γ-环糊精固载淀粉的制备及其对废水中染料去除性能研究

以环氧氯丙烷为交联剂,将功能主体分子γ-环糊精引入淀粉中,合成了γ-环糊精固载淀粉CS-γCD。通过单因素实验优化了反应条件。采用红外/拉曼光谱(IR/RAM)、扫描电镜(SEM)和X射线衍射谱(XRD)表征了产物结构。考察了CS-γCD对亚甲基蓝、甲基紫及刚果红3种不同结构染料的吸附性,对模拟混合染料废水的脱色性能,及其材料自身的降解性能。结果表明,CS-γCD对各染料的吸附量不仅较其他吸附材料显著提高,并对不同结构种类的染料具有了更为广泛的吸附能力,其对混合染料废水的脱色率接近90%。CS-γCD可被酶降解,但降解速率较天然淀粉缓慢,稳定性有所提高,使用寿命相对延长,更利于其在污水处理方面的推广应用。     

不同产地黑老虎挥发油成分的GC-MS分析研究

采用水蒸气蒸馏法,GC-MS分离检测技术,分析研究了福建、广西、广东三个不同产地黑老虎挥发油的成分。共鉴定出51种化合物,挥发油总量福建占77.82%,广西占78.62%,广东占78.83%。其中有20种为共有成分,主要包括δ-荜澄茄烯、β-石竹烯、α-可巴烯、葎草烯、别香橙烯、γ-衣兰油烯等,分别占各自挥发油总量的51.45%(福建),38.08%(广西),62.95%(广东)。结果表明,不同产地黑老虎挥发油含量及化学成分组成差异较大。     

高效液相色谱-质谱联用法测定薏苡仁药材中黄曲霉毒素

目的建立高效液相色谱-质谱联用法(high performance liquid chromatography-masss pectrometer,HPLC-MS)测定薏苡仁中药饮片中黄曲霉毒素B_1、B_2、G_1、G_2的方法,并对比不同产地薏苡仁中黄曲霉毒素含量。方法样品经过免疫亲合柱处理后,采用HPLC-MS进行测定。分析柱为C18柱(50 mm×2.1 mm, 1.8μm),流动相为10 mmol/L醋酸铵溶液-甲醇溶液,梯度洗脱,流速为0.3 mL/min,柱温为25℃。结果黄曲霉毒素B_1在0.26～10.4ng/mL浓度范围内与峰面积值均呈现良好的线性关系(r~2=0.9995),平均加样回收率为75.4%～123.9%,黄曲霉毒素B2在0.0875～3.5 ng/mL浓度范围内与峰面积值均呈现良好的线性关系(r~2=0.9996),平均加样回收率为71.1%～124.2%,黄曲霉毒素G_1在0.295～11.89 ng/mL浓度范围内与峰面积值均呈现良好的线性关系(r~2=0.9995),平均加样回收率为78.9%～112.2%,黄曲霉毒素G2在0.1475～5.9 ng/mL浓度范围内与峰面积值均呈现良好的线性关系(r~2=0.9992),平均加样回收率为73.8%～123.9%。结论该方法准确、可靠、专属性强,通过精确化合物离子监测,可准确的测定薏苡仁中黄曲霉毒素含量。     

广西刘寄奴的紫外-可见光谱分析

以水、无水乙醇、石油醚及乙酸乙酯为溶剂分别进行回流提取、超声提取、浸渍提取,对提取液进行紫外—可见光谱法分析。四种溶剂提取液的紫外可见光谱均有特征,水提取液的紫外可见光谱特征吸收峰单一,无水乙醇、乙酸乙酯和石油醚各提取液的特征吸收峰较多;水提取液、无水乙醇各提取液吸收极强,乙酸乙酯、石油醚的提取液吸收较弱。本研究可为广西刘寄奴鉴别和成分分析提供辅助依据。     

1-甲基环丙烯结合不同保鲜袋对叶用甘薯茎尖冷藏保鲜效果的影响

目的探究1-甲基环丙烯(1-methylcyclopropylene,1-MCP)结合不同保鲜袋对叶用甘薯茎尖贮藏品质的影响,筛选最适的保鲜方式。方法以叶用甘薯茎尖为材料,经0.91μL/L1-MCP处理24h后结合聚乙烯(PE)或微孔膜(WK)保鲜袋包装,在5℃下进行贮藏,分别于0、3、6、9、12 d时对其失重率、色差、黄化率、呼吸强度、乙烯释放量、多酚氧化酶活性等指标进行测定。结果贮藏12 d后, 1-MCP+PE, 1-MCP+WK处理组的失重率分别为3.43%,2.72%,显著低于未经1-MCP处理组(P0.05),说明1-MCP处理能够有效抑制叶用甘薯茎尖失水; 1-MCP+WK处理下的L值为33.9,高于其余3种处理,表明该处理能够更好的保持叶用甘薯茎尖的亮度和新鲜感。此外,1-MCP结合保鲜袋处理能够减弱呼吸作用,降低乙烯释放量及多酚氧化酶活性。结论1-MCP处理并结合PE膜或者微孔膜包装对叶用甘薯茎尖具有良好的保鲜效果,可以有效延长其贮藏期。     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。