蔬菜腌制及其乳酸菌技术的研究进展

蔬菜腌制加工是蔬菜加工产业中的重要组成部分,随着农产品加工新技术及乳酸菌研究的逐步深入和发展,腌制蔬菜也成为一个新的研究热点.作者分析了国内外有关蔬菜腌制过程中微生态、乳酸菌的代谢及其蔬菜腌制风味发生机制、腌制蔬菜功能特性评价以及发酵剂开发等方面的研究进展,为蔬菜腌制技术的发展等提供参考.     

腌制苋菜梗的微生物菌群结构及其品质

腌制苋菜梗是浙东传统的特色腌制食品,了解其细菌种群结构并探讨对亚硝酸盐等理化品质的影响,以确保腌制食品的安全性。采用16S rDNA基因克隆文库的方法,对腌制成熟的苋菜梗中细菌组成结构多样性进行了分析,共检测出了乳杆菌、类香菌、弓形杆菌等6个菌属,其中乳杆菌属占优势为总数的83.9%。与此同时,测定了腌制苋菜梗体系亚硝酸盐等一些理化指标,腌制成熟时pH值为4.35,盐度为5.5,亚硝酸盐质量分数为3.99mg/kg(未超标),细菌和乳酸菌浓度分别为8.8×106 CFU/mL和1.6×106 CFU/mL。     

冬瓜腌制过程中微生物多样性的分析

采用分子生态检测方法研究传统腌冬瓜加工过程中微生物多样性及其变化情况,揭示传统腌制冬瓜品质形成规律及产品质量控制的微生物学本质。采用构建16S rDNA克隆文库法并结合传统的微生物培养方法解析冬瓜腌制过程中微生物种类组成及变化,对照理化品质的变化分析结果。试验结果表明,冬瓜腌制体系中,在腌制开始时的优势种群为不动杆菌属、魏斯氏菌属、芽孢杆菌属和肠杆菌属;第5天的优势种群为魏斯氏菌属、芽孢杆菌属和肠杆菌属;第10天的优势种群变成了乳杆菌属、魏斯氏菌属和芽孢杆菌属;腌制后期的优势种群为魏斯氏菌属、芽孢杆菌属和葡萄球菌属。与此同时,冬瓜腌制过程中腌制体系的pH值和亚硝酸含量下降较显著,最低值分别为3.33 mg/kg和3.55 mg/kg。乳酸菌总数增加,盐度和细菌总数相对稳定。本研究结果可促进冬瓜腌制的微生物生态研究,为生产上优化控制提供微生物学依据。     

一株高出酒率的粟酒裂殖酵母菌株的筛选及其在白酒酿造中的应用研究

对白云边酒酿造酒醅中分离得到的不同种属的酵母菌进行发酵性能比较,从中筛选一株耐温性好、产酒力强、产正丙醇低的酵母Schizosaccharomyces pombe Scc7。与S.pombe标准菌株1056相比,Scc7在高粱糖化液中发酵酒精度提高了8.7%,正丙醇含量降低了9.9%,乙酸乙酯含量提高了22.2%,并产生3-羟基丁酮。以麸皮为培养基发酵制备Scc7菌剂模拟固态白酒发酵后发现,与储存4个月的大曲相比,将Scc7菌剂以30%比例同1个月大曲混合发酵可使酒精度提高20.8%,正丙醇降低57.78%。本研究表明,Scc7制备的功能菌剂在白酒酿造中具有良好的应用前景。     

基于E~2LSH的特定人物快速检索方法

自组织特征映射是一种无监督的神经网络,目前广泛应用于入侵检测中。文章提出了一种基于改进的SOM的入侵检测方法,可更有效的处理包含数值型和字符型的输入向量,优化了训练中的权值调整策略。最后,使用KDD Cup 99数据集进行实验,结果表明改进的SOM算法检测率较高。     

露天矿边坡变形破坏位移速率的分形特征

应用分形理论研究了某露天矿边坡滑体的监测位移速率的时间序列．结果表明，该时间序列具有分形特征．同时讨论了求得时间序列饱和分形维数的相空同维数的选择以及尺码r的取值范围．     

基于弱监督E2LSH和显著图加权的目标分类方法

在目标分类领域,当前主流的目标分类方法是基于视觉词典模型,而时间效率低、视觉单词同义性和歧义性及单词空间信息的缺失等问题严重制约了其分类性能。针对这些问题,该文提出一种基于弱监督的精确位置敏感哈希(E2LSH)和显著图加权的目标分类方法。首先,引入E2LSH算法对训练图像集的特征点聚类生成一组视觉词典,并提出一种弱监督策略对E2LSH中哈希函数的选取进行监督,以降低其随机性,提高视觉词典的区分性。然后,利用GBVS(Graph-Based Visual Saliency)显著度检测算法对图像进行显著度检测,并依据单词所处区域的显著度值为其分配权重;最后,利用显著图加权的视觉语言模型完成目标分类。在数据集Caltech-256和Pascal VOC 2007上的实验结果表明,所提方法能够较好地提高词典生成效率,提高目标表达的分辨能力,其目标分类性能优于当前主流方法。     

中国白酒中放线菌的研究进展

放线菌是白酒酿造的四大微生物之一,与其他三大类微生物相比,放线菌在白酒酿造中同样扮演着重要的角色。现今放线菌的功能性也逐渐被发现,总结了近年来放线菌在白酒中的研究历程,主要对酱香型白酒、清香型白酒及浓香型的生产过程中放线菌的研究进行概括,最后提出了白酒发酵过程中对放线菌研究存在的问题并展望了今后的研究方向。     

一种基于视觉词典优化和查询扩展的图像检索方法

视觉词典方法（Bag of visual words,BoVW）是当前图像检索领域的主流方法,然而,传统的视觉词典方法存在计算量大、词典区分性不强以及抗干扰能力差等问题,难以适应大数据环境.针对这些问题,本文提出了一种基于视觉词典优化和查询扩展的图像检索方法.首先,利用基于密度的聚类方法对SIFT特征进行聚类生成视觉词典,提高视觉词典的生成效率和质量;然后,通过卡方模型分析视觉单词与图像目标的相关性,去除不包含目标信息的视觉单词,增强视觉词典的分辨能力;最后,采用基于图结构的查询扩展方法对初始检索结果进行重排序.在Oxford5K和Paris6K图像集上的实验结果表明,新方法在一定程度上提高了视觉词典的质量和语义分辨能力,性能优于当前主流方法.     

基于显著图加权视觉语言模型的图像分类方法

传统基于视觉语言模型( VLM)的图像分类方法在参数估计阶段,通常采用最大似然估计的方式统计视觉单词的分布,忽略了图像背景噪声对该模型参数估计的影响。为此,提出一种新的图像分类方法。利用基于视觉注意的显著性检测算法提取图像中的显著区域和背景区域,构建的图像带有显著图标识的视觉文档,训练视觉单词的显著度权重和条件概率,并使用显著图加权视觉语言模型进行图像分类。实验结果表明,与传统VLM等方法相比,该方法能有效克服图像背景噪声的影响,增强视觉单词的区分性,提高分类准确率。