MOA老化试验监控系统的设计

介绍了利用自行研制的板卡对数据的采集和处理系统,使用于工业计算机进行监控,其中着重阐述了数据采集系统的设计过程,此套系统可对老化试验全程进行实时监控、数据采集、数据处理,使得试验中出现的任何问题都具有可追溯性,克服了人为因素,保证了试验的科学性、真实性和实时性。     

应用超声波检测技术对开关柜早期故障的诊断

某35 kV开关柜存在疑似放电声音,应用超声波检测手段对该开关柜进行全面检测,最终确诊了放电类型及放电位置。停电后,发现柜内一处等电位线断裂。经检修处理后,放电声音消失,超声波检测无异常。本次应用超声波检测有效避免了一起设备事故。应用结果表明:超声波检测技术能够在开关柜早期故障诊断中发挥重大作用,并有利于设备状态评价与检修工作的开展。     

瑞典馆藏俄国军旗所用中国丝绸的技术与艺术特征研究

通过对瑞典陆军博物馆收藏的18世纪初俄国军旗实物材料的分析,梳理总结了用于制作这批俄国军旗的中国丝绸的织物品种、纹样特征及时代来源。俄国军旗所用的中国丝绸为17世纪的织物,通过中俄外交往来、商队贸易等途径流向莫斯科,在沙皇的命令下制作成军旗。这些织物品种以单层提花缎织物为主,还有平纹地暗花织物及部分平纹绢。织物的丝织纹样题材丰富,在构图上以传统的缠枝式与自由的折枝散点式为主,造型上既有典型的明式装饰风格也有自然主义的风格,还将传统元素与当时的西方审美趣味相结合,呈现出明末清初提花丝织物的独特魅力。     

基于语料大数据的“潮”文化特征计算与分类

为解决目前对于“潮”文化的特征缺乏完整阐释的问题,文章利用文化计算方法进行潮文化的特征采集、计算与分类。利用网络爬虫技术进行基于互联网的潮文化语料大数据采集,并通过中文分词与过滤处理获得潮文化的特征词;然后通过词频统计进行特征量的计算,实现特征强度的量化,并提取了前100个特征供后续分析;接着分别采取基于词义、词频的分类,梳理出潮文化的五个特征子集,并提取了潮文化的核心,针对特征子集进行阐述和分析,展现了潮文化的内涵与形式。探讨了潮文化的特征结构,揭示了潮文化与大众时尚的辩证关系,有助于理解当下时尚文化的多样性及动态规律。     

基于色度测量的乾隆色谱色彩特征研究

为了对清代丝绸文物的色彩有更加精确且科学的认知，通过CM700D测色计测量了乾隆色谱的色度参数，讨论了乾隆色谱受染料浓度影响而造成的色彩偏差情况以及乾隆色谱的稳定性，并在L^*a^*b^*空间分析其色度参数的分布规律。通过比较乾隆色谱与sRGB、Adobe RGB、CMYK的色域大小，分析了清代丝绸文物数字化时色彩还原的可能性。结果表明：染料浓度增加会使明度值下降，而彩度变化没有规律，不同色系的彩度受染料浓度影响不同；在本文研究的自然条件下，半年内乾隆色谱较为稳定；乾隆色谱中黄红色系颜色数量较多，a^*、b^*参数存在一个大致的范围，超出这个范围的颜色是清代染色技术难以达到的；乾隆色谱中部分高明度与高彩度的黄色超出sRGB、Adobe RGB、CMYK的色域，对于以这部分黄色为底色的清代丝绸文物建议以实物展出为主。     

基于色度特征化的乾隆色谱跨设备色彩再现

色彩失真现象普遍存在于图像在不同设备之间传输的过程中，为保证纺织文物图像跨设备的色彩真实再现，继而推进博物馆数字化发展，在乾隆色谱染色丝织物的基础上，分别对数码相机和显示屏进行色度特征化，并讨论了不同图像格式、不同训练数据集、多项式不同阶数对相机预测模型精度的影响，同时采用增益-偏置-伽马模型(GOG模型)对显示屏进行色度特征化，然后对乾隆色谱跨设备再现情况进行色差分析以确定最优特征化模型，最后采用中国丝绸博物馆馆藏纺织品文物对建立模型进行检验。结果表明：选择RAW格式图像和三阶多项式对相机进行色度特征化处理，并使用采集的纺织品颜色数据集训练模型，模型的精度可达到2.18(ΔE^*_ab)(CIEDE2000色差值);显示器特征化模型精度为0.58(ΔE^*_ab);乾隆色谱跨设备再现的色差均值为2.16(ΔE^*_ab),真实丝绸文物跨设备再现的色差值为2.38(ΔE^*_ab),表明该特征化模型具有优异的跨设备色彩再现效果。     

17—19世纪法国丝织业发展概况及因素

17—19世纪法国是欧洲丝织提花技术发展的核心，本文通过对这段时期的研究，有助于了解西方丝织技术发展。首先阅读参考了众多英文、法文文献，经过系统梳理，将法国丝织业发展分为原始积累、扶持发展、繁荣创新、荣衰起伏4个主要时期；然后剖析法国丝织业兴衰成败，发现政府行政干涉、行业协会体制、生产模式变化及人才培养机制等有着深刻影响。     

基于深度学习的丝绸文物纹样识别应用

为对数字化文物进行快速自动分类，提高藏品数字化进程，加快数字博物馆的构建，文章利用深度学习对丝绸文物的纹样进行自动识别。依据实物纹样的分类方法，建立了包含花卉纹、飞鸟纹、“卐”字纹、云纹四类纹样的样本库。利用VGGNet、ResNet、MobileNet实现对纹样的分类，结合Faster R-CNN、YOLOv5、SSD目标检测算法实现对纹样的识别与定位。实验结果表明，MobileNet对丝绸纹样分类的mAP达到83.51%;在目标检测算法中YOLOv5的识别与定位效果最好，其mAP为88.42%。与通过人工分类相比，采用深度学习算法进行分类与识别，可以在降低难度的同时提高分类的速度和准确率，为纺织品文物的鉴定与保护提供了新的思路。