基于顶点与主体区域同步检测的精准车牌定位

为应对非约束环境下的车牌精定位问题,提出一种基于顶点局部区域与主体区域同步检测策略的非约束性车牌定位算法。通过删减YOLOv5网络的输出结构,训练得到可同步检测车牌及顶点区域的车牌检测网络,在兼顾精度与计算速度的前提下,实现车牌顶点和主体区域的同步定位。针对一幅图中存在多个车牌区域及顶点区域存在少量漏检和误检的情况,分别设计了车牌顶点归类和单一缺失顶点预测后处理算法,借助顶点间的空间位置关系进行漏检目标预测和误检目标排查,有效改善了因场景复杂导致的个别顶点目标检测效果差的问题。所提算法在中国城市停车场数据集(CCPD)上的测试结果显示,平均精准率达99.25%,平均召回率达98.70%。所提算法不仅能够准确预测出车牌的4个顶点坐标,而且在中端GPU硬件平台上处理速度可达121帧/s,具有较好的应用价值。

8 kA稀土电解槽单侧电导及阴极优化数值模拟

稀土电解槽导电板的分布位置对稀土电解槽的物理场会有影响,为探究稀土电解槽中导电板分布的最优位置,在本次仿真实验中为该导电板的分布引入一个等差数列的分布梯度,通过对不同分布梯度下的槽内物理场仿真数值进行比较,进而得到稀土电解槽导电板最优分布模型。在仿真过程中观察到阴极底部的尖角对实验结果影响较大,在其他条件保持不变的基础上将阴极底部由圆柱优化为半球形,通过与未优化的结构进行对比,验证新型电解槽结构的合理性。仿真结果显示:随着导电板由侧边位置向中间偏移,电解反应时槽内的温度与阳极电势基本保持不变,槽盖板与阳极间的电势差逐渐减小,槽内电流密度缓慢增大。当将阴极钼棒底部由柱状结构改为球状结构后,槽内电势分布更为均匀,电流密度相较于之前的结构也有所增加,优化后的结构能改善局部过热问题,同时也使得电解效率增大。

2019年南极长城站地区地震活动特征

基于中国第35次南极科学考察期间完成改建的长城站地震台2019年记录的宽频带三分量连续波形数据,本文发展了一种交错网格搜索的单台定位方法并将其应用于长城站地区的地震定位研究,定位了35个信噪比较高的近震,获得了2019年南设得兰群岛及周边地区的地震分布图.结果显示,地震主要沿NE走向的南设得兰群岛分布,最大震级为M_(L)4.4,最小震级为M_(L)1.6,震源深度范围为12~115 km.通过该区域地震活动特征的分析可知,相对于稳定的南极大陆内部,长城站所在的南设得兰群岛及周边地区地震活动性较强,主要是由于该区域受到南极板块、南美板块和斯科舍板块直接或间接的作用所致.南设得兰群岛南部及其西侧靠近南设得兰海沟的弧前盆地分布着一些中源深度的地震,说明该区域受到板块俯冲作用的影响,这直接给出了菲尼克斯板块向南设得兰群岛下的俯冲作用仍然进行的地震学证据.布兰斯菲尔德海峡位于南设得兰群岛岛弧的弧后盆地,该区域仍然沿NWSE方向扩张,存在显著的火山活动和岩浆热液的运动,推测该区域发生的地震与火山活动有关.

基于LabVIEW的车牌自动识别算法研究

近年来,对车辆的管理越来越智能化,提出了一种基于LabVIEW的车牌自动识别算法,通过摄像头获取汽车图像,利用LabVIEW软件自带的视觉开发模块处理图像信息,通过设置颜色阈值和高级形态学进行车牌定位,然后对车牌进行训练保存样本。当摄像头获取到待识别车牌图像后与样本进行对比判断,达到识别车牌号码的目的。通过对100张车牌图像进行实验,车牌识别的准确率达到99%以上。这种算法开发周期短,成本低,识别准确率高,有很好的应用前景。

复杂道路环境下的车辆牌照检测与识别

针对复杂道路环境中车牌因倾斜、模糊、遮挡导致图像定位检测效果不佳和识别精度低等问题,提出一种基于全局阈值的灰度二值化图像预处理方法,采用YoloV5l算法对后处理阶段的数据集进行定位检测和检测结果评估,并通过R-CNN模型识别定位检测后的车牌图像字符。结果表明:当训练过程持续到100轮次时,相比于Faster R-CNN算法,该模型检测的平均精度均值(mAP)提升9.2%,识别准确率提升17.33%,验证该方法检测和识别车牌的有效性与优越性。

