摘要：废钢是现代钢铁工业重要的铁素来源,是钢企实现碳中和的重要原料。不同级别的废钢价格悬殊,其质量直接影响钢企的生产成本和产品质量。因此,废钢入炉前的分类和评级问题,受到钢企的普遍重视和高度关注。针对传统人工方法在废钢的分类评级中所出现的效率低、安全性和公正性差等问题,基于深度学习中的卷积注意力机制和加权双向特征融合网络构建废钢分类评级模型。首先,搭建废钢质量查验物理模型,模拟货车卸载废钢的生产作业场景,采用高分辨率视觉传感器采集不同类别的废钢图像。其次,设计了一种结合注意力与特征融合的废钢验质深度学习模型,将卷积注意力模块(convolutional block attention module,CBAM)加入主干网络对采集的废钢图像数据集进行特征提取,聚焦并保留图像的重要特征;使用双向特征金字塔(bidirectional feature pyramid network,BiFPN)平衡多尺度特征信息,进行多尺度特征融合。最后,在模型预测阶段,利用所构建的废钢质量验质模型进行废钢类别和质量判级,验证模型的精确性与检测效率。基于自制废钢验证数据集,与主流的目标检测模型Faster R–CNN、YOLOv4、YOLOv5系列以及YOLOv7进行性能比较。实验结果表明:本研究构建的废钢质量验质模型识别判级的准确率Acc达到了86.8%,所有类别平均精度m AP为89.2%,均高于对比的目标检测模型,在准确性、实时性以及识别评级效率方面可满足实际生产应用,解决废钢分类评级过程中的诸多难题,实现废钢的智能验质和公正判定。

摘要：针对真实场景中行人图像因遮挡、姿态和视角变化等因素而导致行人特征判别性不足的问题,提出一种结合上下文信息和融合表征的行人重识别方法来丰富行人的特征表达,提高行人重识别的精度。首先设计了一个上下文残差模块,使用该模块构建主干网络以全局感受野和自注意力机制提取具有上下文信息的图像特征;然后将高层特征和低层特征通过三个并行分支和三个损失函数联合优化模型,使模型学习到一个类内紧致、类间分离的特征嵌入空间;最后在模型的推理阶段融合高低层特征,以此增强行人特征的语义和细节信息,提升特征的判别性。实验结果表明该方法在Market1501和DukeMTMC-reID数据集上Rank-1分别达到95.6%和89.6%,mAP分别达到88.6%和78.7%,在两个数据集上均有显著的性能提升。

摘要：为全面认识微塑料对草地农业生态系统的毒性效应和生态风险,以低密度聚乙烯(mLDPE)和聚乳酸(mPLA)2种不同类型的微塑料为试验对象进行盆栽试验,探究不同浓度下(0.1%、0.5%、1%、5%、10%,w/w,质量分数)两种类型的微塑料对紫花苜蓿生长和生理特性的影响。研究结果发现:相较于对照组,高浓度(10%)处理下,mPLA处理组紫花苜蓿生物量、总叶绿素含量和净光合速率显著降低,mLDPE处理组则是地上生物量与净光合速率显著降低;超氧化物岐化酶(SOD)、过氧化物酶(POD)、过氧化氢酶(CAT)活性和丙二醛(MDA)含量随微塑料添加浓度升高而增加,mPLA处理组中SOD、CAT活性和MDA含量在10%浓度时分别显著提高了56.68%、85.63%和67.30%,mLDPE处理组中仅有SOD和POD的活性在10%浓度时影响显著。结果表明,微塑料添加对紫花苜蓿的毒害作用与微塑料的类型和浓度有关。高浓度mPLA能够损伤植物光合系统,影响植物的光合作用,对植物造成氧化损伤,从而抑制紫花苜蓿植株生长,其影响强于mLDPE。

摘要：The random distribution problem of dendrite preferred growth direction was settled by random grid *** method was used to study the influence of forced laminar flow effect on multiple grains during *** high pure succinonitrile （SCN） undercooled melt as an example,the forced laminar flow effect on multiple grains was studied by phase-field model of single grain which coupled with flow equations at non-isothermal *** simulation results show that the random grid method can reasonably settle the problem of random distribution and is more *** the solid fraction is relatively low,melt particles flow around the downstream side of dendrite,and the flow velocity between two dendrite arms becomes *** the stage of solidification time less than 1800Δt,every dendrite grows freely;the upstream dendrites are stronger than the downstream *** higher the melt flow rate,the higher the solid ***,when the solid fraction is relatively high,the dendrite arm intertwins and only a little residual melt which is not encapsulated can flow;the solid fraction will gradually tend to equal to solid fraction of melt without flow.

