太赫兹光谱技术在食品污染检测中的研究进展

随着新的食品加工技术及新型食品材料的不断涌现,食品污染问题也越来越多,国际食品安全事件频繁爆发,食品污染造成的食源性疾病对人民生命健康造成严重威胁,如何把控好食品质量成为人们关注的焦点问题。太赫兹技术作为一项新兴的检测技术,其反映样品的物理结构、性质及化学成分的同时,也获取样品在太赫兹波段的时域和频域信息作为物质“指纹”谱,用于无损检测和识别领域并取得了一定的成果。相较于传统的检测手段,太赫兹技术安全性高、透视性好以及波谱分辨能力强等优势使其在食品污染检测领域具有极大的应用潜力和应用前景。文章简述了太赫兹光谱技术的基本原理,以其中最为常用的太赫兹时域光谱技术为主要研究重点,对该技术在食品生物性污染、化学性污染、物理性污染检测方面的应用研究工作进行了重点归纳总结,最后聚焦于太赫兹技术在食品污染检测领域的实际应用现状,讨论其发展趋势和应用前景,并分析目前研究仍存在的问题,以期为太赫兹技术在食品安全检测领域未来的进一步发展提供参考。

基于迁移学习和残差网络的谷子病害识别研究

针对谷子病害提出了一种基于迁移学习和残差网络(ResidualCNN)的谷子病害图像识别方法。首先,建立由谷子白发病、谷瘟病、红叶病、锈病等4种病害图像以及正常谷子叶片图像组成的原始样本集;然后,采用基于超绿特征的最大类间方差法实现原始图像的分割,建立谷子病害分割图像数据集,并对该数据集进行扩充处理;最后,基于扩充后的谷子病害分割图像数据集,利用迁移学习和残差网络的思想建立谷子病害识别模型。结果表明,该模型的识别率达到98.2%,相较于基于支持向量机(SVM)的谷子病害识别模型提高了8.9百分点,同时该模型的训练时间相较于基于卷积神经网络(CNN)的谷子病害识别模型减少17.69min。表明基于迁移学习和残差网络的谷子病害识别模型可有效地对4种谷子叶片病害进行识别。

显微高光谱成像技术在生物学检测中的研究与进展

生物学检测是生物医学中常见的一种检测手段,是以细胞因子特定的生物活性变化作为检测依据,主要应用于生物医学与农林业等领域,对研究医学病理和作物病害规律有重要作用。传统的检测手段主要通过观察检测样本对不同化学试剂的反应而做出判断,虽然检测精度较高,但存在操作繁琐、检测周期较长等问题。高光谱成像技术融合了光学成像与光谱分析两种传统分析手段,可以同时获取被检测样本的图像数据与光谱信息。高光谱图像中的图像数据反映检测样本的外部特征与表面纹理,而光谱信息又可以对检测样本的内部物理结构以及化学成分等展开分析。显微高光谱成像技术则是将高光谱成像技术与生物显微镜结合起来,通过观察微观世界的图像数据与光谱信息对检测样本进行分析,是一种快速、无损、准确的光学成像分析技术。近年来显微高光谱成像技术由于其高分辨率、数据连续等特点,在生物学检测领域引起了越来越多的关注,成为生物学检测的重要手段之一。该文章从光谱成像基本原理、数据处理以及生物学检测应用等出发,综述了近十年来显微高光谱成像技术在生物学检测方面的研究现状,在总结所取得研究成果的基础上,提出目前显微高光谱成像技术存在的一些问题,并对其在今后生物学检测领域中的发展趋势进行展望,以期为显微高光谱成像技术在生物学检测中的研究与应用提供参考。

基于RBF网络的两点边值问题

在应用最优控制理论求解飞行器控制、制导律时,最终往往化为一个非线性两点边值问题的求解,针对以往数值迭代解法存的初始点不易选取,求解步骤繁琐,迭代时间较长等缺点。应用RBF神经网络较强的非线性映射能力,给出了一种快速方便地求解两点边值问题的方法。另外,还可以根据由RBF网络获得的参数作为初值,结合打靶法、罚函数法等数值方法,可有效地减少迭代次数,缩短计算时间,提高计算精度。

基于DSP的电力阻波器高频参数测试系统设计

简要介绍了高频阻波器的组成,利用相关法提出了阻波器阻塞特性测试算法,该算法直接对2个被测信号作互相关运算,有效地分离出部分噪声分量。总结了一套实用的阻波器阻抗和电阻分量的计算公式。Matlab仿真结果验证了所提测试算法的有效性。基于DSP设计了阻波器测试系统,该系统由电源、微处理器、随机存储器、控制逻辑等组成;其主程序主要由初始化模块、键盘扫描模块、数据处理模块、结果显示模块组成。对具有典型参数的定K型宽带调谐阻波器进行分析,实验结果与计算结果的对比表明测试系统具有精度高、速度快、抗噪声性能强的特点。

