香根草对水体中磺胺嘧啶单一及联合污染的去除动态研究

为明确香根草对磺胺嘧啶(SDZ)单一及联合不同磺胺类抗生素(SAs)污染的去除潜力,通过为期15 d的温室水培模拟试验,在起始浓度为100μg/L的磺胺嘧啶和各100μg/L的5种磺胺抗生素(磺胺吡啶、磺胺嘧啶、磺胺甲噁唑、磺胺喹噁啉、磺胺二甲氧嘧啶)联合污染的水培条件下,采集了香根草的生长指标、水体溶液和香根草组织中SDZ的浓度变化,以评估香根草对SDZ的吸收、富集、转移和去除动态。结果表明:SDZ或SAs胁迫下,香根草地上部和根系长度与对照(无污染物)相比差异均不显著。污染暴露的第15天,培养液中种植香根草经单一(CP+SDZ)和联合污染(AP+SAs)处理的去除率分别为38.49%和33.47%,比无植物对照组分别提高了13.47%和15.45%;单一SDZ污染组中香根草对SDZ的去除能力显著强于SAs联合污染,二组水培溶液中的残留浓度分别为61.51、66.52μg/L,t0.99降解周期分别为88 d和111 d,比无植物对照组分别缩短了49、75 d。CP+SDZ组根部和茎叶富集系数均高于AP+SAs组,香根草对SDZ的根部富集能力比茎叶强,富集能力均小于1,转移系数TF处于0.2~0.4间。虽然香根草直接吸收、转运SDZ的浓度有限,但可以有效促进水环境中SDZ的去除。香根草在SDZ培养液中的净去除率与培养液去除率、培养时间、地上富集系数、地上SDZ浓度具有直接关联作用。

基于路面分割的高精度地图创建优化方法研究

高精度地图主要利用已采集图像的地面信息生成,但是在真实环境中图像的地面信息容易受动态障碍物遮挡,同时GPS难免会有抖动误差,导致地图拼接效果并不理想。针对上述问题提出了一种基于路面分割的动态障碍物去除与图像配准方法。使用深度学习对全景图像进行语义分割并提取路面信息,在去除动态障碍物干扰后,利用路面特征进行图像配准。融合GPS与里程计信息进行定位优化,利用多帧图像叠加填补空缺形成地图。最终,实验验证了该方法在去除动态障碍物的同时也提高了地图的精度。

基于伪占用区在线点云去除的激光雷达SLAM算法

提出一种使用点云记忆区来移除动态点云的激光雷达同时定位与建图(SLAM)算法——DOR-LOAM算法。该算法首先引入先验地图伪占用区域的概念,细化了动态点云记忆区的划分,从而提高了对动态点云的识别精度;然后,通过网格化每块伪占用区域,并设置点云概率密度阈值,增强算法对动态小目标的识别能力;最后,使用动态点云移除率优化滑窗方式,建立轻量级的先验地图,加快系统整体的处理速度。在KITTI开放数据集上的验证结果显示,DOR-LOAM算法移除动态点云的F1分数为95.52%,平均相对平移误差和相对旋转误差分别为0.81%和0.0033(°)·m^(-1),该算法能实时、高效地消除环境中动态因素的影响。