摘要：为解决基于聚类算法的视频摘要中存在的需要预先设定聚类中心和聚类数目及选取的关键帧不具有代表性的问题,提出一种基于层次聚类与TextRank算法的静态视频摘要方法。使用层次聚类算法对视频帧进行聚类,利用TextRank算法选取候选关键帧集合,通过求解优化函数选择最终的关键帧生成视频摘要。实验结果表明,该方法生成的视频摘要能够比较全面准确地表达视频内容且冗余度低。

摘要：为准确提取代表视频镜头主要内容的关键帧,减少对视频操作的数据处理量,结合关键帧提取过程中需要人为预先设定阀值以及存在冗余等情况,提出一种基于聚类方法改进的关键帧提取算法。使用层次聚类方法获得初始聚类结果,利用人工免疫聚类方法对聚类结果进行优化,提取相应数量的关键帧。实验分析结果表明,该算法在聚类过程中得到了更稳定的聚类结果,提取出的关键帧具有很好的代表性,有效降低了冗余度。

摘要：论述了低气压放电与微放电的产生机理。以要求在低气压和真空环境下能正常工作的某星载微波固态功率放大器为例,详细介绍了在设计和生产中对低气压放电和微放电所采取的预防措施,重点从放气孔设计、多余物和污染物的控制、结构件设计和表面处理等方面进行了详细论述。对C波段20 W固态功率放大器进行了低气压实验和真空实验,并进行了性能测试。结果表明,产品在实验过程中其幅频特性、频谱和电流与常压状态相同,无异常情况。该产品在卫星实际环境中工作正常,也证实了星载微波固态功率放大器在设计和生产中采取措施的有效性和必要性。

摘要：为准确检测出视频的镜头边界,有效区分突变和渐变镜头,提出一种基于双重检测的镜头分割方法。该方法分初检和复检两个过程,初检是对视频帧进行目标与背景的分离,对目标利用Hu不变矩提取特征并进行检测;复检采用三维颜色直方图对初检结果进一步检测,得到镜头边界;根据突变和渐变镜头的过渡时间不同的特点,提出利用滑动窗口对镜头的过渡时间进行检测。实验结果表明,该方法的查全率和查准率均超过了80%,与其它方法的检测结果相比具有较高的准确性。

摘要：针对数据交换系统中,表数据的迁移顺序问题,提出了一种表集合划分算法,有效解决了数据交换过程中表数据迁移顺序的问题。描述异构关系数据库之间数据更新过程中存在的问题,并说明研究的重要性;详细论述表集合划分的原理,并根据这一原理,给出一个可行的实现算法;通过一个实例完整描述基于XML的数据交换过程,并重点讨论利用表集合划分算法确定表数据的迁移顺序。结果表明,基于表集合划分算法的数据交换方法为数据交换过程中表数据迁移的顺序问题提出了很好的解决方案,也为建立高质量、高可靠性、高效率的数据交换系统奠定了基础。

摘要：针对传送带撕裂检测中对破损目标检测精度不足和检测性能低下的问题,提出一种改进区域卷积神经网络Light-Head R-CNN的传送带撕裂检测方法。将特征提取模块设置为轻量化卷积网络MoblieNetV2有效降低模型参数,采用大尺度卷积核扩大网络感受野,增强模型特征提取能力;引入特征金字塔结构融合不同层次的特征信息,优化模型对微小破损的识别效果;结合注意力机制对特征权重进行调整,突出破损目标的特征信息。实验结果表明,所提算法对传送带破损目标的平均检测精度提高了2.78%,检测速度提高了22.9%,具有良好的实时检测效果。

摘要：介绍了在自动抄表系统的研发过程中,如何利用队列、堆栈及类的多态性技术提高系统的性能,从而实现系统优化运行的方法。

摘要：提出一种基于感兴趣区域特征提取技术的图像情感语义识别模型。着重论述了感兴趣区域的获取、感兴趣区域与非感兴趣区域权重的确定、从RGB颜色空间到HSV颜色空间的转换算法、加权颜色直方图的统计算法以及最终情感聚类的方法。仿真实验结果表明,该模型所实现的底层特征到高层情感语义映射准确率比传统的颜色特征提取技术的图像情感语义识别模型有很大的提高。

摘要：轻型光电载荷在对目标进行搜索、探测、识别、跟踪时,必然要受载机的振动、风阻扰动等干扰因素的影响,造成视轴抖动,视频图像晃动、模糊,降低成像质量,设计合理的隔震系统,提高光电载荷视轴的稳定性和跟踪精度显得尤为重要。从结构设计的角度出发,对隔震系统的隔振理论、工作机理和设计要点进行了详细说明,给出了橡胶减震器和金属橡胶减震器各自的适用范围。振动试验结果表明:金属橡胶减震器设计合理、性能可靠;光电载荷成像质量好、稳定精度高。

摘要：皮带撕裂是皮带机出现的最常见故障之一,直接影响皮带机的安全稳定运行。针对现有的方法大多仅对一种破损类型进行检测的情况,设计了一种基于双时间尺度的多分类深度卷积生成对抗网络的皮带撕裂检测方法。利用CCD相机捕获皮带表面图像,并经数据传输子系统将图像传送到决策子系统;在决策子系统的处理模块,通过去掉生成器的批量归一化操作,由多分类深度卷积生成对抗网络快速得到破损位置和类型;引入双时间尺度更新规则使得模型更快地收敛。实验结果表明,在MS COCO数据集上,多类别平均精确率为95.7%;在皮带图像数据集上,多类别平均精确率为96.9%。