基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

乌兰矿采矿现状及技术应对方案

本文分析了乌兰矿投产前期采矿现状及存在的主要问题,针对该矿所处蒙古国经济落后、投资风险大的现实状况,为避免生产中断、规避投资风险,早日回收前期投资考虑,采取了双斜坡道开拓、全尾胶结充填、高端壁空场嗣后充填采矿、多中段组合式连续开采等系列技术应对方案。大大降低了一次性投资规模及投资风险,前期投资得以快速回笼的同时,矿山产能也充分释放,确保了矿山的持续稳定,取得了较好的经济和社会效益。为海外地下近地表矿体开采矿山规避投资风险提供了很好的技术方案借鉴。     

济阳坳陷下古生界潜山油气藏特征及成藏模式

济阳坳陷下古生界潜山具有多样性、复杂性的特点，潜山差异性的形成演化、油气成藏主控因素和控藏模式不明确，严重制约了该区潜山油气勘探。在潜山分类的基础上，综合利用系统恢复、分类对比和典型解剖等方法，揭示了济阳坳陷下古生界不同类型潜山的形成演化过程和油气成藏主控因素差异性，分类建立了油气成藏模式。研究表明，济阳坳陷下古生界主要发育高位新盖侵蚀残丘潜山、中位古盖拉张断块潜山、中位新古盖拉张剪切断块潜山、中位中古盖挤压拉张断块潜山和低位古盖拉张滑脱断块潜山5种潜山类型。不同类型潜山的形成演化和油气成藏各具特色，其中，高位新盖侵蚀残丘潜山的发育受隆升、侵蚀作用控制，油气成藏主要受控于油源和盖层条件，表现为"单向供烃、砂体-不整合岩溶体联合输导、残丘控藏"的成藏模式；中位古盖拉张断块潜山的发育受掀斜、断裂作用控制，油气成藏主要受控于储集条件，表现为"单向供烃、顺向断层输导、反向断层控藏"的成藏模式；中位新古盖拉张剪切断块潜山的发育受反转、翘倾和走滑切割作用控制，油气成藏主要受控于输导条件，表现为"多源供烃、断溶体立体输导、断裂控藏"的成藏模式；中位中古盖挤压拉张断块潜山的形成受强烈挤压、拉张滑脱作用控制，油气成藏主要受控于储集条件，表现为"多源供烃、断缝体输导、断褶控藏"的成藏模式；低位古盖拉张滑脱断块潜山的形成受强烈拉张滑脱作用控制，油气成藏主要受控于输导条件，表现为"顶部供烃、断缝体输导、断裂控藏"的成藏模式。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

中医学视角下城市物质空间的生命要素探析

通过借鉴中医学整体观和生命观的相关理论,从认识城市有机体的生命属性入手,发现并提炼能够产生和传递城市运营所需各种能量的生命要素:廊道和功能体。阐释了其多层级、多性质和多形态的特点,提出了功能体有动力、廊道成系统、敏感点有活力的疏通策略,旨在促进城市各种能量的有机循环,从而维护城市的健康与安全,提高城市生活的效率与质量。     

Effects of different carbon sources and C/N values on nonvolatile taste components of Pleurotus eryngii

Pleurotus eryngii, the second largest industrial cultivation mushroom in China, is usually cultivated on substrates mainly consisting of sawdust and corncob. In this study, experiments were performed to determine the effects of different carbon sources and C/N values on nonvolatile taste components of P. eryngii. The effects of different carbon sources on nonvolatile taste components levels revealed that sawdust was beneficial to high levels of crude protein, amino acids, 5′‐nucleotides and equivalent umami concentration, while corncob was beneficial to high contents of carbohydrate, polysaccharides and trehalose. At the similar C/N values, relatively higher sawdust content was beneficial to umami amino acid production, while relatively higher corncob content was beneficial to high contents of carbohydrate, polysaccharides and mannitol. Higher C/N value was beneficial to high levels of crude protein, amino acids, 5′‐nucleotides and equivalent umami concentration, while lower C/N value was beneficial to high contents of carbohydrate, polysaccharides and trehalose. These results provided information for P. eryngii fruit body industrial cultivation to obtain specific nonvolatile taste components with high levels.     

全尾砂和废石联合胶结充填体最佳配比及应用

针对红岭铅锌矿分级充填骨料来源不足、地表废石堆积污染环境的情况,提出将该矿选厂产生的全尾砂和地表废石作为充填骨料的联合胶结充填方案。分别测试了全尾砂和地表废石的物理化学性质,验证了碎石和全尾砂作为联合充填骨料的可行性。通过充填配比试验,分析了不同配比全尾砂废石充填体强度特性,得出了最佳充填配比。结果表明,充填试块的强度随灰砂比减小而减小,随养护龄期增加呈增大趋势,随充填料浆质量浓度增大而增大,最佳配比为: 胶结充填灰砂比1∶8、普通充填灰砂比1∶12,全尾砂∶废石配比4∶6,质量浓度78%。根据研究结果,在红岭铅锌矿进行了全尾砂废石充填技术工业应用,证实该技术可行。     

“都林”机器人内板连续式喷涂技术应用浅析

结合新工厂的应用经验,通过对"都林"机器人的喷涂方式、布局、雾化器配置选型、参数设置、仿形设计及品质控制要点等方面的分析,总结了连续式喷涂的优势及技术控制要求。     

A Student's t-based density peaks clustering with superpixel segmentation (tDPCSS) method for image color clustering

Image color clustering is a basic technique in image processing and computer vision, which is often applied in image segmentation, color transfer, contrast enhancement, object detection, skin color capture, and so forth. Various clustering algorithms have been employed for image color clustering in recent years. However, most of the algorithms require a large amount of memory or a predetermined number of clusters. In addition, some of the existing algorithms are sensitive to the parameter configurations. In order to tackle the above problems, we propose an image color clustering method named Student's t-based density peaks clustering with superpixel segmentation (tDPCSS), which can automatically obtain clustering results, without requiring a large amount of memory, and is not dependent on the parameters of the algorithm or the number of clusters. In tDPCSS, superpixels are obtained based on automatic and constrained simple non-iterative clustering, to automatically decrease the image data volume. A Student's t kernel function and a cluster center selection method are adopted to eliminate the dependence of the density peak clustering on parameters and the number of clusters, respectively. The experiments undertaken in this study confirmed that the proposed approach outperforms k-means, fuzzy c-means, mean-shift clustering, and density peak clustering with superpixel segmentation in the accuracy of the cluster centers and the validity of the clustering results.