太赫兹波光学参量效应放大特性的理论研究

针对太赫兹波光学参量效应中增益介质对太赫兹波强烈吸收的特点,提出光学参量效应中泵浦光、斯托克斯光和太赫兹波三波共线相互作用可以有效放大太赫兹波。以周期极化铌酸锂晶体为例,通过解耦合波方程,在不同的近似条件下分析了前向和后向太赫兹波的放大特性。计算结果表明,在太赫兹波吸收系数远大于太赫兹波增益系数的条件下,泵浦光、斯托克斯光和太赫兹波三波共线作用可以有效提高太赫兹波功率。分析结果对周期极化铌酸锂晶体光学参量振荡产生太赫兹波的实验研究提供深入和全面的理论基础。

铝合金预拉伸板数控加工过程中残余应力释放研究

利用MSC.Marc软件中的中CAD/NC接口,导入Catia的刀具路径文件,模拟出机械加工过程中多轴刀具在不同路径控制中工件内部原有的残余应力的释放情况以及应力释放对工件最终变形的影响.材料去除的越多,工件内部原有的残余应力释放的越多,最后工件的变形就越大.将工件作为航空上有很少内部支架的薄壁件,则整个部件将发生畸变.

FCM和LS-SVM相结合的粮虫图像分割算法

模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法对噪声十分敏感。因此提出一种改进的算法,在传统的FCM聚类的基础上,结合LS-SVM对图像进行分类。该方法对噪声有很强的鲁棒性和对像素聚类的正确性。

OH1晶体中级联光学差频效应产生太赫兹波（英文）

理论分析了有机晶体2-[3-(4-hydroxystyryl)-5,5-dimethylcyclohex-2-enylidene]malononitrile(OH1)中基于共线相位匹配级联光学差频产生太赫兹波的物理过程。从耦合波方程出发分析了级联斯托克斯过程和级联反斯托克斯过程,计算了太赫兹波的强度和量子转换效率。相对于非级联光学差频过程,13阶级联光学差频产生的太赫兹波强度增大了15.96倍。13阶级联光学差频中太赫兹波的量子转换效率为1377%,超过了Manley-Rowe关系的限制。

基于支持向量机技术的粮虫图像分类技术研究

介绍了支持向量机的基本思想,提出了一个基于支持向量机的粮虫模式识别系统。该系统先对粮虫图像进行小波边缘提取,根据灰度共生矩阵和局部统计方法提取小波分割后的图像纹理特征。最后利用支持向量机对粮虫图像进行分类。

基于支持向量机技术的粮虫图像分类技术研究

介绍了支持向量机的基本思想,提出了一个基于支持向量机的粮虫模式识别系统。该系统先对粮虫图像进行小波边缘提取,根据灰度共生矩阵和局部统计方法提取小波分割后的图像纹理特征。最后利用支持向量机对粮虫图像进行分类。

优化的BP神经网络在水轮机调节系统中的应用研究

针对常规PID难以取得期望的控制效果和单一神经网络在线整定存在结构复杂、学习时间过长、收敛速度慢等问题,提出了一种基于主成份优化的BP神经网络PID控制。利用主成份分析对网络的输入层单元进行降维分析,以此简化网络的结构,提高网络的收敛速度及泛化能力,进而提升智能控制系统的控制品质。基于上述理论在MATLAB/Simulink平台进行水轮机调节系统实例仿真分析,阐述并分析试验结果,说明了经主成份分析优化后的BP神经网络PID控制效果较优化前有了显著改善。

利用机器视觉识别麦粒内米象发育规律与龄期

研究麦粒内部粮虫生长规律,判断粮虫所处发育龄期,为制定合理的防治措施提供科学依据,具有重要的社会经济价值。该文提出一种基于机器视觉的麦粒内米象变态发育规律及龄期识别研究方法。试验利用Micro-CT获取侵染麦粒投影数据,应用z-FDK(z-Feldkamp-Davis-Kress)算法重建出侵染粒的二维图像,利用图像分割及形态学方法得到虫体图像。提取了虫体的8个二维特征、4个三维特征、7个不变矩特征和7个基于灰度共生矩阵的显著性纹理特征,构成26维原始特征空间。根据不同龄期虫体特征的变化,研究米象在麦粒内的变态发育规律。利用模拟退火算法(simulated annealing algorithm,SAA)优化虫体原始特征,构建了优化后的10维特征空间。运用人工蜂群算法(artificial bee colony,ABC)优化支持向量机(support vector machine,SVM)的惩罚因子和径向基核函数参数,实现对麦粒内米象所处发育龄期的自动判别。试验结果表明,米象变态发育规律与实际情况一致,且对米象龄期的识别率达到97%,可有效判别出侵染粒中米象所处发育龄期。

虚拟仿真类实验教学资源省际高校共建共享的研究

为解决由于普通院校轨道交通信号与控制专业实验教学资源匮乏的问题,推进虚拟仿真教学资源更大范围地实现共建共享,该文探索了国家级轨道交通通信与控制虚拟仿真实验教学资源的跨省共建共享途径,确立了以课程为终端项目进行虚拟仿真平台资源共建方式;以实验课程、实践环节以及课外实践活动为虚拟实验教学资源的共享模式,促进异地共建共享、互利共赢,以便提高此类教学资源的共享率。

