基于深度学习的木材缺陷图像的识别与定位

传统的木材缺陷定位方法主要有物理设备检测和传统计算机技术检测,但这两种方法均存在数据收集困难、高度依赖数据本身等问题,不适用于实际生产。本文提出一种基于深度学习的自动缺陷定位模型（Automatic defect location model, ADLM）,包含单缺陷定位模型（Single defect location model, SDLM）与多缺陷定位模型（Multi-defect location model, MDLM）,满足不同需求。模型使用MobileNet作为骨干网,只需少量数据集进行训练。在公开数据集Wood Defect Database中,该模型可获得86.1%的缺陷识别率。在单缺陷数据集中,该模型可获得97.5%的定位精确率。在多缺陷数据集中,该模型可获得90.0%的定位精确率。与传统的木材缺陷识别模型相比,基于深度学习的自动缺陷定位模型无须前期人工提取特征,具有检测速度更快、精准度更高以及适用性更广等优点。     

沉积岩矿物组成对其耐崩解性影响的试验研究

为了研究沉积岩耐崩解性差异及差异产生机理与矿物组成的关系,以阜新矿区煤炭开采所排出的煤矸石中几种典型的沉积岩(粗砾砂岩、细砾砂岩、粉砂岩、泥岩)为研究对象,通过X射线衍射(XRD)、X射线荧光光谱分析(XRF)及压汞试验(MIP)对岩石试样的矿物成分、化学成分和孔隙率进行测试分析,并利用耐崩解试验来定量化表征岩石的崩解特性,分析了岩石矿物组成对崩解特性的影响,并探讨了崩解性差异产生的机理。研究结果表明:沉积岩的耐崩解性与其矿物组成、化学组成和孔隙率有密切关系;随着耐崩解循环次数的增加,沉积岩的耐崩解指数会逐渐降低;沉积岩的崩解机理可以分为2类:矿物成分中伊利石含量较高的(大于10%),崩解主要由所含黏土矿物遇水引发试样的差异膨胀造成;矿物成分中伊利石含量较低的(小于10%),崩解主要由试样中化学成分遇水电离和孔隙遇水扩容造成。