超高效液相色谱—串联质谱法检测鸡血液样品中喹诺酮类药物残留

旨在建立鸡血液样品中多种喹诺酮类药物残留的超高效液相色谱—串联质谱方法。样品经乙腈提取,经Waters Acquity UPLC BEH C₁₈色谱柱分离,以甲醇和0.1%甲酸水溶液为流动相进行梯度洗脱,电喷雾正离子（ESI⁺）模式电离,MRM扫描模式检测。经方法学验证,该方法的线性关系、回收率、精密度均符合要求。应用超高效液相色谱—串联质谱法建立了鸡血液样品中多种喹诺酮类药物同时检测的方法,实现了动物血液样品中12种喹诺酮类药物同时定性、定量分析。     

香蕉中噻唑膦残留分析方法研究

建立香蕉中噻唑膦的超高效液相色谱串联质谱法(UPLC-MS/MS)残留测定方法。香蕉样品采用乙腈提取和PSA+C18分散固相萃取,采用UPLC-MS/MS多反应模式(MRM)进行分析测定。噻唑膦在添加水平0.01~1.0 mg/kg范围内,平均回收率为94.3%~107.5%,相对标准偏差为7.9%~11.0%。采用外标法定量,方法的检出限为0.001μg/m L,定量限为0.005 mg/kg。该方法简单、准确、重复性较好且节省溶剂,适用于香蕉中噻唑膦的残留检测。     

多黎曼流形的判别分析与融合

为了得到低维且更具有判别性的流行表示,并进一步融合各种流行判别分析的结果,本研究提出了基于局部重构的黎曼流形判别分析统一框架,在动态纹理分类,物体识别和人脸识别任务中,验证了该框架的有效性。     

5种动物源食品中的氟虫腈及其3个代谢物残留量检测

利用QuEChERS技术结合超高效液相色谱-串联质谱的方法检测5种动物源食品(鸡肉、鸡蛋、猪肝、牛奶、猪肉)中氟虫腈及其3个代谢物残留量。样品用乙腈提取,经低温处理,多壁碳纳米管(MWCNTs)、弗罗里硅土(Florisil)和C18分散固相萃取(d-SPE)净化,外标法定量。在不同浓度的加标水平下,氟虫腈及其代谢物在5种动物源食品中的平均回收率为72.1%～113.8%,相对标准偏差RSD为1.9%～17.6%,检出限LOD在0.73～1.94μg/kg范围内,定量限LOQ在5～10μg/kg范围内。该方法具有简单、灵敏、准确等优点,适用于动物源食品中氟虫腈及其代谢物的快速筛查和定量检测。     

计算机图像识别在玉米生长模型中的应用

为了应对玉米植株的自动化监控,有效预测玉米产量,设计了玉米的生长模型系统。该系统以图像识别技术为基础,选择植株形貌参数,可有效预测玉米果实质量。整个系统包含图像分析、生长参数分析和玉米生长模型系统3部分。首先进行图像灰度化处理,进行二值分割,后采用中值滤波改进方法去除噪声;最后采用Hilditch细化算法,得到玉米植株骨架图。利用本系统对同一玉米植株进行27天观察,探索植株高度H、宽度W和节结个数N与时间之间的关系。系统以植株高度H、宽度W和节结个数N作为自变量,以植株玉米果实质量作为应变量,建立关系式,预测结果与实际结果吻合良好。     

QuEChERS-超高效液相色谱串联质谱法测定玉米中的17种真菌毒素

为改进我国食品安全监测的方法,采用QuEChERS净化方法结合超高效液相色谱-串联质谱(UPLC-MS/MS)对玉米中的真菌毒素进行检测,建立了玉米中共17种真菌毒素的测定方法。结果表明:17种毒素的线性相关系数(R~2)均不小于0.994,检出限为0.1～20.0μg·kg~(-1),加标回收率为70.76%～115.14%,相对标准偏差为2.21%～11.34%。该方法具有快速、准确、提取效率高、净化效果好、回收率高、准确灵敏等优点,此方法可适用于玉米和食品中17种真菌毒素的快速检测。     

超高效液相色谱-串联质谱法测定牛奶和奶粉中五种苯并咪唑类药物

为建立牛奶及奶粉中5种苯并咪唑类药物(阿苯达唑、芬苯达唑、奥芬达唑、噻苯达唑、苯硫氨酯)简便、准确的分析检测方法,以固相萃取为净化手段,采用Acquity UPLC^® BEH C₁₈(100 mm×2.1 mm,1.7 μm)色谱柱进行分离,电喷雾离子源(ESI⁺),多反应监测(MRM)模式检测。结果表明,5种苯并咪唑类药物在1~500 μg·L^-1范围内呈线性相关,相关系数(r)均大于0.996,加标平均回收率介于91.7%~97.8%之间,相对标准偏差(RSD)在1.4%~6.5%之间,基质效应均小于15%。5种药物的检出限均在0.1~3 μg·kg^-1范围内,定量限均在0.5~10 μg·kg^-1范围内。该方法操作简单、快速且灵敏度高,重现性好,能够用于牛奶及奶粉5种苯并咪唑类药物的同时测定。     

无人机机载激光雷达提取果树单木树冠信息

定株管理是未来果园精准生产管理的趋势，果树单木树冠信息的提取是定株管理的关键。该研究利用无人机采集的苹果园激光探测与测量数据（Light Detection and Ranging，LiDAR）检测和测量每棵果树的树冠面积和树冠直径，并评价空间分辨率对于果树单木树冠检测与提取的影响。该方法主要包括使用反距离权重插值法间接生成冠层高度模型（Canopy Height Model，CHM）；使用局部极大值滤波算法和标记控制分水岭分割算法（Marked-Controlled Watered Segmentation，MCWS）对果树进行单木树冠检测与提取，通过与参考数据的比较，评估了该方法的精度，并定量分析了空间分辨率对于单木树冠检测与信息提取结果的敏感性。结果表明，该方法有效地实现果树单木树冠检测与信息提取，代表果树检测精度的F1得分为94.86%，树冠轮廓提取准确率为86.39%，树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%，树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%，树冠面积和直径不同程度地被高估。此外，冠层高度模型的空间分辨率接近果树平均树冠直径的1/10时精度最高，可以有效检测果树单木树冠及提取树冠轮廓，从而准确提取果树单木树冠信息。