传统的缺陷检测方法存在各种各样的弊端,近年用基于深度学习缺陷检测方法成为研究热点。针对目前主流的目标检测算法需要牺牲速度以获取精度的问题,提出了一种融合Channel-Attention机制的SSD目标检测算法。该算法利用通道注意力机制来学习特征通道之间的关系,从而对特征层的每一个通道特征进行权重的分配,进而提升网络的学习能力。在铝型材外观数据集上的实验结果表明,该算法的检测性能达到了较好的效果。改进模型的平均精确均值达到了78.17%,与基础模型SSD相比,提升了3.55%。同时检测速度达到了45frame/s,在提升精度的同时保证了检测速度。验证了融合Channel-Attention机制在提升模型精度的同时没有给模型增加过多的计算量,满足工业实时性检测的要求。

研究了胶凝材料用量为400kg/m3和450kg/m3,聚丙烯纤维掺量为0,1.0kg/m3和1.5kg/m3的牺牲混凝土抗压强度及早期抗裂性能。试验结果表明,聚丙烯纤维对牺牲混凝土增强效果不明显,当牺牲混凝土中聚丙烯纤维掺量达到1.0kg/m3,混凝土的最大裂缝宽度下降了0.15mm,当牺牲混凝土中聚丙烯纤维掺量达到1.5kg/m3,可以显著提高牺牲混凝土的早期抗裂性能。