浅析GDP经济指标的缺陷所在

经济学研究社会的经济活动,首先要有定义和计量总产出或总收入的一套方法。国内生产总值（简称GDP）作为一个统计核算指标是基于特定历史条件、为满足某些特定需要而设计和建构的,从1953年初步形成至今,GDP核算体系经历了1968年和1993年两次重大修改却仍饱受争议。不同的研究者站在不同的角度,必然会对其缺陷及解决建议有着不同的见解。

基于融合MBAM与YOLOv5的PCB缺陷检测方法

随着电子信息产业迅速发展,PCB行业作为电子信息产业的基础,其产品质量对后续生产的电子产品有着决定性影响。针对PCB缺陷目标较小,缺陷类型多,特征不明显,在实际生产过程中易产生误检、漏检等问题,提出了一种多分支注意力MBAM模块方法,在3个不同维度对特征图进行关注,以增强特征提取的能力,对缺陷区域给予更多的注意力表示。通过改进YOLOv5结构,将MBAM与YOLOv5网络结合,有效的提升了对PCB中小目标的检测性能。最后通过在网络不同位置添加MBAM模块进行对比实验,选取了最佳的添加位置。通过在PCB缺陷数据集上的实验结果表明,改进后的PCB缺陷检测算法具有良好的检测性能,优于其他对比算法,最终的AP达到了96.7%,对比标准YOLOv5的94.7%提高了2个百分点,其他项指标均有涨点,在保持检测速度基本不变的情况下,精准地识别PCB缺陷类型。

改进YOLOv7算法的钢材表面缺陷检测研究

当前,基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域,针对钢材表面缺陷检测精度低的问题,提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力,融合级联注意力机制和解耦头重新设计YOLOv7检测头网络,旨在解决原始头网络特征利用效率不高的问题,使其充分利用各尺度、通道、空间的多维度信息,提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数,提出NF-EIoU替换CIoU损失,平衡各尺度缺陷样本对Loss的贡献,降低各尺度缺陷的漏检率。实验结果表明,CDN-YOLOv7的检测精度可达80.3%,较于原YOLOv7精度提升了6.0个百分点,模型推理速度可达60.8帧/s,满足实时性需求,CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

出生缺陷与出生体重、胎龄的相关性

目的分析不同出生体重及胎龄围产儿的出生缺陷发生率,为进一步完善出生缺陷监测系统和降低出生缺陷发生率提供新的科学依据。方法对2003年10月1日至2015年9月30日西安市各级开设产科的医疗保健机构出生的孕28周~生后7 d所有围产儿进行出生缺陷监测并收集相关资料。结果2003至2015年共监测围产儿1236937例,其中出生缺陷儿10619例,出生缺陷发生率为8.59‰。2003至2015年西安市出生缺陷医院监测系统共收集出生体重<2500 g出生缺陷患儿3306例,出生孕周≥28周且<37周的出生缺陷患儿3473例,出生孕周≥42周的出生缺陷患儿共224例。2003至2015年低出生体重儿出生缺陷率显著高于正常体重儿(χ^(2)=37097.79,P<0.001)。2003至2015年早产儿(<37周)出生缺陷率显著高于正常产期儿(χ^(2)=24998.24,P<0.001),过期产儿出生缺陷率(≥42周)显著高于正常产期儿(χ^(2)=196.40,P<0.001)。低体重儿出生缺陷常见缺陷类型前5位依次是先天性脑积水、脊柱裂、先天性心脏病、无脑畸形、唇裂合并腭裂。正常体重儿出生缺陷出生结局以活产为主(占68.60%),而低体重儿出生缺陷出生结局以死胎为主(占54.72%),低体重儿出生缺陷与正常体重儿出生缺陷出生结局比较,差异有统计学意义(χ^(2)=647.59,P<0.001)。正常产期儿出生缺陷出生结局以活产为主(占77.38%),过期产儿出生缺陷出生结局以活产为主(占83.93%),而早产儿出生缺陷出生结局以死胎为主(占57.79%)。早产儿与正常产期儿出生缺陷出生结局比较,差异有统计学意义(χ^(2)=2025.08,P<0.001),早产儿与过期产儿出生缺陷出生结局比较,差异有统计学意义(χ^(2)=245.39,P<0.001),正常产期儿与过期产儿出生缺陷出生结局比较差异有统计学意义(χ^(2)=16.28,P=0.001)。结论早产儿、低出生体重儿及过期产儿出生缺陷发生率显著高于正常产期儿,低体重儿与正常体重儿、早产儿与正常产期儿、早产儿与过期产儿、正常产期儿与过期产儿出生缺陷出生结局比较,差异均有统计学意义。

