基于FPGA的序列图像能量累加

低信噪比小目标检测是当前的研究热点,能量积累是其关键技术之一。介绍了两种常用的序列图像能量累加算法：一种是针对帧间运动速度较小的多帧累加；一种是针对帧间运动速度较大的形态膨胀累加。并给出了这两种算法的FPGA实现。实验结果表明,设计的电路运行速度快、占用资源少,具有很强的实用性,并在实际应用中取得了较好的效果。     

气液色谱法测定稀溶液的汽液平衡工作方程的改进

针对稀溶液的相平衡的特点,提出了适用于气液色谱法测定模型的稀溶液活度系数表达式。将稀溶液汽液平衡关系引入色谱测定方程中,得到大为简化的工作方程,计算结果与原方程吻合用上述处理方法,分析了考虑压力影响的Valentin和Guiochon的色谱测定方程。     

C_4、乙腈、水萃取蒸馏的电子计算

关于用乙腈、水的混合溶剂萃取C_4馏份中的丁二烯的计算方法,尚缺乏有系统的,能结合实际的报导。本文简要地叙述试验数据的归纳,汽液平衡数学模型的建立和试算试验塔的结果。     

乙睛、丙烯睛、水的三元共沸蒸馏

兰化公司石油化工厂丙烯腈车间系1965年从西德引进,采用(?)SW流程。丙烯氨氧化应在固定床反应器中进行。反应产物经酸洗中和及水吸收后得到粗丙烯腈,再经过氰醇缩合反应除去醛、酮等含氧杂质并蒸出氰氢酸后,余下的主要组成为丙烯腈、乙腈和水。在萃取蒸馏塔(D-11,图1)中用水萃取乙腈;塔顶得到脱乙腈后的丙烯腈,在塔D-15中进一     

NON-CUBIC EQUATION OF STATE FOR PHASE EQUILIBRIUM CALCULATIONS

A new non-cubic equation of state is proposed for calculation of the thermodynamic properties ofnonpolar and polar fluids and their mixtures,including,saturated vapor pressure,saturated liquid volume,saturated vapor volume,heats of vaporization and vapor-liquid equilibria.The new equation is derived from thegeneralized van der Waals partition function in which the repulsive terms are expressed with the Carnahan andStarling equation for hard spheres,and the attractive terms are made up of the dispersive energy and theChemical association energy. The rules of dependence of parameters α and σ and on temperature are considered broadly so that the newequation yields good agreement with experimental saturated properties of 20 nonpolar and 27 polar fluids in therange of reduced temperatures of 0.5 to 1.0 The new equation with parameters group-contributed generally givessatisfactory predictions on saturated properties. Correlations of vapor-liquid equilibrium data for alcohol-containing systems by using van d     

合成氨装置甲醇洗净化工艺模拟计算的研究(Ⅰ)

本文介绍了甲醇洗工艺中部分气化冷凝、绝热闪蒸器和塔系模拟计算方法和结果。相平衡和焓模型采用修正的PR状态方程,方程中引入极性因子和采用二元相互作用系数与温度相关的二次加和形式混合规则。工艺采用五塔流程,全流程用相同的二元相互作用参数,热区两个塔用泡露点法,而冷区三个塔采用流量加和法进行模拟计算,得到的结果与某工厂的设计数据和生产实际数据十分吻合。     

合成氨装置甲醇洗净化工艺模拟计算的研究(Ⅱ)

<正> 4115C1,4115C2和4115C3三个塔均为吸收塔或解吸塔,塔内含有挥发度大不相同的组分。如按普通蒸馏塔的泡点法或露点法进行计算,则这些液相组分的变化对板温十分敏感,会导致板温发生紊乱或颠倒,使计算失败。故本文采用流量加和法(Sum Rates,     

CORRELATION OF DIFFUSION COEFFICIENTS FOR LIQUIDS AND DENSE FLUIDS WITH TEMPERATURE AND PRESSURE

On the basis of the free volume theory and activation energy concept,a fundamental equation whichtakes into account the effects of temperature and pressure has been developed.By introducing differentexpressions for the free volume and activation energy,several equations for fluid diffusion coefficients were derivedaccordingly.With the van der Waals free volume and intermal energy formula,a three-parameter model for fluiddiffusion coeffficients at moderate pressure was obtained.The grand average absolute deviation percent of 345data points (44 systems)for self-and infinite dilute inter-diffusivities is 2.32,against the results of the model ofCohen and Turnbull,4.13.In particular,by means of the modified Carnahan-Starling free volume equation,afour-parameter model with average abosolute deviation percent 2.64(30 systems,644 data points)for theestimation of dense fluid inter-and self-diffusivities at high pressures and in supercritical conditions was derived.The derived model is superior to the method of L     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢。近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法。在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪（Detection-Based-Tracking,DBT）、联合检测跟踪（Joint-Detection-Tracking,JDT）两大类及六个子类,研究不同类别算法的优缺点。分析表明,DBT类算法结构简单,但算法各子环节的关联度不高,JDT类算法融合多模块联合学习,在多项跟踪评价指标中占优。DBT类算法中特征提取模块是解决目标遮挡问题的关键,但损失了算法速度,JDT类算法对检测模块更为依赖。目前,多目标跟踪跟踪总体是从DBT类算法向JDT发展,分阶段实现算法准确度与速度的均衡;提出多目标跟踪算法未来在数据集、各子模块、具体场景应用等方面的发展方向。     

短时记忆与CenterTrack的车辆多目标跟踪

目的 车辆多目标跟踪是智能交通领域关键技术,其性能对车辆轨迹分析和异常行为鉴别有显著影响。然而,车辆多目标跟踪常受外部光照、道路环境因素影响,车辆远近尺度变化以及相互遮挡等干扰,导致远处车辆漏检或车辆身份切换（ID switch,IDs）问题。本文提出短时记忆与CenterTrack的车辆多目标跟踪,提升车辆多目标跟踪准确度（multiple object tracking accuracy,MOTA）,改善算法的适应性。方法 利用小样本扩增增加远处小目标车辆训练样本数;通过增加的样本重新训练CenterTrack确定车辆位置及车辆在相邻帧之间的中心位移量;当待关联轨迹与检测目标匹配失败时通过轨迹运动信息预测将来的位置;利用短时记忆将待关联轨迹按丢失时间长短分级与待匹配检测关联以减少跟踪车辆IDs。结果 在交通监控车辆多目标跟踪数据集UA-DETRAC （University at Albany detection and tracking）构建的5个测试序列数据中,本文方法在维持CenterTrack优势的同时,对其表现不佳的场景获得近30%的提升,与YOLOv4-DeepSort（you only look once—simple online and realtime tracking with deep association metric）相比,4种场景均获得近10%的提升,效果显著。Sherbrooke数据集的测试结果,本文方法同样获得了性能提升。结论 本文扩增了远处小目标车辆训练样本,缓解了远处小目标与近处大目标存在的样本不均衡,提高了算法对远处小目标车辆的检测能力,同时短时记忆维持关联失败的轨迹运动信息并分级匹配检测目标,降低了算法对跟踪车辆的IDs,综合提高了MOTA。