基于改进Canny边缘检测的堆叠货箱分割定位方法

为了提高集装箱卸货的自动化水平,针对集装箱内堆叠货箱难分割定位的问题,提出了一种基于改进Canny边缘检测的堆叠货箱分割定位方法。通过阈值分割和形态学处理进行图像预处理,去除背景干扰,提取堆叠货箱区域图像,基于改进Canny算法对堆叠货箱进行边缘检测,根据堆叠货箱边缘特征进行筛选并基于最小二乘法进行直线拟合,解决边缘线条不连续和虚假边缘问题,对边缘进行区域化处理,以此将堆叠货箱分割成独立的货箱区域,提取每个独立货箱的最小外接矩形,得到货箱中心点的位置信息。实验结果表明,该方法对堆叠货箱有很好的分割效果,定位精度小于5 mm,满足定位精度要求。

基于改进YOLOv8的堆叠零件实例分割研究

为了实现复杂工业环境下机器人对堆叠零件的快速识别拣选,构建一种改进的YOLOv8s实例分割模型,并应用于堆叠零件实时识别分割中。针对堆叠工业零件不易分割的问题,将原始模型的主干网络替换为提取特征能力更强的PoolFormer主干网络,提升堆叠零件边缘分割效果;为了更好地过滤掉多余背景信息,保留关键信息,引入了效果更好的CARAFE上采样模块。试验结果表明,改进后模型的分割平均精度和预测框平均精度分别为93.57%和97.47%,相比原模型提升了1.89%和1.23%,且远高于同类型的YOLACT++和SOLOv2模型,验证了改进模型的有效性。

基于改进Mask R-CNN的堆积式袋装炸药识别方法研究

针对爆破场景下,光照变化、袋装炸药紧密堆积以及袋与袋粘连导致边界模糊等问题,提出一种基于改进Mask R-CNN的堆积式袋装炸药识别方法。该文在Mask R-CNN的基础上采用空洞卷积代替普通卷积,引入“扩张率”参数,使得袋装炸药的边缘特征得到充分保留。利用Faster R-CNN网络模型、FCN网络模型、Mask R-CNN网络模型和改进Mask R-CNN网络模型对相同的数据集进行检测,对比袋装炸药边缘分割的效果。实验结果表明:该文提出基于改进Mask R-CNN的堆积式袋装炸药识别方法对袋装炸药边缘信息保存较为完整,平均准确率达到90.42%,平均速度达到0.67 s/piece,为袋装炸药装卸搬运实现更高程度的自动化提供有力的技术支撑。

基于分频尺度约束的缝洞体空间定位方法

塔里木盆地奥陶系碳酸盐岩缝洞体尺度预测和空间位置确定存在较大困难,影响油气勘探靶点设计、压裂方案实施等。为此,提出一种有效提高缝洞体预测精度的基于分频尺度约束的缝洞体空间定位方法。首先利用叠前分频数据体,通过高斯函数拟合确定缝洞体的调谐频率,得到缝洞体的尺度参数;然后利用这一尺度参数对缝洞体中心阻抗曲线进行阈值扫描,当低阻抗曲线段时间厚度满足缝洞体尺度参数时,便完成阻抗阈值的约束和标定,从而实现缝洞体的尺度预测和空间定位。模型正演验证了该方法的可靠性和准确性。实际资料应用表明,预测结果能更加精细地描述缝洞体尺度特征和空间位置,井轨迹与缝洞体之间的关系更加明确。该方法可以有效指导井位压裂方案的制定,助力油气勘探。

基于卷积神经网络的医学CT图像自动分割方法

针对医学CT图像自动分割方法对三维分层医学CT图像分割精准度较差问题,设计基于卷积神经网络的医学CT图像自动分割方法。对采集到的原始医学CT图像进行去噪处理,为后续的图像分割提供训练集。设定卷积神经网络的激活函数及网络参数,构建医学CT图像自动分割卷积神经网络。计算医学CT图像在卷积过程中损失函数,获取图像最优分割参数,根据此参数完成分割过程。实验结果表明:此方法无论在图像的整体分割还是细节分割方面,均可获取精度较高的分割结果。

基于多特征提取和Stacking集成学习的金线莲品系分类

针对传统中药鉴定、分子鉴定、生物技术鉴定及光谱检测技术的主观性强、耗时、操作复杂等不足,以及金线莲整个叶片形态区分度小、单一分类器鉴别精度不高的问题,该研究提出了基于机器视觉的叶片子区间多特征提取方法和基于多模型融合的Stacking集成学习算法实现金线莲的品系分类。试验采集6个品系的金线莲叶片图像数据,进行图像预处理后提取叶片子区间内纹理、颜色共114个特征,基于这些特征,构建堆叠式两阶段集成学习框架,以逻辑回归、K最近邻、随机森林和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)作为基分类器,GBDT作为元分类器进行学习。试验结果表明,Stacking集成学习模型的整体识别综合评价指标F值达93.91%,分类正确率达94.49%,分别比逻辑回归、K最近邻、随机森林和GBDT这4个单一分类模型高出4.40、11.87、11.01、12.94个百分点和5.36、11.34、6.93、12.13个百分点。因此,该研究能够有效识别金线莲品系,为形状大小相似、形状特征难以利用的植物叶片识别提供参考。

