为了尽可能的去除钢中大颗粒的夹杂物, 在实验条件下通过向GCr15轴承钢中添加适量镁、稀土对夹杂物进行改性, 并利用Aspex夹杂物自动分析仪和扫描电镜对钢中改性后的夹杂物尺寸、类型、形貌等进行了观察、分析, 研究了稀土-镁复合处理对夹杂物的影响规律.研究结果表明, 对轴承钢中加入微量镁处理, 可将未进行镁处理钢中的MnS-Al2O3、MnS、Al2O3夹杂改性为以含硫、镁复合夹杂物为主, 同时包含少量Al2O3、镁铝尖晶石夹杂.进一步采用稀土-镁复合处理后, 钢中的夹杂物转变为主要以含Re-S-O夹杂物为主, Al2O3、MnS、镁铝尖晶石夹杂逐步消失, 且夹杂物成球状分布, 绝大多数夹杂物在5 μm以下.稀土-镁复合处理轴承钢后, 10 μm以上的大颗粒夹杂物大大降低, 钢中的夹杂物明显得到细化.钢中镁含量不变时, 随着稀土含量的增加, 大颗粒夹杂物比例明显下降.而在稀土含量相近的情况下, 增加钢中的镁含量也有利于大颗粒夹杂物的去除.稀土-镁的相互作用进一步促进了夹杂物的细化

针对机器人谐波减速器关节在转动过程中存在的波动摩擦力矩, 提出一种基于傅里叶级数函数和BP神经网络的建模方法, 并完善机器人的动力学模型, 修正了因波动摩擦力矩带来的关节力矩计算误差. 通过研究谐波减速器关节的波动摩擦力矩在不同影响因素下的变化特性, 采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模. 通过添加傅里叶级数函数作为BP神经网络的辅助输入, 克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难. 在离线环境下训练神经网络, 完成对关节波动摩擦力矩的建模, 进而完善机器人的动力学模型和修正关节中存在的波动摩擦力矩. 验证实验表明, 使用完善后的动力学模型可以有效计算谐波减速器关节的波动摩擦力矩, 并使修正后的力矩误差维持在[-0.5, 0.5] N·m的范围之内, 方差为0.1659 N2·m2, 是修正前的24.23%

高碳钢连铸生产技术工艺优化是当前连铸技术研究的主要内容之一。针对国内某钢厂SWRH82B高碳钢生产过程中出现碳偏析、网状渗碳体组织缺陷的问题，采用数值模拟与实验相结合的方法，利用Fluent软件建立了八机八流连铸机凝固传热模型，数值模拟计算凝固传热特征；研究了八机八流连铸机在不同浇注速度、过热度和末端电磁搅拌参数条件下对SWRH82B高碳钢铸坯碳偏析和夹杂物的影响；分析了SWRH82B高碳钢连铸过程中的主要要素与组织性能之间的关系。研究结果表明：铸坯中心碳偏析是网状渗碳体主要诱导因素，通过调整过热度和浇注速度有利于促进钢液成分的均匀化，降低夹杂物含量；当过热度降低至25 ℃，浇注速度提高至2 m·min?1，铸坯中心平均碳偏析指数由1.17降低为1.11，索氏体化率达到89%，网状渗碳体级别由四级下降到一级，基本消除C类夹杂物；通过设置末端电磁搅拌参数为电流370 A、频率7 Hz时，碳偏析指数最低值下降到1.04。通过优化连铸生产工艺参数，解决了企业SWRH82B高碳钢生产过程中的缺陷，为高碳钢的高质量生产提供理论与实践支撑

为获得一种锌电积用低成本、低析氧电位和高催化活性的阳极，在铝棒表面通过挤压复合技术包覆Pb-0.2% Ag合金得到Al棒Pb-0.2% Ag阳极.在含氟的硫酸溶液中，通过阳极氧化在Pb-0.2% Ag合金和Al棒Pb-0.2% Ag合金阳极表面形成具有高催化性能的膜层，采用显微图像分析仪和数显显微硬度计表征了膜层的厚度及硬度，并通过电子拉伸试验对比了两种阳极的极限抗拉强度.采用X射线衍射、扫描电子显微镜、循环伏安法、阳极极化和交流阻抗法等技术手段研究了Al棒Pb-0.2% Ag与Pb-0.2% Ag阳极表面氧化膜层的物相、形貌以及电化学性能.结果表明：Al棒Pb-0.2% Ag阳极相比Pb-0.2% Ag阳极表面易生成致密较厚的氧化膜层，且膜层硬度提升了41.64%，其氧化膜层主要物相均为电催化活性良好的β-PbO2.新型阳极的极限抗拉强度是传统阳极的1.3倍，大大改善了阳极材料的机械性能.阳极极化曲线数据显示Al棒Pb-0.2% Ag/PbO2阳极在电积锌体系中具有较低的析氧电位(1.35 V vs MSE，500 A·m-2)和较高的交换电流密度(7.079×10-5 A·m-2).循环伏安曲线和交流阻抗数据显示Al棒Pb-0.2% Ag/PbO2阳极具有较高的电催化活性、较大的表面粗糙度和较小的电荷传质电阻.在电积锌实验中，栅栏型Al棒Pb-0.2% Ag/PbO2阳极相比传统Pb-0.2% Ag阳极平均槽电压下降了75 mV，而且大大减少了阳极泥的产生

