1.无损检测诊断技术概述1.1前言 无损检测诊断技术是一门新兴的综合性应用学 科。它是在不损伤被检测对象的条件下,利用材 料内部结构异常或缺陷存在所引起的对热、声、 光、电、磁等反应的变化,来探测各种工程材料、 零部件、结构件等内部和表面缺陷,并对缺陷的 类型、性质、数量、形状、位置、尺寸、分布及 其变化作出判断和评价

基于高性能的YOLOv3目标检测算法，提出一种分阶段高效火车号识别算法。整个识别过程分为两个阶段：第一阶段在低分辨率全局图像中检测出火车号区域位置；第二阶段在局部高分辨率图像中检测出组成火车号的字符，根据字符的空间位置关系搜索得到12位火车号，并利用每个字符的识别置信度及火车号编码规则进行校验得到最终火车号。另外，本文提出一种结合批一化因子和滤波器相关度的剪枝算法，通过对两个阶段检测模型的剪枝，在保证识别准确率不降（实验中略有提升）的条件下降低了存储空间占用率和计算复杂度。在现场采集的1072幅火车号图像上的实验结果表明，本文提出的火车号识别算法达到了96.92%的整车号识别正确率，平均识别时间仅为191 ms

一、我市市政基础设施工程施工试验与检测的发展史 二、市政基础设施工程施工试验与检测的文件要求 三、原材料的进场检验 四、施工现场的检测

第一节 临床心电学基本知识 第三节 正常心电图 心电图图形描绘和检测 （一）各波段时程与心率的检测 （二）各波段振幅的检测 （三）平均心电轴的检测 （四）心电图图形循长轴转位 正常心电图的波形特点与正常值

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

2.1 概述 2.2 线位移检测传感器 2.3 角位移检测传感器 2.4 速度、加速度传感器 2.5 测力传感器 2.6 传感器的正确选择和使用 2.7 检测信号的采集与处理

第一节 概述 第二节 线位移检测传感器 第三节 角位移检测传感器 第四节 速度、加速度传感器 第五节 测力传感器 第六节 其它传感器 第七节 传感器的正确选择和使用 第八节 检测信号的采集与处理

掌握电阻抗法血细胞检测原理 熟悉联合检测型血细胞分析仪器的检测原理 了解血液分析仪的分类、基本结构、性能指标与评价 血细胞分析仪的检测原理 血细胞分析仪的基本结构 血细胞分析仪的性能指标与评价（自学）

本文系统地介绍了我国高速铁路基础设施服役状态检测技术的最新研究成果及试验应用情况,包括高速铁路线上线下设施、牵引变电设备、接触网等基础设施服役状态监测与检测技术和装备,数据接入网技术和综合分析评估系统此外,归纳了研究取得的基于超声导波的钢轨绝对应力及完整性监测评估技术等关键技术突破和基于多源数据整合的高速铁路检测与监测系统等主要创新点

本文介绍了我国在役承压设备检测评价法规标准体系的发展历程和框架,以及近十年来在 损伤模式、基于风险的检验、在线检测、合于使用评价等方面取得的研究成果和国家标准的研制情况,并指 出了在役承压设备检测评价法规标准体系建设下一步的工作重点