改进YOLOX在行人目标检测中的应用研究

针对现有算法在行人目标检测中存在精度低、速度慢、算法鲁棒性有限的问题，提出了一种基于深度神经网络目标检测算法YOLOX-L改进的行人目标检测算法YOLOX-H.使用改进型的主干特征提取网络HarDNet85替换原有的CSPDarkNet53,新的主干特征提取网络相较于原有的网络具有更强的特征提取能力以及更快的速度，同时提升了网络检测较大目标的能力.在HarDNet85卷积神经网络中引入了Softplus激活函数提升算法的检测精度，构建了CityPersons、PRW、ETHZ和MOT17多场景的联合数据集，以提升网络对于行人目标检测的鲁棒性.在联合数据集上的实验表明：YOLOX-H相比于YOLOX-L,每秒检测帧数(FPS)提高了32.95%,检测精度提高了3.1%,大目标检测精度提高了6.9%.     

介孔CoFe/CeO2催化剂CO2与甘油干重整制合成气的实验研究

利用生物柴油副产物甘油和CO₂干重整制取高附加值合成气，关键是高性能催化剂的选择和研究。通过胶体溶液燃烧法制备了CoFe/CeO₂催化剂，在固定床反应器中，温度范围650～800 ℃条件下，研究了CO₂与甘油干重整过程中的催化活性和稳定性。结果表明，胶体溶液燃烧法制备的CoFe/CeO₂催化剂具有典型的介孔结构，比表面积为33.4～40.8 m²/g，表现出了活性组分Co-Fe与载体CeO₂较强的相互作用。 7CoFeCe显示出了较好的干重整催化性能，750 ℃下甘油转化率达84.8%，CO₂转化率达19.9%。随着温度的升高，CO₂转化率提高，在800 ℃下，CO₂转化率达到了30.3%，表明高温有利于逆水汽变换反应。稳定性实验表明，介孔CoFe/CeO₂催化剂具有较好的干重整稳定性。     

综述:基于热解MOF衍生物的电磁波吸收剂

日益严重的电磁污染多年来一直困扰着电磁能量耗散领域的研究人员，有效地解决这一问题变得越来越重要。金属有机骨架(MOF)作为功能材料中的一颗璀璨之星，因其具有高度可调的孔隙率、结构和通用性等优点而备受关注。MOF衍生的电磁波(EMW)吸波材料具有重量轻、匹配厚度薄、容量大、有效带宽宽等优点，被广泛报道。然而，目前的研究缺乏基于热解MOF衍生物的电磁波吸收剂的系统总结。在这里，我们详细地描述了制备MOF衍生EMW吸波材料的电磁(EM)能量耗散机理和策略。在此基础上，提出了如下方法来调整MOF衍生物的电磁参数，以实现良好的电磁能量耗散:(1)改变金属和配体以调节前驱体的化学成分和形貌；(2)控制热解参数(包括温度、升温速度和气体气氛)以控制衍生物的结构和组分；(3)与增强相复合，包括碳纳米材料、金属或其他MOF。     

基于深度学习的盾构隧道渗漏水病害混合样本集构建与精细分割

渗漏水病害是盾构隧道运营期间最为常见的一种表观病害，对隧道结构安全与周边地层稳定具有不利影响.基于深度学习的图像病害识别方法，构建了包含检测装置与人工巡检两种方式采集图像的混合样本集.以平均准确度为评估指标，训练得到Mask R-CNN深度学习模型的分割准确度达到0.447,优于原样本集(0.386)与扩容样本集(0.403).考虑隧道渗漏水病害形态复杂的特点以及不同病害间较大的特征差异，进一步采用条件卷积动态生成的分割模型参数代替Mask R-CNN模型中静态的模型参数，提高了模型的分割速度与精度.以每秒运算图像数量(Frames Per Second, FPS)为评估指标，模型分割速度由7FPS提升至10FPS,且分割结果与病害真实轮廓更为接近，从而有利于对渗漏水病害的严重程度进行量化分析.