国产AV88|国产乱妇无码在线观看|国产影院精品在线观看十分钟福利|免费看橹橹网站

《南昌大學(xué)學(xué)報(bào)(工科版)》2023年第2期全文

發(fā)布時(shí)間:2023-10-30 | 雜志分類(lèi):其他
免費(fèi)制作
更多內(nèi)容

《南昌大學(xué)學(xué)報(bào)(工科版)》2023年第2期全文

另外還對(duì)網(wǎng)絡(luò)的其他部分進(jìn)行了調(diào)整[18]? YOLOv5和 YOLOv3 的區(qū)別在于?YOLOv3 的 Neck 結(jié)構(gòu)只使用了 FPN(自頂向下)結(jié)構(gòu)?將高層語(yǔ)義信息傳遞下來(lái)?使得所有尺度下的特征都有豐富的語(yǔ)義信息?相比之下?YOLOv5 的 Neck 結(jié)構(gòu)增加了 PAN(自底向上)結(jié)構(gòu)?解決了 FPN 結(jié)構(gòu)缺少定位信息的問(wèn)題?其采用自底向上的方式又將定位信息傳回去?2.2.4 Prediction:GIOU_LossYOLOv5 中的 Bounding Box 的損失函數(shù)采用的是 GIOU_Loss(generalized intersection over union)?計(jì)算公式為式(2)? GIOU 是一種從 IOU( intersectionover union)衍生出來(lái)的用于邊緣預(yù)測(cè)的損失計(jì)算方法? 在目標(biāo)檢測(cè)等領(lǐng)域?有必要將預(yù)測(cè)的邊框( preBBox)與實(shí)際標(biāo)注的邊框( ground truth BBox) 進(jìn)行比較來(lái)計(jì)算損失? 其中 IOU 為評(píng)價(jià)預(yù)測(cè)框與真實(shí)框的面積交并比?計(jì)算公式為式(1)? A 是實(shí)際標(biāo)注邊框 ( ground truth BBox )? B 是 ... [收起]
[展開(kāi)]
《南昌大學(xué)學(xué)報(bào)(工科版)》2023年第2期全文
粉絲: {{bookData.followerCount}}
文本內(nèi)容
第101頁(yè)

另外還對(duì)網(wǎng)絡(luò)的其他部分進(jìn)行了調(diào)整[18]

? YOLOv5

和 YOLOv3 的區(qū)別在于?YOLOv3 的 Neck 結(jié)構(gòu)只使

用了 FPN(自頂向下)結(jié)構(gòu)?將高層語(yǔ)義信息傳遞下

來(lái)?使得所有尺度下的特征都有豐富的語(yǔ)義信息?

相比之下?YOLOv5 的 Neck 結(jié)構(gòu)增加了 PAN(自底

向上)結(jié)構(gòu)?解決了 FPN 結(jié)構(gòu)缺少定位信息的問(wèn)題?

其采用自底向上的方式又將定位信息傳回去?

2.2.4 Prediction:GIOU_Loss

YOLOv5 中的 Bounding Box 的損失函數(shù)采用的

是 GIOU_Loss(generalized intersection over union)?計(jì)

算公式為式(2)? GIOU 是一種從 IOU( intersection

over union)衍生出來(lái)的用于邊緣預(yù)測(cè)的損失計(jì)算方

法? 在目標(biāo)檢測(cè)等領(lǐng)域?有必要將預(yù)測(cè)的邊框( pre

BBox)與實(shí)際標(biāo)注的邊框( ground truth BBox) 進(jìn)行

比較來(lái)計(jì)算損失? 其中 IOU 為評(píng)價(jià)預(yù)測(cè)框與真實(shí)

框的面積交并比?計(jì)算公式為式(1)? A 是實(shí)際標(biāo)注

邊框 ( ground truth BBox )? B 是 預(yù) 測(cè) 邊 框 ( pre

BBox)?C 是這 2 個(gè)區(qū)域的閉包(在 GIOU_Loss 中?閉

包取的是包圍這 2 個(gè)矩形區(qū)域的平行于坐標(biāo)軸的最

小矩形)? 根據(jù) GIOU 的值域?yàn)閇 -1?1]?我們通過(guò)