基于Micro-CT的麦粒内害虫侵染研究

准确检测粮粒内部早期虫害侵蚀,可提前判断储粮受侵染状况,对及时确定合理的防治措施具有重要的意义。该文提出基于Micro-CT系统的麦粒内部早期侵染无损检测的方法。试验以显微CT投影数据的振荡幅度和灰度差来确定Micro-CT最佳参数组合。麦粒主要成分厚度1～6 mm变化时,距麦粒茸毛端基准面等距离处的灰度立方体的平均灰度值,会随着厚度的降低而增大。分析麦粒长轴朝向与旋转台面之间的夹角为0、45?、90?的麦粒平均灰度值,得麦粒平均灰度值由0时的80.406上升至90?时的88.544。用FDK算法(Feldkamp,Davis,Kress)重建试验中侵染粒的投影数据,统计得出米象横截面外观由单个圆形变成卵圆形再转变为多个圆形或卵圆形的组合,米象与虫洞之间的空隙逐渐增大,虫洞从表皮侵蚀至麦粒腹沟再扩张至表皮附近。利用Mimics平台绘制的三维可视化数据可得,米象发育过程中米象外观由杆状变为椭球形再发育出各个器官,米象长度由卵期0.37～0.5 mm发育到成虫期2.7～4.3 mm,宽度由卵期0.26～0.3 mm发育到成虫期0.97～1.3mm,米象体积在蛹期达到最大,虫洞由表皮逐渐向麦粒中心延伸扩展并最终贯穿整个麦粒。结果表明,利用Micro-CT系统进行无损检测可准确表达各龄期侵染粒内部微观结构的变化过程,为麦粒内部害虫的早期自动检测提供理论依据。

基于电化学金属化的偏振无关超表面光开关

提出了一种工作在1.55μm波长处的基于电化学金属化的偏振无关超表面光开关。该器件子单元包括硅衬底,二氧化硅介质层和嵌入二氧化硅中的银十字结构。子单元之间导电细丝的形成和断裂可以改变银十字结构的共振波长,从而触发光开关的开启或关闭。数值结果表明,所提出的超表面光开关在1.55μm波长处的消光比可以达到14 dB以上,并且对于横电(TE)模和横磁(TM)模的光不敏感。所提出的器件有望解决高功耗和大规模光开关的问题,可用于光开关、光调制、光存储和计算以及大规模光子集成器件中。

档案,让历史说话——写在我国档案法颁布20周年的日子

我是1995年10月来到信访工作这个岗位的，在长期的工作实践中，通过档案这个历史的活化石为引导，我们按照“尊重历史、注重现实、依法依政策”的原则化解了大量的信访矛盾，较好地维护了社会的和谐与稳定。

基于FCM和SSA–ELM的超短期风功率预测

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题,提出了基于模糊C均值聚类(fuzzy C-means,FCM)选取相似日和樽海鞘群算法优化极限学习机(SSA–ELM)的风电场超短期风功率预测模型。首先,采用FCM数据聚类方法,筛选出与预测日相关性较大的历史相似日,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合;其次,通过训练集在训练过程中确定网络参数,利用樽海鞘群算法在迭代过程中不断优化极限学习机的输入权值矩阵及隐含层偏差值,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型;最后,根据超短期风电并网的相关规定,针对河南省某风电场的实际数据,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差3方面进行仿真实验,并与传统极限学习机(extreme learning machine,ELM)和BP神经网络模型进行对比分析,结果表明本文提出的模型收敛速度快,预测精度较高。证明了基于FCM和SSA–ELM的超短期风功率预测模型具有良好的追踪性和泛化性。

基于FA-SVM技术的烟草早期病害识别

为准确检测和识别烟草病害,为制定合理的病害防治措施提供科学依据,提出基于萤火虫算法优化支持向量机(FA-SVM)技术的烟草早期病害识别方法。以烟草常见的蛙眼病与赤星病为研究对象,利用可见光拍摄带有2种病害的烟草植物叶片,获取图像样本。利用形态学方法和图像分割技术得到病斑图像。提取病斑的颜色、纹理及形态学等共计32个特征,构建原始特征空间。利用蚁群算法(Ant colony optimization,ACO)对特征空间进行优化,依据适应度值选取最优特征组合,当适应度值达到最高为95.68时,有13个特征被选择。运用萤火虫算法(Firefly algorithm,FA)优化支持向量机(Support vector machine,SVM)的惩罚因子(c)与径向基核函数参数(g),提高分类器性能。当c=94.12、g=2.43时,对不同发育时期的2种病害的识别率达到96%。结果表明,利用FA-SVM技术识别烟草蛙眼病与赤星病2种常见病害是可行的。

基于CS-SVM的谷子叶片病害图像识别

利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。