基于DCNN的管道漏磁内检测环焊缝缺陷智能分类法

环焊缝缺陷是影响在役长输油气管道安全运行的重要因素,但环焊缝处漏磁内检测信号相对复杂,利用传统的人工分析方法不易实现缺陷的分类。在此,提出一种基于深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的管道漏磁内检测环焊缝缺陷智能分类方法：将管道环焊缝漏磁内检测信号图像作为样本,并以环焊缝开挖后射线检测发现的缺陷类型为样本标签建立数据库,再利用深度卷积对抗生成网络（Deep Convolution Generative Adversarial Network,DCGAN）对数据集进行扩展增强;利用扩展增强后的数据集对残差网络进行改进与迭代训练,再使用训练后的残差网络对环焊缝漏磁内检测信号图像进行分类。实例应用结果表明：该方法可实现对环焊缝常见条形缺陷、圆形缺陷的识别分类,分类测试的准确率为83%～88%,对于圆形缺陷的召回率超过97%。新方法突破了人工分析环焊缝处漏磁内检测信号的局限,可为环焊缝缺陷智能分类提供参考。（图5,表6,参31）     

酪氨酸及酪氨酸降解途径中HGO基因突变对拟南芥幼苗生长的影响

以拟南芥野生型Col-0和突变体hgo-1为研究材料,以MS为基本培养基,研究酪氨酸及酪氨酸降解途径对拟南芥幼苗生长的影响。结果表明：酪氨酸降解途径中HGO基因突变可以促进拟南芥幼苗的生长;同时发现,在含0.01 mmol/L酪氨酸的培养基中的Col-0和hgo-1幼苗生长量高于对照,而培养在分别含0.1、0.5、1.0 mmol/L酪氨酸的培养基中的Col-0和hgo-1幼苗生长量低于对照组。这说明低浓度酪氨酸促进拟南芥幼苗的生长,高浓度酪氨酸则抑制拟南芥幼苗的生长。