斑马鱼的品种介绍-斑马鱼怎么样？（精选7篇）
篇1：斑马鱼的品种介绍-斑马鱼怎么样？
斑马鱼的简介
斑马鱼，是一种常见的热带鱼。斑马鱼性情温和，小巧玲珑，几乎终日在水族箱中不停地游动，易饲养，可与其他品种鱼混养。饲养水温20～23℃，在水温11～15℃时仍能生存。
斑马鱼体型纤细，孵出后约3个月达到性成熟，成熟鱼每隔几天可产卵一次。卵子体外受精，体外发育，胚胎发育同步且速度快，胚体透明。发育温度要求在25-31℃之间。斑马鱼由于个体小，养殖花费少，能大规模繁育。
由于斑马鱼基因与人类基因的相似度达到87%，这意味着在其身上做药物实验所得到的结果在多数情况下也适用于人体，因此它受到生物学家的重视。
鱼胚胎突变体是研究胚胎发育分子机制的优良资源，有的还可做为人类疾病模型，斑马鱼已经成为最受重视的脊椎动物发育生物学模式之一，在其它学科上的利用也显示很大的潜力。
斑马鱼怎么样?
斑马鱼体色为银色或金色，覆盖著一些蓝色或紫色的横纹，这些横纹从头部延伸至尾鳍的后端，臀鳍和尾鳍上同样也有这种条纹，背部呈浅橄榄黄。雄鱼比雌鱼更修长，但略小一些。体长可达3.8厘米。有许多人工培养的品种。
华盛顿大学西雅图一直在对斑马鱼进行研究，试图解决人类听力丧失的问题。和许多其他水生生物一样，斑马鱼在身体表面长有毛细胞。这些毛细胞的作用是探测水中的振动，其原理与人类内耳中的毛细胞相似。但是，与人类不同的是，斑马鱼的毛细胞在受损后还可以再生。研究人员希望他们的工作可以揭开谜底，保护人类的毛细胞免受损伤、并推动毛细胞的再生。
篇2：斑马鱼的品种介绍-斑马鱼怎么样？
蓝斑马、红斑马、黄斑马、喷点斑马、电光斑马、闪电斑马、豹纹斑马、虹带斑马、火红金线斑马、银河斑马、蓝带斑马、虎纹斑马等。
斑马鱼是研究发育生物学的新兴模式动物。斑马鱼由于具有饲育容易、胚胎透明、体外受精、突变种多、遗传学工具成熟等诸多优点，已成为研究脊椎动物发育与人类遗传疾病的新兴模式动物。
篇3：基于学习的斑马鱼检测与跟踪
群体行为在大自然的物种中广泛存在,例如在空中形成美妙图案的鸟群,大海中形成旋涡状的鱼群等,并且群体行为对于它们的生存起到了至关重要的作用( 例如觅食和躲避天敌) 。 这一奇妙的现象吸引了许多科学家的兴趣[1,2],他们试图发现隐藏在其背后的原因。斑马鱼作为一种模式生物,由于其结构简单、容易喂养等特点,被广泛用作研究群体行为的对象。通过获得斑马鱼的运动轨迹,分析每条轨迹以及轨迹之间的关系,成为了研究群体行为的主要手段,为了获得轨迹,摄像机提供了一种很方便的选择。
之前已有一些关于用视频跟踪恢复斑马鱼轨迹的工作。最早通过人工标注的方法[3,4]获得轨迹并且在恢复轨迹的基础上得到了许多统计量,但是该方法很费人力,并且容易出错; 当前大部分算法[5,6,7,8]首先通过减背景的方法,提取鱼的区域,或者用每个区域表示鱼,或者用该区域的质心表示鱼,然后将每帧检测到的鱼关联成轨迹。这些算法对鱼的群体行为研究起到了重要的作用,但是对实验环境要求高,算法本身还存在很大改进空间。首先,背景剪除算法要求背景不是很复杂,并且鱼和背景差异大; 由于鱼的身体不是刚体,在运动过程中其形变比较大,因此无论是对质点地跟踪,还是区域的跟踪,都会有很大的影响; 其次,对于遮挡的处理,Kato等人[8]提出了用形态学腐蚀和膨胀算法分割靠近的鱼,但是只对比较简单的交互适用,因此当把不能分开的区域当成一个个体处理时,对轨迹的准确性和完整性影响很大。另外,这些算法恢复出来的轨迹只有大致的位置信息,不能提供其它的重要信息,例如头部的准确位置和方向, 而这些对群体行为研究提供更多信息。
