常温挤出糖霜3D打印机设计

目的:设计一款满足安全、卫生、操作便捷、结构性能稳定等要求的糖霜制品3D打印机.方法:打印机主要包括机械结构和控制系统,机械结构方面采用龙门架结构,并对传统的打印料罐进行改良.控制系统采用“工控机+运动控制卡”的模式.结果:该打印机可快速更换料罐(30s内),打印机成型速度快(≥5000mm/min),速度可调;成型精度控制在1mm 以内;成型件的强度、膨胀率和表面粗糙度指标均较好.自带光源的图像识别及处理系统能够识别产品形状、个数及完整性等.结论:改良后的料罐提高了半流体食品打印的卫生性、生产效率,且便于耗材的更换,能加工出复杂糖画模型以满足造型独特的个性化糖艺制品的需求.     

矢量语音传感器微阵列

人工智能的普及促进了语音交互技术的发展,语音传感器阵列作为智能语音交互的硬件前端,成为语音交互领域的前沿研究方向.矢量语音传声器自有的偶极子指向性、零点深度以及阵列体积小便于集成的特点特别符合语音交互技术对硬件设备的要求.基于此,通过采用两组矢量敏感单元"共点正交"形成矢量微阵列实现声源空间锐化波束指向,其不受瑞利限与空间采样率限制,与传统空间离散分布的声压麦克风阵列有着本质区别,是矢量微阵列的核心优势所在.矢量微阵列传声器弥补了现有双麦阵列的不足,具有更为广阔的应用前景,作为智能语音交互的硬件前端,对推动智能语音交互领域的发展具有重要意义.     

洗衣时间

7每个人都必须洗自己的脏衣服。有些人在家里洗衣服,他们有洗衣机。可是有些人没有洗衣机,他们会去投币式自助洗衣店,他们可以在那里洗衣服。他们把衣服放进洗衣机里,加入洗衣液,然后投币启动机器,这样机器就会清洗他们的衣服。另一部机器能把衣服烘干。     

出租车博物馆

你收集物品吗?收集物品是一种很普遍的爱好,而且大家会收集许多不同的物品。他们可能会收集硬币、邮票或鞋子,但李先生收集的物品却很不寻常。他收集和出租车有关的各种东西,他收集出租车零件、出租车鞋、出租车服装、出租车包以及其他更多的东西。他把自己的收藏放在一座名为“出租车博物馆”的地方,这是全世界第一个以出租车为主题的博物馆。     

传统牦牛酸奶源高产胞外多糖乳酸菌特性及发酵性能

为了研究四川藏区传统牦牛酸奶中高产胞外多糖乳酸菌特性及发酵性能，以本实验室分离出的六株高产胞外多糖乳酸菌为研究对象，以菌株生长量、耐酸性、胆盐耐受力、渗透压耐受力和细胞表面疏水性为指标进行特性研究；以发酵酸奶的凝乳时间、持水力、酸化及后酸化能力、挥发性物质及质构等为指标进行发酵性能研究。菌株的生长曲线表明，6株菌株分别在14 h（218、276、266）、16 h（271、285、231）进入对数生长稳定期，其中编号218的菌株生长量最高，OD值为2.188。耐受性实验结果表明，菌株276具有良好的耐酸能力（P<0.05）；菌株266、218、231耐胆盐的能力较强；6株菌株均具有较好的耐渗透压的能力，其中菌株285对高渗透压的耐受性较强；菌株285和218在两种有机试剂中的疏水性均显著（P<0.05）高于其他菌株，且与十六烷的结合效果较好。发酵试验结果表明，6株菌株所发酵酸奶均在6~8 h内凝固，酸乳在冷藏期间，活菌数均保持在107 CFU/mL以上，均符合发酵剂的标准，其中菌株276的最高为3.22×106 CFU/mL；菌株218发酵制得的酸奶质构特性较好，持水力和酸化能力较其余菌株均最强，分别为60.98%和83 °T；菌株276、266抗后酸化能力较好；菌株231产香性能最优，乙醛含量为24~26 μg/mL，双乙酰含量为1.58~3.73 μg/mL，能够明显改善酸奶的风味。通过综合比较6株高产胞外多糖乳酸菌特性及发酵性能，菌株218为一株性能良好、具有良好稳定性的菌株，可作为乳酸菌发酵剂且具有一定的应用潜力。研究为利用四川藏区传统牦牛酸奶中分离出的高产胞外多糖乳酸菌在发酵乳制品的应用提供理论依据。     

基于禁忌搜索的晶体位置谱分割与校准方法

为满足不同规格晶体探测器对分割校准晶体条响应事件位置数据的需求，开发了一种以禁忌搜索算法为核心，结合UDP数据帧、二维高斯模型及光导折射率的位置信息分割校准方法。实验结果表明，本方法在溢出率为5%时，峰谷比可达1218，空间分辨率达17 mm，晶体条响应位置识别准确度高达99%，滤除了引发伪峰的噪声，避免了过分割问题。在面对多种规格晶体阵列的位置谱时，本方法能依照阵列规格将晶体条区域的响应自动校准编号并输出晶体位置查找表，实现响应事件的精确校准。     

Ensemble relation network with multi-level measure

Fine-grained few-shot learning is a difficult task in image classification. The reason is that the discriminative features of fine-grained images are often located in local areas of the image, while most of the existing few-shotlearning image classification methods only use top-level features and adopt a single measure. In that way, the localfeatures of the sample cannot be learned well. In response to this problem, ensemble relation network with multi-level measure (ERN-MM) is proposed in this paper. It adds the relation modules in the shallow feature space tocompare the similarity between the samples in the local features, and finally integrates the similarity scores from thefeature spaces to assign the label of the query samples. So the proposed method ERN-MM can use local details andglobal information of different grains. Experimental results on different fine-grained datasets show that the proposedmethod achieves good classification performance and also proves its rationality.