排序方式: 共有78条查询结果,搜索用时 14 毫秒
51.
52.
干旱胁迫对4种豫楸1号嫁接苗膜脂过氧化作用的影响 总被引:1,自引:1,他引:0
用盆栽自然干旱法对4种豫楸1号嫁接苗进行干旱胁迫,测定胁迫对MDA含量、质膜透性及叶片含水量的影响.结果表明:在干旱胁迫下,豫楸1号4种砧木嫁接苗MDA含量和质膜透性呈现持续增大的趋势,二者之间的变化趋势一致.金丝楸砧的MDA含量与梓树砧间差异达到极显著水平,4种砧木的相对电导率均与各自对照间差异达到了极显著水平.豫楸1号4种砧木嫁接苗的叶片相对含水量均随干旱胁迫的持续而下降.金丝楸砧和灰楸砧始终保持较大的降幅,而其它2种砧木嫁接苗在处理中期减少幅度较小.4种砧木嫁接苗的叶片水分饱和亏变化趋势与叶片相对含水量相反.综合评定豫楸1号4种砧木嫁接苗的抗旱性强弱依次为:金丝楸砧苗>本砧苗>灰楸砧苗>梓树砧苗. 相似文献
53.
54.
55.
56.
干旱胁迫下4种楸树嫁接苗叶绿素含量的变化 总被引:4,自引:0,他引:4
为了提高楸树嫁接苗的抗旱性,用盆栽自然干旱法对4种砧木嫁接的豫楸1号幼苗(砧1为金丝楸,砧2为灰楸,砧3为豫楸1号,砧4为梓树)进行干旱胁迫试验。在试验过程中,系统测定了叶绿素a、叶绿素b、叶绿素(a b)含量及叶绿素(a/b)比值的变化。结果表明:4种砧木嫁接的豫楸1号幼苗随干旱胁迫的加剧叶绿素a含量均出现逐渐降低的趋势,含量从高到低依次为砧1嫁接苗、砧3嫁接苗、砧4嫁接苗、砧2嫁接苗,其中砧1与砧2嫁接苗间叶绿素a含量差异显著;叶绿素b含量在干旱胁迫期间总的变化趋势为先增加后降低,但变化幅度均不大;叶绿素(a b)含量变化趋势与叶绿素a含量变化趋势相同,其中砧1与砧2嫁接苗叶绿素(a b)含量差异显著;叶绿素(a/b)比值的变化趋势与叶绿素b含量变化相反。以叶绿素a、叶绿素(a b)含量的变化趋势及叶绿素(a/b)比值为依据来确定不同砧木嫁接的豫楸1号幼苗抗旱能力从强到弱依次为砧1嫁接苗、砧3嫁接苗、砧4嫁接苗、砧2嫁接苗。 相似文献
57.
为探究调亏灌溉对超级稻孕穗期根系生长的影响。采用盆栽试验方法,透光通风大棚内栽种超级稻。土壤水分湿度仪测定土壤水分含量,根据土壤水分含量对超级稻孕穗期进行不同程度的调亏灌溉处理。调亏程度分别以田间持水量的80%~70%、70%~60%、60%~50%,编号为A、B、C三组,对照组CK为淹水灌溉。调亏灌溉处理促进超级稻孕穗期根系生长,使根冠比显著高于充分灌溉。对不同处理组的根系活力进行测定,调亏灌溉处理组要高于充分灌溉组,其中B处理组活性最强。根系扫描分析结果显示A和B处理组各个根系特征指标要大于C处理组,同时,3个处理组均大于CK处理组。超级稻孕穗期调亏处理可有效减少灌溉水量,水分亏缺为田间持水量的60%至70%时,对超级稻根系生长最佳。 相似文献
58.
基于机器视觉的胡萝卜表面缺陷识别方法研究 总被引:2,自引:0,他引:2
胡萝卜在生长与收获运输过程中,不可避免会出现一些外观缺陷,缺陷胡萝卜的剔除是胡萝卜上市销售前的重要环节。目前缺陷胡萝卜主要依靠人工分选,具有分选标准不稳定、劳动强度大、成本高等缺点。为了快速、准确、无损地检测缺陷胡萝卜,将机器视觉技术引入到胡萝卜分选过程中,以提高分选准确率和效率。胡萝卜表面缺陷包括青头、弯曲、断裂、分叉和开裂等,缺陷特征互不相同,所以不同缺陷需要不同的检测算法。青头检测利用胡萝卜正常区域与青头区域的颜色差异实现,胡萝卜图像在HSV颜色空间下,利用统计方法确定青头区域H、S和V的判别阈值;弯曲、断裂和分叉识别是根据正常胡萝卜与缺陷胡萝卜之间的形状差异实现,凸壳算法、Hu不变矩和Harris角点检测算法分别用来检测胡萝卜弯曲、断裂和分叉缺陷;开裂检测则是利用胡萝卜正常与开裂区域的纹理差异实现,Sobel水平边缘检测算子、Canny边缘检测算子结合形态学操作实现胡萝卜开裂区域提取。结果表明青头、弯曲、断裂、分叉和开裂的识别准确率分别为100%、91.14%、90.57%、94.57%和95.45%,总体识别准确率达94.91%,满足胡萝卜在线分选精度要求。 相似文献
59.
缺陷检测是胡萝卜上市销售前的重要环节,开裂缺陷区域的分割提取是开裂胡萝卜修整的必要条件。基于图像处理的传统的胡萝卜表面缺陷识别算法复杂,通用性、鲁棒性较差。该研究提出一种集胡萝卜缺陷种类识别(C-Net)和开裂缺陷分割(S-Net)为一体的深度多分支模型融合网络(CS-Net)。C-Net将预训练的ResNet-50作为胡萝卜图像特征提取器,分别输出ResNet-50不同卷积层特征,将其作为支持向量机(Support Vector Machine,SVM)的输入训练不同的分类模型,并利用不同策略将其融合以获取最终的分类模型;S-Net将预训练的ResNet-50作为分割网络的编码器,根据不同的分割网络构造思想设计解码器,构造胡萝卜开裂区域分割提取网络。结果表明,C-Net中,ResNet-50第49层输出模型在测试集上的准确率为94.71%,利用Stacking融合方法得到的模型性能最好,在测试集上的准确率为98.40%;S-Net中,根据U-net构造思想构造的网络分割效果最好,分割像素准确率(Pixel Accuracy,PA)、类别平均像素准确率(Mean Pixel Accuracy,MPA)和平均交互比(Mean Intersection over Union,MIoU)分别为98.31%、96.05%和92.81%。该研究构建的胡萝卜缺陷识别分割网络对胡萝卜外观品质的量化评价和表面缺陷的修整具有重要意义。 相似文献