摘要：将数据挖掘技术应用于流场分析,有可能挖掘出常规数值方法难以发现的复杂流动规律。流场数据与传统数据库数据不同,通常组织为不规则的空间离散点和单元。为建立流场数据挖掘的统一范式,提出了基于特征的流场数据挖掘流程,并设计了两类相应的数据模型组织方式:邻域时空盒模型和连接图模型。使用该框架,对特定Rayleigh-Benard对流现象的数值计算结果进行了关联规则分析。其中涡特征提取使用λ2准则,关联规则提取使用Apriori算法。实验挖掘到了一些非平凡的流场规则,证明了该方法的有效性。

摘要：提出了一种基于韦伯局部特征(WLD)的纹理分类方法。韦伯定律证明了人眼感知能力不仅与刺激的改变相关还与刺激的原始大小相关。而韦伯局部特征正是基于这个原理所设计的,能够很好的反映出纹理的特征。实验表明利用韦伯局部特征进行纹理分类效果明显好于利用其它的图像特征。

摘要：针对高校计算机相关专业C程序设计课程教学质量不高的问题,提出以构建和完善学生知识系统为核心的框架式教学法。该教学法根据学习过程中的认知特点,在重构教学内容的基础上,将教学过程分为2个阶段,第1阶段通过核心知识的讲授帮助学生形成简单知识框架,第2阶段通过反复接触、穿插教学的方式帮助学生不断丰富和完善该框架,最终完成整个课程的教学。

摘要：综合考虑无线网络布局规划节点的主要特点和可视分析的约束条件,研究一种基于规则的网络快速拓扑分析技术,利用网格划分、规则驱动、拓扑分割、节点微调等技术方法实现大型复杂无线网络的自动快速布局和楼层拓扑信号的便捷分析。

摘要：目前许多轴承生产线上利用人工肉眼识别轴承工件号,这样不仅识别效果不好且效率低.在本文设计了一种基于机器视觉的轴承压印字符识别算法,该算法有利于轴承的生产以及后续的管理工作.首先对采集到的图像进行高斯滤波降噪,减少噪声对后续操作的影响;然后利用最小二乘法对ROI圆环进行提取,确定要进行操作的图像区域;接着使用八分之一圆扫描方法将圆环图像展开,使得字符识别操作更加简洁;随后对字符进行切分、归一化;最后使用SVM对字符进行识别.实验表明,该方法能够实现轴承压印字符识别,识别准确率在98%以上,并且具有良好的鲁棒性,系统响应速度快,能够满足工业需求.

摘要：键盘柔性板链路设计与键盘触点功能和外观密切相关,是整个设计中最为重要的环节。传统的键盘布线基本由人工完成,布线周期长、效率低,费时费力、布局线路调整不灵活,无法自动统计布线的数量和总长度。本文详细探讨了键盘智能布线的一些思路和方法,阐述了其重点和难点,最后,展望智能布线技术在该领域的应用和价值。

摘要：针对多孔材料在生产工艺中易出现阻塞和缺角等缺陷,本文设计了一种基于机器视觉的多孔材料表面缺陷检测方法,通过对目标区域的有效分割、模糊度检测、形态学处理和分析等技术手段,实现了该类材料的表面缺陷的快速定位和特征分析.经实验检测,本文算法的准确性和检测效率可以满足工业生产实时检测需求.

摘要：传统边缘检测算法难以处理复杂的图像,而现有基于深度的边缘检测模型,其检测结果往往存在边缘定位错误和信息丢失等现象.针对此类问题,提出一种基于RCF的高精度的边缘检测算法RCF-CLF.首先,引入HDC结构设计用于避免因叠加相同膨胀卷积而引起的网格效应;其次,设计了一种特征增强结构,旨在融合多尺度信息、扩大感受野;然后,设计了跨层融合结构,将高层信息和低层信息融合,用于提取准确的边缘信息;最后,引入注意力机制CBAM,通过聚焦物体边缘区域,抑制非边缘区域,从而提高网络对边缘信息的提取能力.本文在BSDS500和BIPED数据集上评估所提出的方法,与RCF算法相比,在BIPED数据集上,主要指标ODS、OIS和AP分别达到了0.893、0.901和0.945,提高了近5个百分点,在BSDS500数据集上,主要指标也有所提升.此外,与其他同类算法相比,本文算法也具有一定的优势,可以实现更加准确的边缘定位.

摘要：导光板标记线检测是导光板制造品控中的一个重要步骤,但在使用传统图像算法进行检测的过程中,有大量的气泡、严重污染和无标记线的情况存在.因有大量气泡,严重污染和无标记线的情况造成人工特征难以设计,因此,使用基于卷积网络的方法来代替人工特征设计进行缺陷检测.DenseNet卷积神经网络较其他分类神经网络具有参数较少,梯度收敛稳定等特点.因DenseNet卷积神经网络中使用特征融合的思想,保证了图片分类准确率.通过迁移学习的方法,将训练得到的DenseNet网络权重迁移到Bilinear-CNN算法进行训练,提升卷积神经网络局部注意力,提高图像分类准确率.通过实现结果表明,所提方法具有可行性,相比于V2-ResNet-101网络结构,准确率提升至95.53%,参数减少了97.2%,平均单张图像检测时间减少25%.

摘要：针对现有深度模型在工业轴承外观缺陷检测领域,存在模型参数量大、特征融合不充分以及对小目标检测精度低等问题,提出了一种轻量化自适应特征融合检测网络(Efficient-YOLO).首先,该网络采用嵌入CBAM注意力机制的EfficientNetV2结构进行基本特征提取,便于确保模型精度同时显著优化模型参数量;其次,设计了一种自适应特征融合网络(CBAM-BiFPN),用来增加网络对有效特征信息的提取;接着,在下游特征融合网络引入Swin Transformer机制,同时配合上游网络引入的Ghost卷积,大幅度提高模型对轴承外观缺陷的全局感知能力;最后,在推理阶段运用改进的非极大值抑制方法(Soft-CIoU-NMS),加入距离有关的权重评价因素,减少了重叠框的漏检.实验结果表明:与现有主流检测模型相比,此方法在轴承表面缺陷数据集上,mAP达到了90.1%,参数量降低至1.99M,计算量为7 GFLOPs,对轴承缺陷小目标识别率显著提升,满足工业现场轴承外观缺陷检测需求.