式(3)、式(4)可以推出 IOU =

| A∩B |

| A∪B |

?因?yàn)閾p失函

數(shù)的值被限制在了一個(gè)很小的范圍?所以網(wǎng)絡(luò)不會(huì)

劇烈波動(dòng)?證明了 GIOU 的穩(wěn)定性?可以看出?計(jì)算

GIOU 損失的方法實(shí)際上是在計(jì)算 GIOU?但最終結(jié)

果是 1-GIOU?這是因?yàn)?1-GIOU 的值在[0?2]的范

圍內(nèi)?具有一定的“距離”特性?即 2 個(gè)邊框的重疊

區(qū)域越大?損失越小?反之?損失越大?

IOU=

| A∩B |

| A∪B |

(1)

GIOU(A?B)= IOU(A?B)-

| C | - | A∪B |

| C |

(2)

LossGIOU

= 1-GIOU(A?B)

LossGIOU

= 1-(IOU(A?B)-1+

| A∪B |

| C |

)

ì

?

í

?

?

??

(3)

LossGIOU

= 2-IOU(A?B)-

| A∪B |

| C |

(4)

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)環(huán)境與參數(shù)設(shè)置

本試驗(yàn)研究采取 Pytorch 深度學(xué)習(xí)開(kāi)源框架?使

用圖像處理器加速訓(xùn)練過(guò)程? 硬件配置為:GPU 為

Nvidia GeForce RTX 3060 ( 12 GB 顯 存)? CPU 為

AMD Ryzen 5 3500X 6-Core Processor 3.60 GHz?內(nèi)

存 16 GB? 運(yùn)行環(huán)境為:Windows10 × 64 位操作系

統(tǒng)?CUDA 庫(kù)版本為 11. 1?Python 版本 3. 6?Pytorch

版本為 1.9.0?

搭 建 好 Faster R - CNN、 YOLOv3、 SSD 和

YOLOv5 共 4 種目標(biāo)檢測(cè)模型后?由于缺陷數(shù)據(jù)集

較少?使用遷移學(xué)習(xí)的方法進(jìn)行訓(xùn)練? 網(wǎng)絡(luò)權(quán)重通

過(guò) YOLOv5 模型在 MicroSoft CoCo 數(shù)據(jù)集訓(xùn)練得到?

該數(shù)據(jù)集是一個(gè)大型、豐富的物體檢測(cè)數(shù)據(jù)集[16]

?

訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)可以作為檢測(cè)模型的預(yù)訓(xùn)練權(quán)

重?這種訓(xùn)練方法常用且高效?使用該預(yù)訓(xùn)練權(quán)重能

節(jié)省缺陷數(shù)據(jù)集訓(xùn)練時(shí)間?網(wǎng)絡(luò)訓(xùn)練過(guò)程收斂更快、

檢測(cè)效果更好?

對(duì)拉絲、縱向缺陷 2 種實(shí)驗(yàn)樣本圖像分別標(biāo)注

好后生成對(duì)應(yīng) XML 文件?然后放入待訓(xùn)練文件夾

中?將搭建好的幾種深度學(xué)習(xí)模型設(shè)置好訓(xùn)練參數(shù)?

總訓(xùn)練輪數(shù) epoch = 100?初始學(xué)習(xí)率為 0.001?

3.2 YOLOv5 檢測(cè)結(jié)果

在測(cè)試集使用 YOLOv5 模型進(jìn)行目標(biāo)檢測(cè)?檢

測(cè)過(guò)程當(dāng)中 IOU 閾值設(shè)置為 0.5?當(dāng) IOU>0.5 時(shí)?認(rèn)

