食品潜在危害物风险分级模型研究及应用

基于食品安全风险监测需要,结合食品消费量、危害物在食品的含量水平与危害物毒性,首次提出食品潜在危害物风险分级模型,量化特定食品类别中各危害物的风险程度,并以乳制品为例进行应用示范。该风险模型不仅可简易地识别重点监测的对象,集中监管资源,也有利于后续的食品安全预警和快速反应。     

选矿厂生产指标管理系统设计与实现

选矿厂生产指标管理系统利用金川集团公司成熟的网络技术,设计开发的基于客户／服务器模式的管理信息系统,其内容主要包括后台数据库的建立和维护以及前端应用程序的开发两个方面。     

甲醛检测方法研究进展

以研究甲醛检测方法的进展为主,分别介绍了传统方法:分光光度法、电化学法、色谱法、荧光法;新型方法:化学发光法、离子选择电极法、微流控芯片技术和甲醛测定的电化学传感器,分析并比较了各种方法的优缺点,最后展望了甲醛检测的发展方向。     

基于改进U-net模型的路面裂缝智能识别

路面裂缝快速检测及响应是道路养护部门的一项重要工作,然而传统的裂缝检测方法耗时且准确度低。因此,本文基于改进后的U-net模型实现对路面裂缝精准地自动识别。结合Canny边缘检测、Otsu 阈值分割算法和人为干预手段研发一款半自动标注软件,用以实现路面裂缝的像素级标注。研究以路面2D激光图像为数据集,并在此基础上通过数据增强进行数据集样本扩充,从而构建模型训练原始样本库;在实验分析阶段,使用交叉熵损失函数判断预测值与真实值的误差大小,并结合Adam 算法优化模型。研究表明改进后的U-net模型在识别精度及泛化能力上均优于原U-net模型及全连接神经网络模型。该研究将为道路养护管理部门的路面病害快速检测提供技术支撑,从而利于快速响应、采取措施保证路面的行车安全。     

深圳市儿童零食消费行为分析

目的：描述深圳市儿童青少年的零食消费情况、消费特点,为儿童营养宣传教育工作提供基础资料。方法：数据来自于201 3年深圳市儿童零食专题调查。调查内容包括选购行为、消费特点、营养常识水平等。结果：儿童零食的购买主体以家长为主,其购买频率通常为1—4次/月,选购的种类以新鲜水果、纯奶及制品为主,＂营养价值＂是选购的重要标准。在选购意见冲突时,则以＂家长的意见＂主。而儿童消费零食的主要场所为＂校园＂和＂家里＂,主要时间段为＂下午＂和＂晚上＂。消费的主要原因依次为＂味道好＂,＂饿了或渴了＂和＂朋友或同学也在吃＂。结论：深圳的儿童在零食消费方面相对智慧,但仍需提高对＂新鲜水果＂和＂纯奶及制品＂的摄入量。同时建议相关部门在营养宣传教育方面慎重选择对象、方式和内容,以提高它的可行性和可接受性。     

低熔点聚酯/聚酯复合纤维与聚丙烯腈纤维混合物定量分析方法

本文研究了低熔点聚酯/聚酯复合纤维与聚丙烯腈纤维混合物的定量分析方法,试验发现：GB/T 2910.12—2009的二甲基甲酰胺对不溶纤维低熔点聚酯/聚酯复合纤维有较大损伤,导致检测数据不准确：不适用;可用GB/T 2910.25—2017中三氯乙酸/三氯甲烷溶解混合物中的低熔点聚酯/聚酯复合纤维。     

基于灰度权重模型的激光条纹中心提取算法

为了在多噪声环境中精确提取激光条纹中心, 采用改进的灰度权重模型, 提取激光条纹的亚像素中心。通过均值阈值法以及改进的灰度权重模型对3维激光成像系统采集的图像进行了处理, 并与传统的算法进行对比。结果表明, 该算法能够较为完整地提取激光条纹区域, 并且其平均拟合相关系数为0.9809(最接近1), 平均列坐标最大差值为0.4518pixel(最接近0), 平均变异系数为0.0062(最接近0), 相对其它方法具有更优的结果, 能够抑制多噪声环境对于激光条纹提取的影响, 精确提取激光条纹的亚像素中心, 具有较好的鲁棒性。该算法为精确提取激光条纹的中心提供了参考。     

基于三维激光成像技术的扣件缺损自动检测

随着我国轨道交通的快速发展,其维护工作日益繁重,传统检测手段及技术难以满足现有的需求,轨道检测的快速化及智能化迫在眉睫。为了弥补这些检测方法的不足,本文基于非接触式激光三角测距原理,自主研发了一套高速线激光测量系统。首先是通过改进的灰度权重模型法提取激光中心线,可以得到更加精确的轨道扣件高度信息;其次使用Phone光照模型对点云数据渲染,可以直观显示采集对象的高低起伏情况;最后利用K均值聚类法进行扣件病害类别识别。检测结果为：扣件缺失与扣件异物检测成功率分别为98%、100%。尤其使用改进的灰度权重模型法,精确的提取激光中心线,得到高精度的三维纹理信息,具有很高的推广应用价值。     

蔬菜专用发酵乳酸菌菌体高密度培养基优化的研究

本文对从泡菜中筛选到乳酸菌编号为NGU0101进行了菌体高密度培养基优化的研究。通过单因子试验研究了不同碳源、氮源及缓冲磷酸盐对乳酸菌培养的影响,并且采用了L₉（3⁴）正交试验法确定培养基。     

基于组合滤波的CMOS图像固定模式噪声降噪算法

固定模式噪声(fixed pattern noise, FPN)是CMOS(互补金属氧化物半导体)图像传感器中一种常见的噪声,该噪声会对相机成像质量产生很大的影响。为提高道路病害检测图像的质量,提出基于组合滤波的CMOS图像传感器固定模式噪声去除算法。首先使用均值滤波提取出CMOS传感器相机固定模式噪声的空间分布特征。随后使用提出的线性滤波方式去除绝大部分固定模式噪声。最后使用非线性滤波方式去除椒盐噪声。测试结果表明,经过该算法处理后,3组测试图像的峰值信噪比(PSNR)在28.75～32.50之间,图像均方差由处理之前的9.66～11.28降至处理之后的5.45～7.59,处理后的图像均方差相比处理之前降低了27.68%～43.61%不等。该算法有效地降低CMOS传感器相机中固定模式噪声对图像质量的影响,同时较好地保留道路病害图像的主要纹理特征,并且相对于传统的对CMOS传感器相机标定方法具有更高的实用性。