基于一维轻量化CNN的山地索道轴承故障诊断

为保证山地果园索道安全稳定运行,并在网络环境较差的山地果园实现对索道驱动系统轴承故障诊断,该研究提出了一种一维端对端轻量化CNN检测方法1D-MRL-CNN（one-dimensional mountain ropeways lightweight convolutional neural network ）,直接对采集到的一维振动信号进行检测。基于残差结构（residual structure）和深度可分离卷积（deep separable convolution）,引入BN（batch normalization）层,在保证检测精度的同时大幅度降低模型的参数量和复杂度,并提升鲁棒性和泛化能力,适用于索道的变负荷工作状态;采用改进stem block模块、h_swish激活函数并在主体模块最后一层添加通道注意力机制（squeeze and excitation, SE）,提高网络模型的特征提取能力。为了验证模型的综合性能、变负荷工况下的稳定性以及抗噪声干扰性能,利用帕德博恩（paderborn university, PU）和凯斯西储（case western reserve university, CWRU）数据集进行试验验证。PU数据集试验结果表明,该方法故障分类准确率达99.43%,相比同类最优网络分类准确率提高0.97个百分点;参数量为83.44 kB,分别是Resnet18、VGG16、MobileNetV3-large和ShuffleNetV1模型的2.19%、0.81%、2.84%和3.31%。CWRU数据集试验结果表明,该方法在变负荷工况下的平均准确率达96.70%,比Resnet18、WDCNN和MobileNetV3-large网络分别高9.1、4.7和10.5个百分点;在4种噪声工况下的平均识别准确率达99.14%,比Resnet18、WDCNN和MobileNetV3-large网络分别高4.74、1.24和5.51个百分点。最后通过自建数据集对模型的实际工况故障分类效果进行验证,1 400个样本中仅有2个故障样本预测错误,准确率达99.86%。本研究的网络模型参数量小、准确率高,在变负荷和有噪声的工况下鲁棒性较高,适用于山地果园运输索道的轴承故障检测。     

基于高光谱成像技术的青香蕉碰撞损伤检测

针对青香蕉早期轻微碰撞损伤无法用肉眼和RGB图像识别的问题，该研究利用光谱数据与图像信息，实现青香蕉早期轻微碰伤的检测和碰伤程度区分。通过高光谱成像仪获取碰撞损伤试验样品的光谱数据和图像信息，对原始光谱数据进行预处理和异常样本的剔除。通过特征波长提取，获取特征波长下的低维图像中创面区域像素点的分布数据，同时结合全像素点下的光谱反射率数据，将其作为BP神经网络模型的训练集和测试集，建立青香蕉碰撞损伤程度界定的无损检测模型。试验结果表明，利用高光谱技术可以识别肉眼不可见的轻微碰撞损伤，形成的BP神经网络检测模型的总体识别准确率为95.06%，并且可输出碰伤等级的可视化图像。研究为开发青香蕉碰伤快速无损检测系统提供理论依据。     

早期香蕉枯萎病Foc4双探针核酸纸基检测传感器研制

为实现对早期香蕉枯萎病4号生理小种(fusarium oxysporum f.sp.cubense 4, Foc4)的准确检测,该研究提出一种基于胶体金的双探针纸基传感器。该传感器将2种不同粒径的胶体金分别与检测探针和信号增强探针结合,利用DNA探针代替抗原和抗体,形成双探针体系,通过增加信号增强探针降低检测限。基于目标序列与双探针体系的碱基互补配对形成“金标探针-目标序列-T线探针”复合物并在传感器的测试区被捕获,10 min内形成肉眼可见的目标产物,通过分析测试条带得到光强度峰面积并代入标准曲线中,实现Foc4定量检测。试验结果表明,双探针纸基传感器的检测限达到0.001 nmol/L,是传统纸基传感器的100倍,提高了检测灵敏度;在0.001～1000 nmol/L范围内,Foc4浓度与测试线光强度峰面积呈线性关系;使用高浓度非互补探针进行试验干扰,发现非互补序列对检测效果基本无影响,表明该传感器具有较好的特异性;香蕉叶片Foc4检测的平均回收率为77.6%～102.3%,相对标准偏差为7.4%～7.7%。与传统形态学观察等检测方法相比,该研究提出的双探针核酸纸基检测传感器可以及时、快速、准确地判断早期Foc4的存在,具有良好的推广性和实际应用价值。