卷烟主流烟气中焦油释放量的测量不确定度评定

目的评定卷烟主流烟气中焦油含量的测量不确定度,为测定主流烟气中焦油含量提供有效、可靠的测量数据。方法用吸烟机对卷烟主流烟气中的粒相成分进行捕集,应用气相色谱法对粒相成分中的烟碱和水分含量进行测定,再由总粒相物含量得出卷烟烟气中焦油含量。根据JJF(烟草)1-2007的指导方法,对上述焦油整个测量过程进行研究,系统分析得出不确定度来源和不确定度数学模型的基础上,确定焦油测量结果的置信区间,表述出了合成标准不确定和扩展不确定度。结果焦油测量不确定度的主要来源是由气相色谱测定曲线拟合及测试环境波动造成的,因此在检测过程中应尽量提高拟合曲线的线性度,并减小测试环境的波动,才能进一步的减小测量不确定度。结论该样品的焦油含量为8.98 mg/支,扩展不确定度为0.15 mg/支。     

香兰素对卷烟主流烟气中挥发性成分的影响

目的了解食用香料香兰素对卷烟主流烟气的香味及挥发性成分的影响,为香兰素在卷烟中的致香作用及加香效果提供科学依据。方法利用吸烟机抽吸,剑桥滤片和吸收瓶捕集主流烟气,用GC/MS分析了添加有香兰素的卷烟和空白对比卷烟的所捕集烟气挥发性化学成分,并研究其挥发性化学成分的变化差异,评价香兰素对卷烟烟气香味成分及有害成分的影响。结果香兰素能很好地迁移到卷烟烟气中。结论在本实验中,香兰素能有效地提高卷烟烟气中的香味成分。     

基于机器视觉和轻量级卷积网络的安瓿瓶包装质量检测算法

针对人工检测安瓿瓶包装质量时存在的速度慢以及受主观因素影响导致的准确率低等问题,提出一种机器视觉和轻量级卷积神经网络结合的安瓿瓶包装质量检测方法。首先,采用机器视觉中基于阈值分割以及仿射变换的方法对待测图片进行阈值处理、倾斜校正和安瓿瓶区域的裁剪;然后,根据图像特点以及缺陷识别要求设计分类算法的网络结构;最后,采集生产现场图片构建安瓿瓶包装缺陷数据集,之后对提出的安瓿瓶包装缺陷识别网络进行了验证,并测试了部署在Jetson Nano嵌入式平台上的算法的准确率及检测速度。实验结果表明：以每盒五支装的产品为例,所提安瓿瓶包装质量检测算法平均每盒耗时70.1 ms,即可达14盒/秒,而准确率为99.94%,能够实现在Jetson Nano嵌入式平台上的在线高精度安瓿瓶包装质量检测。     

低功耗测试矢量生成技术的研究

在集成电路内建自测试的过程中,电路的测试功耗通常显著高于正常模式产生的功耗,因此低功耗内建自测试技术已成为当前的一个研究热点。为了减少被测电路内部节点的开关翻转活动率,研究了一种随机单输入跳变（Random Single Input Change,RSIC）测试向量生成器的设计方案,利用VHDL语言描述了内建自测试结构中的测试向量生成模块,进行了计算机模拟仿真并用FPGA（EP1C6Q240C8）加以硬件实现。实验结果证实了这种内建自测试原理电路的正确性和有效性。     

基于改进RetinaNet的医用塑瓶装箱计数算法

为提高医用塑瓶包装生产线上装箱计数的效率、准确率及稳定性,本文提出一种基于深度学习的装箱计数检测算法,实现在线实时计数。首先,构建以ResNet为骨架网络,使用特征金字塔网络产生多尺度特征图并适当删减卷积层的改进RetinaNet网络。然后,使用聚类算法优化Anchor尺寸,使算法能够自适应歪瓶、倒瓶等异常情况下的计数检测,从而降低漏检率并提高定位精度。最后,在实际装箱数据集上对算法进行实验评测,结果表明该算法抗干扰能力强、稳健可靠,在满足生产条件下能够快速、准确地对装箱塑瓶进行计数检测,计数精度可达99.98%以上,单张检测时间为33 ms,满足了生产线实时检测要求。     