為是真實(shí)的檢測(cè)( true detection)?否則認(rèn)為是錯(cuò)誤

的檢測(cè)(false detection)?即預(yù)測(cè)框占真實(shí)框 50%以

上才被認(rèn)為是真實(shí)的檢測(cè)?如果 IOU 閾值設(shè)置較

低?樣本的質(zhì)量就難以保證?為了獲得高質(zhì)量的正樣

本?可以調(diào)高 IOU 閾值?但樣本數(shù)量就會(huì)降低導(dǎo)致

正負(fù)樣本出現(xiàn)比例不平衡?且較高的 IOU 閾值很容

易丟失小尺度目標(biāo)框?因此 IOU 閾值一般設(shè)置為0.5

預(yù)測(cè)的精度率會(huì)更準(zhǔn)確? 在對(duì)應(yīng)置信度下得到 TP

(true positive)、 FP ( false positive)、 FN ( false nega ̄

tive)值?根據(jù)公式分別計(jì)算出 2 類(lèi)缺陷在不同置信

度值下所得到的精確度和召回率?由精確度和召回

率圍成 的 P - R 曲 線 如 圖 11 所 示? 由 圖 可 知?

YOLOv5 模型拉絲缺陷(lasi)的檢測(cè)精度為90.70%?

縱向缺陷(crevice)的檢測(cè)精度為 98.85%?最后求得

拉絲缺陷、縱向缺陷 2 類(lèi)別檢測(cè)精度均值( mAP?

mean average precision)為 94.78%?在這里拉絲缺陷

(lasi)和縱向缺陷( crevice) 精度有差異?很大程度

上是因?yàn)樵跀?shù)據(jù)集中縱向缺陷的數(shù)據(jù)比拉絲缺陷

多?另外拉絲缺陷一般都是眾多缺陷聚集在一起并

且目標(biāo)較小?使用 YOLOv5 模型識(shí)別時(shí)會(huì)有誤差因

此拉絲缺陷的精度會(huì)比較低?

?200? 南昌大學(xué)學(xué)報(bào)(工科版) 2023 年

第102頁(yè)

0.6 0.8 1.0

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4

class:98.85%=crevice AP

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4 0.6 0.8 1.0

class:90.70%=lasi AP

(a)拉絲缺陷

(b)縱向缺陷

圖 11 YOLOv5 的 P-R 曲線

Fig.11 P-R curve of YOLOv5

0.6 0.8 1.0

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4

class:52.39%=crevice AP

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4 0.6 0.8 1.0

class:67.69%=lasi AP

(a) 拉絲缺陷?Faster R-CNN

(b) 縱向缺陷?Faster R-CNN

0.6 0.8 1.0

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4

class:66.01%=crevice AP

0.8 1.0

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4 0.6

class:78.34%=lasi AP

(c) 拉絲缺陷?YOLOv3 模型

(d) 縱向缺陷?YOLOv3 模型

0.6 0.8 1.0

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4

class:58.12%=crevice AP

0.8 1.0

1.0

0.8

0.6

0.4

0.2

P

0

0.2 0.4 0.6

class:84.46%=lasi AP

(e) 拉絲缺陷?SSD 模型

(f) 縱向缺陷?SSD 模型

圖 12 P-R 曲線

Fig.12 P-R curve

第 2 期 馬瑩等:基于深度學(xué)習(xí)的牙模 3D 打印缺陷檢測(cè)方法研究 ?201?

第103頁(yè)

在同樣條件下 Faster R-CNN、YOLOv3、SSD 模

型所得到的精確度和召回率圍成的 P-R 曲線如圖

12 所示?Faster R-CNN 模型拉絲缺陷(lasi)的檢測(cè)

精度為 67.69%?縱向缺陷( crevice) 的檢測(cè)精度為

52.39%?最后求得拉絲缺陷、縱向缺陷 2 類(lèi)別檢測(cè)

精度均值(mAP)為 60.04%?YOLOv3 模型拉絲缺陷

(lasi)的檢測(cè)精度為 78.34%?縱向缺陷( crevice)的

檢測(cè)精度為 66.01%?最后求得拉絲缺陷、縱向缺陷

2 類(lèi)別檢測(cè)精度均值(mAP)為 72.18%?SSD 模型拉

絲缺陷(lasi)的檢測(cè)精度為 84.46%?縱向缺陷(crev ̄

ice)的檢測(cè)精度為 58.12%?最后求得拉絲缺陷、縱

向缺陷 2 類(lèi)別檢測(cè)精度均值(mAP)為 71.29%?

