浅谈如何加强商品煤样人工采制样的代表性

煤炭产品质量检测是双方贸易结算的重要依据,商品煤样的采制是检测的重要环节,是误差的来源,不当的操作必将导致分析化验结果代表性较差。文章根据对商品煤采制样国标的理解,以及有关方面的理论知识的学习,结合工作实践经验,分析了影响煤样代表性的因素,探讨了在采制样过程中如何保证煤样具有代表性。     

饮用水水质问题及深度处理方法

世界各国经济迅速发展,现代化工业,尤其是合成化工业更是突飞猛进,生产过程中产生大量的化学物质,这些化学物质的大部分通过人类活动进入水体,使接纳水体的物理化学性状发生了显著的变化,日益严重的水污染使得城市饮用水源频频告急,传统的自来水处理流程已经明显无法保证对现有水源的处理效果,面对饮用水有机污染的现状,必须寻求新的深度处理方法。     

一类微分对策制导律离散化执行方法研究

针对一类bang-bang类型连续微分对策制导律,研究了在离散信息模式下的数字执行方法.基于对线性系统和终端脱靶量性能指标的推导,提出一种bang-bang制导律常值最优离散化执行方法,可实现对于传统最优采样保持离散化方法的最好近似,同时可以避免抖振,更易于执行.针对3种连续时间微分对策制导律DGL/0,DGL/1和DGL/C进行了仿真.该方法也很容易扩展到其他bang-bang类型控制律的研究领域.     

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。     

基于多模态深度神经网络的抓取检测方法

针对机器人抓取检测任务中对未知物体抓取检测精度低的问题,本文提出了一种多模态深度神经抓取检测模型。首先,在RGB和深度两个通道中引入残差模块以进一步提升网络的特征提取能力。接着,引入多模态特征融合模块进行特征融合。最终通过全连接层回归融合特征以得到最佳抓取检测结果。实验结果表明,在Cornell抓取数据集上,本文方法的图像拆分检测精度达到95.7%,对象拆分检测精度达到94.6%。此外,本文还通过消融实验证明了引入残差模块可以提高网络抓取检测性能。     

超采样技术在烟支漏气检测中的应用

分析了ZJ112卷烟机漏气模拟量检测采用单片机处理存在的一些问题,提出了采用基于工业计算机(IPC)的超采样技术的解决方法.对烟支漏气检测模拟量的超采样技术进行了分析,给出了部分IPC超采样程序及数据处理方法.超采样技术在卷烟机额定速度下进行测试表明它能满足设计要求,具有良好的开放性、可扩展性,避免了原系统存在的不足.     

油品采样对原油交接的影响

石油及液体石油产品采样法是油品实验方法中的一个基础方法。采样是原油交接工作中不可分割的重要环节,是首项工序,是保证油品化验结果正确的前提条件,在原油交接过程中起到重要作用。本文介绍油田采样的方法、主意事项及安全管理措施。     

高效轧制国家工程研究中心

高效轧制国家工程研究中心成立于1996年10月,是由国家发改委主持成立的首批47个国家级工程研究中心之一。中心依托于北京科技大学建设,主要任务是将科研单位的技术成果进行深度开发与工程化研究,     

基于多尺度特征混合注意力的连续帧深度估计

目的 估计获取拍摄物体到相机之间距离的深度信息是单目视觉 SLAM 中获取深度信息的方法,针对无监督单目深度估计算法出现精度不足以及误差较大的问题,提出基于多尺度特征融合的混合注意力机制的连续帧深度估计网络。 方法 通过深度估计和位姿估计的两种编码器解码器结构分别得到深度信息和 6 自由度的位姿信息,深度信息和位姿信息进行图像重建与原图损失计算输出深度信息,深度估计解码器编码器结构构成 U 型网络,位姿估计网络和深度估计网络使用同一个编码器,通过位姿估计解码器输出位姿信息;在编码器中使用混合注意力机制 CBAM 网络结合 ResNet 网络提取四个不同尺度的特征图,为了提升估计的深度信息轮廓细节在提取的每个不同尺度的特征中再进行分配可学习权重系数提取局部和全局特征再和原始特征进行融合。 结果 在 KITTI 数据集上进行训练同时进行误差以及精度评估,最后还进行了测试,与经典的 monodepth2 单目方法相比误差评估指标相对误差、均方根误差和对数均方根误差分别降低 0. 034、0. 129 和 0. 002,自制测试图片证明了网络的泛化性。 结论使用混合注意力机制结合的 ResNet 网络提取多尺度特征,同时在提取的特征上进行多尺度特征融合提升了深度估计效果,改善了轮廓细节。     

基于ROAMP-Net的大规模MIMO系统智能信号检测方法

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统存在的信号检测计算复杂度高、检测精度不足等问题,参考OAMP-Net算法思想,引入残差结构,提出了一种新的智能信号检测网络模型ROAMP-Net。将正交近似消息传递(orthogonal approximate message passing,OAMP)估算信号的迭代过程展开为深度学习网络,同时引入残差结构,分别对各网络层的线性和非线性估计值进行逐层修正,有效防止估计误差的前向传播和过程积累,避免网络模型随着网络层数增加而发生性能退化,从而提高最终信号检测的准确度。针对不同调制方式和不同天线阵列的系列仿真实验结果表明,不同调制方式和天线阵列下ROAMP-Net在检测准确度上均有不错的性能表现。