红曲中洛伐他汀总量的测定方法

考察降脂红曲产品的安全性和功效性 ,测定洛伐他汀的总量比仅仅测定其内酯含量更为可取。本文建立了测定红曲中洛伐他汀总量的方法 ,并对方法的可行性进行了验证。采用HPLC方法 ,色谱柱 :C18柱(2 5 0mm× 4 60mm) ;流动相 :甲醇 :水 (72 :2 8) ,检测波长 :2 3 8nm ;流速 :1 0ml min;柱温 :室温 ,方法回收率98 3 % ,RSD =0 3 3 %。

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO_(2)浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。

基于轻量化YOLO-v3的绿熟期番茄检测方法

准确识别定位绿熟期番茄果实是实现其自动采摘的必要前提。由于绿熟期番茄的表面颜色仍为青色与叶片、枝干颜色接近,特别是存在叶片、枝干遮挡和果实重叠类型的图像,传统的图像检测处理方法不能准确进行定位。为解决此问题,采用改进的深度学习目标检测算法YOLO-v3进行番茄检测,将原算法的骨干网络DarkNet-53改为更轻量化的Mobilenet-v1。结果表明:轻量化YOLO-v3算法将模型大小缩小为原来的39.38%,训练速度提高3.88倍,验证集的平均精度均值达到98.69%,测试集的平均精度均值达到98.28%。所采用的轻量化YOLO-v3检测算法可实现对绿熟期番茄的实时目标检测,更适合在移动设备和嵌入式端进行部署,为更加高效的番茄自动采摘奠定基础。