硝酸盐氮(NO3-N)是水中“三氮”(硝酸盐氮、 亚硝酸盐氮、 氨氮)之一, 能够反映水体受污染的程度, 是水质评估的一项重要指标。 水体中的硝酸盐氮浓度过高不仅会导致水环境污染加重, 而且会对人畜及水产构成较大威胁。 传统的硝酸盐氮检测必须先反应后测定, 具有时间长、 操作复杂、 有二次污染等缺点。 光谱法具有快速、 无损、 无试剂消耗等显著优点。 针对硝酸盐氮难以快速检测的问题, 提出了一种基于紫外吸收光谱的快速定量分析硝酸盐氮的方法。 采集42份浓度为0~20 mg·L-1的硝酸盐氮标准溶液样本的紫外吸收光谱, 每份样本经11次平均处理以减少仪器噪声和环境的影响。 采用SPXY算法按照7∶3的比例划分训练集、 测试集, 对紫外吸收光谱数据使用Savitzky-Golay(SG)滤波算法进行预处理, 通过10折叠交叉验证获得套索回归(lasso regression)合适的正则化参数λ=0.203 6, 再使用Lasso回归在全光谱范围内筛选出与硝酸盐氮相关的光谱特征波长, 将特征波长处的吸光度与样本浓度进行偏最小二乘(PLS)拟合建立硝酸盐氮的回归模型。 采用此建模方法所建立的模型训练集的R2与RMSE分别为0.999 91和0.060 15 mg·L-1, 测试集的R2与RMSE分别为0.999 72和0.046 91 mg·L-1。 为了验证提出的SG-Lasso-PLS预测模型效果, 另外建立了Lasso-PLS, SG-PCA-PLS和SG-PCA-SVR三种预测模型进行对比。 验证结果表明, SG-Lasso-PLS建立的预测模型的R2和RMSE均优于其他三种预测模型。 说明SG滤波能够消除光谱信号的随机噪声, 提高模型的预测精度。 与PCA数据降维算法相比, Lasso可实现全光谱范围内的光谱特征选择和数据降维, 能有效消除光谱数据的冗余信息, 提高模型的预测精度。 因此, 本文提出的SG-Lasso-PLS混合模型能够快速准确的对水体中的硝酸盐氮进行预测。 作为硝酸盐氮浓度检测的基础研究, 能为快速无污染的水质在线监测场景提供算法参考。

血红蛋白是人体的一项重要生理指标, 浓度异常会导致人体产生各种疾病。 红外光谱技术具有简单、 无损、 快速等优点, 非常适合用于生理参数的定量分析。 由于光谱背景复杂、 有效信息弱, 如何提取有效特征变量, 构建精准定量模型是个难题。 针对此问题, 以血液样本和血红蛋白仿体溶液样本光谱数据为研究对象, 采用SPXY法、 K_S法、 duplex法、 等间隔划分法四种数据集划分方法划分数据并通过建模对比, 优选出最佳数据集划分方法为SPXY法。 遍历了SavitzkyGolay一阶求导滤波(S_G1)+小波变换、 小波变换+S_G1、 标准正态变量变换(SNV)+S_G1三种预处理方法, 优选出SNV+S_G1预处理方法。 结合串联思想, 提出组合区间偏最小二乘法(SiPLS)与连续投影算法(SPA)串联的特征波长优选方法, 构建SiPLS-SPA-PLS预测模型, 用两组数据对模型进行验证, 依据评价指标判断模型的优劣, 并与全谱PLS, SPA-PLS和SiPLS三种定量模型相比较。 实验结果表明: (1)使用SiPLS-SPA-PLS模型进行定量分析, 血液样本的Rc, Rp, RMSEC和RMSEP值分别为0.993 6, 0.990 6, 0.199 2和0.184 6, 仿体溶液样本的Rc, Rp, RMSEC和RMSEP值分别为0.998 9, 0.998 5, 1.848 9和2.007 4。 相比全谱PLS, SPA-PLS, SiPLS三种定量模型, Rc和Rp值最大, RMSEC和RMSEP值最小, 该模型最优, 可以更精准地实现血红蛋白的定量分析。 (2)SiPLS-SPA-PLS定量模型能更加准确地筛选最优波段, 两种样本筛选出来的有效波段分别为血液(1 144~1 264, 1 606~1 798 nm)、 仿体溶液(1 018~1 390, 1 600~1 700 nm), 剔除掉仪器的影响因素, 大致相同, 此方法可以精准优选出特征波长。 (3)该模型可以提取有效变量, 去除无用噪声影响, 血液样本从全谱的700个光谱变量中优选出28个, 仿体溶液样本从全谱的1201个光谱变量优选出41个, 提高检测速度和预测效率。 该方法为血红蛋白快速精准检测提供了一种思路。

