装配式建筑梁柱节点疲劳损伤检测方法研究

常规的装配式建筑梁柱节点疲劳损伤检测主要采用梁柱图像分析实现,忽略了节点内部损伤的影响,导致检测结果相对变化量系数与实际系数的差值较大。本文对装配式建筑梁柱节点疲劳损伤检测方法进行了研究,于装配式建筑梁柱周围布置测点对梁柱节点的应变状态进行分析;根据分析结果,结合梁柱内部能量耗散值,计算节点疲劳损伤能量系数;将该系数作为节点应变能密度因子分析节点轴向力,由此得出检测的梁柱节点疲劳损伤值。实验结果表明,所提方法应用后梁柱节点疲劳损伤检测结果表现出的相对变化量系数差值较小,检测结果准确率较高,满足了装配式建筑梁柱安全运维工作的现实需求。

基于改进YOLOv5的红花目标检测算法研究

为实现农业非结构环境下采摘机器人对红花的准确识别,提出了一种基于改进YOLOv5的红花目标检测算法。将CBAM注意力机制嵌入到YOLOv5网络,提高了小尺寸目标物在高层次特征中的表现力;建立一种Alpha-IoU目标位置损失函数对原损失函数GIOU存在的梯度消失问题进行改进,提高了被遮挡红花的预测率,并通过在目标检测网络中增加分割检测模块,提高宽和高小于最低像素的小目标物检测精度,利用图像扩增数据集对改进后的YOLOv5算法进行训练,再分别与改进前后YOLOv5网络和Faster R-CNN网络在不同红花品种、不同自然光照情况、不同天气条件和不同遮挡情况下进行对比。试验结果表明:改进后的YOLOv5算法P值、R值分别为90.45%和0.90,对非结构环境下盛开期的未采摘红花mAP值达到94.48%,在不同影响因素下都可以准确识别出红花且置信度较高,可为红花采摘机器人自动化作业中的红花识别提供技术支持。

激光诱导荧光技术与地下水重金属原位检测应用进展

对地下水重金属污染进行现场检测,是快速识别重金属种类和评价污染程度的重要手段。激光诱导荧光技术(LIF)利用特定荧光探针,在目标重金属存在下,通过激光诱导荧光探针产生/猝灭荧光,从而完成对重金属的识别和检测,具有快速甄别地下水重金属污染特性和无损获取其价态的优势。本文在简述LIF检测重金属原理和LIF原位检测地下水重金属装备基础上,重点从荧光探针合成及其在重金属传感检测方法的构建上总结了基于不同荧光探针的LIF现场检测重金属的研究进展。目前可用于重金属检测的荧光探针包括以小分子探针、有机大分子和聚集诱导发光为主的有机荧光探针和以金纳米簇、量子点和金属有机框架材料为代表的纳米荧光探针。这些探针的合成及其对应的传感检测方法的构建表明LIF技术在地下水重金属检测中具有巨大优势。而针对地下水重金属检测的LIF设备研发方面的成果虽不如荧光传感检测方法丰富,但已研制出部分重金属的传感器和检测装备,表现出良好的应用前景。未来研究将会聚焦在地下水重金属主控因子识别和抗干扰技术研发、荧光探针合成与LIF检测方法构建、重金属传感部件和检测装备集成研制,以及检测技术标准化,为后续场地地下水典型重金属LIF检测技术的研究提供参考。

基于红外热成像技术的隧道隐性渗漏检测研究

因隧道安装防火板,导致渗漏水隐蔽在防火板背后而不易被检测。红外热成像技术是一种非接触无损检测技术,因其对表面热辐射敏感而常用来测量表面温度场。基于红外热成像技术,研究了隧道隐性渗漏车载非接触式快速检测的可行性。结合某长江隧道,将红外热成像设备安置在车顶,对隧道内表面实施移动扫描拍照,并通过红外热力图准确识别既有渗漏点。为了进一步验证检测效果,人为在防火板表面涂湿模拟渗漏,该渗漏过程可以被准确识别。通过试验研究,表明红外热成像技术用于隧道隐性渗漏车载非接触式快速检测是可行性的。