基于以上事实,本文提出了基于检测的多目标跟踪算法,该算法即使在背景复杂和遮挡的情况下,也能鲁棒准确地跟踪鱼的头部位置和方向。该算法包括两部分,基于生物形态特征的鱼头检测器和跟踪算法。该检测器基于斑马鱼头部特点以及成像特征,不需要减背景,因此鲁棒性和高效较好,在大多数身体遮挡情况下,也能检测到鱼的头部,并且不仅能得到头部位置, 而且能获取鱼头的方向信息; 在跟踪算法中,通过对鱼的运动建模,结合全局匹配算法,使得该跟踪算法对漏检、错检和遮挡有很强的容忍性。
1 基于生物形态特征的鱼头检测器
1. 1 鱼的身体特点及成像特征
斑马鱼在游动过程中,其身体灵活、形变大,但是,大约占整个长度1 /6的头部区域,基本没有形变,可以看作是刚体的运动。斑马鱼的皮肤颜色比较浅,而两只眼睛的颜色很深,嘴部处在边缘,而且透明。因此,当把摄像机固定在鱼缸的上面,光轴基本垂直于水面拍摄,并且光源从上照射在鱼身时,头部区域在图片上的成像很有特点,如图1( a) 所示,鱼身相比其周围水的颜色要黑,两只眼睛部位颜色更深,而眼睛前面嘴部的颜色很浅; 图1( b) 用三维空间显示了鱼头部区域,Z轴表示灰度值,眼睛部位有明显的两个波谷特征,并且因为鱼的头部区域可以看成刚体,因此头部区域的特征具有不变性。
1. 2 鱼的头部特征描述子
鱼的头部区域有很显著的局部和全局性信息,而梯度可以很好描述灰度变化的方向和快慢。如图3 ( b) 下所示,因为HOG特征[9]既能编码图像的局部信息,也反映了全局信息,因此,我们选择在经过矫正后的鱼头部图像上提取HOG特征。将图像分成一个个cell单元,在每个cell单元中进行梯度直方图统计,因此每个cell编码了图像的局部信息。为了消除关照的影响,将相邻的多个cell组成一个block,进行归一化,然后将所有的block向量按顺序拼接在一起,表征头部的特征向量,因此,HOG特征包含了图像的空间几何特征,是全局信息。
鱼眼的位置和距离决定了提取特征的区域,虽然鱼头的朝向和大小是不同的,但是最终都把候选的头部区域矫正为同样方向和大小的图像,而HOG特征的提取是基于矫正后的图像, 因此,本文中提出的基于鱼眼的HOG特征具有旋转、尺度和关照的不变性。
1. 3 过检测策略与过滤
鱼眼有很明显的特征,即局部极小值,因此,可以检测图像跟踪区域的局部极小值作为可能鱼头的候选位置。考虑到鱼身和周围水的灰度差比较大,本文选择同时用两个大小不一的窗口搜索图像,选择满足下面两个条件的局部极小值: 1) 该点是小窗口的局部最小值; 2) 该点与大窗口中灰度最亮的点的灰度差大于一个阈值。通过第二个条件能排除许多在水中的局部极小值,公式如下:
式中,local Min表示在以 ( x,y) 为中心的N × N小窗口中,该点是否是极小值; win Max表示在N1 × N1大窗口中最大灰度值; flag标记该点是否满足以上两个条件。图4 ( a) 显示了一张图像的某个区域内满足条件的候选点,它们可能就是鱼眼。下文介绍通过事先训练好的基于鱼眼的鱼头分类器过滤,找到真正的鱼眼,以及鱼头区域和方向。
基于鱼眼的鱼头分类器训练。通过上面介绍的检测鱼眼算法检测图像后,满足条件的点有很多,我们可以在这个基础上选择正负样本,即将真正是同一条鱼的鱼眼配对( 注意左右眼的区分) 。如1. 2节所述,根据两只鱼眼的位置,就可以提取鱼头的特征,这样就选择了一个正样本; 挑选距离比较近且不是正样本的点对,作为负样本。实验中挑选了220个正样本,280个负样本作为训练数据,使用SVM分类器[10,11,12,13]( RBF核[14]) 学习, 得到针对鱼头的分类器,SVM的详细介绍可以参考文献说明。