基于局部特征深度信息的绝缘子小样本缺陷检测

基于深度学习的目标检测技术已广泛应用于绝缘子缺陷检测中,然而现有目标检测算法主要基于大量缺陷样本训练网络模型,无法对少样本缺陷进行准确识别。针对绝缘子缺陷检测过程中缺陷样本量不足的问题,该文提出了一种基于局部特征深度信息的绝缘子小样本缺陷检测方法。首先采用旋转目标检测网络改进Faster R-CNN(faster region-based convolutional neural network)模型提取绝缘子串区域,然后对绝缘子串特征进行划分,提取绝缘子串局部特征并基于深度推土距离(deep earth mover’s distance,Deep EMD)网络实现小样本缺陷检测。实验结果表明,在玻璃绝缘子自爆缺陷检测中,所提出方法采用2张训练样本可取得与现有目标检测方法 200张训练样本相同的效果,采用10张训练样本的绝缘子自爆检测在与真值框的交并比阈值为0.5至0.95之间的平均精度(mean average precision,mAP)达到0.65,该方法为小样本电力设备缺陷智能化检测提供了新的方法和思路。

基于多尺度卷积注意力机制的输电线路防振锤缺陷检测

作为输电线路中的重要金具部件,防振锤的缺陷将对输电线路构成严重威胁。针对由于防振锤缺陷样本数量稀少、背景复杂、区域形状尺寸不一造成的防振锤缺陷识别能力不足的问题,提出一种基于多尺度卷积注意力机制的防振锤缺陷检测方法。首先,通过统计不同缺陷的防振锤尺寸,设计适应不同类别的多尺度卷积注意力机制,使网络重点关注图像中的防振锤区域;其次,引入结构重参数化方法,以将网络中的多分支结构无损失地转换为单分支结构,在提高网络检测性能的同时维持检测速度在较高水平;最后,以渐进式特征金字塔网络结构(AFPN)为基础,融合更多的浅层网络,提高了网络检测防振锤小目标的能力。实际收集的防振锤缺陷数据集实验结果表明,设计的检测方法可显著提升防振锤缺陷检测的性能,检测精度mAP0.5达到了91.9%,在TITAN XP平台下检测速度达60.88帧/s,可为输电线路防振锤智能化巡检提供参考。

基于改进SSD的工件表面缺陷检测

工件的表面缺陷不仅影响外观而且直接影响产品的质量、寿命和性能,因此对工件进行实时表面缺陷检测很有必要。针对当前SSD算法不利于小目标检测易导致误检的情况,提出了一种基于单阶段多层检测器的改进SSD自动检测方法。采用了以ResNet替换SSD中原始的VGGNet的方法,研究了小目标检测的问题;采用了对深层特征进行反卷积且将深层特征与浅层特征融合的方法,研究了语义信息不足易误检的问题。结果表明,该方法较原SSD模型在工件的表面缺陷检测上m AP值提高了约4.6%,从而认为本方法可用于工件表面缺陷的实时自动检测。

钙钛矿太阳能电池材料缺陷对器件性能与稳定性的影响

基于钙钛矿太阳能电池材料独特的光电特性,特别是光电转换效率在初期短时间内的快速提升,使其成为当前光伏领域中最富吸引力的光吸收材料之一.然而,近年来转换效率的增长步入缓慢阶段,同时材料的长期稳定性也成为商业化应用的关键挑战,这些问题背后的物理机制与材料缺陷密切相关.为进一步提高电池效率和结构稳定性,必须深刻理解和精准地掌握这些缺陷的特性.本文全面回顾了钙钛矿材料中各类缺陷对光伏性能和稳定性的影响,包括传统刚性模型缺陷、非常规性缺陷、复合型缺陷、离子迁移和缺陷对载流子寿命的影响,论述了缺陷与材料结构稳定性之间的紧密关联性,并对未来关于缺陷的研究方向进行了展望.

