为害损失

摘要： 近几年,由于受到品种、气候及田间栽培管理等因素影响,重庆地区茄子(Solanum melongena L.)病虫害发生程度呈加重趋势,特别是茄子青枯病、炭疽病、黄萎病等重大病害持续发生,造成较严重的损失,对茄子安全生产构成了威胁.本研究于2020—2021年在重庆合川蔬菜种植基地开展茄子病虫害自然损失率估计试验,探讨了采取综合防治技术措施后的植保技术贡献率.结果发现,与自防区相比,采取综合防治技术措施后的综防区茄子青枯病防效提高29.97%,炭疽病防效提高24.22%,黄萎病防效提高27.50%,白粉虱防效提高11.39%,蚜虫防效提高10.85%,红蜘蛛防效提高11.13%.研究结果为控制茄子青枯病等病害暴发,确保茄子稳产、增产提供有效依据.

摘要： 玉米南方锈病为黄淮海地区玉米常发病害,每年均有发生,发生程度因气候、品种、栽培管理等因素略有差异。2021年9月,通过对黄淮海地区玉米南方锈病发生和为害损失情况进行调查,结果表明,受台风“烟花”的影响,2021年黄淮海地区玉米生长中后期雨水较多,玉米南方锈病发生程度和面积均高于往年。玉米南方锈病暴发流行时可显著降低玉米穗粒数和百粒重,进而对产量造成影响。

摘要： 本文对2021年小麦条锈病的发生和为害情况进行了初步分析,结果表明,条锈病发病时间和发病程度对小麦产量造成的损失不同,早发重发田条锈病病指高,对产量造成的损失大。

摘要： 小麦条锈病是我国农业生产中最为严重的病害之一,其流行频率高、发病范围广、为害损失重,严重威胁农业生产和国家粮食安全。新中国成立以来,小麦条锈病在全国多次大流行,给小麦生产造成了严重损失。系统回顾总结小麦条锈病发生流行的历史,分析病害流行的特点、原因,以及造成的危害损失,有助于我们进一步总结经验,吸取历史教训,明确病害流行对农业生产和国家粮食安全构成的潜在威胁,增强做好研究治理和防控工作的责任感。同时,针对造成病害流行的原因和当前研究治理工作中存在的问题,提出对策建议,以期为实现小麦条锈病的可持续治理提供科学指导。

摘要： 平菇是消费者十分喜爱的的绿色食品,搞好平菇生产,也是城郊农民除耕种大田作物之外,开辟增产增收的有效途径之一。从我们在农村调查的情况来看,多数有经验的农户生产的平茹长势茁壮、肥嫩,生物转换率高。但我们在下乡走访中仍看到由于没有很好地进行预防病害和管理(有些种植平菇的农户菇床或菇袋上发生病害)造成一定的损失。其中,尤以绿色木霉为害损失最大。

摘要： [目的]明确福建省鲜食玉米大斑病田间病情与玉米产量损失的关系,为福建省鲜食玉米大斑病的合理防控提供理论依据.[方法]在玉米大斑病自然发病条件下,利用不同施药次数人为造成田间不同病情梯度,建立病情指数与玉米产量损失率模型,制定适合福建省鲜食玉米大斑病的经济阈值.同样条件下,以病情指数与产量损失率模型推算不同抗性玉米品种科学用药时期和次数,制定鲜食玉米品种抗性分级标准.[结果]采用逐步回归分析建立了玉米大斑病全部叶片病情指数与种植天数的回归方程.玉米产量损失率与玉米大斑病全部叶和功能叶病情指数均呈显著正相关关系,建立了基于玉米全部叶和功能叶病情指数与产量损失率的模型.在用药次数依次为1,2,3和4次条件下,基于全部叶病情指数乳熟期(R3)玉米大斑病经济阈值分别是14.63,17.88,18.72和22.06,基于功能叶病情指数分别是7.74,10.43,12.24和16.80.基于建立的回归方程、经济阈值及玉米籽粒建成期(R2)功能叶病情指数(DI),建议玉米品种抗性分级标准为:DI≤15为抗病(R),15＜DI≤30为中抗(MR),30＜DI≤45为中感(MS),DI＞45为感病(S).[结论]建立了福建省鲜食玉米大斑病田间病情消长动态理论模型和病情指数与产量损失率的模型,制定了玉米大斑病的经济阈值和不同玉米品种对大斑病的抗性分级标准.