对于每帧输入图像,首先用鱼眼检测器找到可能的鱼眼候选点,对于之间的距离满足一定条件的点配对,因为要区分左右眼,因此,每个匹配对有两种情况,然后用基于鱼眼的鱼头分类器来过滤,得到真正的鱼眼对,从而得到鱼头的区域和方向。图4( b) 显示了过滤后的结果。从图中可以看到鱼眼检测器没有漏检的情况,过滤后,舍弃掉了所有不正确的点,保留了真正的鱼眼; 同时,即使鱼的身体被其它鱼遮挡,检测器也能正常工作。
不同于大多数基于模板匹配算法,在整张图片上进行多尺度、多角度的遍历和匹配,本文提出的鱼头检测算法,首先通过快速算法找到可能的候选点,然后做过滤处理,因此算法速度快。同时,该算法基于鱼眼和鱼头显著特点设计,因而非常准确和鲁棒性好。
2 跟踪算法
2. 1 跟踪模型
目标跟踪可以从概率论的角度阐述,与目标相关的有两个属性,一个是目标的内在属性,也称状态变量,比如目标的真实位置、速度等,该属性不能直接得到,需要求解; 另一个属性是观察得到的属性,也称观察变量,例如物体在图像中的位置。观察得到的属性与本质属性相关,但是,一般有误差( 例如检测误差) , 因此,需要通过观察值估计真实值,所以跟踪问题可以用后验概率阐述。定义Xt表示在t帧的状态变量,Zt表示在t帧的观察变量,现在已知第1帧到t帧的观察值Z1: t,需要估计Xt,用后验概率表示为P( Xt| Z1: t) 。在下面两个假设前提下,即观察变量只与当前帧的状态状态变量相关; 当前帧的状态变量只与前一帧的状态变量相关,后验概率用贝叶斯公式展开成如下递归式:
其中k为归一化常量,P( Xt -1| Z1: ( t -1)) 为上一帧状态空间后验概率,P( Xt| Xt -1) 为状态转移模型,P( Zt| Xt) 为观察模型。为了求解式( 2) ,Kalman Filter[15]用线性高斯系统建模状态转移模型和观察模型,即:
式中,F是状态转移矩阵,即状态转移模型,H是观察矩阵,即状态观测模型,∑f和 ∑h分别是高斯噪音协方差。在KF框架下,目标状态变量在t帧的后验概率服从高斯分布,其均值和协方差可用如下两步计算完成,即预测和更新:
更新:
针对本文解决的问题,鱼的状态变量为Xt= [xt,yt,θt, xt -1,yt -1,θt -1]T,即当前帧和上一帧鱼头的坐标( 两眼的中点) 和头的方向; 观察变量Zt= [xt,yt,θt]T,即图像中检测到的鱼头位置和方向。状态转移矩阵和观察矩阵分别如下:
2. 2 目标关联
在多目标跟踪中,如果上帧中有多个目标被跟踪,即系统中有多个跟踪器,在当前帧中又检测到了多个目标,因为在跟踪器更新阶段需要关联观察变量,即需要在检测到的目标与跟踪器之间建立对应关系。因此,这里有一个多对多的关联问题,一些算法采用贪心策略,即每个跟踪器与它附近最匹配的检测值关联。通常最匹配指距离最近或者纹理特征最相似,这种策略不是全局最优的,当目标之间的外观较为相似时,数据关联可能会出错。本文将数据关联问题转化为优化问题,得到全局最优解。
式中,D( i,j) 表示用距离度量代价,σ1是阈值,当它们之间大于 σ1时,代价最大,为1( 实验中 σ1= 20 ) ; Θ( i,j) 从鱼头方向的差异度量代价,σ2是阈值( 实验中 σ2= 90°) 。因此C( i,j) 定义为:
