基于视觉辐条图案识别方法的蓝宝石引晶机制研究

工业生产蓝宝石晶体过程中,引晶步骤有着至关重要的地位。引晶必须在温度梯度较小,温度分布趋于稳定的条件下进行。目前,工业生产蓝宝石主要依靠人工经验操控籽晶杆实现引晶操作,但是人工引晶操作的准确性不高会导致成品品质不佳、资源浪费。为此,本文提出一种基于蓝宝石视觉辐条图案识别方法来检测蓝宝石熔体状态自由液面状态,从而实现一种高效率引晶的机制。此方法利用经典骨架化算法细化辐条图案,Harris算子实现特征信息的提取,提取的特征信息放入运动轨迹模型中判断熔体稳定性,分析液面温度分布稳定性从而实现引晶。结果表明,此算法具有有效性,蓝宝石晶体引晶效率大大提高,生产出的成品良率也有提升,可有效指导蓝宝石的工业生产。     

明代生命损失型地震的时空分布特征及成因分析

利用史料记录建立了明代生命损失型地震的数据库，构建生命损失型地震等级序列、10 a尺度上生命损失型地震的频次序列和县次序列，再现明代生命损失型地震的时空分布特征，探讨了生命损失型地震发生及导致人口死亡的时空差异原因。结果表明：（1）从明初到明末，生命损失型地震等级强度有逐渐扩大的趋势。（2）明代前期处于生命损失型地震发生较少的稳定时期；明代中后期处于生命损失型地震发生较多的波动时期。明代生命损失型地震发生频次存在明显的周期性变化特征。（3）生命损失型地震在明代大部分区域皆有分布。灾害重心随时间变化发生移动，由西南到中部再到华北、华东。（4）明代地震频繁的原因除地球本身因素外，太阳活动通过影响气候变化，进而间接影响地壳活动。气候寒冷与干旱和地震有较好的对应关系。明代后期生命损失型地震导致死亡人数大量增加，与明代经济发展，人口密度逐渐增长有关；不同地区生命损失型地震导致的死亡人数不同，且死亡人数与地震频发地区是否处于板块之间的活动构造带和人口分布密度有关。     

LAMOST光谱J152238.11+333136.1 P-Cygni轮廓分析

LAMOST一期巡天成功获取河外星系光谱超过150 000条,大样本光谱数据为探索奇异、稀有的天体从而完善现有的天体演化理论提供了必要的数据条件;而先进的信息技术为从海量的数据中挖掘这些珍稀样本提供了有效途径。针对采用基于DoPS的数据挖掘方法,从LAMOST DR5星系光谱数据获得的离群数据挖掘结果中,呈现出疑似P-Cygni轮廓特征的光谱J152238.11+333136.1进行了深入讨论。首先针对该光谱的基本信息、疑似P-Cygni轮廓特征以及相应的离群数据挖掘方法进行了简要表述,光谱在Hβ和[OⅢ]λ4860处呈现P-Cygni轮廓,在NeⅢλ3869和HeⅠλ5874处呈现反P-Cygni轮廓;其次,对该特征的真实性及其生成机制从以下4个角度展开讨论。(1)交叉同源观测。Sloan巡天2004年(相差11年)的同源观测,其光谱上并未呈现对应的特征,据推测可能是正在进行的演化活动或者光纤定位误差所致;(2)通过分析光谱质量、减天光残差等方法,分析P-Cygni特征是否为观测或数据处理所致。NeⅢλ3869和HeⅠλ5874处呈现反P-Cygni轮廓可信度较低;同时,通过比较目标光谱与超级天光,以及相邻光纤观测到的光谱在对应波长处的光谱特征,说明存在P-Cygni轮廓为减天光过程导致的可能性;(3)光谱子型差异。IRAS和WISE等近红外同源观测,显示其为Seyfert 2型星系,光学波段发射线强比[NⅡ]/Hα,[OⅢ]/Hβ显示其为HⅡ区,结合光学、红外测光图像特征,推测目标可能是两个星系进行并合活动;(4)从导致P-Cygni轮廓的物理机制的角度,分析了由星系并合触发外流、由恒星形成(爆发)电离气体触发的外流以及由Wolf-Rayet特征星系的超星风等原因引起的可能性。     

一种基于特征分解的图像融合方法

一幅图像可以分解成几何特征不同的纹理部分和卡通部分,基于这两大特征提出了一种图像融合方法.利用卡通和纹理特征的差异,通过学习分别得到卡通字典和纹理字典.在融合过程中,分别利用特定的卡通和纹理字典对源图像的卡通和纹理部分进行融合,融合后的卡通和纹理部分经简单相加得到融合图像.实验结果表明,所提方法是有效的.     

一些同余问题的例外集合

利用特征和与指数和的估计,研究了一些同余问题的例外集合.具体来说,设p为充分大的素数,集合Y■Zp,正整数N相似文献   

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法，实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象，对其进行纹枯病病菌侵染，获得染病植株，采集358～1 021 nm波段范围的高光谱图像，三次实验共240个样本，包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维，对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI），利用感兴趣区域的光谱数据，对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理，建立线性判别分析（LDA）和支持向量机（SVM）分类模型，结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能，正确识别率在建模集达98.3%，在预测集达95%；利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取，然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型，其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能，其正确识别率在建模集达97.8%，在预测集达95%，而且基于载荷系数法建立的模型性能与全波段相当，可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别；根据高光谱图像的图像维，研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法，利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型，其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能，建模集准确识别率达90.6%，预测集的准确识别率达83.3%；根据高光谱图像光谱维和图像维的最优模型，特将叶绿素含量作为建模的另一个特征，分别与光谱特征、图像特征组合，建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型，提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式，其中，光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升，而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能，其准确识别率在建模集达100%，在预测集达96.7%。以上研究表明，基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的，为水稻病害的早期识别提供了一种新方法。