茜草种子萌发特性的研究

为了解茜草种子的特性,探讨温度、光照等条件对茜草种子萌发的影响,观测了茜草种子的形态、千粒质量、水分含量、吸水率,测定了茜草种子在不同温度条件(15,20,25℃)下,黑暗和光照条件下的发芽率、发芽势.结果表明,室温下茜草种子吸水率在36h达到饱和,为161%;茜草种子在20℃条件下萌发率最高为69%;光照和黑暗条件下茜草种子发芽率和发芽势无显著差异,但在黑暗条件下可以缩短茜草种子的发芽时间.     

矩形钢管混凝土大跨度带悬挑桁架的试验研究

矩形钢管混凝土桁架能充分发挥钢管混凝土的受力性能,是适用于大跨度结构的结构形式。本文通过对2个大尺寸的大跨带悬挑矩形钢管混凝土桁架和矩形钢管桁架模型对比试验,考察了该桁架结构的破坏形态、变形特点和承载性能。试验结果表明,填充混凝土的钢管混凝土桁架试件的刚度提高、变形减小,极限承载力也有所提高,填充混凝土可以有效防止受压钢管壁的局部屈曲,试件破坏受材料的强度控制;采用直接焊接节点连接的钢管桁架和钢管混凝土桁架中腹杆和弦杆在节点处的杆端弯距较大,其对节点承载力的影响不可忽略,在设计中应加以考虑。     

基于模糊熵和结构特征的边缘检测方法

为了使检测的图像边缘结核定位好,并且产生边续的精细边缘,同时能有效滤除边缘图像中的噪声,提出一种基于模糊熵与边缘结构特征相结合的新的图像边缘检测方法。该方法首先将图像的灰度值特征空间转换为模糊熵特征空间,计算出每个像素在模糊熵特征空间的相异测度,结合3×3 邻域内的12种有效的边缘结构,提取图像中每个像素的结构信息测度图像阵列和方向信息测度图像阵列,然后对结构信息测度图像阵列和方向信息测度图像阵列实施非极大抑制,确定最终的边缘像素图像。实验结果表明该方法所检测出的图像边缘细节丰富,单像素宽,定位准确,有较好的抗噪性。     

钯催化多组分反应合成喹啉化合物研究

以芳香醛、芳香胺和二氢呋喃或二氢吡喃为原料,在氯化钯和苄基三乙基氯化铵的复合催化作用下,在乙腈溶剂中进行多组分反应,高收率地合成了一系列的苯并呋喃类喹啉类衍生物和苯并吡喃类喹啉类衍生物,所有产物均通过熔点、IR、1H NMR、13C NMR、MS和单晶测试等手段进行结构鉴定与表征,其中包括12个新化合物.探讨了上述多组分反应的最佳反应温度、最佳催化剂及用量,并推测了可能的反应机理.     

面向环形管道的电力巡检机器人设计与环境建图

在大型水电站中,离相封闭母线（isolated phase enclosed bus, IPB）只能通过预防性试验对设备状态进行检查,难以目视外观检查。为解决这种密闭狭小空间的环形管道的巡检困难问题,提出了一种可在水平、竖直段上行走的轮式攀爬机器人。首先,对攀爬机器人移动和附着方式进行对比分析,根据实际工况,选用轮式推力附着方式并基于该方式对机器人整体结构进行力学分析;通过搭建的模拟IPB管道内的运动实验,结果验证了巡检机器人满足水电站内IPB管道的检修需求且具有良好的适应性;设计基于柱坐标的点云配准方法,解决了管道内无法正确建图的问题,且计算时间优于激光雷达里程计建图 (lidar odometry and mapping, LOAM)及迭代最近点 (iterative closest point, ICP)算法,拓展了激光雷达点云建图的应用范围。     

基于差分自回归移动平均模型、长短期记忆网络模型及相关模型的无人机俯仰角预测

为了提高无人机俯仰角故障数据处理和预测的精确性和可靠性,避免增加无人机试飞成本,利用长短期记忆网络（Long Short Term Memory,LSTM）、注意力机制+LSTM模型和差分自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）模型预测无人机试飞俯仰角故障数据。结果表明,ARIMA预测结果：MAE（Mean Absolute Error）=0.35,RMSE（Root Mean Square Error）=0.73,MAPE(Mean Absolute Percentage Error)=23.80%;LSTM模型预测结果：MAE=0.49,RMSE=0.74,MAPE=45.20%;注意力机制+LSTM模型预测结果：MAE=0.17,RMSE=0.53,MAPE=18.93%。可见注意力机制+LSTM模型比其余两种模型更适合于试飞俯仰角的数据预测,以上三种方法对无人机故障数据预测都具有实际意义,有效的预测可以推进自动飞行器和移动机器人的异常检测或外国直接投资研究的最新进展,以进一步提高自动和远程飞行操作的安全性。     

滴落状血迹形态与滴落高度的相关性研究

滴落状血迹是刑事案件现场常见血迹类型之一,因其包含丰富的信息,在现场分析及重建中是技术人员重点分析的内容.通常,针对犯罪现场滴落状血迹,需要推断是人体何部位出血,是直接形成还是间接形成.其中,推断滴落状血迹的量以及滴落高度是常见的问题.本文在考察已有研究成果的基础上,使用自主研发的测量记录程序进行了大规模的实验研究,并利用SPsS16.0 软件对实验数据进行分析,通过分析得到如下结论:线性回归模型和对数回归模型均能较好地拟合实验数据.而对数回归模型更符合实际情况,结合使用两种模型推算出的高度范围可以作为分析现场滴落状血迹的参考.     

仿生六足机器人步态规划策略实验研究

采用日本弓背蚁进行常规步态实验学研究和仿生学探索,通过对高速数字摄像机采样结果的判断和分析,发现了蚂蚁后足的滑行过程并定义为“滑动相“.此外,还针对蚂蚁直线前进步态给出了合理的步态关系表达式,通过与周期规则步态的对比证明了该式的现实可行性,为仿生六足机器人进行周期不规则步态的规划奠定了理论基础.所采用的实验学研究和仿生学探索相结合的方法能有效提高仿生机器人的技术水平.     

管道缺陷超声导波监测信号匹配追踪去噪

采用超声导波进行管道缺陷监测过程中混入干扰噪声严重影响缺陷反射回波的提取和识别,提出了一种新的管道缺陷超声导波监测信号匹配追踪去噪方法。将Hanning窗调制的正弦波激励信号经过时间平移和幅值调制作为基本原子形成自定义过完备波形字典,对管道缺陷超声导波监测信号进行匹配追踪稀疏分解,提取其中有效成分进行信号重构,经多次迭代实现信号去噪。对有限元数值模拟和实际管道缺陷监测信号分别采用传统小波阈值和提出的匹配追踪法进行去噪处理,结果表明,当信噪比较低时匹配追踪法明显优于小波阈值法,即使在干扰噪声完全淹没缺陷反射回波的场合,仍然可以提取出清晰干净的缺陷反射回波信号,为正确分析和评估现役管道安全运行状况提供了一条新的途径。     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network, PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss, AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks, Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。