蛹虫草复合饮料的研制

以蛹虫草为原料,经过深层发酵得到发酵液,搭配红枣、枸杞、金银花浸提液,通过L9（34）正交设计获得最佳搭配:100 mL虫草发酵液,50 mL红枣浸提汁,15 mL枸杞浸提液,5 mL金银花萃取液。再经过正交处理软件ⅡV3.1优化甜味剂、酸味剂和稳定剂的添加量,结果为每100 mL饮料辅助添加蔗糖5 g、柠檬酸0.25 g、蜂蜜2.5 mL,CMC-Na 0.3 g,黄原胶0.02 g,果胶0.1 g时饮料酸甜可口、营养丰富、香气协调。经HPLC检测,饮料中虫草素含量为138.4 μgmL,腺苷含量为52.2 μgmL,多糖、蛋白质含量分别为9.79、13.13 mgmL。微生物指标符合国家标准。      

沙棘果中重金属与农药残留的检测分析

对山西8个主产地沙棘果进行重金属和农药残留量检测,为沙棘资源的进一步开发利用提供参考依据。运用原子吸收分光光度法、原子荧光分光光度法和气相色谱法分别测定沙棘果中铅、砷、汞和六六六、滴滴涕的含量。结果看到,山西沙棘果重金属铅、砷、汞和农药残留六六六、滴滴涕的含量均极少,甚至未检出。表明山西沙棘果重金属和农药残留均未超标,符合药食用标准,并且优于国家相关标准。因此,山西沙棘果无论药用还是食用都是安全的。     

我国禁止使用的农药

1.六六六、滴滴涕属高残留农药,用量大,分解慢,容易在环境和食品中残留,影响人体健康,影响外贸出口。 2.艾氏剂、狄氏剂属有机氯农药,已多年不生产,不使用。 3.汞制剂汞及其化合物     

国家禁用的农药品种

化学农药大量应用于农业生产中，农药在增产增收，预防病虫害，去除杂草等方面，给农业生产带来很大的效益。但对某些有剧毒、高残留能引起积累中毒甚至致癌致畸的农药，国家从８０年代初就开始禁止使用．现简介如下： １．六六六 亦称氯化苯，属有机氯类农药。其结构牢固，难于分解，残留量大，对人畜产生积累中毒，积累至一定程度出现癌变。同时在土壤、水域、空气中有较高浓度残留，严重污染环境。在粮食、瓜果、蔬菜、茶叶上均可残留，影响人畜健康，危及外贸出口。 ２．滴滴涕（ＤＤＴ） 亦称二二三，为有机氯农药。其结构稳定，不易降…     

高效液相色谱-串联质谱法测定茶叶中喹螨醚残留量的不确定度评价

对茶叶中喹螨醚残留量的高效液相色谱-串联质谱法测定过程进行了研究,分析测量过程的不确定度来源,并且对不确定度的各个分量进行评估和合成。结果表明,加标回收率和标准工作溶液配制引入的不确定度分量是影响喹螨醚残留量测定不确定度的主要原因。当茶叶中喹螨醚残留量为8.28 μgkg时,扩展不确定度为0.40 μgkg,测定结果表示为X=（8.28±0.40）μgkg,k=2,P=95%。      

超声波辅助提取荷花粉黄酮

使用超声波提取,以黄酮提取率为考察指标,通过单因素和正交试验优化荷花粉黄酮的最佳提取工艺,并对荷花粉黄酮体外抗氧化活性进行评估。结果表明,荷花粉黄酮最佳提取工艺条件:乙醇体积分数70%,料液比1∶12（gmL）,提取次数3次,提取时间20 min,在此条件下荷花粉提取率为0.913%（9.13 mgg）。      

超声提取—HPLC法分析蔬菜中的多种农残

建立了一种超声提取—高效液相色谱(HPLC)同时检测吡虫啉、多菌灵、嘧霉胺的方法。样品经超声辅助提取后,再进行净化、检测,节省了检测时间。以甲醇+水为流动相,采用梯度洗脱,结果表明,3种农药完全分离,线性范围均为0.05~1μg/mL,平均加标回收率为85%~103%,检出限均≤0.002 5μg/mL,定量限≤0.01μg/mL。该方法耗时短、准确度高,适用于批量农药多残留检测。     

GC/MS技术检测大球盖菇中11种有机氯农药残留

正大球盖菇又名酒红球盖菇,球盖菇属,是我国近几年食用菌中的后起之秀。菇体腿粗盖肥,营养丰富,口感极佳。它富含对人体有益的多种矿物质元素及维生素,具有预防冠心病、助消化、疏解人体疲劳之功效。大球盖菇是四川省蓬溪县食用菌产业的龙头产品之一,产品在市场上供不应求。有机氯是广谱杀虫剂,曾是各国使用最广泛的农药~[1]。有机氯农药六六六、滴滴涕等化学性质稳定,脂溶性大,残留期长,毒副作用较大,我国已禁止使用20多年,但是目前在     

