基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

红茶感官品质及成分近红外光谱快速检测模型建立

以在发酵过程中小叶种工夫红茶为研究对象,分别建立了基于近红外光谱检测技术的感官品质评分和理化品质指标(茶黄素、茶红素、茶褐素、儿茶素和酚氨比)的定量分析模型。在模型建立过程中,探讨了特征变量优选方法对预测模型的影响。首先,对获取的近红外光谱数据进行标准正态变量变换法(standard normal Z transformation,SNV)预处理,进而采用联合区间偏最小二乘回归(synergy interval PLS,Si-PLS)、随机蛙跳算法(shuffled frog leaping algorithm,SFLA)、竞争性自适应权重取样法(competitiveadaptivereweightedsampling,CARS)和连续投影(successive projections algorithm,SPA),筛选出各品质指标的最优特征波长变量;最后基于优选波长分别建立各发酵品质指标的偏最小二乘法(partial least squares regression,PLS)线性预测模型和支持向量机(support vector regression,SVR)非线性预测模型。模型结果比较表明,Si、CARS、SFLA和SPA等变量筛选方法可有效压缩变量,以及进一步提高模型精度。非线性模型的预测均方根误差值(root-mean-square error of prediction,RMSEP)均明显小于PLS模型,相关性系数(correlation coefficient,R)和相对分析误差(relative percent deviation,RPD)均高于PLS模型。对于红茶发酵品质的检测上,非线性模型性能优于线性模型。感官品质、茶褐素和儿茶素的最优变量SVR预测模型的RPD值分别为3.923、3.234和5.462,酚氨比和茶红素模型的RPD值分别为2.815和2.223。除茶黄素的评价模型外(RPD为1.77),基于最优特征波长的各品质指标SVR模型的RPD值均大于2,表明模型具有极好的预测性能。研究结果为实现工夫红茶发酵品质的近红外光谱快速检测的实际应用奠定理论基础。     

基于可见/短波近红外光谱检测结球甘蓝维生素C含量

维生素C是人类必需的营养素,结球甘蓝作为主要蔬菜品种之一富含维生素C。该试验利用可见/短波近红外光谱分析技术,开展结球甘蓝维生素C含量的快速检测方法研究。首先通过Kennard-Stone(K-S)法将样本按照6:1划分为校正集(60个样本)和验证集(11个样本),分别利用反射率和吸光度的原始光谱、一阶导数(first derivative,FD)和二阶导数(second derivative,SD)光谱预处理后对应的6个数据集,建立偏最小二乘(partial least squares,PLS)回归模型。针对最优光谱预处理方法处理后的光谱,设置5个置信水平(0.95,0.975,0.99,0.995,0.999 5),利用逐步回归(stepwise regression,SR)进行建模波长选择,以各置信水平对应的各组优选波长进行多元线性回归建模。结果表明:利用FD光谱预处理方法可以提高PLS回归模型精度,验正集R~2从处理前的0.85提高到0.96,是该研究的最佳光谱数据预处理方法。利用降维后的7个主成分继续建立PLS回归模型,校正集R~2为0.92,交互验证均方根误差(root mean squared error of cross validation,RMSECV)为0.658 0 mg/100 g,验证集R~2为0.96,预测均方根误差(root mean squared error of prediction,RMSEP)为1.620 4 mg/100 g。PLS回归模型预测维生素C含量,检测精度高,可以代替传统检测方法,为结球甘蓝的品质评定提供一种新的途径。进一步分别应用8,6,5个优选波长进行多元线性回归建模,校正集R~2平均为0.78,RMSECV平均为3.760 9 mg/100 g,验证集R~2平均为0.73,RMSEP平均为2.879 2 mg/100 g,虽然R~2有所降低,但波长点少,利用较少的波长变量来预测维生素C含量,降低模型复杂度,可以为便携式检测仪器开发提供技术支持,以提高结球甘蓝内部品质评定作业效率。     

基于云课堂的混合式教学法在实践课程教学的研究

随着信息技术的发展,以及传统教学模式下学生学习现状的不容乐观,世界范围内多种新教改模式相继出现。其中以云课堂为基础的混合式教学法,迅速扩展到教育的各个领域。本文研究了云课堂的混合式教学法在我校药物分析与检验技术课程中的实践应用,从研究背景、研究的方法目标及实践教学设计等方面进行了阐述。     

