—种基于特高压工程的图像识别算法研究

阐述提出一种基于特高压工程的图像识别算法，通过对原始图像高斯低通滤波、平滑、亮度拉伸以及增强预处理，降低原始图像噪声，并且使图像亮度增强，探讨选取色调、饱和度以及亮度作为图像特征向量，利用模糊数据自相关函数对特高压工程图像特征进行提取。在此基础上对将图像特征向量映射到图像上，并且对特高压工程图像特征进行匹配，识别到图像中的目标。     

基于KNN算法的不良步态分类

针对不良的步态会对下肢的关节产生不利的影响(加重行走的负担,能量消耗过快等),以及加重患病的风险,提出了利用KNN(k-nearest neighbor)算法对足外8和足内8两种不良步态与正常步态(对照组)进行分类学习,获取分类模型.三种步态的三维步态数据是从17名受试者在正常行走期间通过3D运动捕捉系统获得的,KNN模型对三种步态识别的总正确率为81.7％,对足外8步态的正确率为92.8％以及足内8的正确率为91.0％.模型的正确率较为准确,可以为矫正不良步态提供有力支持、减少不良步态的检测成本.     

一种基于YOLO算法的口罩佩戴检测研究

介绍了机器学习的基本概念和常见类别(有监督学习、无监督学习、强化学习),介绍了深度学习的概念、基本技术以及它与机器学习的关系,研究了基于神经网络的的YOLO算法在实际生活中的应用,如检测目标人物是否佩戴口罩,并对实际模型的性能进行评估及模型优化方向作思考.     

数字电子技术实验“线上-线下混合”教学改革

在“移动互联网+课堂”的大势趋动下,针对现在“数字电子技术实验”教学存在的教学模式落后,教学手段单一,教学内容简单、以及考核不够全面等问题,借助超星泛雅 “一平三端”平台进行“线上-线下混合教学”改革。通过课前发布任务、课中有效组织课堂活动、课后发布作业、统计数据和教学反思进行。实践表明：该方法提高了学生的自主学习能力,并且增强了教师对学生学习情况的动态跟踪和过程性指导,同时也让课堂教学更有效,教学评价方式更有针对性、更精准,最终达到知识、技能和情感态度价值观的培养。     

3D视觉和扫描技术在内星轮冷精整生产中抓取和测量应用实例

在传统工业生产快速朝着智能化和数字化转型发展的今天,各类智能化技术层出不穷;随着近些年3D视觉以及3D扫描技术的不断发展和成熟,相关的技术也越来越多的被运用到智慧物流、快速扫描测量、AI等领域;3D视觉技术能帮助传统工业机器人完成更加复杂的动作,并通过算法实现深度学习,并具备快速计算运动路径的能力;比如依靠3D视觉技术,实现工业机器人对于上、下料动作路径的运算,实现物料的无序抓取,被抓取的物料可以随机无需排列摆放,这在以往工业运用中是难以实现的。     

一种改进启发式算法在解决组合优化问题中的应用

启发式算法是解决组合优化问题的良策,介绍了一种改进的启发式算法和该算法在解决组合优化相关问题上的应用,分析该算法的详细流程,并通过仿真实验验证该算法的性能,并对其优势和不足进行了分析。     

分子膜/混合有机酸复合解堵技术在姬塬油田欠注井的应用

针对姬塬油田欠注井现象日益严重、堵塞物类型复杂造成常规酸化无法同时解除多种堵塞等问题，从堵塞物分析和解堵机理入手，研究了一种适用性较广的分子膜/混合有机酸复合解堵体系，主要由混合有机酸、新型分子膜、解聚剂和助剂组成。实验结果表明，该复合解堵体系具有优良的解堵性能，对现场垢样的溶垢率普遍能达到80%以上，对聚合物的降黏率可达到90%以上，适用于深部解堵，且能够有效避免二次沉淀的产生。现场应用效果表明，分子膜/混合有机酸复合解堵技术能够有效降低注水压力，提高日注水量，适用于大部分欠注井的地层改造。     

自适应融合层级特征的混合退化图像复原算法

多种退化类型混合的图像比单一类型的退化图像降质更严重,很难建立精确模型对其复原,研究端到端的神经网络算法是复原的关键.现有的基于操作选择注意力网络的算法(operation-wiseattentionnetwork,OWAN)虽然有一定的性能提升,但是其网络过于复杂,运行较慢,复原图像缺乏高频细节,整体效果也有提升的空间.针对这些问题,提出一种基于层级特征融合的自适应复原算法.该算法直接融合不同感受野分支的特征,增强复原图像的结构;用注意力机制对不同层级的特征进行动态融合,增加模型的自适应性,降低了模型冗余;另外,结合L1损失和感知损失,增强了复原图像的视觉感知效果.在DIV2K,BSD500等数据集上的实验结果表明,该算法无论是在峰值信噪比和结构相似性上的定量分析,还是在主观视觉质量方面,均优于OWAN算法,充分证明了该算法的有效性.     

岩移沉降观测中数据缺失的一种估算方法

在矿区的岩移沉降观测过程中,由于环境、人为等原因导致观测数据缺失问题,损害了整体观测数据的完整性,影响后续沉降趋势预测.文中提出了一种最大期望算法,通过计算极大似然估计,交替执行E步和M步,最终得到观测缺失数据填补值.利用某矿区实测数据进行实验,对比分析发现最大期望算法对缺失数据填补更接近实际测量值,在实际应用中有一定参考价值.