排序方式: 共有14条查询结果,搜索用时 515 毫秒
1.
云斑天牛(Batocera hoisfielde)隶属鞘翅目天牛科,我国黄河流域以南诸多省区有分布,能危害多种阔叶树及果树。该虫在皖浙山核桃产区的危害株率达90%以上,是山核桃主要的蛀干害虫。1生物学特性该虫在山核桃产区2年发生1代,以幼虫和成虫在蛀道内或蛹室中越冬。5月上旬始见越冬成虫咬羽化孔飞出,6月中旬为成虫活动盛期,6月中、下旬为产卵盛期,6月下旬~7月上旬为孵化盛期,10月底后幼虫进入越冬期。第二年3月~7月为幼虫危害盛期,7月底8月初幼虫老熟,开始作蛹室化蛹,蛹期约30天,9月上、中旬羽化为成虫并在蛹室中越冬。成虫多在19~23时咬出羽化孔爬出并在次日12时前爬上树冠,啃食嫩梢嫩树皮(补充营养)。成虫补充营养后到死亡前均能进行交尾。交尾相对集中在19~23时并多在树干下部。雌雄成虫均可交尾多次。每雌携卵量约40粒。卵分批成熟,分批生产。卵多产于胸径15cm以下树干4m以下树干上。产卵时头朝下咬近一圆形中央有一小孔的刻槽,将卵产于刻槽上方,每槽产卵1粒,然后用分泌液粘木屑盖住孔口。卵期约2周。初孵化幼虫在韧皮部附近蛀食,被害部分树皮变黑,纵向涨裂,流液,并可见细蛀屑。约经3~4周蛀入木质部并向上蛀食... 相似文献
2.
3.
参照世界动物卫生组织(OIE)《陆生动物诊断与疫苗手册》,建立了马病毒性动脉炎病毒中和试验,并采用马病毒性动脉炎病毒中和试验(Virus Neutralization Test,VNT)和酶联免疫吸附试验(ELISA)两种方法,对广东省部分地区马场共182匹马血清和7份标准阴阳性血清进行马病毒性动脉炎抗体的检测,并对两种方法进行比较分析,结果两种方法的阳性符合率和阴性符合率分别为43.48%和96.34%,总符合率为93.12%;以我们建立的VNT作为马病毒性动脉炎抗体检测的"金标准",试验中所用的ELISA方法的敏感性和特异性分别为71.43%和93.96%。因此,我们认为在马病毒性动脉炎抗体检测中,ELISA的敏感性以及与VNT的阳性符合率较低,不适合作为VNT的替代方法。 相似文献
4.
【目的】在算力资源有限的嵌入式设备上对目标苹果进行快速、准确的识别与定位。【方法】研究小组对采摘机器人的目标识别与定位方法进行研究,以YOLOv4网络模型为基础,对YOLOv4进行轻量化改进,使用MobileNet V3作为特征提取的主干网络,减少模型的计算量,并结合ZED双目相机与定位算法在嵌入式平台上进行实验。【结果】实验表明:1)在目标识别方面,改进后模型的平均检测精度为87.32%,模型的大小为53.76 MB,较改进前降低了79%。2)采用ZED相机结合测距算法进行了苹果目标定位实验,ZED双目相机的测距误差可控制在0.02 m以内,同时改进的YOLOv4算法的平均检测速度在15FPS左右。【结论】改进后的YOLOv4网络模型更适合部署在算力有限的嵌入式设备中进行苹果采摘任务,且能够满足苹果采摘任务的实时性要求。因此,该方法可以为苹果采摘机器人的识别与定位提供技术参考。 相似文献
5.
随着人们膳食结构的改变,人们越来越关注膳食成分与健康的关系,营养保健意识也不断增强,而畜禽产品中的高水平脂肪、胆固醇和饱和脂肪酸成为人们关注的焦点。那么如何降低脂肪、胆固醇等,而提高产品中的维生素、矿物质元素含量,也就成为了广大学者的研究热点。本文主要讨论日粮组成成分对禽蛋、禽肉中营养物质的影响,仅供参考。 一.日粮对禽产品中脂肪酸及胆固醇含量的影响 1.日粮与鸡肉中脂肪 肉用仔鸡脂肪沉积来源于饲料脂肪和由肝脏合成的脂肪,所以必须在保护一定生长速度的情况下,降低 相似文献
6.
本研究以广西马山老黑糖及水牛乳为主要原料,乳酸菌种YO-MIX883 LYO 50DCU为发酵剂,以酸奶感官品质评分和酸奶酸度的综合评分作为考察指标,采用单因素及正交试验方法对凝固型黑糖酸奶发酵工艺进行优化,得到最佳的发酵黑糖酸奶的工艺与配方。结果表明,在黑糖添加量8%、菌种添加量3%、发酵时间8h、发酵温度43℃、水牛奶85%,发酵后在4℃条件下冷藏24h,获得的发酵酸奶的感官品质评分为92分,产品组织状态均匀,口感细腻,略带有黑糖独特风味,感官评价最佳。最佳发酵条件下制备的凝固型黑糖酸奶酸度为90.5°T、乳酸菌数为1.3×107CFU/g,蛋白质含量3.4%,脂肪含量4.6%,均符合中国乳制品工业行业规范发酵水牛乳(RHB703-2012)的要求。 相似文献
7.
8.
【目的】针对遥感图像分类任务,为使模型精确捕获高层语义信息的同时降低计算复杂度,解决遥感图像分类任务中类内差异大而类间差异小的问题,提出了基于Mobile Vi T轻量化网络的遥感图像分类方法。【方法】基于Transformer框架,通过在卷积神经网络中引入注意力机制来实现对图像特征的提取和编码。在训练阶段,Mobile Vi T使用类似于传统Transformer模型的自监督学习方法,即通过无监督的方式学习图像特征的表示。通过使用一种名为Contrastive Multiview Coding(CMC)的学习策略,该策略可以通过最大化不同视角下的图像相似性来学习图像特征。在训练过程中,Mobile Vi T使用随机数据增强技术和Dropout等方法来增加模型的泛化能力,同时应用权重衰减和梯度剪裁等技术来避免过拟合和爆炸梯度问题。在推理阶段,Mobile Vi T将输入的图像沿着通道轴划分成多个块,并将每个块作为一个序列输入到Transformer网络中。在Transformer网络中,Mobile Vi T采用多头自注意力机制和全连接层,将每个块的特征编码成一个固定长度的向量。然后,... 相似文献
9.
10.