基于ICP算法的非合作目标特征点云配准优化

针对视觉测量中非合作目标无法提供合作信息从而引起的位姿测量问题,采用ICP(Iterative Closest Point)算法配准不同时刻获取的点云降采样数据来完成目标的相对位姿测量。利用运动恢复结构算法获取了目标当前时刻的点云数据并比较了基于阈值匹配与光流匹配的特征点匹配算法,利用三角测量法对提取到的特征点进行重建,同时将点云数据进行降采样处理,根据降采样后的点云数据计算出不同时刻目标的相对位姿关系。实验表明当物体发生旋转运动时,对降采样数据利用ICP算法计算得到的目标绕坐标轴旋转角度最大误差不超过0.11º。     

基于视觉关注模型与多尺度MSER的自然场景文本检测

自然场景中文本检测易受光照、复杂背景、多语言文字、字体及尺寸等因素影响，该文提出了一种基于Itti视觉关注模型与多尺度最大稳定极值区域（maximally stable extremalregion,MSER）结合的自然场景文本检测算法.首先利用改进的Itti视觉关注模型提取文本特征图，并采用不同结合策略得到各尺度文本显著图；然后结合多尺度的MSER区域得到3种文本候选区域.根据文字与生成文本框的几何规则合并文本候选区域得到文本行；最后利用随机森林分类器除去非文本区域得到最终文本区域.实验结果表明，该方法对于自然场景图像中的文本检测具有较高的精确度和一定的鲁棒性.     

L-半胱氨酸配位合成CdTe量子点的理论研究

本文利用密度泛函理论，研究了L-半胱氨酸及L-胱氨酸在CdTe上的吸附特征. 优化之后分别得到了四种稳定的吸附构型，计算了它们的吸附能、电荷密度、前沿分子轨道以及紫外可见吸收光谱等. 研究发现:L-半胱氨酸在CdTe上的吸附能较大、紫外可见光吸收较强，说明L-半胱氨酸在CdTe上的吸附较稳定，容易产生分子荧光，而L-半胱氨酸转化为L-胱氨酸之后，吸附稳定性降低、紫外可见光吸收强度减弱. 该研究为L-半胱氨酸配体合成的CdTe QDs荧光材料用于生物体内H2O2和葡萄糖的检测提供了理论支撑.     

基于源活度反演计算的γ辐射场数据重构方法

三维辐射场是反映核设施内真实外照射分布的重要数据库,可为核设施现场建立有效的屏蔽措施及确定合理的作业方案提供数据基础。为了重构出与实际较为相符的三维γ辐射场,结合点核积分理论,该文利用最小二乘法和Gauss-Seidel迭代算法,建立了基于源活度反演计算的γ辐射场重构方法,研究了所选取测量点位置对源活度反演结果的影响,并结合某核电现场的实地测量数据对该重建方法进行了实验验证与计算分析。结果表明:在现场实验中基于源活度反演算法重构出的γ辐射场数据与相对应的测量数据之间的偏差约为10%,能够满足核设施现场辐射防护的计算需要,可为其现场的辐射防护最优化提供技术支持。     

石墨烯量子点的合成及其细胞显影应用

采用柠檬酸作为碳源,通过一步热解法大量合成了石墨烯量子点(GQDs).利用透射电子显微镜(TEM)、原子力显微镜(AFM)、傅里叶红外光谱(FT-IR)、元素分析、紫外-可见吸收光谱(UV-Vis)和荧光发射光谱(PL)等测试手段,对所获得GQDs的形貌、结构、组成、表面基团和荧光性质等进行了表征.研究结果表明,该工作合成的GQDs具有良好的形貌与结构,以及优异的光学性能,而且在金属离子检测领域具有很好的应用,特别是对于铁离子(Fe~(3+))具有高效选择性.此外,所合成的GQDs具有很低的细胞毒性,而且在细胞显影中有着优异的效果,表明其在细胞显影领域具有广泛的应用前景.     

基于深度学习的铝厂工业自动浇筑中的图像识别

将深度学习的图像识别应用到工业生产中是一个重要的应用方向.相比传统图像处理,深度学习在图像识别中具有高识别率、抗干扰性强等特点.首先采用小波变换对图像去噪、归一化,然后利用多层卷积对图像进行特征提取并采用全连接层和softmax分类器进行分类实现图像识别.在铝厂工业自动浇注过程中,对已经浇注完成和未完成的图像进行识别、解决传统图像处理在工业生产中多干扰、亮度不足的情况下难以识别的问题.实验结果表明,采用小波变换与深度学习融合对图像进行识别的识别率可达到91. 88%,基本能满足铝厂工业生产的需要.     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

结合上下文特征和图割算法的车载点云聚类方法

可靠、准确的点云聚类是后续高精度场景目标分析与解译的基础.该文提出了一种基于上下文特征和图割算法的车载点云聚类方法.首先用DBSCAN （density-based spatial clustering of applications with noise）对点云数据进行过分割，得到密度可达的超体素；然后引入空间和属性上下文特征来描述超体素间的关联，并用于定义超体素构建的图模型边的权值；最后基于多标记的图割优化算法得到最佳超体素聚簇.实验结果表明，该方法能够有效改善点云聚类过分割，从而提高聚类的精度.     

叠前深度偏移技术在煤炭地震勘探中的应用

叠前深度偏移技术是解决速度变化地区和复杂构造地区成像的最佳技术方法。因此,本文主要分析叠前深度偏移技术在煤炭地震勘探中的应用。叠前深度偏移的关键是建立好深度域速度模型,再利用矿井资料和深度域构造模型进行约束,从而提高深度偏移的成像精度。叠前深度偏移能提供精确的构造成像,进而提高煤层的地质构造解释精度,为煤矿安全、高效生产提供保障。