质量测试算法
‘壹’ 检测酥油的品质可以用什么算法
化学分析法。御颂在化学分析中，可以通过磨拆山检测酥油中的脂肪酸、游离脂肪酸、过氧化值、酸价、乳酸菌数、微生物总数等指标来评价酥油的品质，其中，过氧化值和酸价可以反映酥油的氧瞎中化程度和酸度，微生物总数可以反映酥油的卫生状况。
‘贰’ 现代印刷品质量检测的方法有哪些
1,外观
外观是首要的,必须版面干净,无明显的脏迹；其次是色调,应基掘仿本一致；然后是文字,应完整、清楚,位置准确；最后是尺寸要求,精细产品的尺寸允许误差要小于0.5mm,一般产品的尺寸允许误差要小于1.0mm.
2.层次
各阶调应分明,层次清楚.
3.套印
多色版图像轮廓及位置应如高准确套合.精细印刷品的套印允许误码差小于等于0.10mm,一般印刷品的套印允许误码差小于等于0.20mm.
4.网点
网点作为印刷的基本单元,应清晰,角度准确,不出重影.50%网点的扩大值,精细印刷品为10%-20%；一般印刷品为10%-25%.
5.颜色
颜色应符合原稿,真实,自然,丰富多彩.指标应包括两方面；一是同批产品不同印张的实地密度允许误差,青（C）品红（M）小于等于0.15黑（BK）小于等0.20,黄（Y）小于等0.10；二是颜色符合印刷样品.（备注）符合印刷样品与电子文件和是否是传统打佯有着密切的关系.
彩色凹版印刷品判橡纤质量检查
质量检查方法
1.外观
成品应整洁,无明显脏污,残缺,刀丝；文字印刷清晰完整,5号字以下不误字意；印迹边缘光洁,无断划少点；网纹清晰均匀,无明显变形及残缺；图像颜色自然,协调.
2套印
画面主题部位,实地印刷误差应不大于0.5mm,网纹印刷误差应不大于0.3mm；画面次要部位,实地印刷误差应不大于0.8mm,网纹印刷误差应不大于0.6mm.
‘叁’ 太阳的质量是如何测量的
吴风静和woskxnqpalzm 的方法是对的,联立后可以消去地球质量,只要知道日地距离就可以了,而这个距离的测量早就解决了,方法如下:
天文上测定天体距离（太阳系范围内）的基本手段，就是大地测量中常用的三角测量法。在地球半径已知的条件下，通过测定天体的地平视差，来推算它的距离.但是，在测定太阳距离时，由于距离遥远，其地平视差太小，以及技术上的种种困难，很难直接用这个方法。于是，天文上通过对某个小行星距离的测定，来推算太阳的距离。设日地距离为a，某个距地球较近的小行星与太阳的距离为a1。当小行星冲日时，即该小行星最接近地球的时候，测定其地平视差，从而推算出它同地球的距离。这个距离即为 a1— a，就是小行星与地球的轨道半径的差值。再按开普勒第三定律，二行星公转周期的平方之比，等于它们同太阳距离的立方之比,即可列出关于a1和a的方程组,从而解出a1和a.
‘肆’ 公路工程质量评定标准中分项工程质量检验评定表 如图 检查项目得分与评分怎么计算填写
公路工程质量检验评定有具体的算法，合格率乘以100就是实测得分，实测得分乘以权值就是得分栏（不过有些业主要求填实测得分，有些业主则要求填乘以权值后得分，这根此悉据业主要求）所有检测项目得分的总和 除以 权值的和 然后 减上 外观分数册告和质量保证分数，就得到森姿乎最终评分
‘伍’ 基于opencv的纸张表面质量检测算法中，是先滤波再二值化还是先二值化再滤波求解释。
拍摄完图片以后，完全可以进行角点检测握御，设定阈值，标定好角点，从角点数袭祥量估计纸的质量好段禅岩坏，我没做过这方面的，只是说下自己的感觉，希望对你有帮助吧
‘陆’ 道路检测算法有哪几种
道路检测算法有：定长度直尺法、断面描绘法、顺簸累积法。
路面检测指的是路表面纵向的凹凸量的偏差值。路面平整度是路面评价及路面施工验收中的一个重要指标，主要反映的是路面纵断面剖面曲线的平整性。
当路面纵断面剖面曲线相对平滑时，则表示路面相对平整，或平整度相对好，反之则表示平整度相对差。好的路面则要求路面平整度也要好。
相关信息介绍：
1、第一类为纵断面测定，即测出路面纵断面剖面曲线，然后对测出的纵断面曲线进行数学分析得出平整度指标。
2、第二类为车辆对路面的反应测定，即测出车辆对路面纵断面变化的力学响应，然后对测出的力学响应进行数学分析得出平整度指标。路面平整度指标的换算主要是通过对标准仪器测得的结果进行标定而得到的。
3、第一类和第二类检测方法均可用于路面施工质量的验收与评价及路面周期性评价，第二类检测仪器一般需要借助于第一类检测仪器进行指标标定。
以上内容参考：网络-路面平整度
‘柒’ 经典目标检测算法介绍
姓名：牛晓银；学号：20181213993；学院：计算机科学与技术
转自：https://zhuanlan.hu.com/p/34142321
【嵌牛导读】：目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。
