基于电子舌和电子鼻结合DenseNet-ELM的陈醋年限检测

目的:实现陈醋酿造年限的快速检测。方法:采用电子舌(ET)和电子鼻(EN)结合密集卷积网络—极限学习机(DenseNet-ELM)模型对陈醋酿造年限进行快速检测,设计两种不同结构的密集卷积神经网络模型ET-DenseNet和EN-DenseNet,分别提取电子舌和电子鼻信号的特征信息,进而采用特征级信息融合方法,获得两种人工感官设备的融合特征向量,然后采用极限学习机(ELM)对融合的特征向量进行分类识别。结果:DenseNet能够有效提取到电子舌和电子鼻信号中深层特征,其特征提取能力优于离散小波变换(DWT)和卷积神经网络(CNN);相比于单独使用电子舌或者电子鼻,信息融合方法对不同年限陈醋检测的准确性和鲁棒性更优,其测试集准确率、查准率、召回率、F1-Score分别达到99.1%,0.98,0.99和0.99。结论:采用密集卷积网络缓解了深度学习模型由于深度增加导致的模型退化、泛化能力弱等问题,可对7种不同酿造年限的陈醋进行有效分类。

动态法在既有石材幕墙安全性检测中的应用

为了对某既有石材幕墙面板坠落风险进行有效评估,将幕墙进行区域划分,采用动态法现场检测了石材幕墙面板的固有频率,同时采用有限元方法获取了安全频率下限值,统计分析了41156组频率检测数据。结果表明:各区域石材幕墙面板检测频率在5%水平下均不满足正态分布,进一步依据大数定律,采用频数统计法计算了石材幕墙面板的失效概率与潜在失效概率,以此对不同区域的石材幕墙面板坠落风险进行了综合评估,为后期维护工作提出了相应指导。最后,基于石材幕墙面板潜在失效概率的特点,提出了石材幕墙动态检测年限的计算方法,以此对既有石材幕墙使用状态进行有效的评估。