【摘 要】
：
介绍了能够应用于高浓度的碱性原位清洗剂配方(cleaning-in-place,CIP)的几种原料。实验发现,谷氨酸二乙酸四钠Dissolvine GL-47-S,己基糖苷AG6206能够与40%的NaOH溶液兼容,
论文部分内容阅读
介绍了能够应用于高浓度的碱性原位清洗剂配方(cleaning-in-place,CIP)的几种原料。实验发现,谷氨酸二乙酸四钠Dissolvine GL-47-S,己基糖苷AG6206能够与40%的NaOH溶液兼容,其中AG6206在高碱体系中具有较好的增溶性能且泡沫很低。非离子表面活性剂Berol840在高碱体系中具有优异的润湿性,同时具有优良的低泡和泡沫稳定性,高浓度碱性配方增溶相对简单,配方设计容易。使用这几种原料设计的CIP清洗剂配方对模拟乳垢进行对比清洗测试,发现添加这几种原料的CIP清洗剂能够
其他文献
目的当前的大场景3维点云语义分割方法一般是将大规模点云切成点云块再进行处理。然而在实际计算过程中,切割边界的几何特征容易被破坏,使得分割结果呈现明显的边界现象。因此,迫切需要以原始点云作为输入的高效深度学习网络模型,用于点云的语义分割。方法为了解决该问题,提出基于多特征融合与残差优化的点云语义分割方法。网络通过一个多特征提取模块来提取每个点的几何结构特征以及语义特征,通过对特征的加权获取特征集合。
目的为了得到精确的显著对象分割结果,基于深度学习的方法大多引入注意力机制进行特征加权,以抑制噪声和冗余信息,但是对注意力机制的建模过程粗糙,并将所有特征均等处理,无法显式学习不同通道以及不同空间区域的全局重要性。为此,本文提出一种基于深度聚类注意力机制(deep cluster attention,DCA)的显著对象检测算法DCANet(DCA network),以更好地建模特征级别的像素上下文关
简要分析了家庭自动洗碗机洗涤剂的发展现状,探究了MEO脂肪醇聚氧烷基醚作为洗碗机洗涤剂表面活性剂主要成分的可行性,进而研制新型环保低泡洗碗机液体洗涤剂。通过对比AEO-9
目的随着互联网技术的飞速发展,彩色数字图像带来极大便利的同时,也产生了一些篡改、剽窃等侵权行为;同时,几何处理对含水印载体的破坏使水印盲检测的难度增加,因此,本文提出一种基于汉明码和图像矫正的彩色图像盲水印方法,旨在解决当前图像版权保护的难点问题。方法嵌入水印时,使用仿射变换加密彩色水印,并将已加密的信息编为汉明码,然后利用特征值分解计算出像素块的全部特征值,并通过对特征值绝对值的和进行量化来完成
目的小样本情况下的车标识别在实际智能交通系统中具有十分重要的应用价值。针对从实际监控系统中获取的车标图像低分辨率、低质量的特点,考虑如何从车标结构相似性、局部显著特征方面来对车标的整体特征进行增强,提出一种特征增强策略驱动下的车标识别方法(vehicle logo recognition method based on feature enhancement,FE-VLR)。方法提取车标图像的自对
目的针对传统基于混沌系统的图像加密算法在加密遥感图像时存在速度差、安全性不足等问题,提出一种混沌系统和脱氧核糖核酸(deoxyribonucleic acid,DNA)编码的并行遥感图像加密算法,提升图像加密的效率和安全性。方法利用明文图像的安全散列算法256(secure Hash algorithm 256,SHA-256)哈希值修改混沌系统的参数和初始值,提高算法的明文敏感性,并通过2维Hé
目的青光眼会对人的视力造成不可逆的损伤,从眼底图像中精确地分割视盘和视杯是青光眼诊治中的一项重要工作,为有效提升视盘和视杯的分割精度,本文提出了融合上下文和注意力的视盘视杯分割方法(context attention U-Net,CA-Net)。方法进行极坐标转换,在极坐标系下进行分割可以平衡数据分布。使用修改的预训练Res Net作为特征提取网络,增强特征提取能力。采用上下文聚合模块(conte
根据流体食品CIP清洗四要素(TACT),结合EHEDG Guidedlines(欧洲卫生工程设计指导原则)及ASME BPE(美国机械工程协会生物加工设备)等设计原则,探讨行业内CIP系统清洗设计与缺
目的雷达回波外推是进行短临降水预测的一种重要方法,相较于传统的数值天气预报方法能够实现更快、更准确的预测。基于卷积长短期记忆网络(convolutional long short-term memory network,ConvLSTM)的回波外推算法的效果优于其他的深度学习外推算法,但是忽略了普通卷积运算在面对局部变化特征时的局限性,并且在外推过程中将损失函数简单定义为均方误差(mean squ
目的当前的疾病传播研究主要集中于时序数据和传染病模型,缺乏运用空间信息提升预测精度的探索和解释。在处理时空数据时需要分别提取时间特征和空间特征,再进行特征融合得到较为可靠的预测结果。本文提出一种基于图卷积神经网络(graph convolutional neural network, GCN)的时空数据学习方法,能够运用空间模型端对端地学习时空数据,代替此前由多模块单元相集成的模式。方法依据数据可