低压静电场辅助冷冻对竹笋品质的影响

为研究低压静电场辅助冷冻对竹笋冻结特性的影响，以冻结曲线、硬度、水分损失率、水分迁移、冰晶形态和组织微观结构为指标，探究低压静电场辅助冷冻（－35 ℃）和普通冷冻（－35 ℃）条件下竹笋品质的变化规律。结果表明：低压静电场辅助冷冻提高了冻结效率，改变了冰晶形态及分布，减轻了组织微观结构破损程度，改善了解冻汁液流失情况。与静电板间距10、20、30、40 cm处的冷冻竹笋解冻后水分损失率分别为14.16%、12.58%、9.73%、10.44%，显著低于对照组（21.01%）（P＜0.05），硬度分别为461.19、507.48、496.65 g和455.31 g，显著高于对照组（350.70 g）（P＜0.05）。低场核磁共振分析结果表明，在低压静电场辅助冷冻下竹笋解冻后汁液流失减少，扫描电子显微镜观察结果显示，竹笋纤维排列整齐，组织微观结构保持较好。低压静电场辅助冷冻可有效改善竹笋品质，可为利用低压静电场进行果蔬的冷冻贮藏和冷链运输提供参考。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

基于大数据深度学习的输电塔结构抗风易损性评估

为了有效预测输电网系统在强风作用下的响应，并开展高效精准的性能评估，文章提出了基于深度学习模型的风致易损性评估框架。以某具备健康监测系统的输电塔结构为例，首先对监测数据进行清洗和重构，通过大数据深度学习建立荷载输入和响应输出的等效映射模型，然后通过数值模拟生成灾害强度均匀的风场数据并由深度学习模型预测输电塔关键杆件响应，计算不同性能水准的易损性曲线。研究结果表明，经训练的深度学习模型可以涵盖实际工程中存在的各类不确定性因素，有效映射复杂风环境下输电塔结构的动力响应。提出的框架方法可以避免单纯通过数值模型制备大量动态响应数据，更高效地进行输电网系统风致易损性评估。     

基于气相色谱-离子迁移色谱分析不同贮藏方式对洋葱浆馕风味的影响

采用气相色谱-离子迁移谱（gas chromatography-ion mobility spectrometry，GC-IMS）对洋葱浆馕6 种不同贮藏条件下挥发性物质进行分析，包括低温贮藏、室温贮藏、真空贮藏、脱氧贮藏、保鲜剂贮藏和保鲜剂结合脱氧贮藏。研究表明：在洋葱浆馕中共鉴定出66 种挥发性风味物质，其中包括醇类9 种、酮类4 种、醛类18 种、酯类4 种、呋喃衍生物3 种，酸类1 种和未能识别的化合物27 种。随着贮藏时间的延长，低温贮藏和真空贮藏洋葱浆馕在贮藏期内醛类挥发性有机物基本不变，其他处理组的醛类挥发性有机物在贮藏期内变化呈降低的趋势。结合主成分分析和欧氏距离可以发现低温贮藏和其他贮藏方式的第0天挥发性物质种类和浓度较为接近，主成分分析图中点的位置也相聚在一起，说明低温贮藏馕的挥发性物质变化不明显。该研究建立不同贮藏方式洋葱浆馕挥发性气味指纹图谱，可视化出洋葱浆馕挥发性成分轮廓，为洋葱浆馕贮藏期间风味变化规律提供信息。     

—种基于特高压工程的图像识别算法研究

阐述提出一种基于特高压工程的图像识别算法，通过对原始图像高斯低通滤波、平滑、亮度拉伸以及增强预处理，降低原始图像噪声，并且使图像亮度增强，探讨选取色调、饱和度以及亮度作为图像特征向量，利用模糊数据自相关函数对特高压工程图像特征进行提取。在此基础上对将图像特征向量映射到图像上，并且对特高压工程图像特征进行匹配，识别到图像中的目标。     

基于KNN算法的不良步态分类

针对不良的步态会对下肢的关节产生不利的影响(加重行走的负担,能量消耗过快等),以及加重患病的风险,提出了利用KNN(k-nearest neighbor)算法对足外8和足内8两种不良步态与正常步态(对照组)进行分类学习,获取分类模型.三种步态的三维步态数据是从17名受试者在正常行走期间通过3D运动捕捉系统获得的,KNN模型对三种步态识别的总正确率为81.7％,对足外8步态的正确率为92.8％以及足内8的正确率为91.0％.模型的正确率较为准确,可以为矫正不良步态提供有力支持、减少不良步态的检测成本.     

基于机器视觉的热轧型钢精整区物料跟踪

针对热轧型钢精整区物料跟踪难的问题,提出了一种基于机器视觉的热轧型钢喷码识别物料跟踪方法.通过在矫直机后增加喷码机为型钢打印"身份证",并增加工业相机和光源采样,再通过深度学习文字识别算法实现精整区型钢物料跟踪,最后采用知识蒸馏方法进行模型压缩以满足工业部署要求.应用结果表明,所提方法能够实现型钢生产过程中精整区的物料跟踪,算法具有良好的鲁棒性.     

一种基于YOLO算法的口罩佩戴检测研究

介绍了机器学习的基本概念和常见类别(有监督学习、无监督学习、强化学习),介绍了深度学习的概念、基本技术以及它与机器学习的关系,研究了基于神经网络的的YOLO算法在实际生活中的应用,如检测目标人物是否佩戴口罩,并对实际模型的性能进行评估及模型优化方向作思考.