非刚性图像配准一直是计算机视觉领域的研究重点. 为解决上述问题, 提出一种改进的光流场模型算法, 以提高光流估计的准确度. 算法首先对原始变分光流模型进行了改进, 提出利用新的各向异性正则项来代替原来的同向扩散函数, 以避免图像模糊, 保留图像的边缘特征与细节特征; 此外, 通过引入包含邻域信息的非局部平滑项来去除光流噪点, 同时增加了一个结合图像结构与光流运动信息的权函数, 以减少过平滑所造成的细节丢失, 提高算法的鲁棒性. 最后, 利用交替最小化与金字塔分层迭代策略相结合的方法求解位移场, 实现非刚性图像的自动配准. 仿真实验结果表明, 与传统方法相比, 本文算法对不同类型的非刚性图像均具有较高的鲁棒性, 取得了理想的图像配准效果

通过采用一步纳米金属颗粒辅助化学刻蚀法(MACE)成功制备了多孔硅纳米线, 并主要研究了硅片掺杂浓度、氧化剂AgNO3浓度以及HF浓度对硅纳米线阵列形貌结构的影响规律. 研究结果表明: 较高的掺杂浓度更有利于刻蚀反应的发生和硅纳米线阵列的形成, 这是由于高掺杂浓度在硅片表面引入了更多的杂质和缺陷, 同时高掺杂浓度的硅片与溶液界面形成的肖特基势垒更低, 更容易氧化溶解形成硅纳米线阵列; 在一步金属辅助化学刻蚀法制备多孔硅纳米线阵列的过程中, 溶液中AgNO3浓度对于其刻蚀形貌和结构起到主要作用, AgNO3浓度过低或过高时, 硅片表面会形成腐蚀凹坑或坍塌的纳米线簇, AgNO3浓度为0.02 mol·L-1时, 硅纳米线会生长变长, 最终形成多孔硅纳米线阵列. 随着硅纳米线的增长, 纳米线之间的毛细应力会使得一些纳米线顶部出现团聚现象; 且当HF溶液浓度超过4.6 mol·L-1时, 随着HF酸浓度的增加, 硅纳米线的长度随之增加. 同时, 硅纳米线的顶部有多孔结构生成, 且硅纳米线的孔隙率随HF浓度的增加而增多, 这是由于纳米线顶部大量的Ag+随机形核, 导致硅纳米线侧向腐蚀的结果. 最后, 根据实验现象提出相应模型对多孔硅纳米线的形成过程进行了解释, 归因于银离子的沉积和硅基底的氧化溶解

基于图像处理的方法，采用了由粗及精的瞳孔定位思想，提出了一种高精度的瞳孔定位算法。该算法首先利用瞳孔区域的直方图，采用改进的最大类间方差法自适应地分割瞳孔区域，实现粗略定位，然后利用瞳孔灰度的梯度特性来精确定位瞳孔边缘点，最后在像素级瞳孔边缘点的基础上，采用亚像素定位方法，更精确地求得亚像素级瞳孔边缘点，并通过椭圆拟合的方法来精确确定瞳孔的中心位置。另外，针对瞳孔被遮挡的情况，本文提出了一种等距离补偿瞳孔的方法。多次实验结果证明了该算法对遮挡瞳孔的定位有较强的鲁棒性，可以准确地定位瞳孔的位置

以电炉镍铁渣和普通高炉渣为主要原料，采用Petrurgic一步法制备了微晶玻璃，并结合力学性能测试，对样品进行了X射线衍射(XRD)、扫描电镜(SEM)等分析，讨论了电炉镍铁渣和普通高炉渣配比、Mg2+含量以及晶核剂TiO2对成品微观结构及性能的影响规律.结果表明：将熔渣冷却至900℃结晶和650℃退火，能够制备出性能优良的微晶玻璃.当Mg2+含量增加且析出晶体为单一辉石族矿物时，微晶玻璃具有较高的力学性能.电炉镍铁渣或Mg2+含量增加，会导致其辉石族矿物含量增加，当两种渣混合掺量达到90%(镍铁渣质量分数50%，高炉渣质量分数为40%)且外掺2% MgO时，所制备微晶玻璃结构致密，仅含有单一辉石族矿物，包括透辉石、普通辉石和斜顽辉石，从而具有最优的力学性能，其抗折强度达210 MPa，抗压强度达1162 MPa.电炉镍铁渣或者MgO含量进一步增加，会导致镁橄榄石析出，此时微晶玻璃的力学性能显著下降.TiO2含量的增加不改变微晶玻璃晶体种类，合适掺入TiO2(本实验为质量分数2%)能够增强透辉石含量，提升性能；但过量掺入会抑制晶体生长，导致其性能下降

以硫酸锌、醋酸锌和氢氧化锌为原料，制备出氢氧化锌前驱体和氧化锌晶种，在微波水热条件下快速合成了氧化锌纳米棒。通过X射线衍射（XRD）、扫描电镜（SEM）、透射电镜（TEM）和紫外?可见分光光度计（UV-vis）对氧化锌纳米棒的形貌、结构和光学性质等进行了表征，并通过降解罗丹明B（RhB）测试了样品的光催化性能，探讨了微波辐射作用对产物的催化活性的影响。实验结果表明，氢氧化锌作为前驱体在微波作用下30 min，生成为基于氧化锌纳米棒自组装的三维笼状结构，与常规方法制备的氧化锌纳米棒相比，微波辐射作用下生成的样品结晶度更高。紫外?可见分光光度计结果表明微波辐射会导致合成的氧化锌纳米棒吸收边红移，缩小带隙能量，从而提升氧化锌纳米棒的催化活性。光催化测试表明微波辅助合成的氧化锌纳米棒具有更好的可见光吸收特性，在紫外和可见光照射下，对罗丹明B都具有较好的降解效率，在紫外光照射下80 min内罗丹明B的降解率可达到98.5%。这种微波辅助的合成方法能够在短时间内合成大量的氧化锌纳米材料，具有高效批量制备、清洁环保等优点

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