基于人脸检测的课堂关注度分析系统

针对各高校课堂教学质量评价带有主观、片面和滞后的问题,提出一种基于"交并均"的多种人脸检测融合算法的课堂关注度分析系统。首先对获取的视频帧图像进行图像均衡和滤波等处理。然后,将处理后的图像分别通过三种不同的人脸检测算法进行检测,获得三个不同的坐标集合;同时,对坐标集合中的数据进行比对分析获得理想最大坐标集合、理想最小坐标集合和理想均衡坐标集合;最后,使用集合中的坐标信息计算出学生抬头率,通过阈值分级量化出学生的课堂专注度,从而实现对课堂教学质量的客观评价。实验结果表明,该系统能够对各种课堂的教学质量做出客观评价,为评估和改善学生听课效率和课堂教学质量提供科学依据。     

钢骨箱形柱内横隔板采用改良型电热熔渣焊细部及梁翼板高程差对梁柱接合抗震性能的影响

电热熔渣焊(Electro-slag Welding,ESW)为钢骨箱形柱制作柱内横隔板最有效率的焊接方法之一,因此台湾钢骨建筑结构的箱形柱构件广泛采用ESW作为柱内横隔板与柱板连接的焊接方法。由过去实尺寸梁柱接合试验研究成果发现,箱形柱内横隔板采ESW与柱板连接的梁柱接合抗震性能可靠度不佳,在未发展充分非弹性变形前发生破坏的几率较高。进一步针对ESW焊道制作与质量检测的相关研究也显示,传统ESW焊道的制作与检测质量仍有改善空间,并提出喇叭形扩大孔的ESW熔池改良细部。该研究共进行4组实尺寸梁翼盖板式增强型梁柱接合试验,研究参数包括梁翼板与箱形柱内横隔板的偏心、ESW焊接熔池细部与荷载历时。试验结果显示,若梁翼板未偏心且ESW焊道制作良好的试件,可提供5%rad层间位移角的变形容量。当梁翼板与柱内横隔板高程偏心1倍梁翼板厚度时,采用传统矩形ESW熔池细部的梁柱接合试件,其层间位移角约降至3%rad;箱形柱板与内横隔板连接的ESW采用改良喇叭形熔池细部的梁柱接合试件,具有5%rad以上层间位移角的抗震性能,甚至可高达8%rad而不会发生断裂。     

多楼层钢板剪力墙之耐震设计研究

现有钢板剪力墙耐震设计规范对于多楼层钢板剪力墙边界梁柱的容量设计并无清楚交代,本研究的目的在于研发方便且有效的多楼层钢板剪力墙的耐震分析与容量设计方法。探讨不同原理的钢板剪力墙底层边界柱容量设计法,研究如何避免底层柱顶塑性铰的产生,并以ABAQUS有限元模型证实所提设计方法可以有效地避免柱顶塑性铰的发生,而避免侧向变形集中在底层时的软弱层现象。本研究采用美国洛杉矶市反应谱分别设计了6层以及20层的钢板剪力墙建筑结构,并用结构非线性分析软件PISA3D建立双向板条模型进行非线性时程分析,依SAC计划中20组475年回归期的地震分析统计结果讨论钢板剪力墙结构在强烈地震下的反应。由构架动力分析反应和所估计的最大静态需求比较,可观察到钢板对边界柱的最大累积拉力的静态估计值会随着楼层位置越低时有越高估的趋向。此外,边界梁端的最大剪力在上下层钢板厚度相同处,静态估计值有严重低估的情形发生,因此会造成边界梁端的最大累积剪力静态估计值随着楼层位置越低时有越低估不保守的趋向。最后依时程分析结果给出不同楼层数的钢板剪力墙边界柱轴力需求的估算方式建议,依此建议可设计出安全且经济的边界柱。     

结合注意力机制和编码器—解码器架构的化学结构识别方法

目的 化学结构识别是化学和计算机视觉领域的一个重要问题,传统光学化学结构识别技术在复杂化学结构识别任务中易发生信息丢失或误识别的现象,同时又因为化学物质的结构多样性常导致其无法解析,识别效果不佳。而基于深度学习的模型通常具有网络结构复杂度高、上下文信息易丢失和识别率低的问题。为此,提出一种结合注意力机制和编码器—解码器架构的化学结构识别方法。方法 首先,使用改进的 ResNet50（residual network）作为特征提取器抓取表征信息;其次,使用 BLSTM（bi-directional long-short term memory）作为行编码器为 ResNet50提取的表征信息加强空间信息;最后,使用去填充模块和基于覆盖注意力机制的 LSTM（long short-term memory）网络作为模型解码器,对化学结构图像进行解码,将编码结果解码为 SMILES（simplified molecular input line entry system）序列。结果 在 Indigo、ChemDraw、CLEF（Conference and Labs of the Evaluation Forum）、JPO（Japanese Patent Office）、UOB（University of Birmingham）、USPTO（United States Patent and Trademark Office）、Staker、ACS（American ChemistrySociety）、CASIA-CSDB（Institute of Automation of Chinese Academy of Sciences—Chemical Structure Database）和 MiniCASIA-CSDB 数据集上,所提方法识别准确率分别为 71. 1%、70. 21%、45. 8%、30. 3%、53. 02%、58. 21%、43. 39%、46. 3%、84. 42% 和 85. 78%,高于 SwimOCSR、Image2Mol 和 ChemPix 模型得分。结论 与其他模型相比,本文方法通过少量训练集能够获得较高的识别准确率。