基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

基于可控气流-激光检测技术的鸡肉嫩度评估方法

以鸡肉嫩度为研究对象，采用可控气流-激光检测技术的瞬态、蠕变回复和应力松弛等动静态检测模态，并使用支持向量机分类器和全局变量偏最小二乘算法，结合不同预处理方法，对鸡肉嫩度进行定性判别和定量预测。结果表明3个激励模态结合不同预处理算法均可实现鸡肉嫩度的定性定量评估。在定性方面，瞬态模态对嫩度具有最佳的分类效果；S-G卷积平滑算法表现出最佳的预处理性能，校正集嫩/老分类精度分别为1和0.98，马修斯相关系数为0.97；而验证集分类精度也达到了0.95和0.84。在定量预测方面，S-G卷积平滑算法在提升原始数据的信噪比上同样具有最佳效果；瞬态模态校正集和验证集模型相关系数分别为0.948和0.913，均方根误差分别为0.736N和1.013N。因此，在组织结构引起的品质预测动态模态较静态模态更适用。本研究开展的可控气流-激光技术在鸡肉嫩度评估的应用，为肉品检测领域提供了新的解决方案。     

基于荧光光谱的辣椒种子品种识别

为了提高辣椒种子品种鉴别效率,实现辣椒种子品种快速无损鉴别,研究了一种基于荧光光谱的辣椒种子品种快速无损识别方法。选择同一系列相似辣椒种子的杂交品种卓椒3号、卓椒4号和卓椒5号为研究对象,分别采集辣椒种子的荧光光谱56份,对原始光谱进行Savitzky-Golay(SG)卷积平滑和一阶导数(first derivative,FD)预处理;采用主成分分析(Principal Component Analysis,PCA)方法提取主成分,实现数据降维;采用Fisher判别分析方法建立辣椒种子品种识别模型。结果显示:采用荧光光谱建立判别模型时,卓椒3号辣椒种子的品种识别正确率达到92.9%,卓椒4号、卓椒5号辣椒种子的品种识别正确率均达到100.0%,整体识别正确率达到97.6%;采用荧光光谱的一阶导数光谱建立判别模型时,卓椒3号、卓椒4号、卓椒5号辣椒种子的品种识别正确率均达到100.0%,整体识别正确率达到100.0%。研究结果表明,种子叶绿素荧光光谱结合化学计量学方法能够有效识别辣椒种子品种。     

荞麦剥壳效果在线检测装置的设计与试验

为提高荞麦剥壳设备的自动化程度,改善以往依靠手工筛分、计算的方法得到碎米率、整米率和未剥壳率,且不能实时检测等问题,设计了一种基于图像识别技术的荞麦剥壳效果在线检测装置并进行了测试试验。该装置主要由取样机构、匀样机构、图像识别系统和气流除尘光照箱等组成。试验结果表明:碎米率均值误差为1.0 8%、整米率均值误差为-4.4 9%、未剥壳率均值误差为3.4 3%,能够较为准确地反映出荞麦加工过程中的剥壳效果。     

无（微）损检测技术在木结构古建筑中的应用及发展

介绍了古建筑木构件勘查中常用的无（微）损检测技术,阐述了各种仪器工作原理、检测方法及其优缺点,其中包括皮罗钉、阻力仪、应力波和超声波检测设备。基于以上技术,结合古建筑木构件特点,提出仪器结合使用、构件分类检测、设备便携化以及以树种鉴定为基础的木结构古建筑无损评估体系。

Abstract：

Commonly used nondestructive inspection technologies involved in the survey of the wood structures of ancient buildings are introduced and the inspection methods,working principle,advantages and disadvantages of various instruments,including of pilodyn,re     

基于光声光谱和TCA迁移学习的稻种活力检测

种子活力是决定水稻产量的最重要因素之一，但目前水稻种子活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响，且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先，对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种，进行高温高湿人工老化处理，得到0~7 d老化时间的水稻种子；再通过调制频率获得8种不同深度的光声光谱信息，用主成分分析、竞争性自适应重加权算法对光谱降维得到特征光谱后，对Y两优、龙粳、南粳、宁粳、武运粳分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、反向传播神经网络（Back Propagation Neural Network，BP）、广义回归神经网络（Generalized Regression Neural Network，GRNN）、支持向量回归模型（Support Vector Regression，SVR）、深度卷积神经网络（Convolutional Netural Network，CNN）的稻种活力预测模型，并选择最优调制频率；最后，通过迁移学习将建立的模型迁移到新两优稻种进行活力预测。结果表明，光声光谱最佳扫描频率为300 Hz，CNN预测模型精度较高，相关系数和均方根误差分别优于0.990 9、低于0.967 5；且经过迁移学习，仅需通过对源域数据的训练，即可直接对新品种稻种的活力进行精确预测；通过TCA迁移学习后，新两优稻种活力预测的相关系数从0.718 5提高到0.990 3。研究表明，采用光声光谱深度扫描技术对不同种类稻种的活力进行高精度检测是可行的，且经过迁移学习，仅需80粒新品种稻种信息即可实现稻种活力的精确预测。     

基于计算机断层扫描技术的木材密度检测研究

使用计算机断层扫描技术进行原木无损检测,通过对原木树种断层 CT 值的统计,对 CT 设备在检测过程中的窗宽与窗位进行了设定,同时拟合出了木材 CT 值一密度值的线性方程,为原木缺陷的无损检测及木材密度的测定提供一种新方法。     

Evaluation of Strength Performance of Finger-jointed Lumbers Using Three Kinds of Nondestructive Techniques

Resonance flexural vibration（Fast Fourier Transform, FFT）, ultrasonic wave（Pundit） and stress wave（Metriguard） techniques were examined as means of evaluating the static modulus of elasticity （MOE） and predicting the modulus of rupture （MOR） of finger-jointed lumber specimens made with four kinds of Eucalyptus （Eucalyptus. citriodora, E. exserta, E. grandis x E. urophylla and E. grandis）. Dynamic MOE was calculated from frequency and time obtained from forced vibrations and sounds induced in the four species of finger-jointed specimens. It was found that correlation coefficients between density and static MOE and dynamic MOE were statistically significant at the 0.01 level. And it was also found that the three nondestructive techniques can provide rapid and accurate means to determine the MOE, and the dynamic MOE was more accurate to predict static MOE than density. But the correlation coefficient between dynamic MOE, static MOE and MOR were lower than results reported by other researchers for solid wood, and were not statistically significant. It can be concluded that the three nondestructive techniques are useful for evaluating the MOE, but not suitable for predicting the MOR of finger-jointed.     

人工神经网络在木材缺陷检测中的应用

采用射线作为检测手段，对木材进行无损检测。在无损检测信号处理和特征构造的基础上。运用特征参数建立了缺陷识别的数学模型，针对无损检测信号的特征，构造了人工神经网络。选用反向传播神经网络模型（BP网络），网络识别所需要的特征参数能够反映木材缺陷的全部特征。