一种基于八邻域深度差的点云边缘提取算法

提出了一种基于八邻域深度差(8N-DD)的点云边缘提取算法。算法根据目标特征的点云,对每个特征点沿深度方向进行垂直投影并对投影点进行栅格划分,计算出每个栅格内投影点所对应深度的平均值作为该栅格的深度值;然后比较每个栅格与其八邻域栅格的深度差,根据深度差判断该栅格内是否存在边缘点,并采用排序法从栅格内筛选出目标的点云边缘点。针对含有非孔洞和孔洞的两种典型点云数据,利用八邻域深度差算法进行点云边缘提取,验证了算法的有效性。     

新疆阿尔泰金矿床的类型划分及找矿评价标志

新疆阿尔泰的金矿资源类型有：岩金矿、伴生金矿和砂金矿．从金矿地质找矿的实用角度，以金矿床的主要地质特征、控矿地质条件及找矿标志为划分依据，将阿尔泰的金矿类型简化为浅成低温热液型、剪切带型及断裂变质带型，其中，浅成低温热液型可细分为火山岩型和微细粒浸染型，剪切带型可细分为破碎蚀变岩型和韧性剪切带型．每一种类型的金矿床具有相应的找矿评价标志．     

猕猴桃籽油理化特性及脂肪酸组成

对猕猴桃籽油的理化特性和脂肪酸组成进行了研究 .结果表明 ,猕猴桃籽油主要含不饱和脂肪酸 ,其中亚麻酸含量高达 6 3.99% ,是亚麻酸含量最高的植物之一 ,是一种极具开发潜力的营养保健油源 .     

猕猴桃籽油理化特性及脂肪酸组成

对猕猴桃籽油的理化特性和脂肪酸组成进行了研究。结果表明，猕猴桃籽油主要含不饱和脂肪酸，其中亚麻酸含量高达63．99％，是亚麻酸含量最高的植物之一，是一种极具开发潜力的营养保健油源。     

基于改进YOLOv8的嵌入式道路裂缝检测算法

在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明：所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020 (GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检...     

可观测双队列排队系统的服务定价研究

在可观测双队列排队系统中,考虑了两支队列参数相同和不同的情况。在队列参数相同的情况下,分别得到了使服务提供者利润和社会收益最大化的最优服务定价。在队列参数不同的情况下,提出了额外收费（补贴）定价策略,分析队列差异对系统性能的影响。结果表明：当两支队列差异较大时,服务提供者应向顾客获取收益更高的队列进行额外收费;而当两支队列差异较小时,则应给予该队列一定的补贴。最后,将这种额外收费（补贴）定价与单一定价进行比较,发现单一定价可能会导致服务提供者利润的损失。     

基于水力学方法的不同类型水下夯锤的夯击效能试验分析

文章采用水力学方法对圆柱和圆台两种典型水下夯锤的夯击效能进行试验分析.分析结果表明:各类型水下夯锤随着夯次的增加其不同点位的击打效能总体呈现递增变化,在相同点位下,圆台型夯锤的夯击效能总体好于圆柱型夯锤.随着夯次的增加两种类型夯锤沉降量均有逐步减小的变化规律,且相同夯次下,圆柱型夯锤的平均夯沉率要好于圆台型夯锤.随着夯...     

字斟句酌——看UML变迁（上）

由 UML 三位创始人 James Rumbeugh,IvarJacoboson、Grady Booch 合著的《UML 参考手册》对于使用 UML 建模的开发人员来说,就像学英语的《牛津英汉词典》,虽然不会随身携带,架上却是必备的。2000年,《UML 参考手册》第一版中译本[1]推出。今年上半年,面向 UML2,0的第二版中译本[2]也即将推出,我们在审校译稿的过程中,萌生了这个有趣的想法,把两本书一些有意思的前后变化对比一下,从中看看 UML 的变迁。本文中笔者只针对此书的某些片段前后版本的不     

基于聚类的环形kNN算法

传统k最近邻算法kNN在数据分类中具有广泛的应用,但该算法具有较多的冗余计算,致使处理高维数据时花费较多的计算时间。同时,基于地标点谱聚类的分类算法(LC-kNN和RC-kNN)中距离当前测试点的最近邻点存在部分缺失,导致其准确率降低。针对上述问题,提出一种基于聚类的环形k最近邻算法。提出的算法在聚类算法的基础上,首先将训练集中相似度较高的数据点聚成一个簇,然后以当前测试点为中心设置一个环形过滤器,最后通过kNN算法对过滤器中的点进行分类,其中聚类算法可以根据实际情况自由选择。算法性能已在UCI数据库中6组公开数据集上进行了实验测试,实验结果表明:AkNN_E与AkNN_H算法比kNN算法在计算量上平均减少51%,而在准确率上比LC-kNN和RC-kNN算法平均提高3%。此外,当数据在10 000维的情况下该算法仍然有效。