基于策略梯度的目标跟踪方法

针对目标跟踪过程中的遮挡、形变和快速运动等问题,提出基于策略梯度的目标跟踪方法. 该方法利用策略梯度算法训练策略网络. 该策略网络能够根据当前跟踪结果的可靠性进行动作决策,以避免错误的模板更新或者重新检测丢失的目标. 在决策过程中,通过计算加权置信度差值分析当前跟踪结果的鲁棒性和准确性,使得策略网络能够更准确地评估跟踪结果. 在重检测过程中,提出有效的重检测方法,对大量的搜索区域进行过滤,大大提高了搜索效率,利用决策模块检验重检测结果,确保重检测结果的准确性. 利用提出的算法在OTB数据集及LaSOT数据集上进行评估. 实验结果表明,提出的跟踪算法在原算法的基础上提高了2.5%~4.0%的性能.     

GCr15轴承钢BOF-LF-RH-CC流程夹杂物的生成及演变

 为研究GCr15轴承钢中夹杂物的演变规律,对某钢厂BOF-LF-RH-CC工艺流程生产的GCr15轴承钢进行了全流程取样,并利用ASPEX扫描电镜和热力学计算对各工序钢中夹杂物的演变进行了系统的分析。研究表明,在LF精炼初期,钢中夹杂物主要为高Al₂O₃(w(Al₂O₃)=84%)的MgO-Al₂O₃和CaO-MgO-Al₂O₃夹杂物;LF精炼结束时,MgO-Al₂O₃和CaO-MgO-Al₂O₃夹杂物的数量所占比例分别为74%和26%,此时钢液中夹杂物尺寸主要为1～6 μm,数量所占比例为87%。LF-RH精炼期间,夹杂物总数量由LF精炼结束时的198 个/(20 mm2)降低至RH破空后的103 个/(20 mm2),降幅为48%,其中MgO-Al₂O₃夹杂物主要在LF精炼期间生成,然后在RH精炼时基本被去除,具体表现为,其数量由LF进站时的88 个/(20 mm2)增加至LF出站时的139 个/(20 mm2),在RH软吹结束时降低为4 个/(20 mm2);CaO-MgO-Al₂O₃夹杂物主要在RH精炼期间生成,其数量由LF出站时的49个/(20 mm2)增加至RH软吹结束时的108 个/(20 mm2),这表明RH真空精炼对夹杂物去除效果较好。热力学计算结果表明,二次精炼过程中钢中Al_s、Mg含量处于MgO-Al₂O₃夹杂物优势区内,这表明MgO-Al₂O₃夹杂物更易生成;当钢中w([Mg])为0.000 3%时,w([Ca])大于0.000 25%,满足MgO-Al₂O₃夹杂物转变为CaO-MgO-Al₂O₃夹杂物的热力学条件,而且当w([Al_s])为0.022%时,w([Ca])控制为0.000 25%～0.007 00%时更有利于生成液态化的钙铝酸盐。试验过程钢中w([Ca])约为0.000 1%～0.000 4%,因此夹杂物更多地转变为CaO-MgO-Al₂O₃夹杂物。