基于ARM的智能组合开关的研究

本文详细的阐述了集电动机智能综合保护、控制、通讯为一体的智能组合开关的工作原理、软硬件设计及关键技术。经现场使用情况表明,该组合开关具有很好的应用前景。     

基于煤矿瓦斯浓度的窄带光源谐波检测技术研究

在对煤矿瓦斯气体浓度的检测中,由于噪声、气体的吸收峰很窄、光源波长随温度的漂移等原因将引起测量的不稳定,通过采用对激光器的中心波长和气体吸收峰中心波长对准,测量光经过气体时的损耗就可以检测气体的浓度,利用一次谐波作为误差信号,可将光源精确地锁定在气体吸收峰上,并给出了窄带光源谐波检测的理论依据.实验结果表明,该方法可应用于甲烷气体浓度的光谱测量,它具有高精度、强选择性、快速响应等特点.     

加强“三个环节”的新型教学模式来增强大学生的能力培养

在当今金融危机的时刻，大学生的就业显得尤为重要，围绕大学生就业及创业能力培养这一主旨，构建了“三个环节”的新型课堂教学管理模式，来培养大学生的创业能力，通过处理好三个环节在大学生创业能力培养过程中的关系，来实现教学管理优化及学生创业能力提高的共同效果。     

采用圆投影和序贯相似检测的图像匹配技术

针对现有的高精度匹配方法复杂度较大,现有的圆投影匹配方法在实际应用中计算量高、速度慢的缺点,提出了一种新的图像匹配算法.该算法基于序贯相似检测原理,采用由粗到精的匹配策略,应用步长自适应的跳跃式搜索方法,在不影响匹配精度的前提下,跳跃了大量匹配点,减小了在非匹配点处的计算量.实验结果表明,与已有的基于不变矩的匹配算法、圆投影匹配算法相比,该算法具有较高的匹配精度,且匹配速度快.     

基于LIF技术的煤矿水源识别系统应用

本文主要叙述LIF(激光诱导荧光光谱分析)技术的基本原理以及在水源识别中的应用,重点分析LIF技术的系统构成和主要模块的选择设计。通过该系统对某矿的送检水样和标准水样进行荧光实验,得到水样的荧光光谱图。传统的水源识别主要依据水中代表离子的离子浓度进行分析,但是从荧光光谱分析水中代表离子的离子浓度难度较大。本文提出一种较为简单且实用的方法由荧光光谱进行水源的精确识别,即使用相应分析软件分别测量未知水样与标准水样的欧氏距离,得出未知水样的精确分类。对未知水样的水源识别验证了该系统的可行性,解决了当前煤矿无法对突水情况进行实时在线监测的难题,对于煤矿的安全生产具有重要意义。     

基于ARM的矿山物联网系统

本文提出一种矿山物联网的构想,以ARM为处理器,嵌入式linux为操作系统,用简单易用的boa服务器组网,将各个分站点连接起来,可以在ARM外扩展GPRS和RFID模块,实现井下的无线数据传输,和远程的无线控制,即可以实现在手机,PAD等手持设备上查看并控制运行状态.并且在PC机上进行了网络摄像头的测试,效果很好。     

以CPLD教学促进学生实践创新能力的培养

从工科院校培养实践创新人才的角度出发,结合CPLD教学内容的改革,在培养和提高学生工程实践能力和创新意识方法上,总结了教学改革探索的实践经验。     

基于PDA全站仪地形测量实时成图系统开发与设计

测绘工程的工作其实是一种数字与计算相结合的成果形式,是利用测绘仪器采集必要数据并进行一定的计算按一定的格式存储起来的数字或图件。早期测绘行业一直使用手工记簿的形式采集测绘信息。随着电子技术的发展,计算器被广泛地应用在了大地测量行业中,逐渐地取代了原始的手工记簿,然而计算机技术的日新月异使得测绘外业记簿器及记录程序在不断地被淘汰和更新。本文以最新的PDA产品为例设计了在全站仪进行大地测量外业及记录程序的开发应用,探索发展方向并提出解决这一问题的经验和看法。     

基于卷积神经网络的图像风格迁移算法研究

针对Gatys的图像风格迁移算法做了两个方面的改进,首先提出了一种更加适用于风格迁移的卷积网络结构,相较于其他的预训练卷积神经网络模型减少了95％的参数数量,降低了22％以上算法运行时间;其次对风格迁移的风格损失函数部分做了改进,可以使一幅内容图像同时迁移多种不同的画作风格.     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。