变频电流激励下GIS隔离开关机械缺陷的振动非线性行为及其辨识方法

气体绝缘组合电器(gas insulated switchgear,GIS)机械缺陷是导致设备故障的关键因素之一,为此开展了变频电流激励模式下隔离开关底座松动缺陷的时频域振动图谱变化规律研究,进行了波形因子、重心频率等6个振动特征量的量化分析,采用灰狼算法优化的支持向量机研究提出了变频电流激励模式下GIS隔离开关底座松动缺陷严重程度辨识方法。结果表明:GIS隔离开关缺陷振动信号特征量与电流激励频率具有强相关性,与单一工频电流激励模式相比,变频电流激励具备更有效检测GIS设备机械缺陷的优势;基于126 kV真型GIS试验平台验证获得构建的隔离开关底座松动缺陷辨识模型的平均识别准确率达90%以上。该研究成果为揭示GIS设备的非线性机械振动特性及提升其机械缺陷检测水平提供了重要参考。

油气管道组合缺陷漏磁检测信号数值模拟研究

为解决管道组合缺陷之间漏磁检测信号互相干扰,难以识别的问题,采用有限元方法建立仿真模型,研究管道内外、不同形状缺陷以及内外组合缺陷邻近情况下的漏磁场检测信号规律。研究结果表明:管道缺陷的漏磁检测信号在其轴向和径向分量上均存在显著差异;组合缺陷的检测信号存在相互干扰且具有一定的叠加性;当缺陷深度约为管壁厚的10%、25%、40%时,轴向信号干扰距离分别约为缺陷长度的1倍、2倍、3倍,径向信号干扰距离均约为长度的4倍,组合缺陷径向信号的互相干扰程度大于轴向信号,缺陷深度对轴向信号的影响大于径向信号。研究结果可为油气管道组合缺陷的识别提供理论依据。

基于声发射的钢桥面板焊接气孔缺陷在线识别

为实现正交异性钢桥面板机器人智能化焊接过程中缺陷的在线监测,提出了一种基于快速傅里叶变换和支持向量机的气孔缺陷声发射识别方法.通过开展机器人焊接实验,揭示了钢桥面板焊接及缺陷产生过程的声发射特征.无损伤与气孔缺陷2种工况信号的幅值、振铃计数、峰值频率和中心频率等参数重叠交叉严重、相关性不显著,而气孔缺陷信号的傅里叶频谱存在更多高频能量分布,因此以频谱为输入建立2种工况的径向基核支持向量机模型.实验结果表明,与朴素贝叶斯、随机森林和线性核支持向量机模型相比,径向基核支持向量机模型拥有更高的正确率(95.4%)和召回率(94.3%),能够用于焊接过程气孔缺陷的在线识别,具有较强的鲁棒性和实用性.

铆接铝合金板铆钉失效缺陷检测方法研究

针对车身用铝合金板内部铆钉缺陷特征提取难度大、缺陷类型与程度识别准确率低的问题,提出一种基于高斯卷积深度信念网络与双向长短期记忆网络相结合的铆钉失效缺陷诊断模型与检测方法。首先,面向5种铆钉断裂缺陷设计试件并搭建自动检测系统,通过规划和调整探头姿态有效地降低提离效应对检测信号的影响。其次,设计双网络融合诊断模型提取和学习多维度缺陷特征信息,解决检测曲线中由时序变化特性和空间分布状态表征的缺陷信息提取难题。实验结果表明,与传统卷积网络及单一深度信念网络相比,优化后算法诊断模型的平均准确率为99.85%,相比提升了14.54%,且具有良好的通用性和鲁棒性,可实现铆钉内部缺陷的在线诊断。