3.3 檢測(cè)結(jié)果

本文使用相同的圖片數(shù)據(jù)集和網(wǎng)絡(luò)參數(shù)分別采

用 Faster R-CNN、YOLOv3、SSD 和 YOLOv5 共 4 種

檢測(cè)模型進(jìn)行實(shí)驗(yàn)對(duì)比?

在訓(xùn)練好以上 4 個(gè)模型后使用圖像采集裝置隨

即拍攝 3 幅圖片(a)、(b)、(c)進(jìn)行實(shí)驗(yàn)對(duì)照?檢測(cè)

效果如圖 13 所示?4 種模型的檢測(cè)效果均有不同的

差異? 在只有縱向缺陷的圖 13 ( a) 中? Faster R -

CNN 模型誤識(shí)別了很多不是拉絲缺陷的情況并且

沒(méi)有識(shí)別到縱向缺陷?YOLOv3 模型所檢測(cè)到的縱

向缺陷存在并沒(méi)有將所有缺陷框住的情況?定位不

準(zhǔn)確?SSD 模型直接沒(méi)有檢測(cè)到縱向缺陷?YOLOv5

模型檢測(cè)結(jié)果正確? 在只有拉絲缺陷的圖 13( b)

中?Faster R-CNN 模型中誤識(shí)別了一個(gè)拉絲缺陷?

YOLOv3 模型、SSD 模型和 YOLOv5 模型檢測(cè)結(jié)果都

正確? 在拉絲缺陷和縱向缺陷共存的圖 13( c)中?

Faster R-CNN 模型只識(shí)別到拉絲缺陷?并沒(méi)有識(shí)別

到縱向缺陷?YOLOv3 模型只識(shí)別到縱向缺陷?并沒(méi)

有識(shí)別到拉絲缺陷且縱向缺陷定位不準(zhǔn)確?SSD 模

型拉絲缺陷和縱向缺陷都沒(méi)有識(shí)別到?YOLOv5 模

型檢測(cè)結(jié)果正確?

從這 3 幅圖片中?YOLOv5 檢測(cè)效果最佳?沒(méi)有

出現(xiàn)誤識(shí)別的情況?檢測(cè)出的缺陷置信度值(預(yù)測(cè)

類(lèi)別是真實(shí)類(lèi)別的概率) 也是 4 個(gè)模型中最高?表

現(xiàn)出 YOLOv5 模型針對(duì)牙模 3D 打印缺陷目標(biāo)檢測(cè)

具有良好的魯棒性?

Faster R-CNN

YOLOv3

SSD

YOLOv5

(a) (b) (c)

圖 13 圖片檢測(cè)結(jié)果對(duì)比

Fig.13 Comparison of image detection results

使用相同測(cè)試集 309 幅圖片?其中測(cè)試集共有

698 個(gè)拉絲缺陷和 440 個(gè)縱向缺陷標(biāo)簽?分別對(duì) 4

種模型進(jìn)行評(píng)估?在相同 IOU 閾值下?實(shí)驗(yàn)結(jié)果由

表 2 可知?YOLOv5 模型針對(duì)拉絲缺陷的平均檢測(cè)

精度(AP)比 SSD 模型高 6.24 個(gè)百分比?比 YOLOv3

模型高 12. 36 個(gè)百分比?比 Faster R-CNN 模型高

23.01 個(gè)百分比?另外 YOLOv5 模型針對(duì)縱向缺陷的

平均檢測(cè)精度(AP)比 SSD 模型高 40.73 個(gè)百分比?

比 YOLOv3 模型高 32. 84 個(gè)百分比?比 Faster R -

CNN 模 型 高 46. 46 個(gè) 百 分 比? 以 上 數(shù) 據(jù) 表 現(xiàn) 出

YOLOv5 模型針對(duì)于 2 類(lèi) 缺 陷 的 檢 測(cè) 能 力 更 為

優(yōu)秀?