【嵌牛鼻子】：目标检测、检测模型、计算机视觉
【嵌牛提问】：你知道或者用过哪些目标检测算法？
【嵌牛正文】：
（一）目标检测经典工作回顾
本文结构
两阶段模型因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，我们选取R-CNN系列工作作为这一类型的代表。
R-CNN: R-CNN系列的开山之作
论文链接： Rich feature hierarchies for accurate object detection and semantic segmentation
本文的两大贡献：1）CNN可用于基于区域的定位和分割物体；2）监督训练样本数紧缺时，在额外的数据上预训练的模型经过fine-tuning可以取得很好的效果。第一个贡献影响了之后几乎所有2-stage方法，而第二个贡献中用分类任务（Imagenet）中训练好的模型作为基网络，在检测问题上fine-tuning的做法也在之后的工作中一直沿用。
传统的计算机视觉方法常用精心设计的手工特征(如SIFT, HOG)描述图像，而深度学习的方法则倡导习得特征，从图像分类任务的经验来看，CNN网络自动习得的特征取得的效果已经超出了手工设计的特征。本篇在局部区域应用卷积网络，以发挥卷积网络学习高质量特征的能力。
R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络（AlexNet），得到每个区域内物体的类别。
另外，文章中的两个做法值得注意。
一是数据的准备。输入CNN前，我们需要根据Ground Truth对提出的Region Proposal进行标记，这里使用的指标是IoU（Intersection over Union，交并比）。IoU计算了两个区域之交的面积跟它们之并的比，描述了两个区域的重合程度。
文章中特别提到，IoU阈值的选择对结果影响显着，这里要谈两个threshold，一个用来识别正样本（如跟ground truth的IoU大于0.5），另一个用来标记负样本（即背景类，如IoU小于0.1），而介于两者之间的则为难例（Hard Negatives），若标为正类，则包含了过多的背景信息，反之又包含了要检测物体的特征，因而这些Proposal便被忽略掉。
另一点是位置坐标的回归（Bounding-Box Regression），这一过程是Region Proposal向Ground Truth调整，实现时加入了log/exp变换来使损失保持在合理的量级上，可以看做一种标准化（Normalization)操作。
小结
R-CNN的想法直接明了，即将检测任务转化为区域上的分类任务，是深度学习方法在检测任务上的试水。模型本身存在的问题也很多，如需要训练三个不同的模型（proposal, classification, regression）、重复计算过多导致的性能问题等。尽管如此，这篇论文的很多做法仍然广泛地影响着检测任务上的深度模型革命，后续的很多工作也都是针对改进这一工作而展开，此篇可以称得上"The First Paper"。
Fast R-CNN: 共享卷积运算
论文链接： Fast R-CNN
文章指出R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的，没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算，故有Fast之名。
上图是Fast R-CNN的架构。图片经过feature extractor得到feature map, 同时在原图上运行Selective Search算法并将RoI（Region of Interset，实为坐标组，可与Region Proposal混用）映射到到feature map上，再对每个RoI进行RoI Pooling操作便得到等长的feature vector，将这些得到的feature vector进行正负样本的整理（保持一定的正负样本比例），分batch传入并行的R-CNN子网络，同时进行分类和回归，并将两者的损失统一起来。
RoI Pooling 是对输入R-CNN子网络的数据进行准备的关键操作。我们得到的区域常常有不同的大小，在映射到feature map上之后，会得到不同大小的特征张量。RoI Pooling先将RoI等分成目标个数的网格，再在每个网格上进行max pooling，就得到等长的RoI feature vector。
文章最后的讨论也有一定的借鉴意义：
multi-loss traing相比单独训练classification确有提升