基于LabVIEW和Vision Assistant的车牌识别系统设计

文章提出了一种基于LabVIEW和Vision Assistant的车牌识别方案。系统使用Vision Assistant的颜色阈值、高级形态学及光学字符识别等函数,实现了对车牌图像的预处理和车牌区域定位以及车牌字符分割、字符训练和识别,使用LabVIEW程序完成车牌的显示。使用数百张车牌图像对该系统进行验证,结果证实该方案是可行的,系统是可靠的,可以快速、准确定位和识别车牌。

基于OpenCV的车牌识别系统设计

阐述使用OpenCV开源库处理计算机视觉图像,利用Python编程语言并结合卷积神经网络识别提取图像信息,以达到快速定位精确识别的目的。

基于深度学习的端到端车牌检测与识别

针对目前传统车牌号识别算法定位不准确,识别效率低,实时性差等的问题,提出了一种基于深度学习的车牌定位与车牌字符识别算法。在车牌检测定位阶段通过YOLOv5s算法对图片中的车牌部分进行定位,空间变换网络STN对倾斜的车牌进行矫正,将矫正过后的车牌送入LPRNet字符识别网络进行识别。通过对CCPD数据集的验证发现,相较于传统的车牌识别算法,提出的算法准确率达到98.2%,整个检测识别过程控制在11 ms内,表明了所提算法可满足车牌识别的实际需求。

冲击载荷作用下机身壁板破坏效应及结构优化

研究非包容抗爆结构约束下,冲击波和端头两种冲击载荷对机身壁板的破坏效应。以定向非包容抗爆结构冲击位置处机身壁板为研究对象,通过有限元数值模拟,分析了在非包容抗爆结构约束下冲击波和端头两种载荷作用于不同位置时,机身壁板的破坏模式和程度,并以限制机身壁板破坏范围为目的,对冲击位置处机身壁板进行了结构优化。结果表明:在冲击波作用下机身壁板的主要破坏模式为蒙皮剪切冲塞、沿筋和垂直于筋撕裂以及筋条断裂,在端头作用下则为蒙皮沿筋和垂直于筋撕裂以及筋条断裂;冲击位置对端头载荷作用下机身壁板的破坏程度影响较冲击波明显;端头冲击筋条位置对机身壁板的整体破坏程度较小,为较优的冲击方案;垂直加筋对两种冲击模式下机身壁板的破口扩展均有明显约束效果,但对端头作用下的约束效果更佳,端头冲击筋间或筋条位置时,增加垂直加筋壁板损伤面积分别减小了56%和39%。研究结果可为民机用非包容抗爆容器结构设计及冲击位置处机身壁板结构设计提供指导。

改良3D数字化导板辅助穿刺在微球囊压迫术治疗原发性三叉神经痛中的应用

目的探讨改良3D打印数字化导板在微球囊压迫术(percutaneous microballoon compression,PMC)治疗原发性三叉神经痛(primary trigeminal neuralgia,PTN)的应用价值。方法纳入2019年9月至2022年1月于徐州市中心医院口腔科治疗的42例原发性三叉神经痛患者,按随机数字表法分为试验组(采取3D打印技术制作导板引导穿刺,共22例)和对照组(采取传统Hartel前入路法定位穿刺,共20例)。比较两组患者术中一次穿刺成功率、穿刺时间、手术时间及患者承受辐射量、术后并发症等,记录患者术后巴罗神经病学研究所疼痛强度表(Barrow Neurological Institute Scale,BNI)评分、面部麻木、角膜反射减退及咀嚼无力等情况。结果试验组患者在术中一次穿刺成功率(χ^(2)=21.51,P<0.001)、穿刺时间(Z=-5.51,P<0.001)、手术时间(t=9.37,P<0.001)及C形臂扫描次数(Z=-4.59,P<0.001)等方面明显优于对照组;试验组患者术后BNI评分Ⅰ级21例(95.5%)、Ⅱ级1例(4.5%),对照组患者术后BNI评分Ⅰ级17例(85.0%)、Ⅱ级2例(10.0%)、Ⅲ级1例(5.0%),差异无统计学意义(P>0.05);试验组术后出现咀嚼无力16例、结膜炎1例、唇周疱疹10例,对照组术后出现咀嚼无力18例、结膜炎2例、唇周疱疹11例、单眼失明1例,两组术后并发症差异无统计学意义(P>0.05);术后平均随访12个月,试验组和对照组均无复发。结论改良3D数字化导板引导经皮穿刺微球囊压迫术治疗原发性三叉神经痛,能在一定程度上提高穿刺的准确性和安全性,明显缩短手术时间,减少患者辐射损伤,提高手术成功率,有较高的临床应用价值。

