羟基氯喹检测方法的进展研究

羟基氯喹被广泛认知为在治疗疟疾和系统性红斑狼疮过程中起重要作用。然而,随着羟基氯喹(HCQ)的不受控使用,其在环境中的含量的迅速增加可能对水生生物造成严重问题。研究表明,HCQ存在于正常海水生态系统中,并证实了其在植被和地下水中的高持久性和生物积累,为了对海水中羟基氯喹含量进行检测并对其作为污染物潜力的研究,我们需要开发一种用于定量和监测HCQ的传感器。随着技术的发展,人们使用了许多分析方法来检测,包括通过包括高效液相色谱法(HPLC)、电化学法、液相色谱–质谱法(LC-MS)、荧光和比色平台双模式光学检测等等。尽管如此,这些分析方法显示出各种困难。所以研究出一种方法,使其可以快速、灵敏、环保地检测出羟基氯喹成为了一个很值得研究的课题。

抗生素土霉素检测的最新研究进展

土霉素是一种广泛使用的重要抗生素。随着水产养殖和畜牧业的发展,土霉素(OTC)的使用量不断增加。在土霉素的应用过程中,约有30%~90%的抗生素以原药形式排放到环境中,特别是将动物粪便施用于农田时,大量抗生素的流入可能会破坏自然微生物生态系统,并通过食物链对人类健康构成潜在威胁。目前,土霉素的检测方法主要包括微生物抑制筛查法、免疫分析法、电化学法、荧光光谱法等传统方法。其中,利用荧光金属离子检测是一种重要应用,可通过研究金属离子与土霉素结合增强荧光效应,实现基于荧光猝灭、荧光恢复、荧光共振能量转移(FRET)和比率响应等机理的高灵敏检测。近年来,研究人员开发了诸如原子吸收/质谱联用技术等各种先进仪器分析方法用于土霉素检测,但这些方法往往操作复杂、成本较高。因此,学术界对于开发简单、低成本的土霉素检测新方法提出了迫切需求。我们期望通过总结归纳最新研究进展,有助于更好地监控和评估行业标准,并为相关领域的未来工作方向提供参考。

基于反卷积神经网络的超声导波层合板脱粘缺陷超分辨成像

针对传统超声导波成像检测方法难以精确表征结构损伤细节特征的问题,文中提出了基于深度学习的反卷积神经网络模型,对层合板中亚波长脱粘缺陷的超分辨成像问题进行研究,以获得损伤的细节特征。通过有限元仿真与全聚焦成像算法获取初始成像结果,再使用数据增强方法扩充数据库,最后对标注好的12550张损伤图像进行训练和测试。研究结果表明,与原始全聚焦成像算法相比,反卷积神经网络模型下损伤的成像位置准确度提高了5%,成像精度高于91%,定位误差低于1.8 mm,说明文中所提方法能够明显提高网络成像结果分辨率并较好地显现亚波长损伤的细节特征。上述结果表明文中所提方法具有较高的检测效率,且无需人工经验,在工程实践中具有良好的应用价值。

基于深度学习和导波阵列的高精度损伤成像方法

为提升超声导波技术在板状结构中对损伤位置、大小和形状的精确检测能力,将全聚焦成像算法的低分辨率成像结果和多尺度深度学习算法模型相结合,研究了圆孔和裂纹两种损伤的高精度成像方法。基于深度学习的高精度成像算法由卷积神经网络和反卷积神经网络两部分构成,利用神经网络的多尺度分析、非线性增强和多层级融合功能提升分辨率。在全聚焦成像算法成像结果的基础上构建网络训练数据库,对板中包含圆孔-裂纹双损伤以及圆孔-圆孔双损伤两种情况进行检测验证。结果表明:该方法成像精度高,在精确定位损伤的基础上可以进一步获得损伤的精细特征。

加筋板智能导波损伤识别与评估

建立了基于卷积神经网络算法的智能导波损伤检测方法,可实现加筋板中脱黏损伤的高效识别和精准定位。在数值模拟和试验研究T型筋加筋板中导波传播特性的基础上,通过单点激发多点接收的方法获取不同损伤样本的兰姆波响应,经预处理之后组成融合数据库。利用卷积神经网络(CNN)深度学习检测算法,抓取和学习融合数据库中与损伤相关的特征,并使用未经训练的数据测试网络性能。结果表明,以Adam为优化器的7层CNN对数据库中损伤样本的检测精度达99%;基于CNN的智能导波检测方法不仅能够识别加筋板中的脱黏损伤,而且能够准确定位。