摘要：建立了冲压增程炮弹的三维计算模型,采用Navier-Stokes理论对冲压增程炮弹进行三维流场数值仿真,给出并分析了不同攻角下炮弹的流场结构和各部分的阻力系数,并与试验数据进行了对比。结果表明,在非设计状态下的总阻力系数比设计状态下的要大,且随攻角的增加而升高,主要是由炮弹空腔及底部的阻力变化所引起的,仿真结果与试验结果吻合较好,对冲压增程炮弹总体设计具有参考作用。

摘要：6∶8等重调制码是全息存储记录通道中的一种有效通道码.然而,各种各样的噪声源和符号间串扰极易使检测到的一个等重码字与原等重码字相比发生一个0与1之间的2 码元交换错误事件(2 BREE).对于 6∶8 二进制顺序映射等重调制码(NCWMC)而言,由此导致在一个6比特数据字中平均产生约3比特误码.作者借助多阶段决策方法和贪心算法,设计出一种6∶8优化映射等重调制码(OCWMC).6∶8 OCWMC与6∶8 NCWMC相比,一个2 BREE所致的平均误比特数下降了0.5844比特.文章以 4∶6 OCWMC的设计为例,详细介绍了其设计过程.误码性能的仿真实验结果表明:6∶8 OCWMC比6∶8 NCWMC更适宜应用于具有严重的符号间串扰和噪声的全息存储记录通道.

摘要：以高效去除污水厂二级出水中溶解性有机物为目的,设计了两种由碳基催化剂(N-C、Fe/N-C)制成的高效渗透无损催化陶瓷膜(N-C-CM、Fe/N-C-CM),建立了复合催化膜原位活化过氧单硫酸盐(PMS)过滤体系,探明了复合催化膜的最佳反应条件.结果表明,在催化剂负载量为0.15g,PMS投加量为15mmol/L,pH值为9的条件下,相较PMS直接氧化结合原始陶瓷膜(VCM)过滤与N-C-CM原位活化PMS过滤体系,Fe/N-C-CM原位活化PMS过滤体系对二级出水中TOC、色度和UV_(254)去除率最高,分别为62.83%、81.42%、56.62%,出水浑浊度为0.00NTU.通过对比有无PMS时3种陶瓷膜在相同条件下过滤二级出水后的膜比通量、膜污染阻力分布与反冲洗后的膜通量恢复率,进一步证实了Fe/N-C-CM原位活化PMS过滤体系能减少膜表面污染物聚集,从而有效缓解膜污染.通过EPR进一步证实Fe/N-C-CM原位活化PMS过滤体系较PMS直接氧化结合VCM过滤与N-C-CM原位活化PMS过滤体系产生更多的SO_(4)^(-)·、·OH和^(1)O_(2).

摘要：为了提高发动机的推力,采用双圆弧法设计了固体发动机的特型喷管,利用自动优化平台,集成了参数化建模和喷管流场数值模拟,以发动机推力为优化目标,运用模拟自适应退火算法和序列二次规划算法组合优化策略对喷管内型面进行了气动优化,利用Gambit内部函数解决了参数空间配对问题.优化后,喷管的能量转化率得到了提高,推力提高了3.07%.此方法可用于喷管的实际设计中.

摘要：油画作为一门独立的艺术形式,是绘画艺术中不可缺少的一部分。要想创作出一件优秀的油画艺术作品,不仅对画家的技法有着极高的要求,主观情感的表达也是必不可少,如何正确的处理好技法与情感之间的关系,是每一个艺术家创作者需要考虑的问题。

摘要：为实时掌握小型多功能底盘的运动速度,提高机器的作业效率和质量,设计了一套测速系统。该系统以STC89C51单片机和外围硬件电路构成硬件为平台,采用串口通信技术、C语言软件编程技术等,将测得的转速在LED数码管上显示出来,系统抗干扰能力强且能耗低。测试结果表明,该系统速度测量精度高,平均精度可达98.2%,能够满足系统设计的测速要求。