multi-scale相比single-scale精度略有提升，但带来的时间开销更大。一定程度上说明CNN结构可以内在地学习尺度不变性
在更多的数据(VOC)上训练后，精度是有进一步提升的
Softmax分类器比"one vs rest"型的SVM表现略好，引入了类间的竞争
更多的Proposal并不一定带来精度的提升
小结
Fast R-CNN的这一结构正是检测任务主流2-stage方法所采用的元结构的雏形。文章将Proposal, Feature Extractor, Object Classification&Localization统一在一个整体的结构中，并通过共享卷积计算提高特征利用效率，是最有贡献的地方。
Faster R-CNN: 两阶段模型的深度化
论文链接： Faster R-CNN: Towards Real Time Object Detection with Region Proposal Networks
Faster R-CNN是2-stage方法的奠基性工作，提出的RPN网络取代Selective Search算法使得检测任务可以由神经网络端到端地完成。粗略的讲，Faster R-CNN = RPN + Fast R-CNN，跟RCNN共享卷积计算的特性使得RPN引入的计算量很小，使得Faster R-CNN可以在单个GPU上以5fps的速度运行，而在精度方面达到SOTA（State of the Art，当前最佳）。
本文的主要贡献是提出Regional Proposal Networks，替代之前的SS算法。RPN网络将Proposal这一任务建模为二分类（是否为物体）的问题。
第一步是在一个滑动窗口上生成不同大小和长宽比例的anchor box（如上图右边部分），取定IoU的阈值，按Ground Truth标定这些anchor box的正负。于是，传入RPN网络的样本数据被整理为anchor box（坐标）和每个anchor box是否有物体（二分类标签）。RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。
由RPN得到Region Proposal在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。
小结
Faster R-CNN的成功之处在于用RPN网络完成了检测任务的"深度化"。使用滑动窗口生成anchor box的思想也在后来的工作中越来越多地被采用（YOLO v2等）。这项工作奠定了"RPN+RCNN"的两阶段方法元结构，影响了大部分后续工作。
单阶段（1-stage）检测模型
单阶段模型没有中间的区域检出过程，直接从图片获得预测结果，也被成为Region-free方法。
YOLO
论文链接： You Only Look Once: Unified, Real-Time Object Detection
YOLO是单阶段方法的开山之作。它将检测任务表述成一个统一的、端到端的回归问题，并且以只处理一次图片同时得到位置和分类而得名。
YOLO的主要优点：
快。
全局处理使得背景错误相对少，相比基于局部（区域）的方法， 如Fast RCNN。
泛化性能好，在艺术作品上做检测时，YOLO表现比Fast R-CNN好。
YOLO的工作流程如下：
1.准备数据：将图片缩放，划分为等分的网格，每个网格按跟Ground Truth的IoU分配到所要预测的样本。
2.卷积网络：由GoogLeNet更改而来，每个网格对每个类别预测一个条件概率值，并在网格基础上生成B个box，每个box预测五个回归值，四个表征位置，第五个表征这个box含有物体（注意不是某一类物体）的概率和位置的准确程度（由IoU表示）。测试时，分数如下计算：
等式左边第一项由网格预测，后两项由每个box预测，以条件概率的方式得到每个box含有不同类别物体的分数。 因而，卷积网络共输出的预测值个数为S×S×(B×5+C)，其中S为网格数，B为每个网格生成box个数，C为类别数。
3.后处理：使用NMS（Non-Maximum Suppression，非极大抑制）过滤得到最后的预测框
损失函数的设计
损失函数被分为三部分：坐标误差、物体误差、类别误差。为了平衡类别不均衡和大小物体等带来的影响，损失函数中添加了权重并将长宽取根号。
小结
YOLO提出了单阶段的新思路，相比两阶段方法，其速度优势明显，实时的特性令人印象深刻。但YOLO本身也存在一些问题，如划分网格较为粗糙，每个网格生成的box个数等限制了对小尺度物体和相近物体的检测。
SSD: Single Shot Multibox Detector
论文链接： SSD: Single Shot Multibox Detector