表 2 4 種算法在測(cè)試集檢測(cè)結(jié)果

Tab.2 Detection results of the four

algorithms in the test set

檢測(cè)網(wǎng)絡(luò)

檢測(cè)精度/ %

拉絲缺陷 縱向缺陷

檢測(cè)精度均

值/ %

平均檢測(cè)時(shí)

間/ ms

Faster R-CNN 67.69 52.39 60.04 90

YOLOv3 78.34 66.01 72.18 22

SSD 84.46 58.12 71.29 21

YOLOv5 90.70 98.85 94.78 21

?202? 南昌大學(xué)學(xué)報(bào)(工科版) 2023 年

第104頁(yè)

YOLOv5 深度學(xué)習(xí)模型檢測(cè) 2 類(lèi)缺陷的精度均值

(mAP)高于 SSD 模型 23.49 個(gè)百分點(diǎn)?高于 YOLOv3

模型 22.59 個(gè)百分點(diǎn)?高于 Faster R-CNN 模型 34.73

個(gè)百分點(diǎn)? 針對(duì) 3D 打印缺陷小目標(biāo)數(shù)據(jù)集?YOLOv5

模型的檢測(cè)精度均高于其他檢測(cè)模型?

對(duì)單幅圖片檢測(cè)時(shí)間進(jìn)行測(cè)試?使用圖像采集

裝置進(jìn)行拍攝 10 幅缺陷(包括拉絲缺陷和縱向缺

陷)圖片?分別使用 4 個(gè)模型對(duì)采集的照片進(jìn)行預(yù)

測(cè)計(jì)時(shí)?平均檢測(cè)時(shí)間為檢測(cè) 10 幅照片所耗費(fèi)時(shí)間

均值?其中 YOLOv5 模型由于結(jié)構(gòu)是 YOLOv3 的升

級(jí)改進(jìn)版?預(yù)測(cè)時(shí)間最快達(dá)到平均檢測(cè)單幅圖片時(shí)

間為 0.021 s?SSD 平均檢測(cè)單幅圖片時(shí)間為 0.021

s?YOLOv3 平均檢測(cè)單幅圖片時(shí)間為0.022 s?Faster

R-CNN 平均檢測(cè)單幅圖片時(shí)間為 0.09 s?YOLOv5

和在 4 個(gè)模型中檢測(cè)時(shí)間為最好?每幅平均檢測(cè)時(shí)

間為0.021 s?因?yàn)闄z測(cè)時(shí)間測(cè)試是 2 種缺陷圖片一

起進(jìn)行的?因此在識(shí)別時(shí)間上 2 種缺陷無(wú)差異?滿足

質(zhì)量檢測(cè)過(guò)程對(duì)速度的要求?

最后訓(xùn)練完畢后?通過(guò) YOLOv5 直接調(diào)用攝像

頭在線檢測(cè)打印缺陷?邊打印邊檢測(cè)?人為設(shè)置缺陷

檢測(cè)結(jié)果如圖 14 所示?能夠?qū)崿F(xiàn)實(shí)時(shí)在線檢測(cè)并且

識(shí)別精度也比較高?

圖 14 在線檢測(cè)結(jié)果

Fig.14 Online test results

4 結(jié)論

1)本文搭建顯微視覺(jué)采集裝置隨機(jī)拍攝 3 幅

缺陷圖片進(jìn)行試驗(yàn)? 在圖片中存在 2 種缺陷情況

下?YOLOv5 模型均能夠準(zhǔn)確檢測(cè)拉絲缺陷和縱向

缺陷?檢測(cè)效果明顯優(yōu)于同系列的 SSD、YOLOv3 模

型以及主流算法 Faster R-CNN 模型?

2)通過(guò)打印過(guò)程隨即拍攝圖片對(duì) 4 種模型進(jìn)

行檢測(cè)計(jì)時(shí)?結(jié)果表明 YOLOv5 模型檢測(cè)單幅圖片

平均僅需 0.021 s?檢測(cè)速度達(dá)到現(xiàn)場(chǎng)應(yīng)用要求?

3)本文所構(gòu)建的 YOLOv5 牙模 3D 打印在線缺

陷檢測(cè)模型與現(xiàn)有的幾種流行檢測(cè)模型進(jìn)行比較?

結(jié)果表明 YOLOv5 檢測(cè)模型對(duì)拉絲缺陷和縱向缺陷

檢測(cè)精度 ( mAP ) 均高于 SSD、 YOLOv3、 Faster R-

CNN 模型?能達(dá)到高準(zhǔn)確率檢測(cè)拉絲缺陷和縱向缺

陷?