式中,α 和 β 是两个非负权值。
定义n行m列矩阵An × m,其中每个元素或者为1,或者为0, 如果A( i,j) = 1 ,则表示将第j个检测目标关联第i个跟踪目标。因此,目标关联问题等价于求解矩阵A ,使下面的目标关联代价能量函数达到最小:
式中的两个条件保证每个检测目标最多关联一个正在跟踪的目标。该优化问题属于最优线性指派问题,可以用匈牙利算法[16]快速求得最优解。
得到的最优解中,有可能有些关联并不是我们想要的。例如某个正在跟踪的目标在当前帧漏检,则该目标可能与其他检测目标关联。因此,对于最后是否决定将两个目标关联,求得的最优解满足如下条件:
2. 3 跟踪特殊处理
有可能新的目标进入跟踪区域,或者鱼头错检,因此,这些目标就不能被关联,这种情况我们对这些第一次检测到的目标初始化跟踪器。那些错检的鱼头,在下面的帧中仍然被错检的概率极低,因此,轨迹非常短,很容易将这些噪音轨迹排除掉。
正在跟踪的目标可能运动出了跟踪区域,或者发生漏检 ( 虽然概率极低) ,导致正在跟踪目标关联不到检测的目标。对于这种情况,并不是立即结束该目标的跟踪,而是用该目标的跟踪器估计的运动参数预测若干帧,如果在这些帧中仍然没有找到关联目标,或者运动出跟踪区域,才终止该轨迹。因此,该跟踪策略,对于偶然的漏检仍然能保证轨迹的完整性。
3 实验结果与分析
实验中鱼缸的大小为30 cm ×30 cm ×15 cm,水深约10 cm; 一台Flare 4M180-CL高分辨率灰度相机固定在鱼缸上方约1. 5 m处, 并且相机光轴基本垂直于水面,设置相机的帧率为50 fps,分辨率为2048 × 2040; 2个150 W无频闪LED光源从上方正面照射鱼缸。我们选择14条成年斑马鱼作为实验对象,当斑马鱼受到刺激后开始拍摄,从中选择运动最活跃的连续的400帧( 即时长8 s) 来验证算法。算法使用C + + 实现,运行算法的计算机处理器为Intel i5 2. 9 GHz,内存大小为8 GB。为了验证算法,我们需要将获得的轨迹与真实的数据比较,真实轨迹数据的获取是通过人工的标注鱼头在每帧的位置,然后关联成轨迹,整个过程通过编写的软件辅助完成。我们从两个方面验证算法的准确性、鲁棒性和实用性,即头部检测器验证和跟踪算法的验证。
3. 1 头部检测器的验证
将程序检测模块检测每一帧图像得到的鱼头数据与每一帧真实的鱼头数据比较,用如下四个指标衡量检测器的性能: ( 1) 检出率。所有正确检测的结果与应该检测的结果 ( 14 × 400) 之比; ( 2) 漏检率。没有检测到的鱼头与应该检测的个数之比; ( 3) 错检个数。检测器得到结果中不是鱼头的个数; ( 4) 鱼头位置平均偏差。正确检测的鱼头位置与真实的鱼头位置偏差的平均值; ( 5) 鱼头位置的最大偏差。
从表1显示的统计结果可以看出,本文提出的基于鱼头身体特点和成像特征,通过统计学习的方法设计的鱼头检测器具有极高的正确检测率和准确性,极低的漏检和错检率; 图5显示,在严重交互和遮挡的情况下,该检测器也能正确、准确地检测,进一步表明该检测器的实用性。
3. 2 跟踪算法的验证
为了验证跟踪算法的鲁棒性,以及对漏检和遮挡的容忍性,将本文提出的算法与另外一个跟踪算法对比。该算法将正在跟踪的轨迹与当前帧检测到的目标直接关联,如果正在跟踪的轨迹没有找到关联的对象,则立即结束该条轨迹。而相比该算法,本文的跟踪算法对每一条轨迹都使用一个Kalman滤波器对该目标的运动建模,对于因为漏检没有关联的轨迹,该算法根据跟踪器估计的该目标的运动规律继续预测若干帧,在这些帧中目标极有可能重新被检查到,从而与轨迹关联上,因此能保证轨迹的完整性。