基于改进Fast-SCNN的塑瓶气泡缺陷实时分割算法

在医用塑瓶的瓶身气泡检测时，瓶身气泡位置的任意性、气泡大小的不确定性以及气泡特征与瓶身特征之间的相似性增加了气泡缺陷的检测难度。针对上述气泡缺陷检测难点问题，提出了一种基于改进快速分割卷积神经网络(Fast-SCNN)的实时分割算法。该分割算法的基础框架为Fast-SCNN，而为弥补原有网络分割尺寸的鲁棒性不足，借鉴了SENet的通道间信息的利用与多级跳跃连接的思想，具体为网络进一步下采样提取深层特征，在解码阶段将上采样操作融合SELayer模块，同时增加两次与网络浅层的跳跃连接。设计四组对比实验，在气泡数据集上以平均交并比（MIoU）与算法单张分割时间作为评价指标。实验结果表明，改进Fast-SCNN的综合性能最好，其MIoU为97.08%，其预处理后的医用塑瓶的平均检测时间为24.4 ms，其边界分割准确率较Fast-SCNN提升了2.3%，增强了对微小气泡的分割能力，而且该网络的MIoU相较现有的U-Net提升了0.27%，时间上降低了7.5 ms，综合检测性能远超过全卷积神经网络(FCN-8s)。该算法能够有效地对较小的、边缘不清晰的气泡进行分割，满足对气泡缺陷实时分割检测的工程要求。     

基于ResNet网络的医用塑瓶制造缺陷检测方法

本文提出一种基于深度学习的识别方法用于医用塑瓶气泡、积料等生产缺陷的实时检测,设计工业现场的视觉检测硬件平台,细述积料与气泡检测算法的原理,简述算法检测前的图像预处理。在Pytorch框架下通过ResNet系列算法与MobilenetV2算法的正交实验对积料检测实时性能进行比较,同时优化RetinaNet网络在气泡上的检测性能。在生产现场中该方法关于积料的平均检测精度为99.7%,单幅图片检测时间为29.7 ms;气泡的Fβ指数为99.5%,单幅图片检测时间为35.5 ms,达到企业生产的要求。     

基于改进型SSD算法的空瓶表面缺陷检测

注塑空瓶在生产过程中瓶身表面会产生大量缺陷,这些缺陷对产品的外观和使用造成重要的影响。传统的人工检测由于劳动强度高、检测效率低等缺点已不适用,基于机器视觉的传统检测算法对于复杂的场景变化,所提取的特征通常很难用于缺陷分类和识别。因此,提出一种基于SSD算法,对注塑空瓶表面缺陷进行检测。考虑空瓶表面缺陷较小,特征难以提取,为提高检测效果,在SSD网络结构中加入特征融合模块,为预测层提供丰富的语义特征;同时在网络中引入注意力机制,增加网络的特征提取能力,有效地提高网络的检测精度。通过用空瓶表面缺陷数据集对本文的方法进行验证,准确率为98.3%,漏检率为0.74%,误检率为0.96%,mAP为96.5%,相比原始的SSD算法的mAP,本文算法提高了近5.6个百分点。     

基于机器视觉和轻量级卷积网络的安瓿瓶包装质量检测算法

针对人工检测安瓿瓶包装质量时存在的速度慢以及受主观因素影响导致的准确率低等问题，提出一种机器视觉和轻量级卷积神经网络结合的安瓿瓶包装质量检测方法。首先，采用机器视觉中基于阈值分割以及仿射变换的方法对待测图片进行阈值处理、倾斜校正和安瓿瓶区域的裁剪；然后，根据图像特点以及缺陷识别要求设计分类算法的网络结构；最后，采集生产现场图片构建安瓿瓶包装缺陷数据集，之后对提出的安瓿瓶包装缺陷识别网络进行了验证，并测试了部署在Jetson Nano嵌入式平台上的算法的准确率及检测速度。实验结果表明：以每盒五支装的产品为例，所提安瓿瓶包装质量检测算法平均每盒耗时70.1 ms，即可达14盒/秒，而准确率为99.94%，能够实现在Jetson Nano嵌入式平台上的在线高精度安瓿瓶包装质量检测。     

主桥承台深水基础钢板桩围堰施工方案

某主桥承台采用钢板桩围堰施工方案。简单介绍了钢板桩围堰施工的主要步骤,从施工准备、围堰导向系统施工、钢板桩施打、内支撑焊接、钢板桩围堰封底及桩头处理等6大方面详细介绍了围堰的施工工艺。