为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和...为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficient of determination,R2)、校正标准偏差(Root mean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2 cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golay smoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R2为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R2为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R2>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。展开更多
目的实时渲染图形程序(如游戏、虚拟现实等)对高分辨率和高刷新率的要求越来越高,因此,针对渲染图像的实时超分辨率技术在实时渲染中非常必要。然而,现有的视频超分算法和实时渲染处于不同的数据处理管线之中,这导致其难以直接应用到实...目的实时渲染图形程序(如游戏、虚拟现实等)对高分辨率和高刷新率的要求越来越高,因此,针对渲染图像的实时超分辨率技术在实时渲染中非常必要。然而,现有的视频超分算法和实时渲染处于不同的数据处理管线之中,这导致其难以直接应用到实时渲染管线里。方法对此,提出了一个基于帧循环结构的实时神经超采样方法。充分利用实时渲染管线中生成的低分辨场景几何数据,以提升超采样网络对于三维空间信息的感知力;将帧循环框架结合到超采样方法中,通过引入先前帧重建结果的特征来改善当前帧的重建结果,从而实现时间尺度上的稳定性;将重加权网络和注意力网络置于特征提取模块中,以提升提取到的特征的有效性。此外,本文还提出了一个面向神经超采样的实时渲染流程,该流程能够将超采样网络部署至图形计算管线之上,并与实时渲染管线相结合。结果与同样能够实时且效果较好的基准方法面向实时渲染的神经超采样(neural super-sampling for real-time rendering,NSRR)比较,本文方法在速度少许提升的前提下,图像质量指标峰值信噪比(peak signal to noise ratio,PSNR)平均提升了0.4 dB,并在部署到实时渲染管线后,通过轻量化裁剪继续保持实时性且部分场景效果仍然优于非实时的部署后NSRR;在网络模块的消融实验中也证明了各个子模块对于神经超采样任务的有效性。结论本文提出的神经超采样网络模型与搭建的神经超采样渲染流程,在取得更好效果的同时具有一定的实用价值。展开更多
摘要为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficient of determination,R2)、校正标准偏差(Root mean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2 cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golay smoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R2为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R2为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R2>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。
摘要目的实时渲染图形程序(如游戏、虚拟现实等)对高分辨率和高刷新率的要求越来越高,因此,针对渲染图像的实时超分辨率技术在实时渲染中非常必要。然而,现有的视频超分算法和实时渲染处于不同的数据处理管线之中,这导致其难以直接应用到实时渲染管线里。方法对此,提出了一个基于帧循环结构的实时神经超采样方法。充分利用实时渲染管线中生成的低分辨场景几何数据,以提升超采样网络对于三维空间信息的感知力;将帧循环框架结合到超采样方法中,通过引入先前帧重建结果的特征来改善当前帧的重建结果,从而实现时间尺度上的稳定性;将重加权网络和注意力网络置于特征提取模块中,以提升提取到的特征的有效性。此外,本文还提出了一个面向神经超采样的实时渲染流程,该流程能够将超采样网络部署至图形计算管线之上,并与实时渲染管线相结合。结果与同样能够实时且效果较好的基准方法面向实时渲染的神经超采样(neural super-sampling for real-time rendering,NSRR)比较,本文方法在速度少许提升的前提下,图像质量指标峰值信噪比(peak signal to noise ratio,PSNR)平均提升了0.4 dB,并在部署到实时渲染管线后,通过轻量化裁剪继续保持实时性且部分场景效果仍然优于非实时的部署后NSRR;在网络模块的消融实验中也证明了各个子模块对于神经超采样任务的有效性。结论本文提出的神经超采样网络模型与搭建的神经超采样渲染流程,在取得更好效果的同时具有一定的实用价值。