基于视觉感知的智能扫地机器人的垃圾检测与分类

目的 为了提高扫地机器人的自主性和智能化程度，为扫地机器人配备视觉传感器，使其获得视觉感知能力，通过研究有效的垃圾检测分类模型与算法，实现对垃圾的定位与识别，引导扫地机器人对垃圾进行自动识别与按类处理，提高工作的目的性和效率，避免盲动和减少能耗。方法 选择检测速度较快的YOLOv2作为主网络模型，结合密集连接卷积网络，嵌入深层密集模块，对YOLOv2进行改进，提出一种YOLOv2-dense网络，该网络可以充分利用图像的高分辨率特征，实现图像浅层和深层特征的复用与融合。结果 测试结果表明，智能扫地机器人使用本文方法可以有效识别不同形态的常见垃圾类别，在真实场景中，测试识别准确率为84.98%，目标检测速度达到26帧/s。结论 实验结果表明，本文构建的YOLOv2-dense网络模型具有实时检测的速度，并且在处理具有不同背景、光照、视角与分辨率的图片时，表现出较强的适应和识别性能。在机器人移动过程中，可以保证以较高的准确率识别出垃圾的种类，整体性能优于原YOLOv2模型。     

搅拌摩擦微连接设备及工艺研究

由于已在航空航天及电子领域广泛应用的铝、镁合金难以实现超薄板焊接,研究设计了基于Mach3软件控制系统的搅拌摩擦微连接焊机。利用该设备进行焊接作业,宜采用轴肩直径为6～8 mm的搅拌工具针对厚度在1 mm内的薄板进行施焊,且可进行3D成型搅拌摩擦微连接,焊接热输入、焊件变形小,焊缝成形美观。Mach3软件控制系统具有优秀的兼容性、可操作性和稳定性,操作简单、维护方便并具有开放性,搅拌摩擦微连接焊机体积小、质量轻、安装方便,焊机整体稳定性高、可操作性强。     

多中继多用户网络中的功率分配策略

在多中继非再生中继网络中,节点间功率分配的不同会对系统容量造成影响。本文基于中继节点间的功率分配因子提出了一种功率分配策略。仿真结果表明此功率分配策略均能有效提高系统容量。     

控轧控冷中碳非调质钢的高周疲劳性能

 采用中碳非调质钢制造的轴类等零件常承受交变载荷，因而对钢材疲劳性能具有高的要求。为了评估控轧控冷工艺生产的非调质钢棒材的疲劳性能，利用旋转弯曲疲劳试验机研究了一种常用的钒微合金化中碳非调质钢38MnVS及对比钢38MnS的高周疲劳性能。结果表明，与38MnS钢相比，38MnVS钢中铁素体体积分数增加，组织明显细化；相分析表明约有54%的钒处于M（C，N）相中，且尺寸小于10 nm的M（C，N）粒子质量分数为32%，这些细小粒子的析出强化增量约为116 MPa。38MnVS钢的疲劳极限较38MnS钢提高了62 MPa，提高幅度约为18%；疲劳极限比从38MnS钢的0.43提高到38MnVS钢的0.48。M（C，N）相的析出强化及组织细化是38MnVS钢较38MnS钢具有优异疲劳性能的主要原因，但其疲劳性能仍低于锻态非调质钢。根据试验结果及文献数据，给出了预测铁素体＋珠光体型非调质钢疲劳极限的简便方法。     

新型水驱效果评价图版建立及应用

国内油气田大部分属于陆相碎屑岩沉积,天然能量普遍不发育,油田开发过程中常采取注水开发。因此,水驱开发效果评价成为油田生产的一项重点工作。由于简单、便捷,童氏图版被地质油藏工程师广泛应用,其理论基础为一维水驱油,而油田受储层非均质性、开发井网等因素影响,导致在实际生产过程中不会出现一维水驱的理想情况。针对童氏图版修正范围仅局限在储层条件、相渗变化、水驱常数等方面的问题,文中考虑了储层非均质性和开发井网的影响,将甲型曲线的半对数线性关系转换成更加符合实际的全对数关系,并利用公式推导,建立了新型水驱规律图版。通过与实际油田数据拟合发现,新图版相比童氏图版误差较小,更具实用性、推广性。     

过渡金属硫化物基自旋阀中栅压调控的巨磁电阻和非平庸金属状态

在这里,我们从理论上研究了单层过渡金属硫化物基自旋阀器件中的谷分辨和自旋分辨输运,在该器件中,Rashba自旋轨道相互作用和栅极电压同时存在于中心电极中。与传统的半导体相比,非平庸的金属态,如正常的Rashba金属态、异常的Rashba金属态和Rashba环金属态,可以通过Rashba自旋轨道相互作用产生和操纵,而不需要磁效应。对于铁磁自旋阀器件,中心电极中的非平庸金属基态直接与巨磁电阻相关,具有显著的各态关联性和独特性。我们进一步揭示了一个来源于自旋分裂和自旋谷耦合效应的完美的谷和自旋巨磁阻效应。这些谷和自旋分辨特征对基础研究和应用研究都很有趣。     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。     

冠状动脉系统的微分积分终端滑模混沌抑制

冠状动脉系统的混沌现象会导致严重的健康问题。以非线性冠状动脉系统为研究对象，建立了不确定性冠状动脉系统动力学模型，提出了不确定性冠状动脉系统的微分积分终端滑模混沌抑制方法，针对该模型的不确定性设计了扰动观测器，根据Lyapunov理论证明了所设计控制系统的稳定性，通过仿真实验验证了所提出的混沌抑制方法的有效性和可行性。