基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。     

深度学习识别光网络单元故障的设计与应用

为解决依赖装维上门鉴别光网络单元故障带来的不便,可以从机器视觉入手实现自动化故障识别。近年,ImageNet挑战赛的成功推动了物体识别技术的跨越式发展,特别是基于卷积的深度学习技术在视觉识别方面已经达到人类水平,为光网络单元故障的自动识别提供了技术基础。文章对识别光网络单元的工作状态进行了研究,将设备工作状态分为7个场景,提出了利用手机APP采集图片识别故障的解决方案并投入了实际生产;重点阐述了深度学习模块的设计与实现,提出一种通过算法整合的方式综合运用物体检测和图像分类算法,分3阶段逐步求精,解决了图片过滤,光网络单元型号和状态识别等问题,实现了基于计算机视觉自动识别光网络单元故障。从数据上看产品的端到端准确率超过84%,识别速度达到10 FPS,月均提供服务超过1万人次,在减少用户等待的同时节约了人力资源。     

食品企业清洗效果评价及三磷酸腺苷(ATP)生物荧光检测应用介绍

<正>一、食品企业清洗概况清洗:借助物理、化学或生物的作用去除物体表面的污染物或覆盖层,从而使其恢复原表面状况的过程称为清洗。表面未经清洗的情况下,消毒剂是不能正常发挥作用的。食品企业常见的清洗方法一般有两种,即人工清洗和CIP即原位清洗(cleaning in place)。人工清洁不只是意味着一把刷子和水桶,也包括选择正确的清洁器材和清洁方式以去除食品接触表面的污物。没有合适的清洗设备,只用刷子和人工清洗很难清洗加工设备。例如,选用移动泡沫车来辅助清洁将大大提高清洗效果。食品企业的管道、容器等设备与CIP装置相连,从喷     

谈施工现场临时用电的安全通病及对策

触电、高处坠落、物体打击、机械伤害、坍塌五类事故为建筑工地最常发生的事故，占事故总数的90％以上，称为“五大伤害”。其中，触电事故的频繁发生，既有工人安全用电意识淡薄的主观原因，也有建筑工地环境复杂多变的客观原因。笔者分析施工现场临时用电存在的安全通病，结合《施工现场临时用电安全技术规范》(JGJ46-88)和《建筑施工安全检查标准》(JGJ59-99)的有关要求，提出解决办法，希望对消除事故隐患，保障用电安全起到积极的促进作用。     

浅谈施工临时用电存在的问题及正确做法

建设部发布的2005年度《全国建筑施工安全生产形势分析报告》显示，全国建筑施工伤亡事故类型仍以高处坠落、坍塌、物体打击、机具伤害和触电等“五大伤害”为主，其中触电占全部事故死亡人数的6．54％。