将两个算法得到的轨迹与真实的轨迹进行比较,这里从如下两个指标[17]比较跟踪算法的性能: ( 1) 轨迹碎片率。对于每一条真实的轨迹,可能由多条跟踪算法得到的轨迹片段拼成,定义这些轨迹片段的条数为该轨迹的碎片数,所有真实轨迹的碎片数之和与真实轨迹条数之比为轨迹的碎片率,该值大于等于1,越大表示轨迹中断次数越多,跟踪算法性能越差; ( 2) 轨迹完整率。每一条真实的轨迹可能包含多条轨迹片段,定义这些轨迹片段覆盖真实轨迹的帧数为该轨迹的覆盖长度,所有真实轨迹的覆盖长度之和与所有真实轨迹长度之和的比值为轨迹的完整率,该值小于等于1,越大说明算法得到的轨迹丢失的信息越少。
去掉长度小于8的噪声轨迹后,本文算法和对比算法得到的轨迹数分别为21和57。表2比较了两个算法得到的轨迹的碎片率和完整率,可以看出本文跟踪算法的碎片率极低,说明该算法对漏检和遮挡有很强的容忍性,完整率也高于对比算法。因为该算法对暂时漏检的目标有预测和填充作用,因此轨迹丢失信息少; 图6中显示两个算法得到的某条轨迹的局部区域的对比,图7显示了使用本文提出的算法跟踪14条鱼400帧的鱼头轨迹,一共21条轨迹,Z轴为时间轴,从中可以看出本文方法的跟踪结果碎片率很低,表明该算法对漏检和遮挡有很强的容忍性。
4 结 语
为了解决鱼群的跟踪问题,本文提出了通过检测来跟踪鱼群的算法。根据鱼的身体特点和成像特征,提出了基于鱼眼和头部显著特征,通过统计学习方法设计的鱼头检测器,该检测器能快速、准确检测鱼头的位置和方向,即使在严重的身体遮挡情况下,也能很好的工作; 在跟踪算法中,通过给目标的运动建模, 结合全局匹配算法,使得跟踪算法对于错检、漏检和短暂严重遮挡有很强的容忍性,因此,能很好地保证轨迹的正确性和完整性。实验表明本文提出的鱼群跟踪算法有很好的实用性。
虽然跟踪得到的轨迹碎片率极低,但是对于长时间的遮挡仍然存在轨迹中断的问题,下一步工作准备在当前跟踪算法的基础上增加轨迹连接步骤,即找到中断轨迹的对应关系并将它们连接成完整的轨迹。同时,下一步工作准备通过分析得到的轨迹来进行群体行为的相关研究。
摘要：群体行为吸引了各个领域众多科学家的兴趣,而斑马鱼作为一种模式生物,被广泛运用为研究群体行为的对象。近年来,由于照相机系统和跟踪算法的发展,使通过分析鱼的运动轨迹来研究群体行为成为了可能。但是,怎样从视频中准确鲁棒地恢复鱼的轨迹仍然是一件非常具有挑战性的问题。为了解决该问题,提出根据鱼的头部特点和成像特征,设计一个基于统计学习的鱼头检测器,从而减少身体形变对跟踪的影响;同时,通过给斑马鱼的运动建模,结合全局匹配算法,使跟踪算法对漏检、错检和短暂的遮挡有很强的容忍性。大量的实验表明所提出的鱼头检测和跟踪算法的准确性和鲁棒性。
篇4：外国人怎么“礼让斑马线”
英国最早出现斑马线
英国自1970年始就一直开展“绿十字”宣传计划，通过各种方式向国民传播交通安全的法律、规则与知识，让国民知道如何过斑马线，知道怎么保护自己与他人的人身安全。而他们在斑马线上的做法也的确新颖有效，值得借鉴。