根據(jù)模型在測(cè)試集、實(shí)際拍攝圖片和在線檢測(cè)

中的測(cè)試表現(xiàn)?得出本文提出的基于 YOLOv5 檢測(cè)

算法的牙模 3D 打印方案是可行的?達(dá)到目前工業(yè)

化生產(chǎn)牙模增材質(zhì)量檢測(cè)自動(dòng)缺陷檢測(cè)的要求?具

有很好的應(yīng)用價(jià)值?

參考文獻(xiàn):

[1] 白銀?張孝霞.3D 打印技術(shù)在口腔醫(yī)學(xué)領(lǐng)域中的應(yīng)用

[J].科技與創(chuàng)新?2020(17):98-99.

[2] 杜云飛?寧會(huì)峰?閻相忠.基于 FDM 的低熔點(diǎn)金屬牙模

制備方法研究[ J]. 機(jī)械設(shè)計(jì)與制造工程? 2018? 47

(8):11-17.

[3] 段崇陽(yáng).基于機(jī)器視覺(jué)的 3D 打印成型質(zhì)量檢測(cè)系統(tǒng)

設(shè)計(jì)[D].哈爾濱:哈爾濱理工大學(xué)?2020.

[4] 張濤?劉玉婷?楊亞寧?等.基于機(jī)器視覺(jué)的表面缺陷檢

測(cè)研究綜述[J].科學(xué)技術(shù)與工程?2020?20(35):14366

-14376.

[5] 朱曉麗.關(guān)于機(jī)器視覺(jué)及其應(yīng)用問(wèn)題的探討[ J].中國(guó)

教育技術(shù)裝備?2010(9):89.

[6] 肖剛?葛屨.基于深度學(xué)習(xí)的機(jī)器視覺(jué)在制造業(yè)質(zhì)量檢

測(cè)中的應(yīng)用研究[J].數(shù)據(jù)?2021(12):56-60.

[7] 張海光?宗在亮?姚遠(yuǎn)?胡慶夕.基于機(jī)器視覺(jué)的多軸

3D 打印缺陷檢測(cè)技術(shù)研究 [ J]. 計(jì)量與測(cè)試技術(shù)?

2021?48(11):45-47.

[8] 張玉燕?任騰飛?溫銀堂.一種基于 YOLOv3 算法的 3D

打印點(diǎn)陣結(jié)構(gòu)缺陷識(shí)別方法[ J].計(jì)量學(xué)報(bào)?2022?43

(1):7-13.

[9] 張治洲.基于深度學(xué)習(xí)的 3D 打印金屬材料力學(xué)性能

第 2 期 馬瑩等:基于深度學(xué)習(xí)的牙模 3D 打印缺陷檢測(cè)方法研究 ?203?

第105頁(yè)

預(yù)測(cè)方法研究[D].廣州:暨南大學(xué)?2019.

[10] 張浩.基于 HSMM 和 EEMD 的熔融沉積成型 3D 打印

過(guò)程故障診斷研究[D].杭州:浙江大學(xué)?2017.

[11] 許德剛?王露?李凡.深度學(xué)習(xí)的典型目標(biāo)檢測(cè)算法研

究綜述[J].計(jì)算機(jī)工程與應(yīng)用?2021?57(8):10-25.

[12] 施金汝?許凌峰?陳金立?等.基于樹(shù)莓派和 YOLOv5 算

法的路面裂縫檢測(cè)系統(tǒng)[ J].信息技術(shù)?2022( 4):22-

28.

[13] 馬琳琳?馬建新?韓佳芳?等.基于 YOLOv5s 目標(biāo)檢測(cè)

算法的研究[J].電腦知識(shí)與技術(shù)?2021?17(23):100-

103.

[14] REDMON J?FARHADI A.YOLOv3:an Incremental Im ̄

provement[J].[ EB/ OL]. ( 2018 - 04 - 08) [ 2022 - 05 -

05].2018:arxiv:1804.02767.htts: / / arxiv. org / abs/ 1804.

02767.

[15] NEPAL U?ESLAMIAT H. Comparing YOLOv3?YOLOv4

and YOLOv5 for autonomous landing spot detection in

faulty UAVs[J].Sensors?2022?22(2):464.