农田环境中农药残留比例型荧光传感系统研究

为监测农业环境中有机磷农药的残留,从种养源头管控农产品安全,基于锆离子和1,2,4,5-四（4-羧苯基）苯（H-4-TCPB）合成了蓝色荧光金属-有机框架材料（MOFs）Zr-TCPB,并与红色荧光量子点QDs组装成双荧光QDs@MOFs复合物,基于Zr-TCPB对有机磷农药特异性荧光淬灭效应,构建比例型荧光化学传感器系统,实现了有机磷农药的快速、灵敏、可视化检测。甲基对硫磷与对硫磷的检测限（LOD）分别为1.9μg/L和4.9μg/L,线性检测范围为0.005~2mg/L。研究表明,该荧光分析法能有效用于农业环境水样中甲基对硫磷及对硫磷的现场快速测定,甲基对硫磷回收率为93.23%~116.46%,平均相对标准偏差（RSD）为5.29%,对硫磷回收率为92.52%~107.83%,平均RSD为5.74%。该方法在环境样品农药残留快速监测方面具有巨大的应用价值。     

山西省韭菜农药残留检测结果分析及对策

为了解食物中农药污染的现状，对山西省韭菜中农药残留进行了抽样检测，共抽取韭菜样品110个，用NYT 761—2008、GBT 19648—2006、GBT 20769—2008和GBT 5009.147—2003方法检测，用GB 2763—2014判定。经检测，超标样品21个，超标率19.1%，高于外省的抽样检测结果。检测结果表明，韭菜质量安全状况还需要进一步加强，需要引起有关部门的重视。      

基于计算机视觉的茶叶色泽检测研究

我国茶叶种植面积和产量均为世界第一,是特色农业的重要组成部分;但我国茶叶品质检测体系不完善,分级技术水平不高,影响了产品在国际市场上的竞争力。传统的茶叶分级是由人工分析判断,具有较大的局限性。计算机视觉是一种新型的图像处理技术,已经应用于茶叶品质分析。为此,将拍摄的茶叶和茶水图像进行预处理、灰度化和阈值分割,获得目标轮廓并分析颜色特征,并通过建模集样本确定用于色泽检测的特征量,然后对检验集样本进行色泽检测。结果表明:检验集中被错误识别的茶叶种类极少,总体的识别准确率达到9 0%,为准确评价茶叶的色泽品质提供了技术支持。     

利用计算机视觉定量描述茶叶色泽

选择ＨＩＳ颜色系统描述茶叶颜色,并对颜色描述系统模型进行了改进,使之能更好地模拟理想颜色模型。在此基础上对自然存储条件下不同年份生产的龙井茶的茶叶色泽和汤色进行定量测量,测量结果：利用计算机视觉能定量地茶叶色泽随储藏时间的变化。     

多尺度自注意力特征融合的茶叶病害检测方法

针对茶叶病害检测面临的病害尺度多变、病害密集与遮挡等诸多问题,提出了一种多尺度自注意力茶叶病害检测方法(Multi-scale guided self-attention network, MSGSN)。该方法首先采用基于VGG16的多尺度特征提取模块,以获取茶叶病害图像在不同尺度下的局部细节特征,例如纹理和边缘等,从而有效表达多尺度的局部特征。其次,通过自注意力模块捕获茶叶图像中像素之间的全局依赖关系,实现病害图像全局信息与局部特征之间的有效交互。最后,采用通道注意力机制对多尺度特征进行加权融合,提升了模型对病害多尺度特征的表征能力,使其更加关注关键特征,从而提高了病害检测的准确性。实验结果表明,融合多尺度自注意力的茶叶病害检测方法在背景复杂、病害尺度多变等场景下具有更好的检测效果,平均精度均值达到92.15%。该方法可为茶叶病害的智能诊断提供参考依据。     

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。     

中药材农药残留检测技术现状与前景

中药材种植已成为发展特色农业的支柱产业,但农药滥用导致的农药残留问题已成为影响中药材质量的重要因素之一。如何高效、快速地检测中药材中的农药残留是一个亟待解决的问题。因此,基于以上背景本文对现行的农药残留检测方法,如色谱检测法、酶抑制率法、酶联免疫分析法、侧向免疫层析法以及一些新型免疫传感器检测方法等进行了系统的阐述并探讨了农药残留检测方法的发展前景。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