在英国过马路有两种方式：一是设有交通灯的斑马线，车来到斑马线处自然会停下让行人先行;二是手控按钮式交通灯，需要行人自行按下手控按钮，等候红灯变绿灯才可通行。英国城市街头到处都是这种红绿信号灯，这种手动灯相对于“礼让”最大的好处是其传达的信息明确，行人与车辆都按红绿灯信号行驶，就不会发生碰撞。而且实行由行人控制的信号灯，当无行人需要过马路时，汽车就可以一直通行，不会影响交通效率;随着技术的不断进步，红绿灯的长短还可根据道路状况自行调节。英国的交通管理几乎到了宁滥勿缺的地步，信号灯遍布，各种标线遍布。
德国“以人为本”效果显著
德国有8200万人口，约有5000万辆汽车，每百人拥有车量达64辆，是名副其实的汽车王国。车虽多，但是路上秩序井然，街头几乎看不到交通警察。即使是柏林这样的大都市，塞车的情形也不严重，几乎看不到因为违章驾驶而造成的塞车现象。德国的交通为什么如此井然有序？
在德国，对人的尊重体现在道路交通的每一处，真正是以“人”为本。前面有行人的时候，司机决不会按喇叭示意行人让开，而是等待行人觉察后自行闪开;或者是在后面慢慢开着，想办法绕开行人。值得一提的是，车礼让行人并非德国交通法的硬性规定。斑马线是行人绝对的安全线。有时候，行人即使离斑马线还有一点距离，车子也会停下来，等行人穿过斑马线。
德国有关部门经常举行儿童交通知识竞赛。在德国的街头，经常可以看到警察带着小孩子、父母带着子女、幼儿园老师带着小朋友学习如何过马路和看红绿灯等交通规则。在德国，司机都可能是交警。例如，在超车道上，小车一般只允许占用5分钟。司机是不敢超过时间的，因为其他司机会向交警举报，等待违规者的是严厉的处罚。
在美国车让人成为司机习惯
美国有一条交通法规，规定各种机动车辆行驶到设有“stop”标示牌的十字路前要“停一下”。即使十字路上没有行人，也必须停一下，在认定四周没有行人可以安全通过时方可行驶。据北美西华报公布，美国实行这项法规的当年交通事故下降26%。这一法规也早已成为驾车者的习惯。在斑马线上或者路口如有行人或有人正欲通过，必须先让行人通过后，汽车才准通过。行人只要走上人行横道，所有车辆必须停车让行。
美国不少汽车司机碰到行人要过马路，常常停下车后挥手示意行人先走。而对于明知故犯、似停非停或者加速快驶的驾驶员，会被紧跟其后的警车鸣笛令停，毫不客气，罚单一张。美国多数城市还规定，汽车只有在必要时才能鸣笛，不得因为开快车而鸣笛。司机在路上看到接送学生的黄色校车时应格外谨慎，如果校车停下，司机必须停车。
韩国斑马线具有“特权”
韩国人的交通安全意识普遍较强，很少能看见行人胡乱穿行马路的现象，连小孩子在红灯亮时即使没有汽车通过也会乖乖地站在路口的斑马线前等待。同时有些地方的行人斑马线也很有特色，分为左右两部分，即上行线和下行线，两条线的起点地面上都画有一个很大的白色箭头，指示行人过马路时一律靠右走。这样，行人通过时就无须为避免发生碰撞而避让对面来的行人，加快了过马路的速度，转灯后则不会影响汽车的行驶。
韩国警方对于司机无视斑马线的处罚十分严厉：无论何种信号，凡车辆妨碍行人横穿马路时，罚款6万韩元，并扣罚10分;车辆虽然在绿灯时进入人行横道，但因堵车而停在人行横道时，罚款4万韩元。韩国警察厅早在2007年就实施了“以步行者为中心的交通安全设施的设置计划”。在学校周围以及残疾人、老年人比较多的区域，韩国政府将把人行横道的绿灯时间比现在延长20%。另外，在老年人聚居的地方将设置“银色区域”，大幅度扩充按钮式信号灯和护栏等安全设施，以充分让行人在斑马线上体会到“行路优先权”。
日本“礼让”整体素质高