基于二氧化铈/羟基氧化铁纳米酶的比色分析法快速检测泡椒凤爪中过氧化氢

采用水热法合成二氧化铈(CeO_(2))修饰的羟基氧化铁(FeOOH),得到纳米材料CeO_(2)/FeOOH。CeO_(2)/FeOOH具有类过氧化物酶活性,可以催化过氧化氢(H_(2)O_(2))分解产生羟自由基(·OH)和超氧阴离子自由基(O2-·),将3,3’,5,5’-四甲基联苯胺(3,3’,5,5’-tetramethylbenzidine,TMB)氧化为蓝色的氧化TMB(oxidized TMB,ox-TMB)。基于此,构建基于CeO_(2)/FeOOH纳米酶的H_(2)O_(2)比色传感器。结果表明:该比色传感器对H_(2)O_(2)显示出高灵敏度响应,检测限为3.92μmol/L,检测范围为10~1000μmol/L。此外,该传感器可用于泡椒凤爪中H_(2)O_(2)的快速检测,其中,H_(2)O_(2)加标回收率为90.59%~93.42%,相对标准偏差≤4.25%,具有灵敏、准确、快速和简便等优势。

融入注意力机制的水位检测算法

传统图像处理的水位检测算法易受环境因素的影响,因此提出一种融入注意力机制的水位检测算法。首先,利用融入CBAM注意力机制的YOLO v5目标检测模型获取尺身数字类别及其坐标信息;其次,通过融入ECA注意力机制的DeepLabv3+语义分割模型实现水尺和背景的分割;再次,使用边缘检测算法得出水位线信息;最后,根据尺身数字信息和水位线信息将像素值换算为真实水位值。实验结果表明,优化水位检测算法与人工读数误差在2 cm以内,满足水位检测标准要求。

一种面向交通安全的违禁品轻量级检测方法

针对X光安检图像中摆放杂乱、故意遮挡、小型不规则物品检测等问题,以及安检工作对实时性、快速性的要求,基于YOLO v5s网络模型提出了一种结合改进的轻量级实时违禁品监测方法LRCD,以辅助安检人员快速进行检测。通过在模型的主干中使用DenseOne模块替代YOLO v5s主干中的C3模块,进而丰富特征,提高网络的特征表达能力;为了提高推理速度,使用SimSPPF替换YOLO v5s主干中的SPPF;同时引入WIoU(Wise-IoU)损失函数,抑制了冗余特征对检测网络的影响,增强了网络获取违禁品中包含的多尺度特征的能力。在针对X光下行李物品图片的EDS数据集中进行测试,mAP达68.96%,FPS达136.9,对比近年来被广泛使用的其他经典目标检测模型,分别平均提升了6.35%与66.7%。

基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据,但其精准提取取决于用电设备状态变化的准确检测。为此,提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进,利用多尺度排列熵的差值分析确定状态变化发生的区间,然后利用Yamamoto算法进行区间检测,定位状态变化的时刻。仿真分析结果表明,所提算法可准确检测用电设备的状态变化,有效地提高后续利用暂态特征的设备状态辨识准确率。

高温声学检测技术的发展、应用与挑战

以我国航空航天、钢铁冶金、特种设备等领域的高温声学无损检测技术研究与应用为主线,分析了高温声学检测技术在促进先进高温材料制备与研发、钢铁冶金行业绿色低碳生产和产业升级、高温压力管道安全运行与维护等方面的巨大需求。介绍了国内外在高温声学检测的技术方法和仪器研制等方面取得的进展,分析了压电超声、电磁超声、激光超声、激光电磁超声等技术在高温无损检测应用方面存在的优缺点和应用场景,总结了高温声学检测技术面临的机遇与挑战。

应用于食品检测领域的分子即时检测技术研究进展

食品安全问题关系人类民生。为有效预防和控制食品安全风险,减少食品安全经济损失,迫切需要开发出针对食源性病原体、食物掺假、转基因作物的高特异性、高敏感性、快速的核酸检测技术。即时检测(point-of-care testing,POCT)作为一种新兴的快速检测手段,由于其检测速度快、操作简单、现场检查等特点,在食品检测领域应用广泛。本文首先介绍了POCT技术的发展历史,而后根据食品安全事件的特点,从食源性致病菌、食物掺假、转基因作物3个方向分析了食品检测的主要对象,阐述了分子POCT技术在食品检测领域的应用现状,最后对应用于食品检测领域的分子POCT技术存在的问题和解决办法进行了分析总结,对食品检测分子POCT技术的发展方向进行了展望。本文有助于进一步了解分子POCT技术在食品检测中的应用,并为分子POCT技术在食品快速检测中的研究和应用提供参考。

