基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

市政桥梁施工质量缺陷及防治措施

桥梁是城市交通的咽喉,也是城市建设中不容忽视的内容。当前,桥梁工程项目实施中存在诸多问题,容易产生安全事故,严重影响城市交通的稳定性、可靠性。为了有效避免施工质量问题,提高桥梁使用寿命,人们要进一步强化桥梁工程项目质量问题防治和管理。因此,本文重点研究桥梁工程项目质量缺陷和防治措施。     

热镀锌钢板锌流纹的产生及消除措施分析

某钢厂投产后,随着生产规格极限化,对于薄规格产品,带钢表面出现大量锌流纹缺陷,严重影响了带钢的表面质量和导致了协议品的产生。结合该钢厂镀锌机组投产以来的生产实践,对热镀锌板锌流纹缺陷的形成进行了分析,重点探讨锌流纹缺陷产生的原因,提出控制措施,消除缺陷的产生,提高镀锌板表面质量。     

抗滑挡墙工程缺陷修复加固技术设计方法

针对目前预应力锚索修复抗滑挡墙缺陷理论研究落后于实践的现状,基于野外大型物理模拟试验,监测修复全过程中的位移、土压力及预应力变化,探索预应力锚索、抗滑挡墙及土体相互作用机制。试验表明,当挡墙整体倾斜时,土压力沿墙身呈三角形分布;施加预应力修复时,土压力在锚点附近变化较快;二次加载过程中,预应力锚索从预应力损失过程到被动受力过程,发挥修复加固的作用,整个模型不产生较大变形。通过假定挡墙倾斜土压力分布形式,推导了抗滑挡墙倾斜时的土压力计算公式,建立了预应力锚索修复抗滑挡墙缺陷设计流程及力学设计方法;并探讨了数值计算方法。     

具有sn-网的空间

证明了具有σ—点有限sn—网及σ—局部可数sn—网的空间可刻划为度量空间在某些确定映射下的象.     

资本市场:缺陷与修正

阐述了目前我国资本市场在体制、结构、功能、机制监管、市场主体等方面存在的缺陷，提出了修正资本市场缺陷的根本出路是制度创新。     

农机配件的鉴别方法

农用车在运输及生产过程中。难免出现部件损坏现象。在购买农机配件时，应根据配件的质量和标准来判断其好坏，下面介绍几种农机配件的正确鉴别方法：     

三维广义Sierpinski垫的Hausdorff维数公式及其在一种特殊情形下的证明

本文在二维的基础上提出了三维广义Sierpinski垫的Hausdorff维数与度量维数公式.对三维广义Sierpinski垫在属于同一层每一行留下立方体块数除零外均相等的情形下,改写了其Hausdorff维数公式,并利用测度论方法给予严格的证明.证明表明,它推广了二维广义Sierpinski垫的结果,该方法也可推广到n维的情形.     

图像相关方法中采用多种子区进行位移测量

在图像相关位移测量方法中一般采用正方型子区搜索中心点的位移.当测量靠近裂纹或缺陷部位的位移时中心型子区失去效果,为了解决这一问题提出了非中心型子区的方法.证明了方法的有效性.认为在相关搜索时测量点既可选定在子区的中心位置,也可选定在非中心位置.进而提出了将测量点确定在子区角点的多种子区的方法.除通常的中心型子区外,至少还有4种子区可以采用,分别是右下角型、左下角型、右上角型和左上角型,这4种子区不但适用于表面裂纹或缺陷部位的位移测量,而且增加了图像有效信息的提取面积.     

Block-based test data adequacy measurement criteria and test complexity metrics

On the basis of software testing tools we developed for progrmnming languages, we firstly present a new control flowgraph model based on block. In view of the notion of block, we extend the traditional program-based software test data adequacy measurement criteria, and empirically analyze the subsume relation between these measurement criteria. Then, we define four test complexity metrics based on block. They are J-complexity 0; J-complexity 1 ; J-complexity 1 ; J-complexity 2. Finally, we show the Kiviat diagram that makes software quality visible.