母猪饲养管理要点

养猪业是否赚钱,关键在于对母猪的饲养管理。要想提高养猪生产水平,在相同条件下获得最佳经济效益,就必须做好母猪饲养管理的相关工作。母猪是养殖场经济效益的"发动机",做好母猪的体况管理有助于维持母猪群的健康,提高母猪群饲料利用率,延长母猪群使用年限,充分发挥母猪的遗传潜力和提高母猪终生的繁殖性能。     

GA4+7+氯吡脲对重瓣百合'Thalita'生长的影响

以重瓣百合'Thalita'为试材,采用4个不同浓度(10、20、40、80 mg·L-1)的GA4+7+氯吡脲(1∶1),对其进行叶面喷施处理,以清水为对照,测定其株高、茎粗、叶面积等指标,探讨GA4+7+氯吡脲对重瓣百合'Thalita'生长的影响,以期为其推广提供参考.结果 表明:20 mg·L-1 GA4+7+氯吡脲对'Thalita'花苞直径和叶面积促进作用最大,分别比对照高14.18％和55.13％,均达显著差异;茎粗随着GA4+7+氯吡脲的浓度升高表现出一定抑制作用;20 mg·L-1GA4+7+氯吡脲在花苞开放率和花期上综合效果最好;80 mg·L-1 GA4+7+氯吡脲对'Thalita'株高促进效果最好,比对照高2.67％;所有处理组种球鲜质量和根长均比对照低,其中20 mg·L-1 GA4+7+氯吡脲效果最为明显,分别比对照低36.77％和48.18％,均达显著差异.综合比较来看,20 mg·L-1 GA4+7+氯吡脲对重瓣百合'Thalita'生长影响最大,效果更佳.     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

油茶幼苗根系生长特性分析

从油茶的品种入手,涉及到缺素以及容器3方面对幼苗根系生长特性的影响,并重点列举出对油茶幼苗根系生长危害严重的两大危害和预防解决办法,对油茶幼苗根系地更好生长做出了初探。     

芽孢杆菌Hy6在对虾养殖生产中的应用研究

本试验研究将小水体中筛选效果较好的芽孢杆菌Hy6应用到大水体中,测试其对水质稳定的控制能力及对虾生长的促进作用。结果表明,芽孢杆菌Hy6能有效控制养殖水体中总氨氮的大幅度上升,并能促进对虾的生长,施用Hy6的对虾在养殖后期生长较快。     

仙客来高效离体繁殖体系研究

以仙客来的幼嫩健康叶片为材料,探索了不同种类和浓度的植物激素组合对愈伤组织诱导的影响。结果表明,最佳激素组合为1/2MS+3.0%糖+0.8%琼脂+2,4-D 2 mg/L+BA 0.2 mg/L+KT 0.2 mg/L。在离体培养前将植株遮光处理24~26 h,再通过黑暗低温和光照升温培养"二步法"高效诱导仙客来愈伤组织和芽的形成,可有效抑制外植体褐化,繁殖系数高,并能保存F1代的原有性状和杂种优势,为仙客来种苗的工厂化生产提供关键技术支撑。     

基于双向准Z源逆变器的无刷直流电机驱动系统研究

针对农用电动运输车直流电源电压降落而导致的动力降低,以及车辆行驶工况复杂多变等问题,设计一种基于双向准Z源逆变器的无刷直流电机驱动系统。以STM32F103C8T6为控制器,完成驱动系统的硬件电路设计。通过直流母线方波升压和SVPWM控制策略,使无刷直流电机驱动系统具有ON-PWM斩波、准Z源方波升压、准Z源SVPWM三种驱动模式。最后搭建驱动系统的试验平台,取直流电源电压U_(dc)=24 V,直通占空比D_0=0.2,准Z源方波升压和准Z源SVPWM都将逆变桥的直流母线电压提升至40 V以上,有效解决直流电源电压降落的问题。驱动系统根据加速、爬坡、重载等具体工况快速、准确地切换工作模式,满足车辆的动力需求,提高车辆行驶的安全性和可靠性。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。