单克隆抗体ELISA检测犊牛粪便中冠状病毒抗原

用两株单克隆抗体混合后包被ＥＬＬＩＳＡ微孔板，加牛冠状病毒抗原，加经白陶土处理过的兔抗牛冠状病毒免血清，再加上辣根氧化物酶标记的羊抗兔ＩｇＧ抗体，加底物质显色间接ＥＬＩＳＡ检测牛冠状病毒抗原获得成功。用此方法检测细胞培养的牛冠状病毒上清液，其敏感度高出血凝试验（ＨＡ）８倍，从武汉市附近３个奶牛场采集犊牛腹泻粪便１０５份，用单抗ＥＬＩＳＡ检测牛冠状病毒抗原，共检出阳性３６份，并与血凝及血凝抑制试验，     

压力实时监测法在管道泄漏检测中的应用

检测输油管道漏油的方法很多，介绍了通过压力实时监测确定输油管道漏油点方法，以及实际应用情况。实践证明，通过压力实时监视确定输油管道漏油点的方法在实际输油运行中是切实可行的。     

面向多类型土壤有机碳定量反演的天基高光谱探测参数研究

星载高光谱仪器的光谱通道以及光谱分辨率和信噪比等核心参数设置直接影响土壤有机碳定量反演精度。本研究开展了卫星载荷光谱分辨率、信噪比、光谱特征波段对不同土壤类型有机碳反演影响的研究,提出了基于大气传输模型、光谱分辨率分析模型、信噪比分析模型、特征波段的提取分析模型以及偏最小二乘回归反演模型的面向不同土壤类型有机碳监测的高光谱卫星“地面–大气–仪器–观测–反演”全链路仿真分析方法,实现了土壤类型、大气效应、仪器特性参数、反演方法的耦合影响分析。结果表明：①3种类型土壤有机碳反演的最佳光谱分辨率均在10~20 nm。②不同土壤类型对观测的信噪比需求不同。对于Phaeozem的有机碳监测,较另外两种土壤有更高的信噪比需求。③在不同特征波段提取分析方法下所需的最佳光谱分辨率和信噪比一致。不同类型土壤光谱数据提取出的特征波段不同,其中反演效果最佳的土壤类型为Chernozem,特征波段数为26个,R²=0.826 5,RMSE=3.438 9 g/kg。④反演模型与仪器特性参数无耦合关系,同一类型土壤不同反演算法的最佳光谱分辨率和信噪比需求一致。⑤Chernozem有机碳最佳反演参数需求为光谱分辨率15 nm,信噪比大于506.66,特征波段提取数为26个;Kastanozem有机碳最佳反演参数需求为光谱分辨率17 nm,信噪比大于331.42,特征波段提取数为22个;Phaeozem有机碳最佳反演参数需求为光谱分辨率15 nm,信噪比大于432.51,特征波段提取数为19个。     

2020年新疆地区规模化猪场猪PCV2抗体检测与分析

为了解新疆地区2020年规模化猪场猪圆环病毒2型的免疫抗体水平,选择新疆地区6个规模化猪场,针对不同日龄段的猪采集血清样品333份,采用猪圆环病毒2型ELISA抗体检测方法进行抗体检测分析.结果发现,2020年新疆地区规模化猪场猪圆环病毒2型平均抗体阳性率为77.78％(259/333),平均抗体阳性率符合国家标准.但...     

青海省2017—2019年州县级兽医系统实验室检测能力比对

为全面了解和提升兽医系统实验室检测能力,2017—2019年青海省动物疫病预防控制中心连续3年组织州县级兽医实验室开展检测能力比对工作.根据每年疫病的流行态势,设置PCR、ELISA以及传统类检测等比对项目.结果显示:2017—2019年实验室总体准确率分别为50.00％、56.82％、74.47％,样品总正确率分别为...     

浅谈CFG桩复合地基

CFG桩是一种新的加固地基方法。具有适用范围广、加固地基效果明显、综合利用粉煤灰和工业废渣等优点。经济效益和社会效益好,极有推广价值。     

苹果高酸品种绿宝的茎尖培养快繁技术研究

以高酸苹果品种绿宝(G reen-gem)为试材,用MS BA 1.2mg/L NAA 0.8mg/L做启动分化培养基,进行茎尖培养快繁技术研究。结果表明,最佳增殖培养基为MS BA 1.0mg/L IBA 0.5mg/L和MS BA 1.0mg/L IBA 0.3mg/L,增殖系数达5以上;最佳生根培养基为1/2MS IBA 0.2mg/L IAA 0.4mg/L,生根率达100%。生根苗经严格的驯化锻炼和过渡移栽后移栽于大田,成活率达98%以上。     

基于神经网络的树叶识别系统研究

在林业系统注册树木种类时,通常采用大量树叶上的可见外形特点来辨别数目繁多的树木种类。针对此问题,本文提出了基于神经网络的树叶识别方法,该方法建立并管理一个分等级的树叶图像体系,通过对不同种类树叶的边缘提取来识别每种树叶的特征点,从而得到树叶的外部轮廓来区分树木种类:给出了相应的改进型神经网络算法,并给出详细的论述过程:最后,通过Java语言给出了系统实现并做了大量的数值仿真。结果证明本文方法是可行有效的。图4表1参8。     

基于YOLOv5s改进模型的小白菜虫害识别方法

小白菜是中国种植面积较广、深受大众喜爱的蔬菜,但真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC小白菜虫害识别模型。首先,引入CBAM（Convolutional Block Attention Module）注意力机制,将其放在CBS（卷积层Convolution+归一化层Batch normalization+激活函数层SILU）的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度（mean Average Precision, mAP）达到91.40%,提高了12.9个百分点;每秒传输帧数（Frame Per Second, FPS）为58.82帧/s,增加了11.2帧/s,增加幅度达23.53个百分点;参数量仅为14.4 MB,降低了25.78个百分点。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度分别高出20.1、24.6、14、13.4和13.3个百分点,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。     

基于CNN-Transformer的农作物病虫害知识问答意图识别与槽位填充联合模型

意图识别与槽位填充是农作物病虫害知识问答中问题理解的两个重要任务。在已有面向农业领域的研究中,上述任务仍被视为两个完全独立的子任务,并且未充分利用意图识别与槽位填充的语义信息。为此,该研究提出一种基于CNN-Transformer的意图识别与槽位填充联合模型（CDPCT-IDSF）。该模型根据农作物病虫害文本语义复杂设计CNN网络与多层Transformer结合强调局部的有用信息以缓解语义缺失问题;然后在Transformer解码器中引入对齐保证输入与输出一对一关系以提高识别正确槽位标签的能力。此外,进一步构建了包含20个意图类别、12个槽位类别和11242条标注样本的农业病虫害知识问答数据集进行对比试验,CDPCT-IDSF模型在该语料库上的槽位填充F1值为94.36%,意图识别精度为92.99%,整体识别精度为87.23%,优于其他对比模型,结果证明了所提模型在农作物病虫害意图识别与槽位填充任务上的有效性,可为面向农作物病虫害的知识问答研究提供理论支撑。