为了深入研究信号分子NO在植物中的调控机制,以拟南芥(Arabidopsis thaliana)为研究材料,从甲基磺酸乙酯(EMS)诱变获得的突变体库中筛选得到1株对一氧化氮(NO)敏感的突变体rsn1(Root sensitive to NO),对比分析突变体根对NO的敏感程度...为了深入研究信号分子NO在植物中的调控机制,以拟南芥(Arabidopsis thaliana)为研究材料,从甲基磺酸乙酯(EMS)诱变获得的突变体库中筛选得到1株对一氧化氮(NO)敏感的突变体rsn1(Root sensitive to NO),对比分析突变体根对NO的敏感程度、气孔对脱落酸(ABA)的反应等指标,并且利用图位克隆技术初步定位突变基因。结果表明,尽管在正常生长条件下rsn1突变体的萌发率与野生型没有明显区别,但根对NO胁迫敏感,在50μmol/L硝普钠(SNP)处理下,野生型拟南芥的相对根长为48.7%,而突变体rsn1的相对根长仅为5.3%;通过分析气孔对ABA的敏感程度发现,rsn1对ABA调控气孔关闭不敏感,在10μmol/L ABA处理下突变体rsn1的气孔直径是野生型的1.9倍,而在正常条件下突变体rsn1的气孔直径与野生型差异不大,且突变体rsn1的失水率高于野生型拟南芥;遗传分析表明,rsn1是一个单基因隐性突变体;通过图位克隆初步判断突变位点在第5号染色体上。展开更多
文摘针对基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,提出了一种基于机器视觉和深度残差收缩网络(deep residual shrinkage networks,D-RSN)的智能制造缺陷检测方法,并进行了先验环境下的仿真验证。首先利用互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)相机集群搭建快速机器视觉图像获取装置,形成融合前置训练集和后置测试集的图像特征数据池;然后利用D-RSN对数据池前置训练集进行图像缺陷特征隐性知识学习辨识,构建时间正序下的图像缺陷特征全息感知机制;最后利用深度长短期记忆(deep long short-term memory,D-LSTM)神经网络对数据池后置测试集进行图像缺陷自主检测,借助图像缺陷定位及分类函数输出检测结果。选取某医用外科口罩智能制造生产线为工程实践验证载体,对模型进行了工程应用实践验证,结果表明:所提方法较好地改善了基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,可以自主学习辨识图像缺陷特征隐性知识,大幅度提高了智能制造缺陷检测有效率,图像缺陷检测均值有效率达98.37%,符合医用外科口罩智能制造生产线国检要求。