⅲ和Ⅳ型的同源性分别为74.9%~78.7%,73.9%~74.1%,74.6%~77%和81.2%~93.7%.用扩增的核苷酸片段绘制的基因进化树显示,2个分离株与HEV基因Ⅳ型AJ344171、AJ344172和AJ344183位于同一分支,属于HEV基因Ⅳ型. 相似文献
29.
作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型在复杂环境下识别效果差和效率低的问题,本文提出一种集成改进的叶片病害检测识别方法。该方法通过对Plant Village公开数据集中单一患病叶片图像以及实际生产中手机拍摄获取的患病作物冠层图像两种来源制作数据集,并对图像中的患病叶片进行手动标注等操作,以实现在复杂地物背景和叶片遮挡等情况下正确识别目标,即在健康叶片、患病叶片、枯萎叶片、杂草和土壤中准确识别出所有的患病叶片。此外,用智能手机在生产现场拍摄图像,会存在手机分辨率、光线、拍摄角度等多种因素,会导致识别正确率降低等问题,需要对采集到的图像进行预处理和数据增强以提高模型识别率,通过对YOLO v5s原始模型骨干网络重复多次增加CA注意力机制模块(Coordinate attention),增强YOLO算法对关键信息的提取能力,利用加权双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN),增强模型不同特征层的融合能力,从而提高模型的泛化能力,替换损失函数EIoU(Efficient IoU loss),进一步优化算法模型,实现多方法叠加优化后系统对目标识别性能的综合提升。在相同试验条件下,对比YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型,本方法的精确率P、召回率R、平均识别准确率mAP0.5、mAP0.5:0.95分别达到97.40%、94.20%、97.20%、79.10%,本文所提出的算法在提高了精确率与平均精度的同时,保持了较高的运算速度,满足对作物黄化曲叶病毒病检测的准确性与时效性的要求,并为移动端智能识别作物叶片病害提供了理论基础。 相似文献
30.
为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构(Lightweight convolutional neural networks,LCNN)替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层(Batch normalization layer)的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0f/s,移动端检测帧率1.2f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。 相似文献