基于ＭＥＭＳ红外热电堆传感器阵列的智能手势识别系统

本文提出了基于MEMS红外热电堆传感器阵列实现智能手势识别的方案,针对性设计出MEMS红外热电堆传感器阵列的信号调理电路,实现信号的高效处理。进一步地,基于单片机中加载的的卷积神经网络模型,对处理后的信号进行高精度识别与分类。测试结果表明,该系统对于四种静态手势的识别准确度达92.00 %,并且能够实现通过识别手势来控制多级外设运作的功能。本系统还采用蓝牙技术,实现了系统与移动终端之间的数据交换,实际最大通信距离可达15米,符合非接触测温场景的需求。最后还开发了相应的移动终端小程序,提高了人机之间的可交互性,进一步拓宽了该技术的应用场景。     

红树莓海藻酸钙凝胶硬化工艺优化及其罐头品质分析

以红树莓为主要原料,通过响应面分析法建立海藻酸钙凝胶硬化红树莓果粒工艺模型,确定最佳工艺条件为海藻酸钠1.24%、抽空时间Ⅰ 41 min、氯化钙0.32%、抽空时间Ⅱ 31 min,此条件下红树莓果粒硬度为451.18 g,感官分数为90.23分。红树莓、蓝莓和草莓罐头品质比较分析表明:各罐头V_C含量由高至低依次为草莓、红树莓、蓝莓罐头,差异显著(p<0.05);红树莓和蓝莓罐头总酚含量差异不显著(p>0.05),但显著高于草莓罐头(p<0.05);红树莓罐头V_C和总酚保留率高于其它罐头;红树莓罐头还原糖、总酸和可溶性固形物含量均显著低于其它罐头(p<0.05)。经硬化的红树莓罐头更有效地保留了其营养成分。     

超声波辅助提取红树莓籽中原花青素及其抗紫外活性评价

优化了红树莓籽原花青素的超声波辅助提取工艺,并对所得原花青素的抗紫外活性进行评价。在单因素试验基础上,以原花青素得率为响应值,利用Box-Benhnken设计对影响原花青素得率的超声功率、提取时间、乙醇体积分数和超声温度4个主要因素进行优化;以防晒指数(SPF)为指标,利用紫外分光光度法对原花青素抗紫外活性进行评价。结果表明:超声波辅助提取红树莓籽原花青素的最佳工艺参数为超声功率180 W、提取温度48℃、乙醇体积分数75%、提取时间30 min,该条件下原花青素得率可达14.58 mg/g;红树莓籽原花青素具有较强的抗紫外能力,质量浓度为2 mg/mL时其SPF可达42.84远高于市售化妆品实际SPF。     

聚酰胺纯化红树莓籽黄酮及其结合胆酸盐能力评价

以红树莓籽黄酮为研究对象,在AB-8大孔树脂纯化基础上,采用聚酰胺二次纯化,考察聚酰胺纯化最佳条件,并对纯化后黄酮的结合胆酸盐能力进行评价。结果表明,聚酰胺纯化红树莓籽黄酮最佳条件:上样质量浓度5.5 mg/mL、上样量100 mL、上样pH 4.5、上样流速2.0 mL/min、洗脱体积分数70%乙醇、洗脱剂用量150mL、洗脱流速1.5 mL/min,此条件下吸附率可达68.7%,解吸率76.3%,纯度59.2%为醇提的2.36倍;经聚酰胺纯化后红树莓籽黄酮对甘氨胆酸钠、牛磺胆酸钠和胆酸钠的IC50依次为2.911,3.779,3.257 mg/mL,说明红树莓籽黄酮对胆酸盐结合能力较强,具有一定的调节血脂功效。     

响应面优化与粒径分析法复配南果梨乳饮料稳定剂

以南果梨和牛奶为原料,通过L16(45)正交试验确定南果梨乳饮料基础配方。以沉淀率为响应值,通过单因素试验和响应面Box-Behnken设计法优化南果梨乳饮料工艺,确定稳定剂最佳配比,并通过粒径分布法分析其稳定效果。结果表明:以35%鲜牛奶、15%南果梨汁、7%白砂糖、0.30%柠檬酸为主要成分配制的饮料风味最佳;3种单一稳定剂控制南果梨乳饮料稳定性的临界添加量均为0.30%;通过响应面试验确定CMC、卡拉胶和果胶复配稳定剂的添加量分别为0.19%,0.20%,0.15%,此时产品沉淀率达最小值0.27%,南果梨乳饮料稳定性最优。通过粒径分析证实,粒径分布在0.2~4μm之间的复配稳定剂较粒径分布在1~30μm范围的单一稳定剂可更好地稳定南国梨乳饮料。     

近红外与表面增强拉曼光谱融合技术快速检测花生油中黄曲霉毒素B1

目的 在近红外光谱(near infrared spectroscopy, NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)特征层数据融合的基础上构建偏最小二乘回归模型(partial least squares regression, PLSR)实现花生油中黄曲霉毒素B1 (aflatoxin B1, AFB1)含量的快速检测。方法 首先，分别采集待测样本的NIR与SERS光谱。其次，将采集的NIR与SERS光谱分别进行光谱预处理。然后，采用基于希尔伯特-施密特独立准则的变量空间迭代优化算法(Hilbert-Schmidt independence criterion based variable space iterative optimization, HSIC-VSIO)分别筛选NIR与SERS光谱的特征变量。最后，将筛选的特征变量进行融合并构建PLSR模型用于定量检测花生油中AFB1含量。结果 与NIR光谱数据、SERS光谱数据以及NIR与SERS光谱直接融合数据构建的PLSR模型相比，NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能：校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.1569，校正集决定系数(coefficient of determination of calibration set, )为0.9908，预测集均方根误差(root mean squared error of prediction set, RMSEP)为0.1827，预测集决定系数(coefficient of determination of prediction set, )为0.9854，性能偏差比(ratio of performance to deviation, RPD)为8.2761。将本方法与标准方法分别检测真实含有AFB1的花生油样本，结果表明两者的检测性能无显著性差异(P=0.84>0.05)。结论 本方法可实现花生油中AFB1含量的快速、高精度定量检测，也验证了NIR与SERS光谱融合的可行性与有效性。