反应时间对水热法制备VO2(B)纳米电池材料的影响北大核心

采用水热处理法制备VO2(B)纳米带结构,对VO2(B)纳米带的微观形貌及其应用为钠离子正极材料时的电化学性能进行了检测。结果表明:水热处理时间为2 h时,反应生成了高纯度VO2(B);当水热处理时间进一步加长到10 h,产物结晶度没有明显变化;不同水热处理时间后,产物中都生成了纳米带结构,水热处理6 h制备的产物生成了众多的纳米带(厚度10 nm,宽度40 nm,长度2μm);不同水热处理时间后,材料的放电量均随着循环数的增加单调减小。电压为1.5~4.5 V时,VO2(B)的放电比容量为175 mA·h/g,充放电循环60次后的比容量约为原来的50%。     

对光照鲁棒的道路边缘检测算法

针对在光照变化和强阴影干扰条件下的道路边缘检测问题,提出了一种对光照鲁棒的道路边缘检测算法。该算法结合导向滤波和抗阴影特征提取器,首先,采用导向滤波对图像的边缘进行增强,减少背景噪声干扰;其次,利用抗阴影道路特征提取器提取道路粗边缘轮廓;最后,采用模糊连通性分析,结合道路边缘全局信息将道路边缘分为远、近两部分,对提取的边缘点进行修正,并采用RANSAC进行拟合。实验部分采用ROMA数据集对算法进行验证,实验结果表明,该边缘检测算法的综合性能指标为83.67%,在各种道路条件下,具有较好的鲁棒性和准确性。     

概率框架下多特征显著性检测算法

显著性检测是计算机视觉的一项基础问题,广泛地用于注视点预测、目标检测、场景分类等视觉任务当中.为提升多特征条件下图像的显著性检测精度,以显著图的联合概率分布为基础,结合先验知识,设计一种概率框架下的多特征显著性检测算法.首先分析了单一特征显著性检测的潜在缺陷,继而推导出多特征下显著图的联合概率分布;然后根据显著图的稀有性,稀疏性,紧凑性与中心先验推导出显著图的先验分布,并使用正态分布假设简化了显著图的条件分布;随后根据显著图的联合概率分布得到其极大后验估计,并基于多阈值假设构建了分布参数的有监督学习模型.数据集实验表明：相比于精度最高的单一特征显著性检测方法,多特征算法在有监督和启发式方法下的平均误差降低了6.98%和6.81%,平均F-measure提高了1.19%和1.16%;单幅图像的多特征融合耗时仅为11.8ms.算法精度较高,实时性好,且可根据不同任务选择所需的特征类别与先验信息,能够满足多特征显著性检测的性能要求.