摘要：为明确2株SVA广西分离株的生长特性以及与其他毒株的同源关系,进一步了解其致病性,以GX84/2020和GX94/2020为研究对象,参考GD05/2017(MH316116)毒株全基因组序列设计4对覆盖全长的引物,通过RT-PCR扩增、测序和拼接,得到GX84/2020(MW117128)和GX94/2020(MW117129)毒株的全长基因组序列后进行序列分析;并将其攻毒8~10周龄仔猪。结果表明:GX84/2020和GX94/2020毒株基因组全长7250bp,同源性分析显示这2个广西分离株与其他43株SVA毒株的同源性为93.2%~98.1%;系统发育分析表明GX84/2020和GX94/2020毒株与美国毒株SVA-OH2(KU058183)亲缘关系最近,同源性为98.1%。攻毒结果显示,部分仔猪出现口蹄部位水疱、跛行及体温升高等临床症状,整个过程未出现仔猪死亡。通过全基因组序列分析和动物试验,明确了GX84/2020和GX94/2020分离株的生长特性、与其他毒株的同源关系以及该毒株的致病性,为研发疫苗和抗病毒药物奠定了基础,且丰富了SVA的基因组信息数据库。

摘要：针对水下无人机编队在目标合围观测任务中出现的通信时间延迟问题,建立了水下无人机编队的二阶离散系统模型.通过对比有无时延对编队的影响,在一致性时延的基础上,设计了时延控制方案,给出了在固定且大于一个采样周期的时延下,相邻无人机期望位置的表达式.仿真结果表明,设计的时延控制方案能够较好的抑制时延产生的不利影响,稳态振荡系数的一阶导数平均降低75.07%,验证了行为预测方法解决时延问题的有效性.

摘要：针对水下无人机在目标合围任务中出现的通信时延问题,建立了水下无人机编队的二阶离散系统模型。通过对比有无时延的影响,在一致性时延的基础上,设计了时延控制方案,给出了在固定且大于一个采样周期的时延下,相邻无人机期望位置的表达式。仿真结果表明,时延控制方案能够较好地抑制时延的不利影响,稳态振荡系数的一阶导数平均降低24.93%,验证了行为预测方法解决时延问题的有效性。

摘要：提出了一种基于机器视觉和深度学习的贝类目标检测和统计测量方法。首先,设计了一种带有4个角点的平面容器,在检测到图像像素角点后,根据平面投影的单应性,建立其和实际物理角点的映射关系,可得到像素坐标转换为实际物理坐标的单应矩阵。其次,采用目标检测的方法得到目标的定位框,并根据得到的单应矩阵,可将定位框的像素坐标转换为实际测量坐标,从而得到目标的实际尺寸。实现的算法可以移植到手机等便携式设备上,根据随意拍摄的图像便可直接输出目标的平均直径,具有很好的便利性。实验结果表明,本方法能够客观地对目标尺寸进行测量和统计,有效地克服了人工测量统计速度慢效率低的不足。