质谱成像技术是质谱法与成像技术的结合,一种将质谱信号通过成像软件转化为具有空间分布特征可视化图像的技术。近年来,质谱成像技术广泛用于植物组织代谢物分析,为中药药用植物研究提供新思路、新方法。从3个部分进行综述,首先对基质...质谱成像技术是质谱法与成像技术的结合,一种将质谱信号通过成像软件转化为具有空间分布特征可视化图像的技术。近年来,质谱成像技术广泛用于植物组织代谢物分析,为中药药用植物研究提供新思路、新方法。从3个部分进行综述,首先对基质辅助激光解吸电离质谱成像(Matrix-assisted laser desorption ionization mass spectrometry imaging,MADLI)技术、二次离子质谱成像(Secondary ion mass spectrometry imaging,SIMS)技术、解吸电喷雾电离质谱成像(Desorption electrospray ionization-mass spectrometry imaging,DESI)技术和纳米结构引发质谱成像(Nanostructure-initiator mass spectrometry imaging,NIMS)技术原理进行概述;其次,综述质谱成像技术在中药药用植物代谢物可视化分析、鉴定及有效成分生物合成路径等方面应用实例;最后,总结质谱成像技术的优势和局限,并进一步展望质谱成像技术在药用植物方面的应用。展开更多
从遥感影像上自动解译铁路设计控制要素是实现“一键成图”的关键,但深度学习遥感影像智能解译需要大量标注样本。依据铁路线路设计原则,提出一种多源遥感数据的设计控制要素智能解译样本库构建方法。首先,基于数字正射影像图(Digital O...从遥感影像上自动解译铁路设计控制要素是实现“一键成图”的关键,但深度学习遥感影像智能解译需要大量标注样本。依据铁路线路设计原则,提出一种多源遥感数据的设计控制要素智能解译样本库构建方法。首先,基于数字正射影像图(Digital Orthophoto Map,DOM)、数字线划地图(Digital Line Graphic,DLG)和激光雷达(Light Detection and Ranging,Lidar)点云多源数据自动生成初始样本;其次,基于增量主动学习迭代方法对初始样本进行优化,达到高质量、全面覆盖铁路沿线的目的;然后,以长赣铁路为例,构建以铁路沿线周边房屋、道路、水体和植被四类铁路线路设计控制要素为重点的高分辨率智能解译样本数据库——铁路线路设计控制要素智能解译样本库(Wuhan University Sample Database of Control Elements of Railway Route Design,WHU-RRDSD),其地面分辨率为0.1 m,样本总数超过20万张;最后,为验证样本库的可用性,分别从定性评价、定量评价以及其他场景应用案例三方面进行详细验证,结果表明,基于房屋、道路、水体和植被四类样本库的IoU评价指标分别为84.43%、82.38%、90.19%、90.28%,表现出优异的解译效果;基于WHU-RRDSD训练得到的智能模型迁移至宜涪高铁场景中房屋、道路、水体和植被要素的解译,验证样本库在其他场景的可用性;简要介绍基于WHU-RRDSD样本库进行的高分辨率遥感图像弱监督建筑提取和高分辨率遥感图像地物分类两个应用案例,进一步验证本文方法所构建样本库可用性。展开更多
文摘质谱成像技术是质谱法与成像技术的结合,一种将质谱信号通过成像软件转化为具有空间分布特征可视化图像的技术。近年来,质谱成像技术广泛用于植物组织代谢物分析,为中药药用植物研究提供新思路、新方法。从3个部分进行综述,首先对基质辅助激光解吸电离质谱成像(Matrix-assisted laser desorption ionization mass spectrometry imaging,MADLI)技术、二次离子质谱成像(Secondary ion mass spectrometry imaging,SIMS)技术、解吸电喷雾电离质谱成像(Desorption electrospray ionization-mass spectrometry imaging,DESI)技术和纳米结构引发质谱成像(Nanostructure-initiator mass spectrometry imaging,NIMS)技术原理进行概述;其次,综述质谱成像技术在中药药用植物代谢物可视化分析、鉴定及有效成分生物合成路径等方面应用实例;最后,总结质谱成像技术的优势和局限,并进一步展望质谱成像技术在药用植物方面的应用。
文摘从遥感影像上自动解译铁路设计控制要素是实现“一键成图”的关键,但深度学习遥感影像智能解译需要大量标注样本。依据铁路线路设计原则,提出一种多源遥感数据的设计控制要素智能解译样本库构建方法。首先,基于数字正射影像图(Digital Orthophoto Map,DOM)、数字线划地图(Digital Line Graphic,DLG)和激光雷达(Light Detection and Ranging,Lidar)点云多源数据自动生成初始样本;其次,基于增量主动学习迭代方法对初始样本进行优化,达到高质量、全面覆盖铁路沿线的目的;然后,以长赣铁路为例,构建以铁路沿线周边房屋、道路、水体和植被四类铁路线路设计控制要素为重点的高分辨率智能解译样本数据库——铁路线路设计控制要素智能解译样本库(Wuhan University Sample Database of Control Elements of Railway Route Design,WHU-RRDSD),其地面分辨率为0.1 m,样本总数超过20万张;最后,为验证样本库的可用性,分别从定性评价、定量评价以及其他场景应用案例三方面进行详细验证,结果表明,基于房屋、道路、水体和植被四类样本库的IoU评价指标分别为84.43%、82.38%、90.19%、90.28%,表现出优异的解译效果;基于WHU-RRDSD训练得到的智能模型迁移至宜涪高铁场景中房屋、道路、水体和植被要素的解译,验证样本库在其他场景的可用性;简要介绍基于WHU-RRDSD样本库进行的高分辨率遥感图像弱监督建筑提取和高分辨率遥感图像地物分类两个应用案例,进一步验证本文方法所构建样本库可用性。
