基于Bag-of-Features算法的车辆检测研究

车辆检测已成为交通运输工程(ACC)和先进辅助驾驶系统(ADAS)中的核心技术之一。该算法利用车辆的边缘特征与Bag-of-Features(BoF)模型的融合对前方运动车辆进行实时检测,主要包含车辆假设存在区域生成和假设区域验证两部分。首先,对图像进行预处理后利用Sobel边缘检测处理得到车辆假设存在的区域;然后,利用Bag-of-Features的K最近邻域算法对假设存在区域进行验证。该算法与其他算法最大的区别在于将边缘和Bag-of-Features相结合来提高检测率。通过对实际道路视频进行测试,结果表明,该方法能够实时准确地检测出道路上前方运动车辆。

ZG-12超低磷钢90 t BOF-RH-CC工艺的生产实践

对钢厂采用90 t转炉冶炼超低磷钢(%/:<0.03C,<0.010P,<0.015S,<0.06Mn,<0.02Cr,<0.02Ni),转炉终点钢液温度偏低、过氧化严重,需经过LF升温精炼等问题,进行了工艺优化试验研究,结果表明:转炉(0.018%~0.025%P)出钢过程中使用石灰和精炼渣,形成二元碱度为7、<0.5%P_(2)O_(5)炉渣,可使钢包钢水脱磷率达到75%,成品磷含量低于0.010%,冶炼时间缩短3~4 min。同时,转炉吹炼终点钢液温度升高,钢包脱磷率呈降低趋势,转炉最佳终点温度为1630~1655℃。通过采用钢包精炼脱磷技术,超低磷钢冶炼流程缩短为转炉吹炼→RH处理→连铸,减少LF精炼工序。

基于BoF和迹变换多特征融合的图像纹理分类研究

针对BoF模型缺少几何特征、结构特征的表达,对纹理图像特征描述不充分等问题,提出一种基于BoF和迹变换多特征融合的图像纹理分类方法。首先通过关键点检测的方法获取纹理图像的碎片化图像,然后提取碎片化图像的迹变换特征和SIFT特征,通过特征交叉编码的方式和动态鉴别能量的方法,获取迹变换特征和SIFT特征的融合特征并进行特征单词优选,再以BoF模型进行特征编码,最后输入到支持向量机(SVM)中进行训练、预测和分类。实验在OutexTC10/TC12000和KTHTIPS纹理数据集上分别取得了100%、99.87%和97.6%的识别精度,结果表明该设计方法对具有几何特征、结构特征的纹理图像可以获得较好的分类效果,有效地提高了纹理分类的识别性能。

基于BOF的数据结构教学模式探索

基于BLOOM和OBE的原理,结合翻转课堂的优势,提出基于BOF的数据结构教学模式,以“二叉树的遍历”为例介绍该模式实施过程,通过课堂教学效果、学习成绩、学习态度、学生认可度等多元化评价说明实施效果。

BOF-AOD冶炼超纯铁素体不锈钢BOF工艺优化

本文介绍了酒钢不锈钢BOF冶炼超纯铁素体的技术指标,分析AOD脱碳保铬阶段温度不足的原因,并提出相应的工艺优化措施。研究结果表明:影响AOD脱碳保铬阶段升温的原因有BOF出铁温度低以及从BOF到AOD过程温降大、AOD入炉C含量低,无法脱碳升温;通过提高BOF出铁温度、减少过程温降、减少等铁时间,降低温损,可以将入AOD的铁水平均温度提升15℃;通过调整氧枪枪位,采用高枪位冶炼,保证AOD的入炉铁水碳含量≥3.2%。

基于BoF模型的多特征融合纹理图像分类

针对特征词袋(BoF)模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵(GGCM)和尺度不变特征转换(SIFT)融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分(CCP)方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12. 8%和7. 9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。

理想原木钝棱扁方材BOF的实用精确解析解推导

以截顶椭圆抛物柱原木模型，导出理想原木椭圆截面钝棱扁方材的ＢＯＦ（最佳下锯面）精确解析解，丰富了ＢＯＦ的基础理论，为锯方ＢＯＦ提供了方便的优化目标函数。导出扁方材ＢＯＦ可简化为平面问题处理的必要条件，使整个优化过程大大简化，并趋向实用。考虑原木的大、小头长径、千曲线形状、钝棱大小，给出的理想原木最高主产出材率的高精度公式，将为计算机辅助制材、ＨＯＦ、数控锯方机的软件设计，提供高速、最优的计算方法。

