排序方式： 共有18条查询结果，搜索用时 15 毫秒
1.
55株猪源大肠杆菌的耐药性监测 总被引：8，自引：0，他引：8
猪大肠杆菌病是由致病性大肠埃希氏菌引起猪的传染性疾病的总称。由于致病源大肠杆菌的血清型不同和猪的年龄、生理机能和免疫状态等差异,引起的常见疾病可分为仔猪黄痢、仔猪白痢和猪水肿病三种[1]。猪大肠杆菌病在世界各地均存在,仔猪黄、白痢为猪场中最常见的传染病[2],发病率、死亡率均居仔猪疫病之首,给养猪业带来极大危害和经济损失[3]。大肠杆菌病发生后多采用抗生素类药物治疗,使得大肠杆菌病得到一定的控制。但是,由于抗生素的广泛及不合理使用,细菌耐药性日益严重,特别是多重耐药性问题更加突出[4,5,6]。为了解和掌握本地区猪大肠… 相似文献
2.
消毒药液的选用、配制及使用应在检疫人员指导下进行，屠宰场应选用杀菌（毒）能力强、无毒无害、易溶于水且使用方便、价格低廉的消毒药。为了避免抗药性的产生，可选用烧碱、过氧乙酸、消毒威、灭毒先锋（西安乐道）中的2～3种交替使用。 相似文献
3.
针对显微镜观测视野狭小而难以采集到全局图像的问题,提出了一种基于加速鲁棒特征(SURF)的木材显微图像自动配准方法.首先使用SURF检测并描述兴趣点,通过最近邻匹配得到匹配点对后,用双向匹配和RANSAC算法剔除错误匹配.然后利用最小二乘法和匹配结果进行模型参数估计,最后通过插值获得配准图像.对阔叶材显微图像配准实验结果表明,该方法具有较好的鲁棒性,无论图像是否有旋转,都可以实现自动的配准.比起尺度不变特征转换(SWT),由于用SURF得到的兴趣点数量更少,运算速度更快,总的匹配速度提升了5倍左右,缩短了整个配准过程的时间,算法更具有实时性. 相似文献
5.
6.
猪附红细胞体病是由附红细胞体寄生于猪红细胞和血浆中而引起的一种猪的传染病。本病1932年在印度首次发现,近年来我国20余个省市均发现有流行,感染率很高。保定地区血液普查中发现,猪的感染率可达60%～80%,一般多为隐性感染,在不利的气候、饲养条件或感染其他疾病时可引起发病 相似文献
7.
【目的】现代电子和通讯设备的普遍使用,使得林业管理部门可以及时获取和累积大量林业业务图像。对林业业务图像进行自动分类,可使林业各个管理部门,包括林业执法机构和执法队伍能够全面配合、相互协调,增强决策支持和应急处理能力,从而实现有效的森林资源监管。【方法】提出一种基于自学习特征的林业业务图像自动分类方法,该方法采用3层结构来获取图像局部特征的全局语义,并对全局语义进行建模。首先,将图像分块,对图像块采用线性稀疏自动编码器进行自动学习,获取局部特征的权值矩阵;之后,利用权值矩阵对图像进行卷积,获取各种局部特征在图像中的映射,再进行池化与连接形成特征向量;最后,利用特征向量,采用softmax分类方法进行图像类别建模与识别。【结果】确立了林业业务图像的4个类别:动物死亡、森林火灾、采伐和森林病虫害。收集4类图像355幅,每类图像数目不等,并裁剪为统一大小,建立试验用林业业务图像数据集。利用留一法进行多次交叉试验,识别精度达到80%。线性稀疏自动编码器有效地提取出了图像块中的色彩特征、色彩变化特征及不同方向和不同位置的梯度特征等;利用自动学习到的局部权值矩阵卷积整个图像,在每幅特征图像中激活了原图的不同特征,且这些特征是零散的;当被识别图像与同类图像有相似或者局部相似的特征时,其会被正确识别,反映了基于自学习特征的林业业务图像分类方法能联合图像中的局部特征识别全局语义。【结论】林业业务图像分类属于图像场景分类问题,其同一类图像的类内相似性较弱,利用传统的"特征提取+分类建模"方法进行分类,其分类特征的选取难度较大。相较而言,基于自学习特征的林业业务图像分类方法的局部特征是从图像中自动学习得到的,方法泛化性强;而且该方法只有3层,没有全部层的反馈学习过程,比目前流行的基于深度卷积神经网络的图像分类方法效率高;当累积的样本图像增多、更加全面时,可以期望获得更高的识别精度。 相似文献
8.
9.
采用嵌入式技术和图像处理技术,通过提取叶片相对稳定的形状特征实现对植物种类的识别分类。系统基于Ubuntu 10.04,采用Qt Creator1.3.1在北京博创公司的UP-NETARM2410-S开发板上进行了实现。功能包括植物叶片的采集和图像拍摄、图像预处理（图片灰度处理及轮廓提取）、图像特征提取（包括叶片的圆形度、偏心率等特征）、图像识别这4个步骤。实验结果表明:该系统可以比较准确地实现对银杏Ginkgo biloba,樟树Cinnamomum camphora,无患子Sapindus saponaria等9种植物叶片的识别分类。图6表1参13 相似文献
10.