高压直挂大容量储能系统的电池堆分割方法

高压直挂电池储能系统每相所需电池单体数量巨大,这些电池单体可被等效看作一个大容量电池堆,级联的H桥功率单元将此电池堆分割成一定数量的电池簇接入其直流侧,不同分割簇数对应每相级联功率模块数,是系统的最重要参数,对系统性能影响显著,应综合考虑系统效率及安全性对分割簇数进行优化设计。系统效率及安全性与电池参数密切相关,但基于电池单体详细物理参数建立系统效率和安全性评估模型的实施难度大,因此,该文提出一种基于电池单体容量参数分布情况建立系统效率和安全性评估模型的方法,避免大量的电池参数辨识及海量数据的处理工作,为系统功率模块数优化设计提供了理论指导。

机载激光点云单木分割方法对比及精度分析

通过对机载激光点云基于冠层高度模型、基于点云以及基于层堆叠种子点分割方法,对针叶林、阔叶林、针阔混交林3种不同类型林分进行单木分割,并通过计算单木分割的检测率、正确率、F-score等精度指标,探究不同分割方法在不同类型林分的适用性。实验结果表明,对于针叶林,基于点云分割方法的分割精度最高,基于层堆叠种子点分割方法对树木分割的正确率最高;对于阔叶林和针阔混交林,基于层堆叠种子点分割方法的分割精度和检测率较高,优于其他两种分割方法。

基于点渲染的多分支融合露天矿爆堆块体精细分割方法

现代矿产开采中,爆破成本控制占据整个矿产开采的成本控制的很大一部分,这使得爆破效果的控制在整个矿产开采流程中至关重要,而爆破效果的控制与爆破参数直接关联,这需要采集现场真实的数据来指导爆破参数的优化。为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题,基于爆破参数优化的需要,提出了深度学习框架下的爆堆块体精细分割方法(Point+S Deeplabv3+)。首先模型在骨干网络特征提取部分引入多分支可分离注意力机制,学习不同通道间的权重特征并融合,改善了提取特征时跨通道交互缺乏的问题;在解码阶段,运用点渲染模块,通过迭代选取点在不同尺度特征图的特征,逐步对每个点对应的低级语义特征和高级语义特征进行拼接,解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题;最后使用动态学习率调整策略,加快模型的收敛速度。实验结果表明,基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%,对比主流的语义分割网络,如FCN、UNet、PSPnet和Deeplabv3+相比,基于Point+S Deeplabv3+的模型MPA和MIoU分别提升了3.04%、4.44%、2.79%、1.52%和2.95%、4.36%、3.17%、1.88%,具有更好的综合性能,特别对于边缘和小目标的分割效果有明显改进。因此,基于Point+S Deeplabv3+的分割模型为在爆破现场环境下的爆破参数优化数据采集提供了实时便利、可靠的理论依据。

基于改进DeepLabV3+的沥青成品料装车状态自动监测

当前沥青拌合站成品料装车系统仍旧依赖人工观察对装车状态进行监测,存在自动化程度低、作业效率不高等问题。为实现沥青拌合站装车的自动化监测,提出一种基于语义分割的机器视觉自动监测方法,使用ShuffleNetV2替代原DeepLabV3+的骨干网络Xception,构建出轻量级的语义分割网络S-DeepLabV3+,利用S-DeepLabV3+将场景分割为车厢、料堆、落料和背景4个区域,然后利用落料语义所占百分比判断料门的落料状态,利用落料区域料堆顶点到车厢上边沿的距离判断落料区域的料堆状态。实验结果表明,与原DeepLabV3+相比,S-DeepLabV3+在保证图像分割准确率的前提下,速度提升了16.23%,其监测结果与人工监测判别结果一致,准确率可达到100%,可以满足沥青拌合站成品料装车状态监测的应用要求,为沥青拌合站实现自动化装车奠定了基础。

输出道方式的共反射面元叠加方法Ⅱ——实践

CRS-MZO方法是一种以输出道成像方式合成零偏移距剖面的共反射面元(Common Reflection Surface)叠加算法,它以完全不同的方式实现了CRS叠加.理论I已经对CRS-MZO叠加方法的理论进行了详细介绍,本文进一步将CRS-MZO方法用于对实际资料的处理.处理结果表明CRS-MZO方法有效地改善了零偏移距剖面的成像质量,体现了CRS叠加理论的特点.在结合倾角分解策略消除了倾角歧视现象后,倾角分解CRS-MZO方法完全能够用于处理实际数据,为得到高质量的零偏移距剖面提供了一个新的手段.

