融合人体姿态估计和目标检测的学生课堂行为识别

在课堂教学中,人工智能技术可以帮助实现学生行为分析自动化,让教师能够高效且直观地掌握学生学习行为投入的情况,为后续优化教学设计与实施教学干预提供数据支持.构建了学生课堂行为数据集,为后续研究工作提供了数据基础;提出了一种行为检测方法及一套可行的高精度的行为识别模型,利用Open Pose算法提取的人体姿态全局特征,融合YOLO v3算法提取的交互物体局部特征,对学生行为进行了识别分析,提高了识别精度;改进了模型结构,压缩并优化了模型,降低了空间与时间的消耗.选取与学习投入状态紧密相关的4种行为:正坐、侧身、低头和举手进行识别,该检测与识别方法在验证集上的精度达到了95.45%,在课堂上玩手机和书写等常见行为的识别精度较原模型有很大的提高.     

面向无人机前端轻量级应用的输电线路鸟巢智能检测

为有效治理鸟害，保障线路安全稳定运行，本研究根据巡检拍摄的鸟巢图像具有位置、角度的不确定性和图像背景复杂等特点，利用鸟巢色彩单一的性质，提出一种结合YOLOX与颜色空间的鸟巢检测方法。在前端设备Jetson Xavier NX 里，采用经过调优训练的YOLOX目标检测网络对鸟巢图像检测并截取区域子图；根据颜色空间分布过滤非鸟巢区域，实现鸟巢的精筛。实验结果表明，采用上述方法对测试集中的鸟巢图像进行检测，准确率可达97.20%。     

双并列高层建筑平均风压系数干扰效应分析

基于风洞测压试验，通过改变双并列高层建筑间的间距和风向角，分析双并列且高度不一的高层建筑表面风压分布特性。结果表明，在单栋高层建筑周围加入施扰建筑形成双并列布局后，两建筑相对立面上的风压分布和风压值会发生较大变化。建筑表面的风压极值随着间距的增大而减小，且随着风向角从0°增大至90°，其由自上而下逐级分布逐渐转变为从左到右的规律分布，正负风压极值分别出现在建筑立面左右边缘的拐角处；当风向角为90°时，两建筑立面间形成加速气流，在建筑表面形成较大的负压，影响建筑结构的抗风性能。     

奥连特盆地北部灰岩增厚成因及储层预测分析

厄瓜多尔奥连特盆地是南美地区最重要的含油气盆地之一，油气资源丰富，主要含油气层系为白垩系Napo组砂岩储层，为浅海潮坪相沉积，岩性复杂，发育石英砂岩、海绿石砂岩、灰岩和泥岩，其中3套分布发育稳定的灰岩段（由上至下分别为A、B、C灰岩段），可作为全区对比标志层。Napo组A灰岩段在盆地北部发育较稳定（平均厚度约40 ft），但地震资料显示局部区域存在多个强振幅异常体，实钻结果表明，异常体内A灰岩段地层存在不同程度增厚，严重影响下伏砂体预测。针对奥连特盆地北部白垩系Napo组A灰岩段增厚现象，从区域地质、岩石物理、地球物理特征等方面入手，开展增厚原因分析；将测井与地震结合，以正常沉积厚度下优质砂体地震响应特征分析为基础，通过正演模拟，对不同厚度A灰岩段下砂体地震响应特征开展研究；根据地震正演模拟结果，反复比选，采用基于CRP道集的限角叠加和基于调谐厚度的频谱分解预测技术，可以较好地消除上覆A灰岩段增厚的影响，实钻结果证实了该认识和技术的可靠性。