摘要：先进制造业和现代服务业深度融合是实现高质量发展的重要途径。文章利用中国加入WTO之后服务业大幅开放这一外生冲击以及制造业同服务业融合程度来设计广义双重差分模型,发现服务业开放促进了两业融合程度更深的制造业企业出口国内附加值率的更大提升。这一结论通过了平行趋势检验、安慰剂检验、替换指标等一系列稳健性检验。同时发现,只有在服务业开放具体承诺措施落地后政策效果才显现。异质性分析表明,低技术行业、加工贸易企业是服务业开放的主要受益者,来自不同服务行业的要素投入对企业的影响也存在异质性。机制分析结果表明,企业成本加成率提升和国内中间品相对价格下降是服务业开放促进企业出口国内附加值率提升的作用机制。

摘要：基于深度神经网络的目标检测方法凭借自身强大的建模能力,在通用目标检测任务中取得了良好的表现。然而,在红外小目标信号弱、像素小的本质特征的影响下,深度神经网络层次的加深和池化操作的大量使用导致小目标语义信息丢失,使得现有方法的检测效果并不理想。文中从红外小目标特性这一关键问题出发,提出了一种新颖的基于扩张卷积条件生成对抗网络的目标检测算法。所提方法应用扩张卷积设计了生成网络,充分利用上下文信息建立层与层之间的关联,将红外小目标更多的语义信息保留到深层网络中,增强目标特征,进而提高检测性能。此外,设计了融合通道与空间维度的混合注意力模块,在特征提取时有选择性地放大目标信息,抑制背景信息;设计了自注意关联模块处理层与层之间信息融合过程中产生的语义冲突问题。文中使用多种评价指标将所提网络模型与目前先进的其他红外小目标检测方法进行对比,证明了该方法在复杂背景下目标检测性能的优越性。在公开的SIRST数据集上,所提模型的F分数为64.70%,相比传统方法提高了8.29%,相比深度学习方法提高了7.29%;在公开的ISOS数据集上,所提模型的F分数为64.54%,相比传统方法提高了23.59%,相比深度学习方法提高了6.58%。

摘要：为定量预测陈皮热泵干燥过程中含水率的变化,基于机器视觉技术提取陈皮干燥过程中的图像特征,建立含水率预测模型。采集不同干燥时期的陈皮图像,采用图像处理的方法对陈皮图像进行预处理操作,提取陈皮图像的6个颜色特征和6个纹理特征共计12个图像特征,分析特征参数和含水率变化关系,将相关图像特征作为模型的输入,陈皮的含水率作为模型的输出,分别建立基于BP神经网络和支持向量机的陈皮干燥含水率预测模型进行对比分析,得到不同干燥时期含水率最佳预测模型。结果表明,支持向量机的预测效果更好,准确率达到99.01%,均方误差达到0.006 5,模型运行稳定,含水率预测结果准确且快速,能够为陈皮干燥过程中的含水率在线预测提供科学依据。

摘要：现有的去雾方法难以在复原图像细节的同时保持全局信息。为了解决此问题,文中提出了一种基于渐进式多尺度Transformer(Multi Scale Progressive Transformer,MSP-Transformer)的图像去雾算法。该模型能够有效提取和利用不同尺度的雾相关特征,实现了特征和图像的多尺度学习和融合,渐进式地从有雾图像中复原清晰图像。所提出的MSP-Transformer分为编码、解码和复原3个阶段。在编码阶段,利用基于Transformer模块的编码器将输入图像分解为不同尺度的雾图像特征,以全面表征真实有雾图像的信息损失。在解码阶段,考虑到有雾图像的不同区域存在不同尺度的信息丢失,设计了一个包含多尺度注意力机制的特征聚合模块,利用通道注意力和多尺度空间注意力来融合不同尺度的特征信息。复原阶段包含了复原模块和融合模块,首先基于多尺度特征融合的复原模块聚合不同尺度的雾相关特征以增加不同尺度特征的联系,并在每个尺度复原出清晰的无雾图像,然后将每个尺度的复原图像送入融合模块以获得最终的去雾结果。定性和定量的实验结果表明,所提出的MSP-Transformer在真实图像和合成数据集上能够实现雾的有效去除,具有良好的鲁棒性。在公开的RESIDE数据集上与11种去雾方法进行定量和定性比较,MSP-Transformer取得了最高的PSNR(39.53db)和SSIM(0.9954),并获得了良好的视觉效果。此外,消融实验也证明了MSP-Transformer中所提出的模块的有效性。

