应用数字图像相关方法对高温条件下物体面内位移场进行快速、高精度测量.采用532 nm面阵激光作为照明光源配合532 nm窄带滤波与可调式衰减片组成的光学处理系统,很好地解决了高温情况下成像难题.介绍了人工散斑的制作方法,采用耐1000℃高温的高温墨作为散斑的制作原料,制作了可在1000℃高温情况下清晰的利于图像相关计算的散斑图.搭建了高温条件下物体面内位移的检测系统,分别做了常温下亮度不同的千分尺移动位移检测实验和喷灯对钢板持续局部加热到1000℃热变形场的测量实验.实验结果证明本系统具有抗干扰能力强、计算精度高以及便于实现的优点,可用于常温及高温条件下物体位移或变形场的测量

从烟草根际土壤中成功筛选出10株解钾细菌,并选择其中四种透明圈明显且生长量较大的菌种进行了解钾活性测定,其中解钾细菌GJ07的发酵液中K+离子质量浓度高出空白对照组54.5%.对GJ07进行16S rDNA的鉴定,确定其为巨大芽孢杆菌.采用批量发酵培养,通过改变碳源、氮源、碳氮比、温度、pH值、装液量等研究了解钾细菌GJ07生长的优化控制条件.结果表明蔗糖和蛋白胨为GJ07生长的最佳碳源和氮源（碳氮质量比为10：1）,最适宜生长温度为35℃,最适宜初始pH值为7.00,最佳装液量为25 mL

橡胶衬板不受腐蚀,但受到浓酸的损害。今天,不同的磨矿场所,采用不同质量的橡胶,获得最好的经济效果。橡胶衬板不能仿照船舵型或波形锰钢衬板的形状。找出正确的压条衬板（提升棒）的间距和高度的比率是很重要的。就磨损观点来看,橡胶衬板最重要的磨损因素是给矿粒度,磨矿介质尺寸,磨机转速和简体直径。当从钢衬板改为橡胶衬板时,人们通常不愿意改变这些因素。一般认为,采用的钢球尺寸越小,磨矿效率越好。二段磨矿机应用橡胶衬板总比钢衬板得到更好的经济效果。棒磨机用橡胶衬板获得良好的经济效果

针对目标跟踪中的物体遮挡、光照影响、杂波扰动等问题,设计一种基于最小费用流建模的跟踪器.该跟踪器把整数规划与最小费用流模型相结合,将目标跟踪问题转变为可解的线性规划问题.与其他同类型跟踪器相比,该跟踪器具有更好的跟踪准确性.实验结果表明:运用最小费用流模型的跟踪器可以对复杂环境下的多个目标进行稳定跟踪,提升了跟踪的鲁棒性

作为图像局部特征区域的有效描述方法,局部二值模式是目前对二维图像最有效的纹理分析特征之一.本文提出了基于局部二值模式特征的稀疏表示人耳识别方法.该识别算法首先提取训练人耳图像的局部二值模式特征描述子作为稀疏表示的字典,然后将测试样本的局部二值模式特征描述子表示为字典中所有局部二值模式原子的稀疏线性组合,最后通过求解稀疏表示模型得到稀疏编码系数,根据测试人耳图像的重建误差进行识别.在UND-J2人耳库和USTB人耳库上的实验结果表明,基于局部二值模式特征的稀疏表示人耳识别方法对人耳图像光照变化、姿态变化以及人耳遮挡具有更好的鲁棒性,实现了更高的识别率

本文介绍采用Cromemco System Ⅲ(Z-80)微型计算机软件代替可逆可控硅逻辑无环流控制系统中的模拟速度调节器(ST),和模拟电流调节器(LT)及四象限逻辑切换运算器;对可逆可控硅直流调速系统进行直接数字控制(DDC)的原理、方法,并给出简单程序框图和实验结果。通过实验和波形拍照说明采用微型计算机控制直流电动机可逆调速系统是可行的,而且是可靠的,达到了予期的效果

将喷涂法应用于制备染料敏化太阳能电池光阳极，具有浆料制备简单、易操作、成本低廉等优势.本文以钛酸丁酯和P25为原料配制浆料，采用喷涂法制备二氧化钛薄膜，选择乙二醇作为造孔剂，探索了乙二醇的最佳加入量.通过对电池I-V曲线，二氧化钛薄膜表面粗糙度、染料吸附量和漫反射谱，以及光阳极的扫描电镜照片和交流阻抗图谱的分析，得到如下结果：当乙二醇与钛酸丁酯的体积比为1：1时，二氧化钛薄膜的粗糙度最大，即孔隙率和比表面积最大，因此染料吸附量达到1.47×10-7mol·cm-2，电池性能最好，其中开路电压为0.69 V，短路电流为13.0 mA·cm-2，光电转化效率达到5.38%，比不加造孔剂时增加了将近1倍，此时电子的扩散转移电阻也最小

铁水扒渣检测系统是一套基于机器视觉的扒渣评级系统,其主要作用是采用高分辨率摄像器观察铁水罐中实时情况,通过工控机采集成像,分析图像中铁渣的厚度和范围,并对照评级工艺条件评判出扒渣的等级.本系统提高在线扒渣等级评判的自动化水平,降低工人经验判别不稳定因素的影响,实现工人的劳动保护

本文研究了浸渗时间对铁基渗铜烧结合金机械性能(拉伸强度、抗弯强度、冲击韧性和硬度)及组织结构的影响。试验采用Fe-Cu-C基体骨架,采用通用的Cu-Mn-Fe浸渗剂。采用二步法浸渗。子烧是在分解氨保护气氛中于1150℃保温一小时;浸渗采用氢气保护,浸渗时间分别选择了5分、10分、20分、30分、45分、60分、90分、120分和180分九个不同的时间,浸渗温度1120±5℃。试验结果用性能变化曲线和金相组织照片表示出来,并对该变化曲线和组织结构进行了分析讨论

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