我国主要经济作物机械化主攻方向与主推技术

5. 中国农业科学院茶叶研究所,北京市,100081; 6. 青岛农业大学,山东青岛,266109)摘要：分区域、分产业、分品种、分环节分析我国棉油糖蔬果茶药等8个主要经济作物生产机械化发展新情况、存在的短板不足,提出当前和今后一段时期的主攻方向和主推技术。结果表明,与2020年相比,预计2021年棉花、油菜、花生、甘蔗、蔬菜、茶叶、中药材综合机械化率分别提高2.7个百分点、3.4个百分点、3.6个百分点、1.9个百分点、4个百分点、1.8个百分点、2.5个百分点,仅有林果提高不到1个百分点。需关注的问题主要有,全国还有超过1 000 khm2的棉花、超过1 000 khm2的甘蔗、超过1 800 khm2的花生未实现机收,超过4 200 khm2的南方冬闲田需要扩种油菜;蔬果茶药生产机械化还处于起步阶段,无机可用、有机不好用的问题还比较突出;南方与丘陵山区农田条件不宜机,传统种植模式不宜机,国产机具作业质量和可靠性有待提升;棉花花生残膜污染严重。提出当前和今后一段时期各经济作物机械化主攻方向和主推技术,如国产采棉机质量提升与残膜高效回收,油菜宜机化品种选育与联合机械作业,夏花生免膜种植与高效清洁收获,甘蔗低含杂收获与制糖工艺改制,典型蔬菜品种标准化种植与高效收获,果园茶园宜机化标准建园和管理,中药材重点品种生产机械定制化研发等。     

气相色谱法测定茶叶中多种拟除虫菊酯农药残留

为确定气相色谱法测定茶叶中拟除虫菊酯农药残留量的最佳试验条件,采用外标法定量,对样品的提取净化方法和气相色谱的测定条件进行了探讨。经试验确定的色谱条件为：起始温度180℃,最终温度270℃,并保持15min;样品提取净化条件为：以石油醚-丙酮（V/V,3：1）为提取液,Florisil固相萃取小柱净化,用石油醚-乙酸乙酯混合溶液（V/V,9：1）进行洗脱。回收率及精密度试验表明：在0．008-0．800mg／L浓度范围内,线性方程的线性关系良好,相关系数r≥0．9973;回收率为80．7％-105．8％,相对标准偏差为1_8％～8．9％,最低检出限为0．0003-0．0042mg／kg。此方法灵敏度高,净化效果好,重现性好。     

基于双节点-双边图神经网络的茶叶病害分类方法

传统茶叶病害分类主要依赖人工方法,此类方法费工费时,同时茶叶病害样本较少使得现有的机器学习方法的模型训练不充分,病害分类准确率不够高。针对茶炭疽病、茶黑煤病、茶饼病和茶白星病4类病害,提出一种基于双节点-双边图神经网络的茶叶病害分类方法。首先通过两分支卷积神经网络提取RGB茶叶病害特征和灰度茶叶病害特征,两分支均采用ResNet12作为骨干网络,参数独立不共享,两类特征作为图神经网络的两个子节点,以获得不同域样本所包含的病害信息;其次构建相对度量边和相似性边两类边,从而强化节点对相邻节点所含病害特征的聚合能力。最后,经过双节点特征和双边特征更新模块,实现双节点和双边交替更新,提高边特征对节点距离度量的准确性,从而实现训练样本较少条件下对茶叶病害的准确分类。本文方法和小样本学习方法进行了对比实验,结果表明,本文方法获得更高的准确率,在miniImageNet和PlantVillage数据集上5way-1shot的准确率分别达到69.30%和88.42%,5way-5shot准确率分别为82.48%和93.04%。同时在茶叶数据集TeaD-5上5way-1shot和5way-5shot准确...     

基于Faster R-CNN网络的茶叶嫩芽检测

为有效识别茶叶嫩芽提高机械采摘精度、规划采摘路线以避免伤害茶树,针对传统目标检测算法在复杂背景下检测精度低、鲁棒性差、速度慢等问题,探索了基于Faster R-CNN目标检测算法在复杂背景下茶叶嫩芽检测方面的应用。首先对采集图像分别进行等分裁切、标签制作、数据增强等处理,制作VOC2007数据集;其次在计算机上搭建深度学习环境,调整参数进行网络模型训练;最后对已训练模型进行测试,评价已训练模型的性能,并同时考虑了Faster R-CNN模型对于嫩芽类型(单芽和一芽一叶/二叶)的检测精度。结果表明,当不区分茶叶嫩芽类型时,平均准确度(AP)为54%,均方根误差(RMSE)为3.32;当区分茶叶嫩芽类型时,单芽和一芽一叶/二叶的AP为22%和75%,RMSE为2.84;另外剔除单芽后,一芽一叶/二叶的AP为76%,RMSE为2.19。通过对比基于颜色特征和阈值分割的茶叶嫩芽识别算法(传统目标检测算法),表明深度学习目标检测算法在检测精度和速度上明显优于传统目标检测算法(RMSE为5.47),可以较好地识别复杂背景下的茶叶嫩芽。