[16] ZHANG B?FANG S Q?LI Z X?et al.Research on surface

defect detection of rare ̄earth magnetic materials based on

improved SSD[J].Complexity?2021?2021:1-10.

[17] SOZZI M?CANTALAMESSA S?COGATO A?et al.Auto ̄

matic bunch detection in white grape varieties using

YOLOv3?YOLOv4?and YOLOv5 deep learning algorithms

[J].Agronomy?2022?12(2):319.

[ 18] JOHNSON A?JANI G?CAREW R?et al.Assessment of the

accuracy of 3D printed teeth by varIous 3D printers in fo ̄

rensic odontology [ J ]. Forensic Science International?

2021?328:111044.

[19] XU X Y?ZHAO M?SHI P X?et al.Crack detection and

comparison study based on faster R-CNN and mask R-

CNN[J].Sensors?2022?22(3):1215.

[20] 馮凱?張書(shū)雅?李錦暄?等.基于卷積神經(jīng)網(wǎng)絡(luò)的返回艙

識(shí)別[J].現(xiàn)代信息科技?2021?5(10):20-26.

???????????????????????????????????????????????

(上接第 161 頁(yè))

[9] 于海龍?朱晞.地震作用下梁式橋碰撞反應(yīng)分析[ J].中

國(guó)鐵道科學(xué)?2004?25(1):95-99.

[10] 江輝?李宇?熊智陽(yáng)?等.基于非線性靜、動(dòng)力方法的 RC

簡(jiǎn)支梁橋連梁裝置參數(shù)優(yōu)化研究[ J]. 振動(dòng)與沖擊?

2012?31(1):86-91.

[11] JANKOWSKI R?WILDE K?FUJINO Y. Pounding of su ̄

perstructure segments in isolated elevated bridge during

earthquakes [ J]. Earthquake Engineering and Structural

Dynamics?1998?27(5):487-502.

[12] KAWASHIMA K?SHOJI G.Effect of restrainers to miti ̄

gate pounding between adjacent decks subjected to a

strong ground motion [ C] / / 12th World Conference on

Earthquake Engineering.Auckland:IAEE?2000:1435.

[13] ZHU P?ABE M?FUJINO Y.Evaluation of pounding coun ̄

termeasures and serviceability of elevated bridges during

seismic excitation using 3D modeling [J].Earthquake En ̄

gineering and Structural Dynamics? 2004? 33 ( 5): 591 -

609.

[14] ABDEL RAHEEM S.E.Pounding mitigation and unseating

prevention at expansion joints of isolated multi ̄span bridg ̄

es [ J ]. Engineering Structures? 2009? 31 ( 10 ): 2345-

2356.

[15] 吳應(yīng)雄?黃凈?林樹(shù)枝?等.隔震建筑構(gòu)造設(shè)計(jì)與應(yīng)用現(xiàn)

狀[J].土木工程學(xué)報(bào)?2018?51(2):62-73.

[16] 謝旭?高博青?吳善幸?等.柔性橡膠支座上的橋梁結(jié)構(gòu)

地震碰撞響應(yīng)分析 [ J]. 浙江大學(xué)學(xué)報(bào) ( 工學(xué)版)?

2004?38(6):725-730.

[17] 施穎?宣紀(jì)明?姚君?等.大跨度軌道交通橋梁抗震性能

分析[J].橋梁建設(shè)?2017?47(6):42-47.

[18] MALEKI S.Effect of deck and support stiffness on seismic

response of slab ̄girder bridges [ J]. Engineering Struc ̄

ture?2002?24(2):219-226.

?204? 南昌大學(xué)學(xué)報(bào)(工科版) 2023 年

百萬(wàn)用戶使用云展網(wǎng)進(jìn)行pdf電子書(shū)制作,只要您有文檔,即可一鍵上傳,自動(dòng)生成鏈接和二維碼(獨(dú)立電子書(shū)),支持分享到微信和網(wǎng)站!
收藏
轉(zhuǎn)發(fā)
下載
免費(fèi)制作
其他案例
更多案例
免費(fèi)制作
x
{{item.desc}}
下載
{{item.title}}
{{toast}}