摘要： 6月29H,农业农村部在湖南省常德市召开长江流域10省市草地贪夜蛾防控现场会,分区域动员安排防控工作,要求坚决打好迁飞过渡区防控阻击战,减轻当地为害损失,压低北迁虫源,降低黄淮海夏玉米主产区重发为害风险。会议指出,长江流域是草地贪夜蛾“北迁南回”过渡区,长江防线是“三区四带”布防的关键环节,抓好阻击防控对保障黄淮海玉米生产安全、降低西南、华南秋冬季发生基数具有重要作用。各级农业农村部门要坚决打好防控阻击战,实现“两个确保、一个力争”目标,即确保虫口密度达标区应防尽防,确保发生区域不大面积成灾、为害损失控制在5%以内;力争将重发区域控制在长江流域以南地区。

摘要： 通过剪叶模拟试验,测定稻纵卷叶螟对水稻的为害情况,验证水稻被该虫为害后的自然补偿能力.结果表明,在当地一般种植密度和肥力水平下,分蘖盛期宜香752品种受害程度≤50％,对水稻产量无明显影响;在分蘖盛期前受害,水稻自身具有较强的自然补偿能力.孕穗末期受害程度在10％～50％,水稻减产6％～16％,对水稻产量有明显影响;水稻进入孕穗末期,叶片受害程度达到10％以上,对水稻产量造成损失.因此,孕穗末期应及时做好稻纵卷叶螟防治,以减少水稻损失.

摘要： 柑橘在宜昌市栽植历史悠久且规模大的果树,柑橘疮痂病是影响柑橘产量和经济效益的一种重要病害.通过设立防治区与非防区,调查统计不同处理区的疮痂病发生危害情况,对比分析产量结果,明确受害产量损失的情况,以评估疮痂病的为害程度.

摘要： 由于水稻主要病虫种类多、发生期长、暴发流行的频率高,造成的为害损失大,特别是近年来,水稻主要害虫的发生特点也在变化,对其绿色防控技术要求也需要不断更新完善。

摘要： 2007年浙北稻纵卷叶螟特大发生。田间实际为害损失的测定表明,5 (3) 代不防治,有效穗数减少,实收减产25.27%；6 (4) 代不防治,结实率、千粒重明显下降,实收减产32.97%。

摘要： 本发明公开了一种减少窑筒体表面热损失和无窑头余风热焓损失的水泥生产系统，该系统去除了窑头烟囱，还包括连接窑头引风机和篦冷机冷却风机的窑头余风循环单元、和设置在回转窑筒体上的筒体余热回收装置；窑头余风循环单元由窑头余风循环管道、风量分配器和若干个出风管道组成，窑头余风循环管道一端与窑头引风机出风口连接，窑头余风循环管道另一端与风量分配器进风口连接，风量分配器出风口与对应出风管道一端连接，出风管道另一端连接对应篦冷机中部风室下方冷却风机，将窑头余风送入篦冷机中部风室；筒体余热回收装置进水口与冷水水箱相连，出水口与AQC炉相连。本发明达到窑头余风热焓全部利用，同时减少窑筒体表面热损失，提高了全系统热效率。

摘要： 本发明涉及一种基于感知损失和风格损失的图像扩展方法，包括：对预处理后的数据集送入到构建好的图像扩展网络中，图像扩展网络包括重构路径和生成路径，重构路径用于输入待补全区域图像，获取其待补全部分的先验信息，最后重构出原始图像；生成路径用于输入缺失图像，利用重构路径得到的先验分布，引导图像的生成过程，在训练过程中，重点引入感知损失和风格损失约束生成图像的纹理和风格，改善了传统方法的扭曲模糊结构。感知损失和风格损失分别获取已知区域的语义信息和整体风格，从而有助于网络把握图像的真实纹理风格。

摘要： 劳动生产率损失成本计算系统包括：就业信息存储部(21)，存储关于每个从业者的就业信息的数据；健康诊断结果存储部(22)，存储关于每个从业者的健康诊断的数据；压力检查结果存储部(23)，存储关于每个从业者的压力检查的数据；设定数据存储部(300)，存储设定数据；劳动生产率损失成本计算部(40)，根据就业信息存储部(21)存储的项目数据、健康诊断结果存储部(22)存储的项目数据以及压力检查结果存储部(23)存储的项目数据计算劳动生产率损失成本；以及输出部(50)，将已计算出的劳动生产率损失成本输出。

摘要： 压力损失决定装置(1)具有路径跟踪部(30)、配管信息管理部(50)和损失决定部(40)。路径跟踪部(30)从三维建筑物信息中提取应该配置配管的平面，对平面进行网格分割而分割成多个单元，设定作为配管的始点的始点单元和作为终点的终点单元。配管信息管理部(50)存储有表示流体在单元之间的压力损失值的损失信息(51)。损失决定部(40)检索通过从始点单元到终点单元的单元的连接而形成的多个配管路径，针对多个配管路径的各配管路径，使用损失信息(51)决定从始点单元到终点单元的压力损失值。

