金属有机骨架材料构建环丙沙星电化学传感器的研究

本文通过水热合成法合成了钴-对苯二甲酸金属有机骨架材料Co(BDC),并将其与聚丙烯酸钠(PAAS)混合后修饰到玻碳电极(GCE)表面,制得电化学传感器Co(BDC)-PAAS/GCE,通过循环伏安法和差分脉冲法研究了传感器的响应性能,并用于水产品中环丙沙星(CIP)检测。结果表明,在碱性条件下,Co(BDC)-PAAS/GCE对CIP具有较好的电催化作用。差分脉冲峰电流与CIP浓度在3.0×10^-9~1.5×10^-8 mol/L范围内呈线性关系,线性方程为I(μA)=99.8 C_CIP+5.74(R2=0.989);在1.5×10^-8~1.5×10^-7 mol/L范围内呈线性关系,线性方程I(μA)=11.09 C_CIP+7.09(R²=0.992),检出限为1.0×10^-9mol/L。使用该传感器检测实际样品草鱼肉中CIP的加标回收率在95.0%~101.9%之间。该传感器制作简单,稳定性、选择性和重复性好,可满足水产品中CIP的快速检测需要。     

基于CNN的废旧纺织品在线NIR高效识别与自动分选技术研究

我国每年产生废旧纺织品超过2 600多万吨，且随着经济的发展呈现逐年增多的趋势，而其再生利用率不足10%。废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、快速回收和高附加值再利用的最大障碍。人工识别分选既费时费力又不准确，而近红外光谱分析技术可对其进行快速无损高效识别分选。在前期探究的最佳测试条件下，利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、棉、毛、锦纶、真丝、粘胶、腈纶、聚酯/毛、聚酯/棉、聚酯/锦纶、真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。基于采集的样本在线原始NIR谱图，利用卷积神经网络方法，依据输入的样本光谱数据及对应分类标签进行网络训练，建立了12类废旧纺织品在线NIR定性识别模型。对比一维、二维卷积神经网络模型，其二维模型较优，该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像，再交替进行多次卷积和池化来进行光谱特征的提取、压缩和数据降维。通过模型计算得到每类废旧纺织品样本的类别概率值，取其最大值作为该类织物的最终分类。本模型训练过程设置为500轮，每次取32个样...