通高开洞加劲薄钢板剪力墙抗震性能研究

对2个矩形钢管混凝土框架-通高开洞加劲薄钢板剪力墙足尺试件和1个非开洞墙试件进行了低周往复水平荷载试验。试件设计考虑了边框柱承受轴压力、有无开洞及洞口位置的影响。研究得到了各试件的水平荷载-顶点位移滞回曲线和骨架曲线,在此基础上对试件的破坏模式、承载力、延性、耗能能力、刚度退化、强度退化等性能指标进行了分析。结果表明,在边框柱承受竖向压力的情况下,试件极限位移角达到1/51~1/29,试件具有良好的延性变形能力。与非开洞墙的斜拉带破坏方式有所不同,开洞墙的破坏始于洞口边缘加劲肋的破坏,边侧开洞试件保有一定的抗剪破坏特征,破坏形态属于弯剪破坏模式,中间开洞试件的破坏形态属于弯曲破坏模式。当洞口尺寸相同时,边侧开洞试件的性能要优于中间开洞试件。推覆分析结果表明,当边框柱的设计轴压比不大于0.7时,试件的塑性变形能力较好。最后建议洞口边缘加劲肋除了满足现行规范给出的刚度要求外,应按竖向受力构件进行承载力验算。对通高开洞钢板剪力墙按壳元建模,此时可仅验算墙体抗剪承载力,同时应对墙体周边竖向构件的轴力乘以1.10~1.15的放大系数。

基于轻量卷积神经网络的车牌定位识别方法

文中提出了一种新型基于轻量卷积神经网络的车辆车牌定位识别方法.采用基于改进的YOLOv3算法对车牌进行定位,基于免分割的轻量卷积神经网络LPRNet识别车牌字符.在车牌定位方面,改进YOLOv3网络的特征提取网络以降低设备要求,同时加入密集连接网络,增加对浅层特征信息的重复利用;在损失函数方面,引入DIOU损失函数,加快网络收敛以提高YOLOv3网络的定位精度;在车牌字符识别方面,采用基于免分割轻量卷积神经网络识别车牌字符,准确率高且保证了网络的轻量.结果表明:改进的YOLOv3网络算法的平均正确率降低了2.2%在CPU上检测速度达到了35帧/s,结合字符识别网络,总体检测速度达到27帧/s,满足实时性检测要求.

高铁隧道接触网号牌定位与识别

为解决高铁隧道接触网图像质量差导致号牌定位困难的问题,提出一种“粗定位-精提取”定位技术。通过二值化标记和特征筛选完成号牌粗定位;对粗定位结果进行边缘补偿,通过二次定位和分类处理实现号牌精确提取,定位准确率达98.4%。为解决低光号牌字符与背景分离难的问题,提出基于多尺度高斯拉普拉斯算子的零交叉二值化方法。在此基础上通过对现有字符分割算法改进,实现字符的正确分割。使用支持向量机和自建数据集进行模型训练和编号识别,识别准确率达95.4%。

某大底板多塔隔震结构设计

昆明市第二人民医院新院医疗综合楼项目为隔震项目。通过对隔震层位置进行比选,采用上部多塔楼共用隔震层顶板的大底板隔震设计方案,有效解决传统单塔隔震上部各塔楼缝宽过大带来的建筑处理难题。采用性能化设计,通过PKPM与ETABS两种软件对多塔隔震结构进行中震性能详细分析,采用ETABS软件进行罕遇地震作用下的弹塑性动力分析和隔震支座校核,并对大底板进行专项分析,保证了大底板多塔隔震结构的抗震安全性。

