surface型號查詢的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

由番薯皮製備類胡蘿蔔素奈米乳化液及其對乳腺癌細胞MCF-7與小鼠腫瘤之影響

為了解決surface型號查詢的問題，作者許馨勻 這樣論述：

番薯為非常重要的糧食作物，含有豐富的必需營養素及具有抗癌活性的植化素如類胡蘿蔔素。然而，番薯的塊莖在加工的過程中通常會經削皮處理，而番薯皮則被視為廢棄物丟棄，可能造成環境污染的問題。台農66號番薯為台灣消費者食用最普遍的品種，目前已有許多研究指出其為重要的類胡蘿蔔素來源之一，具有重要的抗氧化和抗癌活性。本研究目的為由番薯皮廢棄物萃取類胡蘿蔔素，再以HPLC-DAD-MS定性定量，製備類胡蘿蔔素奈米乳化液，同時探討對抑制乳癌細胞及小鼠腫瘤之效果。結果顯示，使用YMC carotenoid S-5µm型號之C30管柱 (250×4.6mm I.D., 5 µm particle size

)，偵測波長為450nm，以甲醇 /氰甲烷/水 (74:14:12, v/v/v) (A) 和二氯甲烷 (100%) (B)為梯度動相，流速1 mL/min，柱溫控制在25℃，偵測波長450 nm並以質譜儀鑑定，定量使用內標 (canthaxanthin)，可於30分鐘內分離出10種類胡蘿蔔素，其中以all-trans-β-carotene含量最高 (663.8 μg/g)，次為13- or 13'-cis-β-carotene (255.8 μg/g)，all-trans-β-cryptoxanthin (155.9 μg/g)，all-trans-α-carotene (75.59 μg/

g)，15- or 15'-cis-β-cryptoxanthin (72.37 μg/g)， 15- or 15'-cis-β-carotene (65.67 μg/g)，all-trans-lutein (42.93 μg/g)，all-trans-zeaxanthin (25.57 μg/g)，cis-lutein (18.35 μg/g) 及 all-trans-violanxanthin (5.48 μg/g)。五種類胡蘿蔔素標準品的回收率介於86.1% - 94.7%，偵測極限和定量極限分別介於0.025 - 0.1 μg/mL和0.075 - 0.3 μg/mL。日內精密度和日間

精密度偏差係數分別介於0.3 - 2.1% 和0.3 - 4.2%。類胡蘿蔔素奈米乳化液可由類胡蘿蔔素萃取液、TWEEN 80、PEG 400、大豆油和去離子水以適當比例混合製備而成，其平均粒徑大小13.3 nm，分散性指數為0.238，包覆率為97%，界面電位為 -69.8 mV；此種奈米乳化液於25℃儲藏90天或於100℃加熱兩小時均具有良好的穩定度。在模擬胃液中體外釋放率為 22.5%，在模擬腸液中體外釋放率為 54.7%。類胡蘿蔔素萃取液及類胡蘿蔔素奈米乳化液皆可抑制人類乳線癌細胞 MCF-7 之增生，經培養48小時之IC50值分別為14.2 μg/mL及9.8 μg/mL，顯示類胡蘿

蔔素奈米乳化液的抑制效果較萃取液佳。動物實驗結果顯示，萃取液低濃度組 (10 μg/mL)、萃取液高濃度組 (20 μg/mL)、奈米乳化液低濃度組 (10 μg/mL)、奈米乳化液高濃度組(20 μg/mL) 及紫杉醇藥物組 (10 μg/mL) 相較控制組分別減少約18.7、36.1、40.3、56.2及77.4% 的腫瘤重量，腫瘤體積則分別減少26.5、46.7、49.7、65及75.4%，且類胡蘿蔔素萃取液及奈米乳化液皆可降低小鼠血清中EGF與VEGF含量 (p < 0.05)。綜合上述結果，本實驗製備之類胡蘿蔔素萃取液及奈米乳化液可能具有抑制腫瘤生長之效果，且類胡蘿蔔素奈米乳化液效果

較萃取液佳。

基於熱圖像識別技術的實時雨水檢測系統

為了解決surface型號查詢的問題，作者傅保昕 這樣論述：

現代社會繁忙，在建築物內工作的民眾不一定能得知室外天氣的實時狀態，為了能迅速理解室外大概的天氣狀態，民眾通常會使用網路或APP來查詢，查詢到的結果通常是大區域地區的預估狀況，但就小區域而言此資訊不具有實時性。本論文提出基於熱圖像識別技術的實時雨水檢測系統，紅外線熱像儀搭配樹莓派3B+偵測發熱的陶瓷加熱燈(Ceramic Heat Lamp)當作辨識目標物。每秒讀取一次陶瓷加熱燈當下狀態，先將它加熱到180度，水一碰到加熱面就會立刻蒸發，此加熱狀態被定義為Hot；當水接觸到高溫的陶瓷加熱燈時蒸發後，加熱面接觸水的部分會產生溫度變化，此狀態被定義為Rain。當系統斷電陶瓷加熱燈未加熱或是未加熱到

180度溫度不足，此狀態被定義為Others。在實驗中，將Hot、Rain和Others三類熱影像圖片集資料放入Google Teachable Machine平台使用機器學習訓練，Hot 150張、Rain 150張、Others 300張做50回訓練，每批16份資料，學習率定為0.001，經過訓練後生成模型和標籤後放入樹莓派。為了增加辨識處理效率，在樹莓派上安裝神經運算棒二代，接著建立OpenVINO環境，安裝OpenCV和TensorFlow Lite為物件辨識和邊緣運算使用，讀取訓練過的模型和標籤，便可開始執行辨識，讀取熱像儀的鏡頭畫面，會立刻顯示信心度，經測試Hot信心度能達到平均9

9.088%，Rain信心度能達到平均98.792%。未來，提出的商業化系統可以為當地區域提供可靠和實時的雨量檢測系統，其中包括百貨公司、地鐵站、地下商場和其他設施。