摘要：随着国内客车设计技术的提高，客车设计逐渐过渡到三维设计。作者主要介绍了利用UG软件的各种模块完成客车边门的设计和运动校核的过程。

摘要：年龄是人的固有属性,在人的社会交往中起到了基础性作用,因此人脸图像的年龄估计是人工智能领域的重要问题之一.为了解决非受限条件下人脸图像年龄估计困难的问题,提出一种非受限条件下的多级残差网络人脸年龄估计方法.首先针对高分辨率图像数据集构建多级残差神经网络模型;然后采用Image Net数据集对多级残差网络进行预训练,以获得图像的基本特征表达;最后在非受限人脸年龄数据集上结合随机深度算法对网络模型进行微调.在非受限的Adience人脸年龄分类数据集上进行年龄分类对比实验的结果表明,该方法能够明显地提高非受限条件下人脸年龄估计的准确率,并在提高网络学习能力的同时有效地抑制小规模数据集带来的过拟合问题.

摘要：根据现浇先张法预应力拱板屋盖的设计方案,有针对性地利用顶部圈梁作为张拉台座和用支撑钢杆与钢筋与中部圈梁的拉结作用有效地平衡了张拉时对台座的不平衡力,形成了先张法预应力拱板粮仓屋盖原位现浇施工法。该方法利用钢管排架作拱板屋架的支撑架,室内排架顶部水平钢管顶撑于圈梁内侧和对圈梁的加固措施,并采用钢管顶撑和斜拉钢筋对张拉力的平衡作用保证了先张法张拉施工的安全、可靠。该方法施工进度快、整体性好,并能够解决大型吊装机械难以进场的难题,经济效益明显。

摘要：图像分类是计算机视觉中的一项重要任务,传统的图像分类方法具有一定的局限性。随着人工智能技术的发展,深度学习技术越来越成熟,利用深度卷积神经网络对图像进行分类成为研究热点,图像分类的深度卷积神经网络结构越来越多样,其性能远远好于传统的图像分类方法。本文立足于图像分类的深度卷积神经网络模型结构,根据模型发展和模型优化的历程,将深度卷积神经网络分为经典深度卷积神经网络模型、注意力机制深度卷积神经网络模型、轻量级深度卷积神经网络模型和神经网络架构搜索模型等4类,并对各类深度卷积神经网络模型结构的构造方法和特点进行了全面综述,对各类分类模型的性能进行了对比与分析。虽然深度卷积神经网络模型的结构设计越来越精妙,模型优化的方法越来越强大,图像分类准确率在不断刷新的同时,模型的参数量也在逐渐降低,训练和推理速度不断加快。然而深度卷积神经网络模型仍有一定的局限性,本文给出了存在的问题和未来可能的研究方向,即深度卷积神经网络模型主要以有监督学习方式进行图像分类,受到数据集质量和规模的限制,无监督式学习和半监督学习方式的深度卷积神经网络模型将是未来的重点研究方向之一;深度卷积神经网络模型的速度和资源消耗仍不尽人意,应用于移动式设备具有一定的挑战性;模型的优化方法以及衡量模型优劣的度量方法有待深入研究;人工设计深度卷积神经网络结构耗时耗力,神经架构搜索方法将是未来深度卷积神经网络模型设计的发展方向。

摘要：目的输电线路金具种类繁多、用处多样,与导线和杆塔安全密切相关。评估金具运行状态并实现故障诊断,需对输电线路金具目标进行精确定位和识别,然而随着无人机巡检采集的数据逐渐增多,将全部数据进行人工标注愈发困难。针对无标注数据无法有效利用的问题,提出一种基于自监督E-Swin Transformer(efficient shifted win⁃dows Transformer)的输电线路金具检测模型,充分利用无标注数据提高检测精度。方法首先,为了减少自注意力的计算量、提高模型计算效率,对Swin Transformer自注意力计算进行优化,提出一种高效的主干网络E-Swin。然后,为了利用无标注金具数据加强特征提取效果,针对E-Swin设计轻量化的自监督方法,并进行预训练。最后,为了提高检测定位精度,采用一种添加额外分支的检测头,并结合预训练之后的主干网络构建检测模型,利用少量有标注的数据进行微调训练,得到最终检测结果。结果实验结果表明,在输电线路金具数据集上,本文模型的各目标平均检测精确度(AP50)为88.6%,相比传统检测模型提高了10%左右。结论本文改进主干网络的自注意力计算,并采用自监督学习,使模型高效提取特征,实现无标注数据的有效利用,构建的金具检测模型为解决输电线路金具检测的数据利用问题提供了新思路。

摘要：为提高南通江海大道高架工程的混凝土质量,完成高强轻质的设计要求,提出运用混凝土内部湿度补偿理论实践应用,加入钢钎维、陶粒制成轻质混凝土,提出相应的配合方法,为类似的工程应用提供依据,具有很好的推广意义。

摘要：采用GPS技术对水库坝体的表面和内部位移进行全天候自动监测,实时掌握坝体表面和内部位移的变化情况,并分析研究大坝有无滑动和倾覆的趋势及风险。

摘要：随着我国电网系统的不断发展,基层巡检作业负担越来越重,运维成本越来越高,如何实现输电线路部件缺陷的智能化检测变得愈发重要。同时,由于国家《新一代人工智能发展规划》的提出和国家电网“数字新基建”的部署,人工智能应用于电力设备运维的相关技术得到了快速发展,对输电线路部件视觉缺陷准确检测成为亟待解决的关键问题之一。早期基于图像处理和特征工程的部件视觉缺陷检测方法对图像质量的要求较高,无法真正应用于现实复杂的输电线路作业环境;随着深度学习的兴起,基于深度学习的检测模型可以有效地将部件目标及其缺陷从复杂的输电线路航拍图像中提取出来,既节省了人工设计特征的时间,又在性能上达到了显著提升,因此逐渐成为主流研究方法。本文首先描述了基于传统算法的输电线路关键部件视觉缺陷检测技术,回顾了深度学习的发展过程并分析了深度学习在缺陷检测领域的优缺点;围绕输电线路上3个重要的部件:绝缘子、金具以及螺栓,介绍了其定位与缺陷检测的研究现状;分析了输电线路部件缺陷检测中研究的样本不平衡问题、小目标检测问题、细粒度检测问题等几个关键问题;分析了符合电网巡检任务复杂场景需求和故障诊断标准的输电线路部件缺陷检测技术的未来发展趋势。

摘要：目的分析甘肃省老年人积极老龄化现状及影响因素,为推进欠发达地区积极老龄化提供依据。方法依据世界卫生组织定义的积极老龄化“健康、参与、保障”测量框架自行设计定量问卷,本研究于2021年12月—2022年9月多阶段分层随机抽取甘肃省东、中、西部60~80岁老年人进行面对面问卷调查,测评积极老龄化现状并分析个体因素与社会因素对积极老龄化的交互影响。结果2458例调查对象在积极老龄化“健康、参与、保障”三个维度的百分制得分分别为(79.12±11.19)分、(63.43±16.23)分、(71.82±12.52)分。甘肃省东部区域老年人积极老龄化总得分(77.49±7.61)分,高于中部区域(69.44±10.51)分和西部区域(71.22±10.76)分,差异有统计学意义(F=155.320,P2000元(OR=1.93,95%CI:1.34~2.78)是积极老龄化的独立保护因素。结论甘肃省老年人积极老龄化的构成维度中,“健康”和“保障”水平高于“参与”水平,甘肃省内不同区域间积极老龄化发展不平衡,影响因素作用复杂。