100t BOF-LF-RH-CC流程冶炼GCr15轴承钢非金属夹杂的演变

试验GCr15轴承钢(/%:1.00C,0.20Si,0.39Mn,0.015P,0.005S,1.50Cr,0.003Ti,0.015Als)的冶炼工艺流程为预脱硫铁水-100 t BOF-LF-RH-200 nm×200 mm坯连铸。主要工艺特点为BOF出钢过程加1.2 kg/t铝脱氧,LF精炼采用白渣操作,精炼初渣主要成分为(/%:22Al_2O_3,56CaO,10SiO_2,5MgO),RH 67 Pa,25 min,连铸过程保护浇注。两炉钢冶炼分析结果表明,钢中氧氮含量在RH破空样品中同时达到最低分别为7×10^(-6)~8×10^(-6)和24×10^(-6)~26×10^(-6),钢中非金属夹杂尺寸主要集中在3~8μm,并且单位面积夹杂物数量在RH破空样中达到最小;铸坯中非金属夹杂以Al_2O_3-CaO夹杂为主;在高碱度渣的条件下,钙铝酸盐与镁铝尖晶石很容易发生反应,碱度为2~3时会出现少量MgO-Al_2O_3,在渣碱度达到4以上时不会出现MgO-Al_2O_3系夹杂物,并且高碱度条件下MgO-Al_2O_3-CaO系夹杂物中MgO含量会降低。

80t BOF-LF-VD-CC流程生产GCr15轴承钢控氧的工艺实践

分析了BOF终点[C]对终点[O]的影响,LF精炼渣(FeO+MnO)和[Als]对钢水[O]和钢材T[O]的影响。通过控制BOF终点[C]0.12%~0.15%,下渣量<0.10%,LF精炼控制[Als]0.015%~0.025%,采用高碱度中间包覆盖剂和专用GCr15钢连铸保护渣等工艺措施,在稳定工艺控制的条件下,可使钢中T[O]≤10×10^(-6),平均T[O]为6.62×10^(-6)。

基于BoF模型的图像表示方法研究

设计合适的图像表示是计算机视觉中最重要的问题之一。BoF特征表示方法非常流行,已经广泛应用于图像分类、对象识别、图像检索、机器人定位和纹理识别。BoF特征是将图像表示为无序的特征集合。这种方法虽然缺乏结构信息和空间信息,但概念简洁、计算简单,在某些应用上取得的效果甚至可以与当前最好的方法媲美。仔细研究了BoF模型,着重对BoF模型中的3个阶段:局部特征提取、特征量化和编码、特征汇集所涉及到的典型技术进行了讨论。最后在分析各类研究方法的基础上,总结了目前研究存在的问题及可能的发展方向。

60t BOF-LF-VD-CC流程生产齿轮钢20CrMnTiH的工艺实践

济源钢铁公司生产齿轮钢20CrMnTiH的工艺路线为60 t顶底复吹转炉-LF(VD)-150mm×150mm方坯连铸工艺。通过控制转炉终点[C]≥0.08%,钢包进行硅钙钡-铝铁-铝粒复合脱氧,LF采用SiO_2-Al_2O_3-CaO渣系精炼,LF精炼时喂Ti-Fe线微调钢中Ti成分,VD真空处理后≥15min软吹,中间包液面自动控制,全保护浇铸、M-EMS和F-EMS电磁搅拌,使齿轮钢20CrMnTiH成品成分(%)为:0.19～0.21C、0.23～0.27Si、0.86～0.90Mn、1.11～1.15Cr、0.057～0.063Ti、≤0.020P、≤0.010S,钢中全氧含量为(5.6～19.3)×10^(-6),氮含量为(40.6～65.2)×10^(-6),各项检验指标达到标准要求,Φ32～40 mm钢材的J_9 HRC值为34.42～39.10,△HRC≤6。

基于高通量特征与BoF特征的肺结节诊断信息分级

肺结节诊断信息对判断肺结节的良恶性有重要意义,因此,提出一种基于高通量特征与BoF特征的肺结节诊断信息分级方法。该方法首先对肺部图像影像数据集(LIDC)数据集中604例患者的肺部计算机断层扫描(CT)图像进行筛选,得到含有肺结节的肺部CT图像2803幅,并由有经验的医生勾画相应的肺结节轮廓。然后使用影像组学的方法设计并提取96个高通量特征,同时提取肺结节图像的SIFT(scale invariant feature transform)特征并使用K-means聚类方法得到相应的BoF特征。最后,将高通量特征与BoF(bag of feature)特征输入基于支持向量机的多类分类器进行诊断信息的分级。实验结果表明,基于高通量特征与BoF特征的分析方法可以有效地对肺结节诊断信息进行分级,每类诊断信息分级的准确率、灵敏性、特异性均在83%、70%、86%以上,可为临床诊断提供有价值的参考建议。

BOF+LF+CC(EMS)生产65Mn的工艺实践

分析了弹簧钢65M n的冶炼工艺和铸坯缺陷产生的原因,对其存在的问题提出了改进措施。

70t BOF-LF-VD-CC-HR流程试制磨球钢80MnCr棒材的开发

试制的80MnCr钢(/%:0.79~0.81C,0.92~0.97Mn,0.26~0.32Si,0.009~0.017P,≤0.005S,0.92~0.97Cr,0.06Mo,0.03~0.05Ti,0.027~0.032Al,0.0004~0.001 2O)的生产流程为BF-70 t BOF-LF-VD-Φ450 mm圆坯连铸-Φ90 mm棒材轧制。通过控制BOF终点[P]≤0.015%,终点[C]≥0.12%,出钢用1.5 kg/t_钢芯铝预脱氧、LF喂铝线脱氧,精炼渣碱度≥4,VD后喂钙线,连铸结晶器和末端电磁搅拌等工艺措施,钢中非金属夹杂物级别为:粗系0、细系≤0.5;低倍组织级别为:中心疏松≤1.5、一般疏松≤0.5、中心偏析≤0.5、锭型偏析0;钢材经超声波无损探伤检测,合格率达93.07%。