注意缺陷多动障碍共患对立违抗障碍儿童大脑皮质形态学特点

目的:探讨注意缺陷多动障碍(ADHD)共患对立违抗障碍(ODD)儿童的大脑皮质形态学特点。方法:选取符合美国精神障碍诊断与统计手册第4版(DSM-IV)诊断标准的ADHD共患ODD儿童16例,不共患ODD的ADHD儿童20例,及性别、年龄匹配的36例正常对照儿童。采用中国修订韦氏儿童智力量表(C-WISC)评估智商。所有被试进行脑磁共振成像扫描及数据采集,采用FreeS urfer软件分析大脑皮质形态学指标。结果:ADHD伴ODD组[(6528.1±857.5)mm^(3)vs.(7591.2±657.3)mm^(3)]、ADHD不伴ODD组[(6867.2±841.3)mm^(3)vs.(7591.2±657.3)mm^(3)]左外侧颞上回脑区皮质体积均小于正常对照组(P<0.05),而ADHD伴ODD与ADHD不伴ODD两组间体积差异无统计学意义(P>0.05);ADHD组左外侧颞上回脑区皮质体积与ODD症状的相关无统计学意义(P>0.05)。3组间皮质厚度、表面积和曲率差异无统计学意义(均P>0.05)。结论:左外侧颞上回皮质体积减小可能是ADHD儿童的重要脑结构异常指征,共患ODD未改变这一特点。

修复缺陷嫌疑区域的无监督磁瓦表面缺陷检测

磁瓦表面缺陷样本数量少,异常视觉特征分布发散,现有依赖目标特征的有监督检测方法不能有效检测未定义缺陷;磁瓦表面正常纹理呈非均匀且非周期性分布,使得经典重构网络难以准确地重构磁瓦表面正常特征,导致相关无监督检测方法性能低下.为此,采用多头注意力增强的掩码图像修复网络(MIINet),长距离提取图像特征,捕捉全局信息,增强图像修复的能力;引入视觉显著性算法抑制磁瓦表面纹理信息和突显缺陷区域,以便二值化算法精准分割缺陷嫌疑区域;利用MIINet修复待检测图像缺陷嫌疑区域,选用修复前后图像的残差图像和结构相似性实现缺陷检测与缺陷判定.与经典无监督方法相比,修复缺陷嫌疑区域的表面缺陷检测方法的准确率提升了2.36%,F1值提升了1.62%.

基于改进DETR的机器人铆接缺陷检测方法研究

铆接作为铁道车辆结构件的主要连接方式,合格的铆接质量是车辆安全稳定运行的重要保证。针对现有铆接缺陷检测方法存在检测精度低、检测点位少、检测智能化水平不高等问题,提出一种基于改进DETR的机器人铆接缺陷检测方法。首先,搭建铆接缺陷检测系统,依次采集工件尺寸大、铆钉尺寸小工况下的铆接缺陷图像。其次,为了增强DETR模型在小目标中的图像特征提取能力和检测性能,以EfficientNet作为DETR中的主干特征提取网络,并将3-D权重注意力机制SimAM引入EfficientNet网络,从而有效保留图像特征层的镦头形态信息和铆点区域的空间信息。然后,在颈部网络中引入加权双向特征金字塔模块,以EfficientNet网络的输出作为特征融合模块的输入对各尺度特征信息进行聚合,增大不同铆接缺陷的类间差异。最后,利用Smooth L1和DIoU的线性组合改进原模型预测网络的回归损失函数,提高模型的检测精度和收敛速度。结果表明,改进模型表现出较高的检测性能,对于铆接缺陷的平均检测精度mAP为97.12%,检测速度FPS为25.4帧/s,与Faster RCNN、YOLOX等其他主流检测模型相比,在检测精度和检测速度方面均具有较大优势。研究结果能够满足实际工况中大型铆接件的小尺寸铆钉铆接缺陷实时在线检测的需求,为视觉检测技术在铆接工艺中的应用提供一定的参考价值。