摘要：为解决陈皮在热泵干燥过程中干燥不均匀、效率低等问题,运用计算流体力学(Computational Fluid Dynamics,CFD)对陈皮热泵干燥室的内部气流分布进行模拟仿真,并对导风板的排布方式进行优化模拟仿真分析。研究结果表明:有导风板时,干燥室的内部气流分布较均匀;当倾斜角度为30°、侧边间距为80mm、垂直间距为260mm时,能够有效提高陈皮热泵干燥室的气流分布均匀性和干燥效率。

摘要：针对光伏发电系统效率的深入分析揭示了多个关键因素。在光伏电站设计过程中,对运行特征及分析结果的综合考量至关重要。优化取值可以减少逆变器、电缆等的使用量,从而降低生产成本。这种优化策略有助于提高光伏发电系统的效率,推动经济建设的持续发展。因此,针对性的优化对策是实现提效降本目标的关键步骤,其重要性不可低估。

摘要：当前,基于深度学习的图像修复方法在获取深层特征时会造成信息丢失的现象,不利于纹理细节的修复;且往往忽略语义特征的修复,会生成具有不合理结构的修复结果.针对上述问题,提出基于多尺度特征联合注意力模型的图像修复网络.首先提出基于扩张卷积的多尺度融合模块,在获取图像深度特征时通过多尺度特征的融合减少卷积过程中信息的丢失;然后提出联合注意力机制,既加强了模型对图像语义修复的能力,又确保了模型可以生成纹理清晰的修复结果;为保证修复结果细节和风格的一致性,最后将风格损失与感知损失引入网络.在CelebA-HQ和Places2数据集上的定性实验结果和PSNR,SSIM等常用的评价指标验证了所提方法优于已有的图像修复方法.相较于对比方法,所提方法的PSNR和SSIM分别提升了0.4%~6%和0.4%~3%.

摘要：一、课题背景及研究意义(一) 研究背景当下各企业都面临降低成本、提高效率、满足客户需求等诸多挑战。与全球经济一体化、市场竞争加剧、技术进步以及可持续发展等多个方面密切相关,供应链管理也随着这些因素不断变化和发展。同时,人工智能、大数据、物联网等技术也为供应链管理带来机遇和挑战。在ERP系统中,供应链管理是关键模块,涵盖从原材料到最终用户的全过程,涉及多个环节。通过对其分析与设计,旨在优化ERP系统以更好地服务企业。

摘要：现有基于深度学习的语义分割方法对于遥感图像的地物边缘分割不准确,小地物分割效果较差,并且RGB图像质量也会严重影响分割效果。提出一种增强细节的RGB-IR多通道特征融合语义分割网络MFFNet。利用细节特征抽取模块获取RGB和红外图像的细节特征并进行融合,生成更具区分性的特征表示并弥补RGB图像相对于红外图像所缺失的信息。在融合细节特征和高层语义特征的同时,利用特征融合注意力模块自适应地为每个特征图生成不同的注意力权重,得到具有准确语义信息和突出细节信息的优化特征图。将细节特征抽取模块和特征融合注意力模块结构在同一层级上设计为相互对应,从而与高层语义特征进行融合时抑制干扰或者无关细节信息的影响,突出重要关键细节特征,并在特征融合注意力模块中嵌入通道注意力模块,进一步加强高低层特征有效融合,产生更具分辨性的特征表示,提升网络的特征表达能力。在公开的Postdam数据集上的实验结果表明,MFFNet的平均交并比为70.54%,较MFNet和RTFNet分别提升3.95和4.85个百分点,并且对于边缘和小地物的分割效果提升显著。

摘要：低光照场景的雾霾图像在去雾过程中易产生颜色失真、斑块和伪影等现象,针对此问题,提出一种适用于低光照场景的基于注意力机制的密集残差融合与空间局部滤波去雾算法.首先利用密集残差块增加神经网络深度,使网络学习更高级的特征信息;然后引入空间与通道注意力机制对特征进行过滤和筛选,使网络可以区分光照不均匀区域,解决颜色失真等问题;采用空间局部滤波增强的方法,提高去雾结果的对比度、清晰度和能见度;最后设计了联合损失函数约束网络的学习,避免串联结构的误差放大以及学习混合退化.在PyTorch环境下,用夜间城市合成雾霾数据集NHR进行测试,并与现有的FFANet,GridDehaze等去雾算法进行对比.实验结果表明,与其他去雾算法相比,所提算法的峰值信噪比提升8.01~14.16 dB,结构相似度提高0.10~0.36.所提算法还解决了颜色失真、斑块和伪影等问题.