制革工业现状及其发展趋势

前言现代科学技术的迅猛发展 ,有力地推动着皮革工业的发展。与此同时 ,也促进了世界性产业结构的调整。我国业已成为世界皮革业的加工中心和商贸中心 ,成为世界公认的皮革大国。笔者认为 ,加入ＷＴＯ后 ,我国皮革工业将会迎来第二次快速、健康发展的机遇 ,当然 ,同时也具有很强的挑战性。抓住机遇 ,迎接挑战 ,是我们业内同仁所肩负的重要的历史责任和神圣而光荣的使命。我们应该清醒地看到 ,虽然我国已经成为世界皮革大国 ,但还不是皮革强国 ;虽然我国的皮革及皮革制品的产量已在世界第一 ,但是我们并没有世界品牌 ;虽然整个行业一直在不断…     

“高档猪革产品的综合开发”项目推广应用可行性研究报告

本文结合我国猪皮制革业的实际,通过对国内外皮革市场的分析,阐明了提高猪皮制革经济效益的途径和应用“高档猪革产品的综合开发”技术可以有效地提高猪革的档次和质量,并通过推广应用的实际效果,证明推广应用“高档猪革产品的综合开发”这一科技成果是切实可行的。     

艺术建筑设计的探索

通过徐州一中艺术楼的设计实践，寻求优美而独特的艺术形象，并用纯几何形体的组合来达到功能与形式的完美统一。     

牛皮制革实用技术（三）

脱灰程度的掌握，主要取决于酶软化工序所要求的操作pH值及成革的性能等。考察脱灰程度一般有2个指标。     

现代制革实用技术讲座之九——牛皮制革实用技术（九）

这里需要顺便提及的是，在制革行业，合成鞣剂与树脂鞣剂是有区别的。合成鞣剂是指一类由芳香族化合物经过缩合而成的缩合物．树脂鞣剂是指以某些单体为主，通过定的合成方法聚合而成的一类能够与革纤维结合．或与已经结合在革纤维上的某些鞣剂分子结合或在革纤维之间进行填充的高分子物质。有的教科书或学术专著已经将树脂鞣剂归八合成鞣剂一类。有关鞣剂分类的问题不属本文讨论的内容，此处恕不赘述。     

西南山区交通工程弃渣的工程特性评价及其分类

山区交通工程弃渣力学参数的准确测定,一直是弃渣场边坡稳定性评价面临的基础科学问题。在山区交通工程弃渣场运行特点和弃渣固体废弃物特征认知的基础上,探讨弃渣取样和试验代表性问题的物理根源,依托实际工程累计数据尝试提出简单实用的弃渣工程特性评价和分类方法。结果表明:①常规交通工程弃渣的密度、颗粒分析和强度试验,由于弃渣的粒径范围差异大、颗粒空间分布不均、弃渣来源复杂等固体废弃物特征造成取样和试验代表性难题; 用多阶段坡角测量和颗粒分析试验代替传统的弃渣边坡试验,解决了试验和取样代表性难题。②利用弃渣粗细比可将弃渣分为细粒弃渣、混合型弃渣和粗粒弃渣。③根据弃渣粗细比、天然休止角和整形坡率,将西南山区交通工程弃渣分为细粒弃渣、混合型弃渣和粗粒弃渣等3类。细粒弃渣,弃渣粗细比小于0.3,天然休止角小于31.5°,整形坡率为1.00:2.00; 混合型弃渣,弃渣粗细比为0.3～1.0,天然休止角为31.5°～39.5°,整形坡率为1.00:2.00～1.00:1.50; 粗粒弃渣,弃渣粗细比大于1.0,天然休止角大于39.5°,整形坡率为1.00:1.50。④用多阶段坡角测量、颗粒分析试验和无黏性土边坡稳定性系数计算公式代替传统的弃渣边坡试验和稳定性系数计算方法,方法简单,结果保守,可以作为弃渣边坡稳定性评价和安全控制技术的有益补充。     

基于SVM和GA-SVM的NIR光谱柑橘产地鉴别模型研究

为了建立更准确、高效的柑橘产地鉴别模型,提出了基于支持向量机(Support Vector Machine,SVM)的遗传算法(Genetic Algorithm,GA)SVM(GA-SVM)。该算法结合基因优化选择,对SVM算法进行了改进,实验结果显示,采用GA-SVM对16个地区柑橘样本开展NIR的产地鉴别,能得到比SVM更高的识别率。     

耐热性橡胶配合技巧(上)

介绍了耐热橡胶的等级划分，各种橡胶的使用温度和性能特点，及13种橡胶（天然橡胶、聚氨酯橡胶、丁苯橡胶、顺丁橡胶、氯丁橡胶、丁腈橡胶、氯磺化聚乙烯橡胶、氯醚橡胶、丁基橡胶、乙丙橡胶、丙烯酸酯橡胶、氟橡胶、硅橡胶）的78个耐热配方实例，并对配方做了简要说明。所述配方可基本满足橡胶材料从A～I级9个耐热等级的不同要求。     

结合方向纹理熵的Haar-like特征在线boosting跟踪算法

针对传统基于Haar-like特征的on-line boosting跟踪算法（HBT）需要产生大规模随机特征、占用大量计算资源和存储空间的缺点,提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法（HBTT）。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息,在此基础上有针对性地产生具有方向纹理信息的Haar-like特征,从而可有效避免无效随机特征的产生,减小特征池容量;更进一步,可根据目标纹理的复杂程度自动调整特征数量,使得算法更灵活。在跟踪过程中,在线学习模块可以使错误率较高的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较,HBTT算法的跟踪误差降低了10%以上;在相同特征池容量下,置信度提高了2%以上。实验结果表明,该算法不仅具有较高的鲁棒性,而且在跟踪效率和性能上都有所提高。