虾类加工副产物制备虾青素的研究进展

文章介绍了从虾类加工副产物中提取和纯化虾青素的工艺技术.比较了不同前处理方式对虾青素提取效率的影响,并概括了高效液相色谱法和柱层析法纯化虾青素的相关技术.为天然虾青素的规模化生产提供理论依据.     

海参皂苷的分离提取与生物活性

海参具有较高的营养价值和药用价值.海参皂苷具有抗肿瘤,抗菌等多种生物活性,具有重大的应用价值和广阔的应用前景.本文对海参皂苷的提取、分离纯化、分析方法及生物活性进行初步的介绍.     

茶皂素的提取纯化及成品中茶皂素含量的测定

采用AB-8大孔吸附树脂对茶皂素成品进行纯化,提取标准品。利用紫外-可见分光光度计进行扫描得出茶皂素标准品在205nm处出现最大吸收峰;经香草醛-硫酸显色,最大吸收波长为435nm,在539nm处有较弱的吸收峰。用自制茶皂素纯品为标样,采用香草醛-浓硫酸显色法,绘制茶皂素定量的标准曲线,测定成品茶皂素的含量为80.9%。     

糖蛋白的制备、结构分析及生理功能研究现状

糖蛋白广泛分布于生物体内,其糖链部分影响蛋白质的折叠和整体构象,蛋白质与糖链连接的特殊结构使其具备了各种生物活性,参与了人类许多生理功能及疾病的发生和预防。糖基或糖链与蛋白质肽链的链接方式主要有0一连接和N一连接2种。本文综述了糖蛋白的分类、分离纯化方法及其化学结构组成的分析方法,并介绍了某些糖蛋白的生理活性,对糖蛋白的开发利用具有借鉴作用。     

陆地棉SSR分子标记优化体系的建立

针对陆地棉富含酚类、多糖等次生产物的特点,建立了一种简便、快速的提取高纯度DNA的方法.同时建立了适合陆地棉SSR标记的优化体系和试验方案,并对所构建的QTL定位群体进行了SSRPCR检测,得到了清晰的多态性SSR标记,为SSR分子标记技术在棉花育种中的应用打下了基础.     

多子领春木RAPD反应体系的研究

利用RAPD(随机扩增多态性DNA)技术对濒危植物多子领春木进行了RAPD反应体系的研究.以多子领春木叶片为材料,采用改良的CTAB法提取其基因组DNA,进行RAPD反应条件的优化.通过单因子试验,分别研究了模板DNA用量、Mg2 浓度、dNTPs浓度、Taq酶的用量和引物浓度对RAPD反应的影响,建立了适于多子领春木RAPD分析的有效稳定的反应体系,即在25μL总反应体系中,模板DNA的最适用量为10 ng、Mg2 的适宜浓度为2.0 mmol·L-1、dNTPs的适宜浓度2.2 mmol·L-1、Taq酶的用量为1U、随机引物的浓度以2.5 μmol·L-1为佳.     

基于双目视觉的香蕉园巡检机器人导航路径提取方法

为实现移动机器人香蕉园巡检自动导航,研究提出了一种基于双目视觉的香蕉园巡检路径提取方法。首先由机器人搭载的双目相机获取机器人前方点云,进行预处理后对点云感兴趣区域进行二维投影并将投影结果网格化,得到网格地图;然后采用改进的K-means算法将道路两侧香蕉树分离,其中初始聚类中心通过对网格地图进行垂直、水平投影以及一、二阶高斯拟合确定;最后基于最小包围矩形提取导航路径,将道路两侧网格以最小矩形框包围,提取两包围框中间线作为期望导航路径。测试结果表明,改进的K-means算法聚类成功率为93%,较传统方法提高了12%;导航路径提取平均横向偏差为14.27 cm,平均航向偏差为4.83°,研究方法可为香蕉园巡检机器人自动导航提供支持。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

采用K均值聚类和环形结构的狭叶锦鸡儿木质部提取算法

针对木质部交互统计误差大、效率低、重现性差、劳动强度高和传统图像处理算法精度不理想等问题,该文以狭叶锦鸡儿木质部切片图像为研究对象,根据木质部特点提出基于K均值聚类算法和环形结构提取算法相结合,实现木质部准确提取的方法。首先通过动态巴特沃斯同态滤波法对30幅供试图像进行光照不均校正,然后采用K均值聚类法对光照补偿后图像初分割,最后采用环形结构提取算法实现木质部提取计数。试验结果表明:采用K均值聚类算法对光照补偿后的木质部图像初分割分割误差R(section error, R)、过分割误差OR(over-segmentation error, OR)和欠分割误差UR(under-segmentation error, UR)均值分别为5.15%、1.48%和6.46%,优于未光照补偿和3R-G-B算法;该文提出的环形结构提取算法对初分割后木质部图像检测的平均相对误差为2.26%,比分水岭法低11.69个百分点,比凹点匹配法低4.93个百分点。从速度上看,该算法平均耗时3.17 s,比分水岭法快1.40 s,比凹点匹配法快4.88 s。该算法检测的均方根误差RMSE(root mean squared error, RMSE)为0.52%,约相当于分水岭法的1/3,约相当于凹点匹配法的1/2,该算法优于其他2种分割算法;在图像结构复杂、光照不均匀、内部分布不均等缺陷条件下,该文算法也能很好地实现木质部的分割和提取。该方法不仅能对狭叶锦鸡儿木质部自动分割和提取,也可为其他植物木质部分割提取提供参考。     

结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(RandomForest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine, SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%～91.91%,Kappa系数在0.72～0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。