羊捻转血矛线虫病检测方法研究进展

羊捻转血矛线虫病是由捻转血矛线虫寄生于羊等小反刍动物皱胃内引起的一种危害严重的嗜血性寄生虫病。病羊临床表现为消瘦、贫血和衰弱等慢性消耗性症状,严重感染者可致死。该病在我国牧区普遍流行,目前暂无安全长效疫苗可用,加之耐药性严重,放牧羊群感染率和发病率居高不下,极大地降低了羊养殖业的经济效益。准确可靠的检测手段是诊断寄生虫感染、制定驱虫治疗方案、耐药监测及流行病学调查的关键环节。本文详细介绍了羊捻转血矛线虫病的检测技术研究现状,分析了病原学、免疫学及分子检测等方法的优缺点,并对未来检测技术发展趋势进行了展望,以期为该病新型检测方法的研发及综合防控策略提供参考。

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。

基于改进YOLOv3的水稻叶部病害检测

为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice-YOLOv3。首先,采用K-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice-YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice-YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster-RCNN、YOLOv5等模型对比,Rice-YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny,平均精度(map@0.5)提升了6%;在自制无人机数据集上进行实验,结果表明YOLOv7-drone与原算法相比,平均精度(map@0.5)提高了6.1%,并且检测速度为72帧/s;与YOLOv5l、YOLOv7目标检测算法进行对比实验,结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%,验证了文中算法的可行性。

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点:设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31帧·s^(-1)的预测速度。

一种改进的概率霍夫直线检测算法

针对概率霍夫直线检测算法检测速率不高、检测精度易受其他特征和连续间断线干扰的缺点,提出了一种改进的概率霍夫直线检测算法。改进后的算法将注意力集中在直线可能存在的若干个区间,提升了检测速率与精度,在直线检测全过程监控并剔除连续间断线,提升了算法的抗干扰能力。经过100组铝锭边缘线检测的实验验证,改进后算法相较原算法平均检测速率提升至1.77倍,查准率提升至1.45倍,且改进后算法在其他图片上的检测速率和检测效果相较原算法也有明显提升。

基于自适应融合的实时车辆检测

针对传统的车辆检测技术检测速度慢和精度低的问题,提出了一种融合注意力的自适应金字塔网络的交通目标检测算法(fusion attentiont adaptive pyramid network,FAAP-Net),可以显著降低交通事故的发生率。为了降低计算复杂度,设计了一种轻量级的互补池化结构(CPS),该结构在宽度和高度上采用了两组不同的池化组合,在保持高精度的同时,显著降低了网络的浮点运算数(GFLOPs)和参数量。为了解决智能交通系统特征图生成过程中的信息损失问题,通过将自适应注意力模块(AAM)和特征增强模块(FEM)引入自适应融合特征金字塔网络(AF-FPN),以融入车辆检测的形状特征。针对车辆细节特征表征弱的问题,引入了一种按通道维度分组的注意力(SA)机制,以增强主干网络对不同车辆检测细节特征的关注,有效提取车辆细节的显著特征。在BDD100K数据集上的实验结果表明,FAAP-Net算法相比于传统算法,平均精度从30.3%提升到43.7%。

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。

食品中多环芳烃的来源、污染状况与检测分析

多环芳烃(polycyclic aromatic hydrocarbons,PAHs)是一类持久性的有机污染物,具有致癌、致畸、致突变等毒性,广泛存在于食品、特别是烟熏食品中,过量摄入将严重危害人体健康。许多国家通过制定严格的限量标准、加强检验检测等措施对食品中的PAHs进行防控,但随着工业化的快速发展,煤、石油等燃料的大量使用,食品中PAHs污染的问题依然突出,其在食品中仍普遍被检出,已成为影响食品安全的主要风险来源之一,关于食品中PAHs的污染来源、监测分析和检测技术等方面的研究也日益增多。本文概述了PAHs对农作物的影响,分析了食品中PAHs的主要来源和污染状况,从样品前处理和测定分析两个方面,综述了食品中PAHs的主要检测技术,评述了其优缺点,并提出了今后研究工作的建议,以期为食品中PAHs的监测分析、预防控制和深入研究提供参考。

电化学技术在食品检测中的应用研究进展

电化学技术利用待测物质发生反应产生的电化学信号实现其检测,因其操作简单、成本低、精密度及灵敏度高等优点在食品检测分析中的应用备受关注,并取得了许多研究进展。本文从电化学检测方法、类型、基本原理和在食品检测领域的研究现状方面进行了综述和分析,并对其应用发展前景进行展望,为促进电化学技术在食品检测分析领域的应用提供参考,以满足食品快速检测分析的发展需求。