石墨烯纳米片/密胺复合泡沫性能增强机制研究

目的探究三聚氰胺与甲醛原料比例、发泡剂正戊烷含量、乳化剂OP-10含量和固化剂甲酸含量对密胺泡沫发泡过程的影响及作用机理,并制备石墨烯纳米片/密胺复合泡沫材料,改善密胺泡沫力学性能,提高密胺泡沫材料热稳定性以及阻燃性。方法通过调整原料比例、改变不同助剂的掺量探究发泡工艺对泡沫结构的影响,并研究石墨烯纳米片对复合泡沫性能的增强机制。对样品进行力学性能测试,并通过扫描电子显微镜和热重分析仪对泡沫微观结构和热力学性能进行分析。结果当三聚氰胺与甲醛物质的量之比为1︰3~1︰4时,预聚体交联度高,结构完整;当正戊烷质量分数为33%时,能够为预聚体提供足够的成核点;当甲酸质量分数为8%时,固化速度适宜;当OP-10质量分数为4%~6%时,有效降低了界面张力。添加石墨烯纳米片使复合泡沫最高压缩强度达到23.86 kPa,最高残碳率上升为8.24%,热导率仅上升0.006 W/(m·K),保持了良好的保温隔热性能。结论甲醛与三聚氰胺的物质的量之比会影响预聚体交联程度;正戊烷因其低沸点而促进了泡沫成核;甲酸通过为基体提供更多的交联点加速了固化速度;OP-10在发泡过程中通过调整与发泡剂的相容性以及作为表面活性剂发挥了作用。石墨烯纳米片的添加提高了复合泡沫的力学性能,在保持低密度和低热导率的同时进一步增强了其热稳定性及其阻燃能力。

基于面向对象与深度学习的典型地物提取

针对遥感图像地物分割问题面向对象方法可以将不同地物分割到不同的对象之中,在很大程度上解决了农作物、林地、水体、道路、建筑物等典型地物的混分问题,但面向对象方法对于形状、纹理等特征描述仍不够全面,信息量还不足以支撑完整的地物分类、识别。提出一种将面向对象与深度学习相结合的新方法,选用卷积神经网络Caffe框架,对训练样本数据进行深度学习,掌握不同对象的纹理等特性,形成深度学习模型,反过来指导对象分类。实验表明,新方法可以有效解决典型地物分不准的问题。

基于面向对象的设施蔬菜高分遥感影像提取

以河北省廊坊市香河县五百户镇为研究区,综合利用高分二号(GF?2)遥感影像的光谱、纹理特征,并结合边缘检测、阈值分割、数学形态学算法,设计了面向对象的多特征融合设施蔬菜面积提取方法。首先对影像进行增强处理,结合影像中光谱和纹理特征剔除建筑物和道路干扰。然后采用阈值分割算法将边缘检测后的“噪声”进行删除,并使用数学形态学方法提高影像分割效率。最后对于一些难以去除的“噪声”采用面积(Ar)、周长(Per)、圆形度(Rd)、长宽比(Pwl)、矩形比(Pr)这5个形状特征参数进行剔除,实现利用高分遥感影像提取设施蔬菜面积。精度验证结果表明,该方法在试验区野外核查的精度为86.02%,随机样本点的总体分类精度为84.5%,Kappa系数为83.1%。

基于RF算法优选多时相特征的冬小麦空间分布自动解译

为探讨如何利用遥感影像自动解译技术,实现冬小麦种植情况统计调查、提高提取精度,选择冬小麦关键生育期6个时相的高分二号遥感影像数据,分别从6个时相的近红外灰度(NIR)、红波段灰度(R)、绿波段灰度(G)、蓝波段灰度(B)、比值植被指数(RVI)、归一化植被指数(NDVI)6个特征中优选出对冬小麦面积提取最敏感的1个特征作为输入变量,每个时相选择1个特征,6个时相共选出6个特征作为输入变量,利用随机森林算法构建模型,提取冬小麦空间分布特征。选择研究区不同长势、不同种植品种的地块样本构建训练集,利用多时相特征构建模型,并将模型推广应用于整个大厂回族自治县,得到大厂回族自治县冬小麦的空间分布情况。通过与统计结果对比分析,经过多时相特征优选构建的模型对冬小麦的识别精度接近90%。经过样本优化和后期处理仍可提升精度,此方法能在保证提取精度的前提下对冬小麦进行快速提取,提高相应的工作效率。