日本拥有密集的交通运输网络，其管理也是采取高科技手段，日本警方通过卫星来监控全国的行车状况，所以马路两旁随便停车的情况很少出现。在日本的交通法规中相对于车辆更多的是保护弱小的行人。在发生交通事故时，不管行人是否闯红灯，涉事车辆都负主要责任。在一些没有信号灯路口，都会画一条停止线，司机过路口时必须停一下，观察一下路口的情况再通过。
日本基本交通规则中对行人有专门的规定：步行者靠右侧通行，机动车和自行车靠左侧行驶。在机动车和步行者同时经过时，步行者优先。在日本道路上如果前方没有红灯，而行人要过马路，汽车看到后会停下来并且招呼一下让行，这被日本人认为是“礼节”。在有信号灯的路口交通法规中没有减速的要求，但是司机和行人通常是相互信任，都会遵守交通规则，不会闯红灯突然通过。这种信赖关系的建立也体现了日本的国民素质。
篇5：斑马线介绍
在我家的门口，有一条黑白相间的斑马线。虽然不长，但是却有许许多多的车辆从上面驶过。
每当我放学回到家的时候，都可以看到在那条斑马线上站着一位协警叔叔在指挥交通。如果他看到有小学生要过马路，就会做一个“停”的手示让车停下来，再和小学生一起过马路，等小学生过了马路再做一个“行”的手示让车继续前进。这位协警叔叔真伟大。
夏天，不管天气再怎么炎热，他也依然站在斑马线上指挥交通，特别是中午的时候，太阳简直就是在帮冰棍、饮料做广告。即使协警叔叔已经口干舌燥了，他多么想去买一瓶水呀！可是他没有，他还是继续指挥交通。
冬天，不管雨下得多大，雷打得多响，闪电有多危险，协警叔叔也和往常一样站在斑马线上。披着雨衣在指挥着行使的车辆，保护着我们学校的每一位学生。
篇6：斑马鱼的养殖方法
1、第一天也不要喂食、不要换水，观察它的状态怎么样。一般来说在第一天鱼的状态会恢复一些，如找食、追逐配偶等。如状态不好的话，可以加入1%浓度的饱和盐水。
2、第二天：观察如状态不错，鱼四处寻找食物、追逐配偶等表现，就可以少喂一点点活饵，意思一下即可，千万不要喂多，开口饵料以活食最好，如丰年虾等，人工饵料由于消化困难，不建议用。可换1/10的水，冬天换的水要比缸中水温高出1至2度，夏天要低1至2度，这也是一年中换水时温度掌握的方法。如果状态不好，不喂，继续观察。
篇7：氨氮对斑马鱼2种代谢酶类的影响
以斑马鱼(Brachyclanio rerio)为实验材料,用氯化铵模拟水体中氨氮进行急性毒性实验.得到24,48,72,96 h的`半致死浓度(LC50),分别为126,114,105,101 mg/L.在96 h LC50以下,设6个质量浓度梯度,进行24 h氨氮胁迫,之后测定斑马鱼不同组织中的过氧化氢酶(CATase),腺三磷酸酶(ATPase)活性.结果表明,各类酶活的变化与氨氮质量浓度都呈一定相关性,随着氨氮质量浓度增大,ATP酶活性受到显著抑制,CAT酶呈曲线变化.
作 者：韩力强 康现江 李双石 温秀荣 李云峰 李凤超 HAN Li-qiang KANG Xian-jiang LI Shuang-shi WEN Xiu-rong LI Yun-feng LI Feng-chao 作者单位：韩力强,HAN Li-qiang(河北大学,生命科学学院,河北,保定,071002;河北省渔政处,河北,秦皇岛,066001)
康现江,温秀荣,李云峰,李凤超,KANG Xian-jiang,WEN Xiu-rong,LI Yun-feng,LI Feng-chao(河北大学,生命科学学院,河北,保定,071002)
李双石,LI Shuang-shi(北京电子科技职业学院,工程技术系,北京,100029)