简介：海上石油平台铁磁性构件表面涂层造成探头提离导致磁信号减弱,会导致应力集中误判.我们对不同提离值下应力集中的磁记忆分析方法展开研究.首先,分别在提离0、0.5、1、2、3、4、5mm时采集试件的磁信号;其次,采用小波自适应阈值消噪提高磁信号的信噪比,对重复采集的磁信号进行相似度判别,消除其相异性;最后,分析不同提离值下磁信号的梯度和相轨迹.结果表明:提离值过大可能导致无法根据磁信号梯度识别应力集中,可用梯度值与梯度平均值的比值m或相轨迹辅助识别.基于此提出了不同提离值下的磁记忆分析方法,并在渤海某平台进行现场应用验证了其可行性.

简介：道路目标检测在智慧城市建设中扮演着重要角色,而Faster-RCNN是目前主流的目标检测网络结构算法.本文在Faster-RCNN卷积神经网络结构基础上增加了特征金字塔网络层,并采用关注损失函数替代了原有的交叉熵损失函数.其中增加的特征金字塔特征融合层可以提取到检测图片中更具鲁棒性和一般性的前背景特征,而通过关注损失函数则能起到缓解检测图片中的正负样本不均的情况.最后,在公开数据集KITTI上实验证实,改进的目标检测算法能实现提高原有的Faster-RCNN目标检测准确率.

简介：近年来,目标显著性检测引起了众多学者的极大关注,并涌出了一些基于低秩矩阵恢复理论的检测方法.在这些方法中,人们一般使用核范数约束低秩部分.但是,由于秩函数是非凸且不连续的,由此导致核范数不能很好地逼近秩函数,使得检测效果往往不佳.为解决上述问题,现提出基于加权Schatten-p范数与低秩树结构的稀疏分解模型.一方面,利用加权Schatten-p范数对图像背景进行低秩约束.另一方面,采用具有树结构稀疏特性的l2,1范数和图像拉普拉斯正则化对显著性目标进行稀疏约束,以此提高显著性检测精准度.经过与4种已有的常用显著性检测方法在3个不同数据库中的实验结果对比,证实现提出的方法具有更好的检测性能.