LaneSegNet:一种高效的车道线检测方法

车道线检测在智能交通领域占有重要地位,其检测的准确度和速度对于辅助驾驶以及自动驾驶有重要影响.针对目前深度学习方法识别车道线精度差、速度慢的问题,提出了一种高效的车道线分割方法LaneSegNet.首先基于编码和解码网络原理构建主干网络Lane-Net,用于提取车道线特征信息并分割出车道线;然后使用多尺度空洞卷积特征融合网络,可以极大地扩充模型的感受野,提取全局特征信息;最后使用混合注意力网络获取丰富的车道线特征,并增强与当前任务相关的信息.实验结果表明:在TuSimple数据集上,该方法检测车道线的准确率为97.6％;在CULane数据集上,该方法在标准路面的检测准确率达到92.5％,多种路面综合检测准确率为75.2％.本文提出的LaneSegNet车道线检测方法分割精确度和推理速度优于其他对比模型,且具有更强的适应性和鲁棒性.     

解决化学除盐系统酸喷射器腐蚀损坏的方法

火电厂化学除盐系统中的酸喷射器的腐蚀损坏问题很普遍,因它被腐蚀而影响除盐设备运行的事故时有发生。经观察、分析发现:造成喷射器频繁损坏的主要原因是制造它所选用的材料不合适。而这个问题一直没有引起有关设计和使用单位的重视。为了解决这一问题,我们重新选用了制造喷射器的材料。经近两年的运行实践证明:选用具有优异的化学稳定性的耐腐蚀材料——聚四氟乙烯制造喷射器,是解决化学除盐系统酸喷射器腐蚀损坏的一个好方法。     

对湖南省1988年化纤评优工作的点滴体会

1988年湖南省纤检所除了承担14家企业(25批)产品省优评比检测工作外,还承担了中纤局、中纺部委托的1988年化纤产品部优评比抽样工作。评比之余,浅淡1988年化纤评优工作的点滴体会。1.严格抽样是反映产品真实质量的前提我们认为评优是手段,促使企业技术进步,达到提高产品质量。提高经济效益,社     

运行变压器油剩余使用寿命评估方法研究

通过对某电站新变压器油和运行变压器油在100℃、110℃和120℃下的氧化诱导期和老化过程中界面张力进行连续不断的测试,并对测试结果进行回归处理,提出了在试验室中对运行变压器油进行剩余使用寿命评估的方法,其评估模型为:N=t÷{(T-t) ÷n}.经实际应用证明,所提出的运行变压器油剩余使用寿命的评估方法评估结果与变压器油实际剩余寿命相符.     

900 MW核发电机组抗燃油系统污染原因分析

针对大亚湾核电站2×900 MW核电机组抗燃油系统滤网频繁报警,且更换滤芯数量、频率超常的问题,对抗燃油系统进行了排查分析(1) 抗燃油的油质评估;(2) 滤芯上污染物的分析;(3) 滤芯上黑色片状物的分析;(4) 抗燃油系统局部过热点的查找.在查清抗燃油系统污染物成分、来源并采取措施后,问题得以解决.     

碳化硅纤维和碳纤维的复合纤维介绍

隐身技术是当代军事科学上最新成就之一,而材料又是隐身技术有待解决的关键问题。目前,军事上常用以铁氧体为代表的吸波涂层,因吸收频带窄而受到限制使用,如果采用既有吸收电磁波性能又可作结构部件使用的结构吸波材料,那么既可解决隐身技术问题又可回避吸波涂层粘合不牢,飞行阻力增大的缺陷。     

湖南省颁布商品质量条例

今年八月二十三日湖南省七届人大常委会第三十次会议通过了湖南省商品质量监督条例。该条例规定县级以上人民政府标准化行政管理部门主管本行政区域内的商品质量监督工作,贯彻执行有关商品质量的法律、法规,检查商品质量,组织法定质量监督检验机构对商品质量进行检验,受理商品质量问     

含钛的碳化硅纤维介绍

随着新型复合材料的研究和应用,对高性能无机纤维的需要日益迫切,而以有机金属聚合物为先驱体制造无机纤维是制造直径很细(10～20μm)的连续无机纤维的好方法。国外采用这种方法已制得了性能优良的碳化硅纤维和氮化硅纤维,另一种含钛的碳化硅纤维也紧随其后以“Tyranno”的商品     

220kV架空导线断股的案例分析

对大亚湾核电站220kV门型架钢芯铝绞导线断股事故进行了分析,发现点蚀、电偶腐蚀、缝隙腐蚀等多种腐蚀是导线断股的根本原因,据此提出了海洋大气区架空导线的选材和使用建议。     

FIRE-DET:一种高效的火焰检测模型

模型的效率在计算机视觉中变得越来越重要.本文通过研究用于火焰检测的神经网络结构,提出了几个关键的优化方案,以提高模型效率和检测效果.第一,提出一种由多卷积组合结构构建的主干网络(FIRE-Net),它能高效地从多个尺度上提取丰富的火焰特征;第二,提出一种改进的加权双向特征金字塔网络(BiFPN-mini)以快速地实现多尺度特征融合;第三,提出一种新的注意力机制(FIRE-Attention),让检测器对火焰特征更敏感.基于上述优化,本文开发出了一种全新的火焰检测器FIRE-DET,它在硬件资源有限的条件下能够取得比现有基于深度学习的火焰检测方法更高的检测效率.FIRE-DET模型在自建数据集上进行训练后,最终对火焰检测的准确率和帧率分别达到97％和85 FPS.实验结果表明,与主流算法相比,本文火焰检测模型检测性能更优.本文为解决火焰探测问题提供了一个更通用的解决方案.