一种新的缓冲区溢出防范技术

通过监测系统调用及其返回地址的方法,利用代码段和堆栈在读、写以及执行权限方面的差异,给出了一种Linux系统中防缓冲区溢出漏洞的新方法,并加以具体实现。该方法不需要重新编译操作系统和应用程序,而且对系统性能影响较小。

基于序列标注的中文分词、词性标注模型比较分析

该文对三种不同的分词词性标注模型进行了比较。这三种模型分别为一个序列标注串行模型,一个基于字分类的联合模型和一个将这两种模型使用Stacked Learning框架进行集成的融合模型。通过在《人民日报》、CoNLL09、CTB5.0和CTB7.0四个数据集上进行比较分析,最终实验结果表明分类联合模型能取得比较好的速度,融合模型能取得比较好的准确率,而普通串行模型处于速度和准确率的平衡位置。最后该文将准确率最好的融合模型和相关前沿工作在CTB5.0和CTB7.0上进行了对比,该融合模型均取得了最好的结果。

C++语言中函数参数传递方式的图示说明

学习C++语言中函数参数传递方式的关键是给出函数调用过程中内存各段内容的变化图示。本文针对C++语言中三种函数参数传递方式,辅以代码段内容图示和堆栈段内容图示,从机理上详细解释了函数参数的传递过程。实践表明,这种图示说明的方法在教学中取得了非常良好的效果。

一个判定出栈序列的新方法

针对判断某一序列是否为合法出栈序列的问题,提出了一种基于降序段的时间复杂度为O(n2)的新算法.该算法简单易懂并且比传统判断方法具有更高的效率.

可用作便携式电源的高性能直接碳固体氧化物燃料电池组（英文）

报道了一种直接碳固体氧化物燃料电池(DC-SOFC)电池组。该电池组由3个单节管式电池串接而成。为使电池组能够承载更多的碳,阳极制备在管状电池的外壁。此三节电池组直接以碳为燃料,空气中的氧气为氧化剂运行。该电池组的有效面积为10.2 cm^2,以17 g负载5%(w)Fe的活性炭为燃料,800°C下的功率为4.1 W。电池组以1 A的恒电流放电19 h,放电容量为19 A?h,释放出31.6 W?h的电能。这种高容量的DC-SOFC可开发成便携式电源加以应用。

Linux内核与内存关系的几个问题的探讨

L inux内核与内存之间的关系涉及内核中与系统硬件相关的部分 ,本文作者在阅读 L inux内核源代码的基础上 ,探讨内核与内存之间关系的若干基本问题的答案 .这些问题包括 :内核与进程的关系、内核映象的生成、系统启动过程中内核与内存的关系、内核堆栈的机制等 .本文的讨论基于 Intel的 80 x86平台上的内核 2 .2 .

基于Sobel算子的图像快速二维最大熵阈值分割算法

经典的二维最大熵阈值分割算法计算时间长,贮存信息需要的空间大。针对这些问题,在标准二维最大熵阈值分割算法的基础上,提出了一种基于二维最大熵阈值递推的快速算法,同时还将采用Sobel算子边缘检测得到的阈值应用到快速二维最大熵阈值分割算法中,以此来解决图像中出现的细节丢失等问题。最后,实验证明这种改进的算法通过运用递推公式将处理时间从原来的O(L4)减少到O(L2),不仅降低了计算的复杂性,提高了效率,同时也保护了细节信息。

汇编语言程序的两种结束方式

系统阐述了汇编语言程序返回的两种方式,深入分析了每种情况返回的过程和特点,并对DOS系统功能调用进行了简要说明。

堆叠自动编码器的金桂花朵图像分割方法

针对金桂的花朵图像,提出一种基于堆叠自动编码器(Stacked Autoencoder,SAE)深度学习的桂花花朵图像分割方法。将花朵RGB彩图通过R-B运算转换成灰度图,将灰度图分成互不重叠子块,对子块进行第一层稀疏自动编码器训练,得到压缩编码特征;对此特征进行第二层稀疏自动编码器训练,得到二层压缩编码特征;然后用此特征和标签进行Softmax层训练;并将2层自动编码器和Softmax层堆叠成深度神经网络;最后用堆叠自动编码器对花朵和背景进行分类。试验结果表明,通过设置合理的参数,提出的深度学习方法能很好地分割出金桂花朵,SD、Dice、ER、NR值分别为77.03%、87.03%、20.80%、6.94%。