排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
实验实践教学是践行工程教育认证核心价值,应用型人才培养的重要环节。构建食品质量与安全专业实验成果导向(OBE)教学模式,项目孵化—精准引导—创新研发以半、全开放式产品研发实验为主线,线上线下联合教学,进行模块化、进阶式教学,提高实验内容的前沿性、创新性及科学性;采用多元化教学评价模式,完成课程目标达成度评价,同时可根据评价结果有针对性的持续改进。该模式可有效激发学生的自主学习意识,培养理论知识扎实、实践能力强、专业素质高的应用型食品人才。 相似文献
2.
3.
禽蛋在输送支撑辊上倾角影响因素的理论分析与试验验证 总被引:1,自引:0,他引:1
为了阐明禽蛋在输送支撑辊上轴向运动的机理,运用力学原理和几何关系对禽蛋在水平面和两平行等径支撑辊子上平衡时长轴径倾角变化,以及不同辊子直径和辊间中心距对倾角的影响进行了理论分析,并进行了试验验证。揭示了均质蛋形体在平面、两平行等径支撑辊子上平衡时,存在一个"平衡接触圆"且是唯一的,而禽蛋是一个近似"平衡接触圆";建立了不同支撑条件下平衡时"平衡接触圆"倾角分析方法,以及支撑方式和支撑结构参数与倾角的关系;均质蛋形体和禽蛋在平面上平衡时的倾角小于在两平行等径支撑辊子上平衡时的倾角;均质蛋形体和禽蛋在两平行等径支撑辊子上平衡时,倾角与支撑辊子直径(25~50mm)呈线性负相关关系,与支撑辊子中心距(47~67mm)呈线性正相关关系;在相同支撑条件下,倾角取决于禽蛋品种及其长轴径、短轴径、质量和体积等基本特征参数。用"平衡接触圆"法分析不同支撑条件下倾角是准确的、可行的,为分析禽蛋在输送支撑辊上轴向运动提供参考。 相似文献
4.
通过建立赖氨酸表面修饰的胶体金体系,构建了一种检测霉变花生中黄曲霉毒素B_1(AFB_1)的方法。首先,用柠檬酸三钠还原法制备胶体金(Au NPs),然后在所制备的胶体金溶液中加入赖氨酸,制备了赖氨酸修饰的胶体金溶液(Lys-Au NPs)。利用紫外可见分光光度计和透射电镜对其进行表征,建立了Lys-AuNPs溶液在725 nm和525 nm处吸光度的比值(A_(725)/A_(525))与AFB_1质量浓度之间的相关关系。结果表明:AFB_1质量浓度在1~50 ng/mL范围内与A_(725)/A_(525)具有良好的线性关系,决定系数为0.996,检出限为0.2 ng/mL。花生样品中的加标回收率范围是85%~110%。通过高效液相色谱法(HPLC)对花生中AFB_1质量浓度进行验证,AFB_1质量浓度的预测值与真实值的均方根误差为0.865 1 ng/mL,相关系数为0.996 1。该方法具有快速简单、灵敏度高、操作简便等优点,可运用于霉变花生中AFB_1的快速检测。 相似文献
5.
青贮中微生物的数量是影响青贮料质量的关键因素。为了高效监控青贮微生物的生长情况,该研究以青贮乳酸菌、乙酸菌和丁梭菌等作为指示菌株,考察菌株生长过程0、2、4、8、12、24和48 h共 7个不同时间点共105个样本的三维荧光光谱、微生物菌落数和吸光值,通过平行因子法和BP神经网络等化学计量学建立微生物生长量预测模型。三维荧光光谱图显示指示菌株有2个荧光峰,波峰分别在225和275 nm附近,主要是微生物内源荧光酪氨酸和色氨酸类物质。随着微生物培养时间的增加,荧光强度逐渐增强,荧光波峰位置红移,峰宽增加。利用平行因子法对三维荧光光谱进行降维,获取组分数为6,特征波长差Δλ为50 nm时,微生物生长荧光信息差异显著。以该二维光谱数据作为BP神经网络模型输入值,分别以微生物菌落数和吸光值作为模型输出值,对不同检测方法的微生物生长量进行建模训练。实验结果表明两种不同方法对应的训练集、验证集、测试集模型决定系数R2均接近1.0,均方误差均很小,说明该模型能较好预测微生物生长量。研究结果显示三维荧光光谱技术结合化学计量学对青贮中微生物生长量监测是可行的,项目为快速判定青贮发酵阶段提供了一种新的技术途径。 相似文献
6.
为了实现鱼类新鲜度的快速无损检测,该研究尝试利用嗅觉可视化与近红外光谱融合技术对鱼的挥发性盐基氮含量进行预测,从而评价其新鲜度。试验对象选用海鲈鱼,4℃冷藏待测。用主成分分析法对从可视化传感器阵列提取到的特征变量进行降维,用遗传算法结合偏最小二乘法对预处理后的近红外光谱特征变量进行筛选,将降维和筛选后的变量进行特征层融合。用支持向量回归算法分别建立基于嗅觉可视化、近红外光谱和多传感器信息融合技术的挥发性盐基氮含量预测模型。基于嗅觉可视化技术的模型的预测集决定系数R2 p为0.757,均方根误差RMSEP为6.755 mg/100g;基于近红外光谱技术的模型的决定系数R2 p为0.787,均方根误差RMSEP为6.186 mg/100g;而融合模型的决定系数R2 p为0.882,均方根误差RMSEP为4.585 mg/100g,与前两个模型相比,预测更准确。研究结果表明,利用嗅觉可视化和近红外光谱融合技术评价海鲈鱼新鲜度是可行的。 相似文献
7.
基于近红外光谱技术的紫薯贮藏期间花青素含量检测 总被引:1,自引:0,他引:1
紫薯采后贮藏过程中,受环境因素影响,紫薯花青素会逐渐发生降解,导致紫薯色泽变化,营养品质下降。应用近红外光谱技术对贮藏期间的紫薯花青素含量变化进行了分析,建立了快速无损检测模型。实验采集了不同贮藏时间紫薯样本(120个)的近红外光谱,基于全波长范围4 000~10 000 cm-1结合不同光谱信号预处理方法(数据卷积平滑、一阶求导、标准正态变量变换(SNV))建立紫薯花青素的PLS(偏最小二乘)、SNV-PLS、i PLS(区间偏最小二乘)、GA-PLS(遗传算法-偏最小二乘)定量预测模型。结果显示,全波段经SNV为最优的原始光谱预处理方法。对经SNV预处理的光谱进行i PLS、GA特征波段筛选,所建立的GA-PLS模型预测效果最佳,预测集决定系数R2v和均方根误差为0. 913 6和7. 239 8 mg/(100 g),剩余预测偏差为3. 339 7。研究结果表明,应用近红外光谱技术可以较好地检测紫薯花青素含量,研究结果可为紫薯加工原料智能筛选以及贮藏品质监测提供一种可靠手段。 相似文献
8.
1