为探究射频联合热风干燥(radio frequency assisted hot air drying,RF-HAD)对南美白对虾干燥特性及理化品质的影响,该研究以南美白对虾为研究对象,并以热风干燥(60℃)作为对照,测定不同干燥温度(60、70、80℃)与极板间距(107、117、127...为探究射频联合热风干燥(radio frequency assisted hot air drying,RF-HAD)对南美白对虾干燥特性及理化品质的影响,该研究以南美白对虾为研究对象,并以热风干燥(60℃)作为对照,测定不同干燥温度(60、70、80℃)与极板间距(107、117、127 mm)下南美白对虾干燥特性、水分分布、色泽、质构、虾青素含量、抗氧化能力、蛋白质二级结构及微观结构的变化。结果表明,RF-HAD过程中,各组分水分被持续去除,部分不易流动水向结合水转化,干燥时间较热风干燥缩短了47.22%~72.22%。与对照组相比,L*值提高了17.39%~21.70%,胶黏性与咀嚼性分别降低了34.88%~74.48%及35.75%~79.49%,表明RF-HAD虾干更亮且适口性较好。RF-HAD处理组中,60℃、117 mm条件下南美白对虾虾青素含量最高(20.70μg/g),较其他处理组提高了6.28%~28.26%,减缓了虾青素的降解;1,1-二苯基-2-三硝基苯肼(1,1-diphenyl-2-picrylhydrazyl,DPPH)自由基清除率较107及127 mm处理组分别提高了42.36%、58.33%,具有更强的抗氧化能力;扫描电镜图像显示,干燥温度越高、极板间距越小,肌纤维变形更严重,60℃、117 mm条件下分形维数值较107及127 mm处理组降低了0.15%和1.13%,虾干结构较为简单。皮尔逊相关分析表明,色泽、质构和抗氧化能力间存在显著相关性(P<0.05)。该研究可为南美白对虾的深加工提供一定的理论参考和技术依据。展开更多
为解决光线遮蔽、藻萍干扰以及稻叶尖形状相似等复杂环境导致稻田杂草识别效果不理想问题,该研究提出一种基于组合深度学习的杂草识别方法。引入MSRCP(multi-scale retinex with color preservation)对图像进行增强,以提高图像亮度及对...为解决光线遮蔽、藻萍干扰以及稻叶尖形状相似等复杂环境导致稻田杂草识别效果不理想问题,该研究提出一种基于组合深度学习的杂草识别方法。引入MSRCP(multi-scale retinex with color preservation)对图像进行增强,以提高图像亮度及对比度;加入ViT分类网络去除干扰背景,以提高模型在复杂环境下对小目标杂草的识别性能。在YOLOv7模型中主干特征提取网络替换为GhostNet网络,并引入CA注意力机制,以增强主干特征提取网络对杂草特征提取能力及简化模型参数计算量。消融试验表明:改进后的YOLOv7模型平均精度均值为88.2%,较原YOLOv7模型提高了3.3个百分点,参数量减少10.43 M,计算量减少66.54×109次/s。识别前先经过MSRCP图像增强后,与原模型相比,改进YOLOv7模型的平均精度均值提高了2.6个百分点,光线遮蔽、藻萍干扰以及稻叶尖形状相似的复杂环境下平均精度均值分别提高5.3、3.6、3.1个百分点,加入ViT分类网络后,较原模型平均精度均值整体提升了4.4个百分点,光线遮蔽、藻萍干扰一级稻叶尖形状相似的复杂环境下的平均精度均值较原模型整体提升了6.2、6.1、5.7个百分点。ViT-改进YOLOv7模型的平均精度均值为92.6%,相比于YOLOv5s、YOLOXs、MobilenetV3-YOLOv7、YOLOv8和改进YOLOv7分别提高了11.6、10.1、5.0、4.2、4.4个百分点。研究结果可为稻田复杂环境的杂草精准识别提供支撑。展开更多
文摘为探究射频联合热风干燥(radio frequency assisted hot air drying,RF-HAD)对南美白对虾干燥特性及理化品质的影响,该研究以南美白对虾为研究对象,并以热风干燥(60℃)作为对照,测定不同干燥温度(60、70、80℃)与极板间距(107、117、127 mm)下南美白对虾干燥特性、水分分布、色泽、质构、虾青素含量、抗氧化能力、蛋白质二级结构及微观结构的变化。结果表明,RF-HAD过程中,各组分水分被持续去除,部分不易流动水向结合水转化,干燥时间较热风干燥缩短了47.22%~72.22%。与对照组相比,L*值提高了17.39%~21.70%,胶黏性与咀嚼性分别降低了34.88%~74.48%及35.75%~79.49%,表明RF-HAD虾干更亮且适口性较好。RF-HAD处理组中,60℃、117 mm条件下南美白对虾虾青素含量最高(20.70μg/g),较其他处理组提高了6.28%~28.26%,减缓了虾青素的降解;1,1-二苯基-2-三硝基苯肼(1,1-diphenyl-2-picrylhydrazyl,DPPH)自由基清除率较107及127 mm处理组分别提高了42.36%、58.33%,具有更强的抗氧化能力;扫描电镜图像显示,干燥温度越高、极板间距越小,肌纤维变形更严重,60℃、117 mm条件下分形维数值较107及127 mm处理组降低了0.15%和1.13%,虾干结构较为简单。皮尔逊相关分析表明,色泽、质构和抗氧化能力间存在显著相关性(P<0.05)。该研究可为南美白对虾的深加工提供一定的理论参考和技术依据。
文摘为解决光线遮蔽、藻萍干扰以及稻叶尖形状相似等复杂环境导致稻田杂草识别效果不理想问题,该研究提出一种基于组合深度学习的杂草识别方法。引入MSRCP(multi-scale retinex with color preservation)对图像进行增强,以提高图像亮度及对比度;加入ViT分类网络去除干扰背景,以提高模型在复杂环境下对小目标杂草的识别性能。在YOLOv7模型中主干特征提取网络替换为GhostNet网络,并引入CA注意力机制,以增强主干特征提取网络对杂草特征提取能力及简化模型参数计算量。消融试验表明:改进后的YOLOv7模型平均精度均值为88.2%,较原YOLOv7模型提高了3.3个百分点,参数量减少10.43 M,计算量减少66.54×109次/s。识别前先经过MSRCP图像增强后,与原模型相比,改进YOLOv7模型的平均精度均值提高了2.6个百分点,光线遮蔽、藻萍干扰以及稻叶尖形状相似的复杂环境下平均精度均值分别提高5.3、3.6、3.1个百分点,加入ViT分类网络后,较原模型平均精度均值整体提升了4.4个百分点,光线遮蔽、藻萍干扰一级稻叶尖形状相似的复杂环境下的平均精度均值较原模型整体提升了6.2、6.1、5.7个百分点。ViT-改进YOLOv7模型的平均精度均值为92.6%,相比于YOLOv5s、YOLOXs、MobilenetV3-YOLOv7、YOLOv8和改进YOLOv7分别提高了11.6、10.1、5.0、4.2、4.4个百分点。研究结果可为稻田复杂环境的杂草精准识别提供支撑。
