排序方式: 共有39条查询结果,搜索用时 15 毫秒
31.
32.
以亚磷酸二甲酯、丙烯酰胺和三聚氯氰为原料,合成了无甲醛磷-氮阻燃剂,并通过轧焙烘工艺对棉织物进行了阻燃整理。通过红外光谱对中间体和阻燃剂的结构进行了表征。通过红外光谱、电镜和EDS对整理织物的结构、表面形态和元素组成进行了表征,采用极限氧指数、垂直燃烧、锥形量热测试了整理织物的阻燃性能,采用热重测试了整理织物的热稳定性能。结果表明:阻燃剂成功整理到织物上,整理织物的最大热分解速率降低,残炭率提高。整理织物的极限氧指数由18%提高到31%,续燃时间,阴燃时间由9 s,25s均降到0 s,损毁长度由300 mm降低到74 mm。整理织物的最大热释放速率(PHRR)由203.5 kW?m-2降低到57.9 kW?m-2,总释放热(THR)由6.0 MJ?m-2,降低到2.7 MJ?m-2。 相似文献
33.
34.
在一般的避障环境中,Tangentbug算法表现的非常鲁棒,但当避障环境中有对称障碍物的时候,Tangentbug算法容易产生路径的死循环,从而导致终点不可到达.然而在机器人避障过程中,对称障碍物是非常常见的.针对这个问题,提出了基于记忆机器人运动方向的Tangentbug算法.该算法中,机器人每经过一个位置点,就把当前位置点和选择的运动方向记录下来,为后面的更新运动方向做好准备.首先,机器人扫描到障碍物时计算出机器人与障碍物的相遇方向;其次,根据障碍物的边缘,统计局部地图信息,得到局部切线图,找到离终点和当前点距离和最近的点作为机器人的下一个目标点,得到机器人的运动方向;然后,在机器人绕行障碍物时结合记忆的运动方向和局部切线图产生的最小距离和更新下一步运动方向.在整个避障过程中,不停的更新相遇方向和运动方向,最终实现机器人的直行和绕行,从而到达终点.通过大量实验验证,实验结果表明该算法不仅可以实现机器人在对称障碍物环境中顺利到达终点,也可以在非对称障碍物环境中达到终点,验证了该算法的有效性和鲁棒性. 相似文献
35.
36.
基于嵌入式平台的复杂背景目标跟踪技术在智能视频监控设备、无人机跟踪等领域有重要作用.卷积神经网络在跟踪问题上有准确率高、鲁棒性强的优点,但基于卷积特征的算法计算复杂度高,受嵌入式平台面积和功耗的限制,实时性难以满足嵌入式平台应用场景的需求.针对基于卷积特征的跟踪算法计算复杂度高、存储参数量大的难题,率先提出一种利用FPGA实现基于卷积神经网络的复杂背景目标跟踪硬件加速架构.该方法通过利用KL相对熵对目标跟踪算法Siamese-FC进行定点量化,设计了基于通道并行的卷积层加速架构.实验结果表明,定点量化后跟踪算法相比于原算法的平均精度损失不超过4.57%,FPGA部署后前向推理耗时仅为CPU的16.15%,功耗仅为CPU的13.7%. 相似文献
37.
在传统两电平整流器(the conventional two-level rectifier, CTR)电路中,开关管需要承受整个直流侧的电压,输入侧滤波器的体积较大,电路的传输效率较低,为此提出了基于双开关单元的多电平电路。首先,在CTR的基础上增加了1个二极管和1个电容,得到(similar to a three-level rectifier, STR)电路,并根据STR电路推出了几种多电平结构。然后,以新型三电平整流器(new three-level rectifier, NTR)拓扑结构为例,进行了工作原理分析。最后,提出合适的调制技术和电压平衡策略,并对器件的电压、电流应力进行理论计算。与CTR电路相比,NTR能降低开关管电压应力,减小开关管的开关频率,提高输入侧电流质量,适用于中、小功率应用场合。 相似文献
38.
小目标检测广泛应用于视频监控等各种任务,在各领域均有着重要作用.由于待测目标尺寸小、特征弱等原因,目前的检测算法对小目标的检测性能仍值得进一步提升.现有基于设计特征的传统方法在复杂背景的应用场景下检测精度低、鲁棒性弱,基于深度学习的检测算法存在数据集难获取、小目标特征难提取等问题.面向解决低信杂比图像中小目标因面积占比小导致的特征提取难的问题,提出了一个深度分割模型用于小目标检测.为进一步提升检测性能、降低漏检率,充分应用多波段图像信息,设计了一个基于深度分割模型的多波段融合小目标检测方法.在仿真数据集上的实验结果表明,该方法有效提高了小目标检测的准确率,为小目标检测的后续研究提供了新的思路. 相似文献
39.
基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法有着鲁棒性强、准确度高等优点,被广泛用于计算机视觉任务领域.然而,CNN参数量大、计算量大的特性使得其难以在边缘计算平台实时实现,为此,本文针对目标检测网络Skynet进行结构优化,并基于高效的层内并行流水的加速架构,在现场可编程门阵列(Field Programmable Gate Array,FPGA)上对其进行实时实现.该方法对Skynet进行剪枝,合并其卷积层与归一化层,利用(Kullback-Leibler,KL)相对熵及极大值量化方法对权重及特征图进行8 bit定点量化,同时将偏置参数及缩放系数定点化,并合并激活操作与饱和截断操作,在减少存储量和计算量的同时,加快前向推理速度.此外,以滑窗操作为基础,采用通道及像素并行计算,设计深度可分离卷积的流水策略,将串行的前向推理结构优化为并行流水的结构,极大减少了前向推理的时间.实验表明,在UA-DETRAC数据集上,本文实现的系统识别精度为0.752,在160×160的图像分辨率上,速度达到115FPS,与CPU相比,提速11倍,达到... 相似文献