一种基于卷积神经网络的小麦病害识别方法

针对准确识别小麦常见病害的需要,提出了一种基于卷积神经网络的小麦病害识别方法。该方法首先以小麦病害图片资料为基础,利用中值滤波法、直方图阈值法等对图像进行去背景、去噪、病斑分割等预处理形成样本库,然后利用卷积神经网络构建一个具有五层结构的深度学习模型进行样本学习,并利用随机梯度下降法进行学习过程控制,最后以获取的特征集对小麦图片进行病害识别,并形成一个在线识别系统。在泰安市4样点的试验结果表明,利用该方法可以有效实现对小麦常见病害——纹枯病、条锈病、叶锈病、秆锈病、赤霉病和白粉病的识别,综合识别率可达99%以上,可以应用于实际生产管理。     

在线固相萃取净化-离子色谱法测定烟草中的糖

研究了用自主设计的样品萃取瓶超声萃取样品,MCI-GEL反相树脂在线固相萃取净化-离子色谱法测定烟草中的糖。烟草样品萃取液先通过MCI-GEL反相树脂在线固相萃取柱净化,然后Carbo Pac PA1(4×250 mm,5"m)碳水化合物分离柱为固定相,0.20 mol/L氢氧化钠溶液为流动相分离葡萄糖、果糖和蔗糖,采用脉冲安培检测器检测。方法加标回收率在93.5%~103.6%,相对标准偏差均小于2.5%。检测限均小于1.6 mg/L,与常规方法相比,改进的方法操作流程得到简化,效率大幅度提高,为基因编辑素材中糖的快速测定提供了高通量分析方法。     

高效液相色谱法同时测定食品包装材料中9种禁用染料的含量

[目的]快速检测食品包装材料中9种禁用染料的含量。[方法]通过高效液相色谱-二极管阵列检测器(HPLC-DAD)测定食品包装材料中的碱性橙2、酸性橙2、碱性嫩黄O、孔雀石绿、碱性玫瑰精B和苏丹红(I、II、III、IV),9种禁用染料通过反相C18柱分离,流动相为乙腈-水,梯度洗脱,DAD检测波长为475和550 nm。[结果]9种禁用染料在34 min内得到了很好的分离,该方法的回收率、定量限(LOQ)、精密度和稳定性分别是86.0%～103.9%、0.2～0.4μg/ml、0.68%～1.82%和1.45%～2.36%;9种禁用染料的线性相关系数R20.999(0.1～20.0μg/ml范围内)。7种不同材质的食品包装材料样品检测结果中,只有1个纸质样品中检出酸性橙2,其含量为21.03 ng/cm2。[结论]该方法为食品包装材料中9种潜在的禁用染料检测提供了可靠的分析方法,具有操作简单、结果可靠、快速、稳定的特点。     

水库自动化监测调度系统研究

水库自动化监测是实现水库管理现化代的重要手段。首先研究了水库自动化检测系统结构,将系统分为采集子系统、传输子系统和数据管理子系统三部分。其次研究了数据采集终端设计,实现了基于嵌入式的水文数据采集终端硬件和软件设计,分析了影响数据采集的原因并给出抗干扰措施。然后研究了数据传输系统结构,实现了以无线移动通信作为主信道、有线通信作为备用信道混合组网的传输机制。最后简要介绍了数据管理子系统的功能。通过在山东莱芜市雪野水库实际应用,效果良好。     

大理产凤尾茶挥发油成分的研究

[目的]全面了解凤尾茶的挥发油成分,更好地开发利用这一重要药用植物资源。[方法]以采自云南大理的凤尾茶为试材,用水蒸汽蒸馏法提取凤尾茶中的挥发油,采用气相色谱-质谱联用法对凤尾茶挥发性成分进行分析鉴定,用面积归一化法确定各化合物的相对含量。[结果]GC-MS分析表明,从凤尾茶挥发油中鉴定出了41个化学成分,占挥发油峰面积的62.368％。化合物类型包括单萜（43.138％）、倍半萜（5.553％）、芳香族（11.447％）和脂肪族（1.781％）。主要成分为台薷酮（38.945％）,其次为茴香苯甲醇（8.994％）、臭樟脑（2.324％）和β-渡旁老鹳草烯（2.313％）等,其中萜类化合物的含量最高,占挥发油总量的48.691％。[结论]该研究为凤尾茶资源在药用和香料等方面的进一步综合利用提供了参考依据。     

基于化学指纹图谱评价多点加工卷烟产品质量稳定性

为有效评价多点加工卷烟产品质量稳定性,采用顶空-气相色谱/质谱联用法(HS-GC/MS)对红塔山(硬经典100)品牌的不同生产点卷烟烟丝样品的挥发及半挥发性成分进行测定,获得其化学指纹图谱,结合主成分分析和欧式距离的相似系数对检测数据进行处理。结果表明:应用主成分分析法可以对不同生产点的卷烟产品进行聚类区分,表明不同生产点的卷烟有不同的主成分得分数据特征;玉溪、大理和海南生产点的欧式距离相似系数分别为0.80、0.80、0.85,这3个生产点的卷烟样品与对照样品间的欧式距离相似系数较大,表明可用欧式距离相似系数对不同生产点卷烟质量波动状况进行定量表征;根据主成分分析法的成分含量差异分布图,表明可用该方法对不同生产点卷烟质量特征进行定性定量描述。该研究结果可用于卷烟产品的质量稳定性评价。     

一种利用多时相遥感数据提取农作物信息的方法

针对目前利用深度学习技术进行高分光学遥感图像分类方法研究中尚存在的不足,本文提出了一种以多时相遥感数据为数据源,面向农作物种植信息提取的分类算法。该算法首先获取农作物在若干典型生长时期的光学遥感图像并进行配准等预处理,然后建立了一种以像素为单位的数据组织结构,该结构包含不同生长时期的作物信息、纹理信息,能较好地解决现有分类研究中信息不足的问题;接着以前馈神经网络为基础,建立了一种以像素为单位的分类算法,最后以得到的逐像素分类结果为基础进行成图。与同类方法相比,本文提出的算法综合考虑了农作物在不同生长时期的特征,更能发挥深度学习技术的优势,且多时相数据在提高农作物提取信息精度方面具有明显优势。     

微波遥感反演地表土壤含水量的方法研究

土壤含水量是土壤的一项重要指标,如何通过遥感反演获取高精度的土壤含水量一直是研究者关注的问题。本文针对利用微波反演裸露地表土壤含水量和植被覆盖地表土壤含水量的问题,比较了相关研究在反演模型、反演技术流程方面的改进和不足,分析了反演问题的关键环节,结合微波和光学联合反演地表土壤含水量的研究进展,指出了微波遥感反演土壤水分研究的发展趋势。     

融合多尺度特征的冬小麦空间分布提取方法

如何获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键，该研究针对如何利用哨兵2A（Sentinel-2A）影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题，以生成式对抗网络为基础建立了降尺度模型REDS（Red Edge Down Scale），用于将B5、B6、B7、B11 4个通道的空间分辨率从20 m降为10 m；然后利用卷积神经网络构建了逐像素分割模型REVINet（Red Edge and Vegetation Index Feature Network），REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11，以及提取出的增强植被指数、归一化植被指数和归一化差值红边指数组合作为输入，进行逐像素分类。选择ERFNet、U-Net和RefineNet作为对比模型同REVINet开展对比试验，试验结果表明，该研究提出的方法在召回率（92.15%）、精确率（93.74%）、准确率（93.09%）和F1分数（92.94%）上均优于对比方法，表明了该研究在从Sentinel-2A中提取冬小麦空间分布方面具有明显的优势。