基于改进YOLOv5-LITE轻量级的配电组件缺陷识别

为对配电组件缺陷进行精确快速的定位和识别,提出一种基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法。为使模型便于部署至移动设备终端,该方法使用ShuffleNetV2作为骨干网提取特征构建YOLOv5-LITE轻量级神经网络模型,并摘除ShuffleNetV2的1024卷积和5×5池化,采用全局平均池化操作替代,降低网络参数量,提升模型检测速度;通过引入有利于细粒度目标检测的152×152特征层,实现了对大、中、小尺度的缺陷检测;在PANet架构中采用深度可分离卷积代替下采样使得网络更加轻量化。实验结果表明:该方法能够识别电缆脱离垫片、电缆与绝缘子脱落、无环绝缘子3种缺陷,其检测精度分别达到92%、95%、95%,网络参数量约为YOLOv5的1/4,检测速度达到2 ms/张。所提出的方法具有实时性、准确率高、轻量化等特点。

局部和全局特征融合的太阳能电池片表面缺陷检测

太阳能电池片表面缺陷具有类内差异大、类间差异小和背景特征复杂等特点,因此,要实现高精度的太阳能电池片表面缺陷自动检测是一项富有挑战性的任务。针对此问题,该文提出融合局部和全局特征的卷积视觉Transformer网络(CViT-Net),首先采用Ghost聚焦(G-C2F)模块提取电池片缺陷局部特征;然后引进坐标注意力强调缺陷特征并抑制背景特征;最后构建Ghost视觉(G-ViT)模块融合电池片缺陷局部特征和全局特征。同时,针对不同检测精度和模型参数量,分别提供了CViT-Net-S和CViT-Net-L两种网络结构。实验结果表明,与经典MobileVit、MobileNetV3和GhostNet轻量级网络相比,CViT-Net-S对电池片分类准确率分别提升了1.4%、2.3%和1.3%,对电池片检测mAP50分别提升了2.7%、0.3%和0.8%;与ResNet50、RegNet网络相比,CViT-Net-L分类准确率分别提升了0.72%和0.7%,检测mAP50分别提升了3.9%、1.3%;与先进YOLOv6、YOLOv7和YOLOv8检测网络相比,作为骨干网络的CViT-Net-S、CViT-Net-L结构在mAP和mAP50指标上仍保持良好检测效果。结果证明本文算法在太阳能电池片表面缺陷检测领域具有应用价值。

基于改进YOLOX-S的太阳能电池片表面缺陷检测

针对太阳能电池片表面缺陷检测存在模型体积大和检测性能不达标的问题,提出了一种轻量化YOLOX-S检测模型用于工业生产。首先以YOLOX-S模型为基础,采用轻量级网络MobileNetV3优化主干网络,减少模型参数,降低模型运算量,提高检测速度。其次采用FReLU激活函数改进MobileNetV3,使模型具有空间像素级建模能力,提高模型空间特征信息灵敏度,增强模型对小目标缺陷的特征提取能力。最后,在颈部网络引入注意力特征融合模块,聚合多尺度信息,加强模型的多尺度特征融合能力。实验结果表明,改进的YOLOX-S检测模型平均精度均值可达97.6%,参数量减少43.2%,检测速度达到51帧/s,置信度均在90%以上,检测结果可靠。

基于改进YOLOv8的地铁列车焊缝缺陷轻量化检测方法

针对现有的地铁列车车体焊接质量检测技术存在检测模型较大、检测精度和效率较低的问题,提出一种基于改进YOLOv8的焊缝缺陷轻量化检测方法。首先,利用相控阵超声波检测仪采集对接焊缝内部缺陷图像,通过图像预处理制作成焊缝缺陷数据集。然后,在YOLOv8模型基础上,利用Inner-SIoU优化原有损失函数、采用C2f-PConv替换C2f模块、引入大型可分离核注意力(LSKA)模块和挤压激励(SE)注意力机制,建立了基于改进YOLOv8的地铁列车车体焊缝缺陷质量检测模型,以提高焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOv8模型对焊缝缺陷数据集进行训练和测试。结果表明,改进的YOLOv8模型大小为7.91 M,对于焊缝缺陷的检测精度达到98.30%,检测速度达到138.9帧/s,与YOLOv8原始模型相比,模型更小,检测精度更高。