基于改进数学形态学的车牌定位算法研究

针对传统数学形态学算法对图像边缘细节提取不理想的问题,采用3×3或者5×5的结构元素替换单一结构来改进数学形态学算法,克服传统数学形态学算法的缺陷。对车牌图像边缘轮廓实施闭运算、开运算、小对象移除,实现车牌的粗略定位。在此基础上,采用区域标记法进行车牌精准定位。将提出的车牌定位算法应用于实际的车牌定位中,结果表明,改进数学形态学算法对车牌定位的准确率比传统数学形态学算法提高了13.9百分点,具有更为广泛的适用性。该研究对提高车牌的定位精度、车牌识别具有一定的参考价值。

基于机器视觉的车牌定位与字符识别实验设计

针对机器视觉课程理论内容抽象、理解难度大、相关实验教学装置欠缺的问题,基于机器视觉设计了一种车牌模型的定位与字符识别实验平台,平台由下位机控制系统和上位机软件组成。下位机由图像采集与传输系统、运动控制系统构成,上位机软件由人机交互界面、定位算法与字符识别算法组成,基于VS2019联合Halcon设计包括目标物体的定位与跟踪、MLP分类器训练、字符分割与识别等功能模块在内的控制软件,实现了车牌模型的定位跟踪与字符识别。实验设计具有实用性、趣味性和扩展性,可辅助学生理解机器视觉技术的真实应用场景,提高学生实践能力和创新能力。

基于MATLAB的车牌识别系统设计与实现

针对复杂的高速交通系统,设计了一套基于MATLAB的车牌识别系统,采用数字图像处理技术,自动识别车牌图像中的牌照信息,让交通系统实现数字化。具体过程是先对采集到的车牌图像进行灰度化,再进行边缘检测、形态学处理等,完成车牌的两次定位,成功后再进行倾斜校正、二值化、反色、字符分割,最后用模版匹配法对车牌字符进行识别。从实验结果看,该系统准确定位车牌并能准确快速地识别出车牌号码,实时性和实用性都较好。

端板连接普通螺栓群中和轴位置研究

以螺栓群偏心距和端板厚度为研究参数,对梁柱节点中端板连接在偏心拉力作用下(A组)和纯弯矩作用下(B组)的螺栓群进行了受拉性能试验研究。通过对破坏模式、螺栓群受力分布和中和轴偏移率的分析,研究了端板连接普通螺栓群中和轴位置变化的情况;对两组试验开展有限元分析,从荷载-位移曲线和节点抗拉性能两方面进行研究。结果表明:随着荷载逐渐增大,螺栓群中和轴不断向受压区移动;增大螺栓群偏心距可使螺栓力增大,且加快中和轴向受压区偏移;增加端板厚度能够减小螺栓力,并延缓中和轴向受压区偏移;现行偏心受拉和纯弯矩作用下普通螺栓端板连接的计算方法(或公式)较为保守,与试验结果相差较大。给出的端板连接螺栓力修正公式的计算结果与试验结果吻合良好。在保证结构安全的前提下,该修正公式计算结果更接近螺栓端板的实际受力状态,从而达到减小节点钢材用量和降低成本的目的。

基于深度学习的车牌定位与字符识别

智慧交通需要通过深度学习来提高车牌定位与字符识别的能力,通过大数据支持能有效地监控城市交通,给市民生活带来更多的安全感。在长期的经济发展过程中,人工智能在提高社会运行效率上有积极的作用,是推动智能城市发展的重要手段。本文通过深度学习的方式研究了车牌定位与字符识别。首先,通过色彩分割、小波变换、遗传算法、灰度图像纹理特征分析四种方法对车牌定位进行研究。然后,利用图像字符矫正预处理、图像字符分割提取、字符归一化预处理三个部分对车牌字符处理方法进行阐述。通过深度学习领域的算法能切实提高交通领域的发展效率,保障市民出行安全。通过车牌定位与字符识别能有效地读取交通领域的车辆信息,这样的方式能更好地对提升城市交通运行效率提供助力。

基于MATLAB的车牌识别系统设计与实现

智能交通的一个重要方向是车牌识别系统,现在车牌识别系统越来越受到重视。高速公路超速管理系统、停车场管理系统、小区车辆管理系统、城市十字路口的“电子警察”等各个领域都在车牌识别系统中有着应用,车牌识别系统对国家的安全发展有着非常重要的作用。提出一个基于MATLAB的车牌识别系统,包含了车牌定位、车牌字符切分与识别功能。通过测试平台,对采集到的图像进行车牌识别与系统性能的测试。结果表明该车牌识别系统能够有效地实现车牌识别,识别准确率达93.97%。