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。     

石油勘探中多波地震勘探技术的应用

目前,我国社会经济的迅猛发展以及综合能力的不断提升,给各个行业领域都带来了很大帮助。在发展中国家,石油作为一种稀缺的能源起着非常重要的作用,由于社会上对于石油的使用频率越来越大,使得国家相关部门加大了石油勘探的力度。为了对深层油田进行高度开采,必须要使用多波地震勘探采集技术,以此来促进石油开采业的不断发展。在本文中,笔者主要通过对该技术的基本认识,以及该技术在应用过程中存在的主要问题,并对石油勘探中多波地震勘探技术的具体应用展开研究,希望能够为社会经济效益的发展做出贡献。     

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。     

地震属性概述

随着石油勘探从寻找构造圈闭进入识别描述地层、岩性等隐蔽圈闭阶段,地震属性在构造精细刻画、沉积相带划分、储层识别、油藏描述及油气检测等方面的作用越来越大。对地震属性的概念、发展历程、分类、主要应用方面、影响因素进行了概述,对地震属性有一个宏观和理论上的分析,以期在具体应用地震属性解决实际勘探问题过程中提供参考作用,有助于提高少井区和无井区的预测精度。     

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。