1、课程简介: 植物生理学是一门实验科学,它的一切结论都源于科学实验,学生通过 实验,可以做到手、脑并用,无论是重新演示前人的某些结论还是利用所学的实验技术得出某些新结论,对初学者来讲,都是一种创造性的劳动,这种学习方式是读书、听课所绝对不能代替的,因此实验课程是一门培养学生综 合能力的非常重要的课程。 2、地位和任务: 近年来,实验课越来越受到学者们的重视,是学好植物生理理论必不可 少的教学内容。随着国家教改的进行,实验课在教学中的比例也不断增加, 这方面应该引起学生的重视

硬薄膜往往具有较脆的特性，在过载时易发生脆性断裂.本文研究了硬薄膜/软基体在锥形纳米压头作用下的断裂模式.利用等离子体化学沉积法在聚二醚酮基体上沉积生成类金刚石薄膜.使用纳米压痕法对其进行实验研究，实时记录纳米压头压入样品过程中所受的载荷以及位移.载荷位移曲线中有若干间断点，代表着裂纹的形成和扩展.压痕实验完成后，通过扫描电子显微镜和聚焦离子束观察发现，类金刚石薄膜压痕处出现规则的贯穿厚度的环形裂纹和径向裂纹.最后，利用有限元法分析了硬薄膜/软基体在锥形压头作用下的应力分布，通过cohesive单元模拟环形裂纹的起始和扩展.结果表明：环形裂纹是由薄膜表面较高的径向拉应力引起的，较高的径向拉应力发生于压头和薄膜表面接触区域的外侧；径向裂纹则是由薄膜在界面附近较大的拉应力引起的.并且，各圈环形裂纹的半径基本呈线性递增，这和实验观测基本相符

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度

本文在考察影响冷轧辊破损的力学因素中选用了缺口和裂纹两种试样进行断裂韧性测试。结果发现对于冷轧辊材料(高硬度,εF≈0)其K1C ≤ 2/3 Kρc(ρ=0.06毫米),即K1C和Kρc值差别较大。故本文认为有的文献提出对于低韧性材料(εF≈0)可用细切口试样代替裂纹态试样测定K1C值不是普遍可行的。这一事实在工程实际中是重要的。在实验分析中,本文主要参考了Tetel man.A.S和Yokobori.T的分析工作,采用了弹塑性宏观力学的方法,近似分析缺口试样弹塑性应力场,建立有关断裂判据,所得结果较好解释实验现象,并可作为Kρc计算的估值公式,亦可供分析缺口断裂问题参考

自上个世纪后半叶以来,人类科技便以人可阻挡之势迅猛向前发展。而其中最具代性 的当数计算机科学的进步。对于工程界的广大人士而言,这不可不谓是一种福音。在工程实 际应用的诸多领域里,为寻求可靠的、最优的工艺和技术方案,以往所凭借和依赖的直觉、 经验、实验和“尝试法”随着工艺要求的日益严格,追求质量所引发竞争的口臻激烈,已开 始显得力不从心倘若利用计算机这一先进段并辅以相应软件,进行虚拟加工,则可提 高产品加工质量,省时省力,降低成本 ANSYS正是在这样一种大前提下,应运而生它是目前世界范围内增长最快的CAE软 件,也是迄今为止上世界范国内唯一通过SO9001质量认证的分析设计类软件,是美国机械工 程师协会(ASME)、国核安全局(NQA)及近种专业技术协会认证的标准分析软件

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