SSD相比YOLO有以下突出的特点：
多尺度的feature map：基于VGG的不同卷积段，输出feature map到回归器中。这一点试图提升小物体的检测精度。
更多的anchor box，每个网格点生成不同大小和长宽比例的box，并将类别预测概率基于box预测（YOLO是在网格上），得到的输出值个数为(C+4)×k×m×n，其中C为类别数，k为box个数，m×n为feature map的大小。
小结
SSD是单阶段模型早期的集大成者，达到跟接近两阶段模型精度的同时，拥有比两阶段模型快一个数量级的速度。后续的单阶段模型工作大多基于SSD改进展开。
检测模型基本特点
最后，我们对检测模型的基本特征做一个简单的归纳。
检测模型整体上由基础网络（Backbone Network）和检测头部（Detection Head）构成。前者作为特征提取器，给出图像不同大小、不同抽象层次的表示；后者则依据这些表示和监督信息学习类别和位置关联。检测头部负责的类别预测和位置回归两个任务常常是并行进行的，构成多任务的损失进行联合训练。
相比单阶段，两阶段检测模型通常含有一个串行的头部结构，即完成前背景分类和回归后，把中间结果作为RCNN头部的输入再进行一次多分类和位置回归。这种设计带来了一些优点：
对检测任务的解构，先进行前背景的分类，再进行物体的分类，这种解构使得监督信息在不同阶段对网络参数的学习进行指导
RPN网络为RCNN网络提供良好的先验，并有机会整理样本的比例，减轻RCNN网络的学习负担
这种设计的缺点也很明显：中间结果常常带来空间开销，而串行的方式也使得推断速度无法跟单阶段相比；级联的位置回归则会导致RCNN部分的重复计算（如两个RoI有重叠）。
另一方面，单阶段模型只有一次类别预测和位置回归，卷积运算的共享程度更高，拥有更快的速度和更小的内存占用。读者将会在接下来的文章中看到，两种类型的模型也在互相吸收彼此的优点，这也使得两者的界限更为模糊。
‘捌’ 基于opencv的纸张表面质量检测算法中
opencv里面是没有那种算法的，它只是提供一些常用的计算函数。具体的算法，由于你的需求比较特殊，相信应该没有现成的瑕疵检测算法，好在你的需求难度应该不大，通过常用的图像识别算法，比如纹理算法（Gabor算法）、SURF算法就可以找到白纸上瑕疵，这些瑕疵都是相当于一张白纸的特征点嘛！基本思想就是借用图像识别、匹配过程的思想——找图像上的特征点。白纸一般是提取不出特征点的，要是提取出来了，那就说明白纸上有东西（洞、褶皱或者异物）。
‘玖’ 路基路面压实度的评定中检测值的标准差是怎么算的
如果共有n个数据，它们的算术平均值是a，标准差的正确算法是：将每个数减去a的差再平方，这样的n项相加的和除顷稿以n-1（不雀做孝是除以n），再求算术平方根，即得。
路基压实度是路基路面施工质量检测的关键指标之一，表征现场压实后的密度状况，压实度越高，密度越大，材料整体性能越好。
先取压实前的土样送试验室测定其最佳含水量时的干密度，此为试样最大干密度。再取由压实后的试样测定其实际干密度，用实际干密度除以最大干密度即是土的实际压实度。用此数与标准规定的压实度比较，即可知道土的压实程度是否达到了质量标准。
(9)质量测试算法扩展阅读：
利用均匀颗粒的砂去置换试洞的体积，它是当前最通用的方法，很多工程都把灌砂法列为现场测定密度的主要方法。该方法可用于测试各种土或路面材料的密度，它的缺点是：需要携带较多量的胡数砂，而且称量次数较多，因此它的测试速度较慢。
试洞内砂的质量=砂至满筒时的质量-灌砂完成后筒内剩余砂的质量-锥体的质量。
挖出土的总质量除以试洞内砂的质量再乘以标准砂的密度可计算路基土的湿密度。干密度就等于湿密度/（1+0.01*含水量）
压实度就等于土的干密度/土的最大干密度*100%
‘拾’ 关于视频质量评价算法的
你好，在视频质量评价领域，所谓的结构相似度SSIM是一种全参考（Full-Rerence）视频质量评价算法。而全参考评价算法必须同时知道原始视频和失真视频。也就是说你想计算结构相似度，就得先找到两个视频，一个原始的，一个受损的，（要是仅仅为了测试算法也可以随便找俩），然后逐帧计算原始视频各帧同受损视频相应帧的SSIM，最后加权平均。
同学如果你需要计算视频的“结构相似度”指标，一般就是我上面说的那样，如果你只是想找到一种不需要原始视频的质量评价方法，推荐你网络LIVE VIDEO DATABASE或者LIVE IMAGE DATABSE，那里面好多算法，你随便下一个试试就好了。
虽然晚了一年多，还是希望能帮到你，如果你还有其他问题可以联系我，不要私信，我的日常邮箱[email protected]，我目前就是研究这方面的。