粒子群优化支持向量机的BOF用氧量预报研究

针对BOF用氧量预报模型精度不高的问题,提出利用粒子群优化支持向量机的用氧量预报建模方法,以此来优化用氧量,进而提高钢液的质量。结果表明,与RBF、BP及SVM相比,粒子群优化支持向量机的BOF吹氧量预报模型精度高、推广能力强。

BOF炉体热膨胀应力的有限元分析

为了延长转炉炉壳的寿命,降低耐火材料的消耗,进行炉体热膨胀应力的精确计算是十分必要的。本文以有限元为手段,采用ANSYS软件包,利用单元生死来描述膨胀缝的尺寸和位置,对炉体进行了热膨胀应力计算,此计算是炉体热膨胀应力定量化研究的新探索,对炉体热强度设计具有一定的参考价值。

基于层次化BoF模型和Spectral-HIK过滤的手势识别算法

为了解决基于计算机视觉的人类手势识别问题,提出一种名为层次化Bag-of-Features(BoF)的模型.该模型通过对人手区域进行划分和对图像特征分别向水平和垂直轴投影来提取图像特征的空间分布信息.为了准确快速地实现手势识别,构建一种基于直方图交叉核的手势识别分类算法.该算法结构简单、运行效率高,而且充分利用层次化BoF模型的结构特点.为了进一步提高在复杂背景下手势识别准确率和运行效率,采用一种基于谱和直方图交叉核的背景特征点过滤算法.实验结果显示,所提算法对于简单背景下的手势识别准确率可达99.79%,而对于复杂背景下的识别准确率为80.01%.

210 t BOF-RH-CC炼钢过程无取向硅钢XG800WR洁净度的试验研究

两炉次无取向硅钢XG800WR(/%:0.003～0.004C、0.71～0.75Si、0.32～0.33Mn、0.004～0.007S、0.016P)的炼钢流程为铁水预处理(KR)-210 t顶底复吹转炉-钢包吹氩-RH脱碳精炼-230mm×1220 mm板坯连铸。53 t中间包钢水过热度为25～30℃,钢包到中间包采用长水口全程吹氩保护浇铸,中间包至结晶器采用浸入式水口浇铸。结果表明,在RH、中间包、结晶器过程中钢中总氧以及夹杂物数量和尺寸均明显降低;但在钢包到中间包过程T[O]、[N]和钢中夹杂物数量增加,说明长水口浇铸过程存在二次氧化。连铸坯中T[O]、[N]平均他分别为11×10^(-6)和30×10^(-6),显微夹杂物数量平均为4个/mm^2。铸坯中的显微夹杂物主要为3～5μm的AlN,同时存在少量的MnS、Al_2O_3·AlN和Al_2O_3·MgO·MnS。

90t BOF-LF-VD工艺冶炼GCr15轴承钢的氧化物夹杂变化行为

GCr15钢的生产流程为90 t转炉-LF-VD-250 mm×280 mm方坯连铸-轧制。转炉出钢加铝脱氧,LF由高碱度渣[/%:55~58CaO,3~10MgO,12~16SiO_2,16~24Al_2O_3,≤1(MnO+FeO)]精炼,LF喂Al后T[O]为14×10^(-6),LF终点T[O]10×10^(-6)。采用SEM(扫描电镜)+EDS(能谱仪)的方法,研究了线材中超标DS类夹杂物的成分分布,发现夹杂物中心以复合氧化物CaO-MgO-Al_2O_3为主,外围包裹少量CaS;这些氧化物中,Al_2O_3含量约占65%,分布最为均匀;CaO含量约占20%,MgO含量约占15%。统计分析结果表明,VD真空处理后每平方毫米13μm以上大颗粒夹杂物数量增至7,软吹后降至2.1,线材中1/3大颗粒夹杂物来源于钢包渣带入。

BoF扩展模型研究

BoF特征是目前应用最广泛的图像表示方法。针对BoF特征编码简单、缺乏空间信息的缺点,对传统BoF流程中的特征编码和特征汇集阶段进行改进,提出了用于图像分类的新图像表示方法。首先对图像进行了基于多环划分的特征汇集的区域选择,嵌入了更多的空间信息;其次,根据密采样的特征描述子符合长尾分布的事实以及场景中特征分布比较均匀的特点,提出了适合于场景图像分类的多视觉词硬编码的编码方法。新的图像表示方法保存了BoF范式的优点,且特征表示更加紧凑、空间信息更加丰富。实验结果证明了所提方法的有效性。