针对目前Deeplab v3+模型进行图像语义分割时部分细节损失严重，存在漏分割、误分割现象，在其算法基础上构建了新的语义分割模型N-Deeplab v3+。新模型设计异感受野拼接的空洞空间金字塔池化结构，增强各层级信息间相关性；增设多次跨层特征融合，提升对图像细节的表征力；构建基于注意力机制的特征对齐模块，引导高低级特征对齐并有针对性地强化对重要通道特征的学习，提升模型学习能力。在Cityscapes数据集上的实验结果表明，所提改进方案能够有效提高小尺度目标关注度，缓解目标误分割问题，提升模型语义分割精度。在PASCAL VOC 2012数据集上进一步验证新模型的泛化能力。N-Deeplab v3+模型在Cityscapes数据集和PASCAL VOC 2012数据集上的平均交并比达76.31%和81.97%，较原模型分别提升了1.69个百分点和2.14个百分点。

针对X光安检图像中多目标违禁品识别难度高的问题，提出了一种多目标违禁品识别算法。首先，综合考虑实际应用需求、网络性能和运行速度，用残差网络（ResNet50）作为骨干网络，并添加局部强化模块弥补空洞卷积导致的棋盘格现象。然后，用空洞残差特征增强模块和可变形空洞空间金字塔池化分别处理不同层级特征，自适应学习违禁品的多尺度特性。最后，引入注意力机制，强化对重点通道的学习能力并实现空间维度上的特征聚焦，加强违禁品区域的细节表征能力。在安检违禁品图像数据集上的测试结果表明，相比其他对比算法，本算法可在保证实时性的前提下取得更优的分割精度，平均交并比为82.26％，图像处理速度为16.21 frame/s。

基础材料、基础元器件、基础软件和基础算法(简称为“四个基础”)是我国基础工业和高科技工业发展的基石, 未来十五年是我国“四个基础”突破重围、自强自立高质量发展并引领国际的关键时期。本文通过战略研究, 分析了我国“四个基础”的发展现状, 提出了“四个基础”发展面临的核心科学理论难题, 建议从五个方面系统建设有利于突破重围和超越引领的原始创新环境与体制机制。

为鉴定可用于大豆(Glycine max)遗传改良的优异基因源, 从大豆基因组中鉴定获得一个大豆GmWIN1-6转录因子, 应用生物信息学工具和实时荧光定量反转录PCR(qRT-PCR)技术系统分析GmWIN1-6转录因子的理化性质、蛋白结构、时空表达谱及盐胁迫响应。结果表明: 从大豆花组织中克隆到GmWIN1-6基因的开放阅读框(ORF), 其编码蛋白由176个氨基酸组成, 在N端具有一个保守的AP2结构域, 属于亲水性蛋白; GmWIN1-6蛋白的二级结构中, 无规则卷曲占比例最大; 三级结构与拟南芥(Arabidopsis thaniana)AtWIN1相似; 系统进化分析显示GmWIN1-6与AtWIN1亲缘关系最近; GmWIN1-6转录因子在大豆各组织中的表达差异明显, 其中在花组织中表达量最高, 其次为种子发育中后期, 且与种子油脂积累时期基本吻合; 在大豆幼苗盐胁迫条件下, GmWIN1-6基因上调表达。这些试验发现预示着GmWIN1-6转录因子可能参与大豆种子发育和油脂富集以及幼苗胁迫响应的调控, 为大豆遗传改良和分子育种提供理论依据。

辐射诱变技术广泛应用于水稻种质资源创新。为了明确辐射诱导突变的分子机制, 采用二代高通量测序技术对水稻品种黄华占经辐射诱导获得的一个突变体湘辐1821进行全基因组变异分析。与参考序列蜀恢R498相比, 在黄华占和湘辐1821中分别检测到758 215和799 434个单核苷酸多态性位点(SNPs), 142?313和147?686个插入缺失(InDels), 16?775和18?382个结构变异(SVs)以及16?614和17?658个拷贝数变异(CNVs)。黄华占和湘辐1821的SNPs转换与颠换的比率约为2.5, 这两种基因型SNPs以转换为主要类型。在黄华占和湘辐1821 的InDels中短序列InDels远多于长序列, 说明点突变为主要突变方式。拷贝数减少是黄华占和湘辐1821的主要拷贝数变异方式。同时对黄华占和湘辐1821重测序数据整合差异比较分析, 两种基因型的差异SNPs 有86?163个, InDels 有88?777个。对差异SNPs位点所在基因进行基因本体(GO)分析, 3 092个候选基因中70%位于生物学过程中, 该研究结果将对湘辐1821表型分析具有重要参考意义, 同时为辐射诱导突变机制提供新的见解。

以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。