实验目的： 分析校园中两种植物材料叶绿体色素的差异 内容： ①叶绿素a和b含量差异； ②绿色素与黄色素的含量差异

教案是为实现教学大纲的具体细化而精心设计的授课框架，也是教师为实施课堂教学而做出以课时为单位的具体行动计划或教学方案。其作用是对课堂教学的总的导向、规划和组织，是课堂教学规划的蓝本。此外，还有三个附带性作用：一是备忘录作用。由文字载体保存的信息可供随时提取或查阅；二是资料库作用。从长远角度看，教案中保存着教师从各种渠道获得的珍贵材料，以及自身的经验与心得，积累多了自然形成一座资料宝库；三是教改课题源作用。教案的丰富案例、精心思索过的问题、教学后的得失体会等往往成为教师选择教改研究课题的源泉

《工程科学学报》：基于改进YOLACT实例分割网络的人耳关键生理曲线提取

前列腺核磁超声图像配准融合有助于实现前列腺肿瘤的靶向穿刺。传统的配准方法主要是针对手动分割的前列腺核磁（Magnetic resonance, MR）和经直肠超声（Trans-rectal ultrasound, TRUS）图像上对应的生理特征点作为参考点，进行刚体或非刚体配准。针对超声图像因成像质量低导致手动分割配准效率低下的问题，提出一种基于监督学习的前列腺MR/TRUS图像自动分割方法，与术前核磁图像进行非刚体配准。首先，针对图像分割任务训练前列腺超声图像的活动表观模型（Active appearance model, AAM），并基于随机森林建立边界驱动的数学模型，实现超声图像自动分割。接着，提取术前分割的核磁图像与自动分割的超声图像建立轮廓的形状特征矢量，进行特征匹配与图像配准。实验结果表明，本文方法能准确实现前列腺超声图像自动分割与配准融合，9组配准结果的戴斯相似性系数（Dice similarity coefficient, DSC）均大于0.98，同时尿道口处特征点的平均定位精度达1.64 mm，相比传统方法具有更高的配准精度

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度

对含磷高强IF钢中MnS夹杂物控制进行了分析。通过对含磷高强IF钢中添加稀土进行对比试验，借助扫描电镜等设备对铸坯1/8、1/2、7/8厚度方向的试样以及热轧、冷轧、连退工序的带钢试样进行了夹杂物统计及二维形貌的观测对比，并对铸坯试样中小样电解的夹杂物及轧制各工序试样中原貌提取的夹杂物进行三维形貌的观测对比。结果表明：铸坯中心MnS夹杂物数量分布明显大于铸坯近表面，稀土的加入，先与钢中S相结合，并在凝固过程中较MnS提前析出，生成了小尺寸的球状夹杂物，可明显降低铸坯各位置MnS夹杂物的尺寸及数量；未加稀土钢在带钢轧制各工序中MnS夹杂物尺寸为10 μm左右，且具有遗传性，在轧制过程中压延变长，但没有碎化弥散。加入稀土后形成了S–O–Ce类夹杂物，形态呈球形，尺寸为2～5 μm，且独立弥散分布，不会对带钢组织连续性造成影响，有利于产品各相关性能

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

剪切作用是膏体重力浓密制备的基础要素, 本文研究了浓密床层孔隙和喉道的变化对导水通道的影响, 揭示了水分排出的来源与比例. 开展半工业实验并结合计算机断层扫描(CT)与孔隙网络模型(PNM)提取床层微观孔隙结构, 利用最大球搜索算法识别并分析剪切前后孔隙与喉道的演化规律. 结果表明, 添加转速为2 r·min-1的剪切作用将尾砂底流浓度(即底流的固相质量分数)由55.8%提升到58.5%, 孔隙率由43.05%降低到36.59%, 孔隙率降低的比率为15%. 通过PNM技术将孔隙空间划分为\球体\储水孔隙与\棍体\喉道; 剪切后球体和棍体数量分别增加了16.5%和22%, 球体平均尺寸小幅下降, 球体半径多集中在40~60 μm之间. 棍体平均半径由9.83 μm降低至8.58 μm, 降低了12.7%, 棍体长度变化较小. 剪切作用下的球体配位数在5~10的部分从25.73%增加至44.58%, 配位明显增多, 颗粒接触紧密. 本文提出\球棍比\的概念用于孔隙结构的定量表征. 剪切后球体体积占比由14.14%降低至12.75%, 球体体积减少的比率达到9.83%;棍的体积由28.91%降低至23.84%, 棍体积减少的比率为17.54%. 球棍比由48.91%增加至53.48%, 球棍比提升的比率达到了9.34%, 与球体体积减小相比, 棍的体积减少的幅度更大, 导致球棍比上升. 本文从孔隙结构变化的角度揭示了全尾砂重力浓密剪切排水机理; 剪排水过程中主要排出的是喉道中的水分, 孔隙中的水分排出较少

研究了一种通过水热碱法-酸液回流-煅烧，从含钛电炉熔分渣中分离提取、制备纳米结构六钛酸钾晶须材料的新方法.采用扫描电子显微镜、透射电子显微镜、X射线衍射、X射线荧光光谱等表征手段，详细探讨了煅烧过程中钛钾摩尔比、煅烧温度、保温时间和水浸对最终产物物相和微观形貌的影响.含钛电炉熔分渣在水热温度为200℃，水热反应时间为24 h，碱液浓度达12 mol·L-1时，经酸液回流后所得偏钛酸呈一维单晶纳米棒状结构.随着钛钾摩尔比从1.50增加至1.75，煅烧温度从800℃升高到1100℃，保温时间从0.5h延长至7h，制备得到的六钛酸钾晶须的纯度、结晶性及长径比逐渐提高.当钛钾摩尔比为1.75，煅烧温度为1100℃，保温5 h，水浸2 h后可制备得到尺寸均一的六钛酸钾纳米晶须