谈如何改善沥青路面工程的质量问题

本文是作者结合多年公路沥青路面的工作实践，对沥青路面早期破坏原因作了简要的分析，并提出沥青面层混合料的设计和施工质量问题在沥青路面早期破坏中的重要性。     

在线测量刀具图像调焦特性的镜头对比研究

光学系统是在线高精度视觉测量系统的重要模块,其中远心镜头的引入导致对焦不准、系统复杂度和成本大大提高等问题。文章以实验室搭建的视觉测量系统为平台,采用平行背光源,分别用远心镜头和普通镜头对数控铣刀进行了直径测量。根据清晰度比率、灵敏度、局部极值因子等评价指标对两类镜头环境下的Tenengrad函数特性进行对比分析。结果显示,非远心镜头在灵敏度、分辨率和鲁棒性更占优势,高达35%左右,而远心镜头具有更好的曲线性,超出30%左右。考虑到该在线测量系统应用于复杂工业环境中,应选择分辨率、灵敏度和鲁棒性均占优势,且成本更低的非远心镜头。     

深圳岩溶地区建筑工程溶洞处理技术探讨

深圳岩溶地区的地质情况复杂,且普遍为岩溶强发育。文章针对深圳岩溶地区常见溶（土）洞分布情况,参考以往工程经验,结合实际案例,总结了相应的溶（土）洞处理措施。其中,浅层溶（土）洞,可采用碎石或注浆进行置换回填;桩身溶（土）洞,对于探明的溶（土）洞,当洞深在2.5 m以下时,可采取回填片石、粘土并配合冲孔机小冲程冲打措施处理;当洞深大于2.5 m时,可采取灌注水泥浆或填充C20混凝土进行处理;对于未探明的溶（土）洞,以确保成孔为原则,或反复投入黏土加水泥,快速回填C20混凝土或速凝混凝土;对于能成孔的桩身溶（土）洞,建议在成桩过程中利用桩身混凝土填充;桩端持力层下方溶（土）洞可采用高压喷射洗孔后注浆填充方法进行处理。文章总结的溶（土）洞处理措施对于提升岩溶地区内的地基基础工程施工质量具有重要参考价值。     

在线视觉测量系统的刀具图像去抖动方法研究

研究视觉采集图像时由于机床电动机振动导致的刀具图像抖动问题。对比研究3种经典图像去抖动方法,在自适应L-R算法的基础上,针对自适应L-R算法的耗时性,结合金字塔的结构,研究一种自适应L-R算法—金字塔相结合的去抖动方法,以图像复原质量的主观评价方法和客观评价参量为标准,对该算法的实现进行定性认识和定量分析。同时以实验室自主研发的在线视觉刀具测量系统为对象,对算法实现进行实验验证。此算法具有较高的PSNR值和MSE值,而且计算时间骤减。通过在线刀具图像的采集和算法的实现,验证此算法具有去抖效果。     

基于Bezier拟合的射线检测焊缝缺陷指数和峰谷指数的计算

为了进一步论证Bezier拟合对射线检测中焊缝缺陷指数(DI)和峰谷指数(PVI)的重要性和影响特性,系统地分析了Bezier拟合的特点和作用、DI和PVI的定义及计算方法等,以实际的工业焊缝射线检测图像为例,开展了在不同方法下的拟合对比试验和不同缺陷下的DI和PVI计算对比试验。试验结果表明,采用Bezier拟合方法不仅可巧妙地滤除射线检测图像的噪声和局部波动,而且可准确地反映缺陷引起的局部畸变,使DI和PVI的计算更精准。     

等离子喷焊方法与热锻模Ni60-Cr_3C_2覆层的制备

采用等离子一步喷焊法和二步喷焊法,在热锻模膜腔内,用Cr3C2含量分别为10%、20%和30%的Ni60-Cr3C2粉末制备覆层;并对覆层进行显微组织分析和显微硬度测试,以及覆层的热物性参数进行检测。实验结果表明,采用等离子一步喷焊法,配比为90%Ni60+10%Cr3C2的粉末得到涂层性能最好,同时具有良好的显微硬度和热物性。     

基于向量集约简的精简支持向量机

目前的支持向量集约简法在寻找约简向量的过程中需要求解一个无约束的多参数优化问题,这样,像其他非线性优化问题一样,求解过程需要面对数值不稳定或局部最小值问题.为此,提出了一种基于核聚类的SVM(support vector machine)简化方法.此方法首先在特征空间中对支持向量进行聚类,然后寻找特征空间中的聚类中心在输入空间中的原像以形成约简向量集.该方法概念简单,在简化过程中只需求解线性代数问题,从而解决了现存方法存在的瓶颈问题.实验结果表明,该简化法能够在基本保持SVM泛化性能的情况下极大地约简支持向量,从而提高SVM的分类速度.     

面向超大数据集的SVM近似训练算法

标准SVM学习算法运行所需的时间和空间复杂度分别为O(l~3)和O(l~2),l为训练样本的数量,因此不适用于对超大数据集进行训练.提出一种基于近似解的SVM训练算法:Approximate Vector Machine(AVM).AVM采用增量学习的策略来寻找近似最优分类超平面,并且在迭代过程中采用热启动及抽样技巧来加快训练速度.理论分析表明,该算法的计算复杂度与训练样本的数量无关,因此具有良好的时间与空间扩展性.在超大数据集上的实验结果表明,该算法在极大提高训练速度的同时,仍然保持了原始分类器的泛化性能,并且训练完毕具有较少的支持向量,因此结果分类器具有更快的分类速度.