青梅主要病虫害的发生及防治

近年来随着广东青梅种植规模扩大和商品化生产深入,病虫害问题逐渐突出。通过对青梅果园病虫害的调查研究以及防治试验,初步掌握了广东省青梅主要病虫害的发生与流行规律,并总结出有效的防治技术,为青梅种植业的健康发展提供参考。     

稻田轮作对水稻病、虫、草害的影响

目前南方大部分稻田采用连作耕作制度,并且滥用农药现象严重,这对农田生态环境造成极其不利的影响。为探讨稻田轮作对减轻稻田病、虫、草害的生态作用,本试验以长期水稻连作为对照,根据14年田间定位试验,详细研究了稻田轮作对水稻病、虫、草害的影响。结果表明,稻田轮作在一定程度上能减轻稻田水稻的病虫草害。稻田轮作处理的早稻纹枯病发病率平均比连作处理低10%,病情指数低0.4%;晚稻纹枯病的病株率平均比连作处理低17.7%,病情指数低13.3%。轮作处理的早晚稻稻曲病的病株率和病情指数也都低于连作处理。轮作处理所受虫害比连作处理要轻,轮作稻纵卷叶螟造成的白叶率和二化螟造成的白叶率明显低于连作。轮作处理的杂草生长情况比连作处理弱。     

文冠果主要病虫害类型及防治技术研究

文冠果是我国北方地区种植面积较广的一类树种,经济价值较高。该文结合实际,对影响文冠果树丰产的主要病虫害类型进行简单的总结,提出相应的防治技术要点,为降低文冠果种植中病虫危害提供参考。     

细胞凋亡与疾病

细胞凋亡(apoptos is)是普遍存在于人体组织细胞内的细胞死亡的形式之一,是不同于坏死的正常生理性的程序性细胞死亡。细胞抗凋亡是生物机体为了适应环境变化,维持生理平衡的一种主动的自我保护行为。凋亡或抗凋亡均是在基因控制下,多样性、偶联性、多途径的信号转导过程。它也受到内外生存因子的影响和制约,肿瘤等多种疾病均能影响细胞凋亡过程。     

抗补体-ELISA及其在动物传染病诊断中的应用

应用菊糖和酵母多糖试剂从豚鼠新鲜血清中提取补体C_3,制成菊糖—C_3和酵母多糖—C_3复合物后,以其分别免疫家兔,制备了抗C_3抗血清,经提纯并用HRP标记后,建立了抗补体—ELISA工作程序.通过对8种动物、18个类别的347份血清的检测表明,除抗空肠弯曲菌和獭兔军团菌阳性血清不发生阳性反应外,其余血清均与常规检测法有较好的符合率.     

犬常见皮肤病的日常诊护

犬皮肤病是犬临床诊治中常见病之一。犬因品种、年龄、个体、营养、生活环境等不同而引起的皮肤病有很大的差异。本文就几种常见的犬皮肤病的不同的临床症状进行了简要综述,旨在给饲养者提供一些早期的、简单的鉴别及诊断,能尽快做出相应的预防和护理措施,并及时就诊。     

诱导型一氧化氮合酶与动物疾病

一氧化氮（nitric oxide,NO)是近年来引起人们特别注意的无机气体自由基，有独特的理化性质和生物学活性，几乎对全身各个系统都有影响，其中诱导型一氧化氮合酶及其催化产生的NO在动物疾病的发生、发展过程中都起着重要的作用。     

水貂细菌性疾病的病原学调查

为调查山东省水貂常发细菌病的病原学资料,分别对患病水貂进行了病理剖检、细菌的纯培养和生化鉴定。经分离鉴定确定致病菌的种类为变形杆菌、大肠杆菌、沙门氏菌、克雷伯氏菌、耶尔森氏菌、葡萄球菌和绿脓杆菌,并对水貂细菌病的发病原因和规律进行了探讨。     

基于迁移学习的葡萄叶片病害识别及移动端应用

为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型（Grape-VGG-16,GV）,并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1）迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2）数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型（GV）对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型（bimodalNet）。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。