基于高光谱成像技术识别水稻纹枯病

【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。     

玉米免耕播种机漏播补偿方法对比研究

为解决玉米免耕播种机播种作业时存在漏播的问题，针对漏播自补偿和漏播辅助补偿方法进行了对比研究。对水平圆盘排种器的排种性能进行试验，获取了排种器在不同排种盘转速和播种粒距下排种合格指数、漏播指数和重播指数。由漏播自补偿补种性能分析可得，在排种口检测漏播信号进行加速补种，补种的实际粒距LPR>1.5L，补种粒距依然为漏播，无法实现漏播补偿功能，若在种子脱离排种口之前检测到漏播信号，提前做好加速准备再进行补种，可实现漏播自补偿功能。由漏播自补偿试验可知，漏播自补偿受播种速度和播种粒距影响较大，在播种粒距为20、25cm，播种速度不大于5km/h时，补种合格率不小于88%，在播种粒距为15cm或播种速度大于5km/h时，补种合格率较低；由漏播辅助补偿补种性能试验可知，在播种速度3~7km/h，粒距15~25cm下，补种成功率不小于89%，在播种速度不大于5km/h，补种合格率不小于96%。为了保证补种位置精确，采用漏播辅助补偿装置进行补种，〖JP2〗需合理设计漏播补偿装置安装位置，同时受播种速度、播种粒距、排种盘线速度、投种角的影响，通过合理设计补种装置安装参数后，控制补种装置响应时间t和补偿装置排种盘的线速度vb实现补种位置的精确控制。     

规模化畜禽养殖场粪便中多重耐药菌分离鉴定及其耐药特征

为了解禽畜粪便中多重耐药菌的污染特征,本研究对鸡粪、牛粪、猪粪和有机肥这4种不同样品中多重耐药菌进行了计数分析,并对不同来源的多重耐药菌株进行了分离和纯化,进一步开展了基于16S rDNA序列比对的分子生物学鉴定以确定其种属地位,以及基于药敏试验的耐药性特征分析。结果表明:不同养殖动物粪便中四环素、恩诺沙星、磺胺甲恶唑和泰乐菌素4种抗生素多重耐药菌的绝对数量和相对数量排序均为鸡粪>猪粪>牛粪,粪源有机肥中可培养的多重耐药菌的绝对数量和相对数量在堆肥后均有所下降。通过对耐药菌株鉴定和分类学分析,发现禽畜粪便中多耐药菌的菌门集中分布在Proteobacteria、Firmicutes和Actinobacteria,多重耐药菌的优势菌属为Escherichia、Corynebacterium、Kurthia;而有机肥样品中多重耐药菌的优势菌属为Staphylococcus、Glutamicibacter。菌株的药敏试验表明,3类动物粪污中的多重耐药菌都对红霉素、四环素有着较高的耐药率,均高于80%,而对阿米卡星这种抗生素表现出较好的敏感性,其耐药率低于30%。通过对Ⅰ、Ⅱ类整合子基因盒的扩增,发现PCR产物的大小从0.8 kb到1.8 kb不等,基因盒ad A2、dfr A17、dfr A1及sat2在养殖场粪污中检出率均较高。     

基于可控气流-激光检测技术的鸡肉嫩度评估方法

以鸡肉嫩度为研究对象，采用可控气流-激光检测技术的瞬态、蠕变回复和应力松弛等动静态检测模态，并使用支持向量机分类器和全局变量偏最小二乘算法，结合不同预处理方法，对鸡肉嫩度进行定性判别和定量预测。结果表明3个激励模态结合不同预处理算法均可实现鸡肉嫩度的定性定量评估。在定性方面，瞬态模态对嫩度具有最佳的分类效果；S-G卷积平滑算法表现出最佳的预处理性能，校正集嫩/老分类精度分别为1和0.98，马修斯相关系数为0.97；而验证集分类精度也达到了0.95和0.84。在定量预测方面，S-G卷积平滑算法在提升原始数据的信噪比上同样具有最佳效果；瞬态模态校正集和验证集模型相关系数分别为0.948和0.913，均方根误差分别为0.736N和1.013N。因此，在组织结构引起的品质预测动态模态较静态模态更适用。本研究开展的可控气流-激光技术在鸡肉嫩度评估的应用，为肉品检测领域提供了新的解决方案。     

中国农牧交错带燕麦土壤有效磷丰缺指标与适宜施磷量初步研究

为了给中国农牧交错带燕麦施肥提供科学依据,采用土壤有效养分含量与缺素处理相对产量回归方程法、土壤有效养分丰缺分级改良方案和"养分平衡—地力差减法"确定适宜施肥量新应用公式,开展了中国农牧交错带燕麦土壤有效磷丰缺指标与适宜施磷量研究。结果表明:中国农牧交错带燕麦土壤有效磷(Olsen-P)第1~8级丰缺指标依次为≥45、27~45、16~27、9~16、5.5~9、3.5~5.5、2.0~3.5、2.0 mg/kg。当磷肥当季利用率20%、目标产量1.5~6.0 t/hm~2时,土壤有效磷丰缺级别第1~8级的适宜施磷量范围依次为0~0、8~30、15~60、23~90、30~120、38~150、45~180、53~210 kg/hm~2。