摘要： 本发明提供了一种损失分布计算系统，包括：频率分布/规模分布输入部分，用于输入关于频率分布和规模分布的信息；规模分布离散化部分，用于执行针对输入规模分布的上部离散化和下部离散化之一或者两者；子复合分布计算部分，用于在执行对所有事件的划分之后计算针对所有事件之外的部分的损失的累积和的概率值，以便计算上部子复合分布和下部子复合分布之一或者两者，上部子复合分布基于频率分布和上部离散规模分布进行计算，并且下部子复合分布基于频率分布和下部离散规模分布进行计算；精确度计算部分，用于基于上部子复合分布和下部子复合分布之一或者两者计算损失分布函数的上限和下限，基于上部子复合分布和下部子复合分布之一或者两者计算函数作为损失分布函数的近似值，并且计算近似值的精确度；以及损失分布输出部分，用于输出关于具有由关于所计算的精确度的信息表示的保证的精确度的损失分布函数的近似值的信息。

摘要： 本文讨论了用于训练机器学习(ML)模型以基于图像数据确定深度数据的技术。训练可以使用立体图像数据和深度数据(例如，激光雷达数据)。可以将第一图像(例如，左图像)输入到ML模型，该模型可输出预测的视差和/或深度数据。预测的视差数据可与第二图像数据(例如，右图像)一起使用以重建第一图像。第一图像和重建图像之间的差异可用于确定损失。损失可能包括像素、平滑、结构相似性和/或一致性损失。此外，可以确定深度数据和预测深度数据之间的差异和/或预测视差数据和预测深度数据之间的差异，并且可以基于各种损失来训练ML模型。因此，这些技术可以使用自我监督训练和监督训练来训练ML模型。

摘要： 本发明公开了一种基于边缘损失和风格损失的图像卡通化方法、装置、计算机设备及存储介质，其包括：将原始图像输入预设神经网络模型进行训练以获得卡通图像；计算第一训练模型、卡通图像和预设卡通图像的边缘损失值和风格损失值；根据边缘损失值和风格损失值调整预设神经网络模型的参数，并重新对原始图像进行训练以再次获得卡通图像；返回步骤二，并判断当前边缘损失值与上一次边缘损失值之间的第一差值是否在第一预设范围内以及判断当前风格损失值与上一次风格损失值之间的第二差值是否在第二预设范围内；若第一差值在第一预设范围内且第二差值在第二预设范围内，输出卡通图像。本发明可以在保证原图内容信息不丢失的前提下，提高卡通化程度。

摘要： 本发明公开了一种基于深度学习与损失权重分析的涡轮叶片损失模型构建方法，所述方法为了探究如何对现有涡轮叶型损失模模型修正，首先需对叶型损失中的各项损失进行拆分，并与现有模型的预测大小进行对比，分析得到需要修正的系数与项和需要添加的修正项，进而形成具有修正形式的损失预测模型。并通过对比具有不同叶型参数的涡轮叶型损失，找到需要考虑的叶型参数变量。利用人工神经网络模型建立需要考虑的叶型参数变量与需要修正的系数(或项和需要添加的修正项)之间的函数关系，并带入具有修正形式的损失预测模型，进而构建涡轮叶型损失预测模型。该方法能够准确预测具有较大攻角工作范围的涡轮叶型损失。

摘要： 本发明涉及图像深度学习领域，且公开了一种兼顾L2损失与L0损失的对抗攻击方法，包括以下步骤：第一步：首先使用Sign‑OPT攻击产生初始对抗噪声方向θ0和距离λ0；第二步：计算噪声维度不重要度矩阵β；第三步：使用二分搜索寻找一个阈值t，使得将β中高于t的值置0，低于t的值置1后，依然满足f(x0+λ0θ0·β)！＝y0，其中x0表示原始图像，y0表示神经网络对x0的正确分类类别，对初始对抗噪声方向θ0进行维度优化得到最终噪声方向θ'＝β·θ0。该种兼顾L2损失与L0损失的对抗攻击方法，与现有技术比较，不需要重复多次输入多个模型通路，节省了计算资源，受攻击的像素少。

摘要： 在本说明书的一实施例中，可以提供一种对灾害损失区域的损失规模进行评估的服务器的工作方法。此时，服务器的工作方法可以包括：获取至少一个以上的第一灾害图像的步骤；从至少一个以上的第一灾害图像分别推导出损失区域，并以所推导出的损失区域为基础通过贴标获取损失区域相关信息的步骤；以及，使用至少一个以上的第一灾害图像以及损失区域相关信息学习第一学习模型的步骤。