镀金层识别及其厚度测定的X—荧光强度比值法

利用Ａｕ原子在Ｘ射线激发下所发射的Ｌβ线和Ｍ线的强度比值识别样品是镀金还是Ｋ金，同时利用这个比值测定镀金层的厚度，镀金层厚度的测定范围为０～４μｍ，测定值与标定值的相对误差小于１５％。     

环糊精-苯丙氨酸超分子体系的包合现象与分子识别

通过紫外-可见光谱探讨了水溶液中α-环糊精(CD 1),β-CD 2,七(2, 6-二-o-甲基)-β-CD 3和γ-CD 4与D-、L-、D,L-苯丙氨酸(Phe)形成超分子包合物的稳定常数(K)。手性或外消旋苯丙氨酸与同一主体结合能力的强弱顺序为:L- >D,L- >D-Phe,各体系的K_L/K_D值在1.65～3.01之间,给出了较好的异构体分离。但三种形式的苯丙氨酸与这些主体的缔合常数均较小(K< 3×10²mol·L^-1)。就不同主体而言,K值的次序为:3 >1 >4 >2,并不完全等同于K_L/K_D的顺序:2 >1 >3 >4。     

车牌识别嵌入式系统的软硬件设计

作为交通信息服务系统的重要手段,车牌识别技术避免了人工操作存在的各种弊端。文中设计了车牌识别嵌入式系统的软硬件,该系统的整体框架主要包含3个模块,分别是OV7670摄像头、STM32单片机和TFT显示屏。为满足任务需求,设计了最小系统和电源模块等硬件;为解决传统投影法误差较大的问题,该系统在字符分割前会先对车牌区域进行识别,并采用上下投影的方式在有效区域内进行字符分割。实验表明,该系统可以实现车牌识别功能,且精确度较高。     

边缘环境下的视频行为识别

边缘智能是一种新兴的智能计算模式,其将人工智能技术和边缘嵌入式设备结合,被广泛应用于物联网系统。智能摄像机是典型的边缘设备之一,它能提供低延迟的视频处理能力,适用于智能家居、智能交通、智能监控等领域。然而,由于摄像机的计算资源有限,传统的行为识别模型难以在本地完成计算任务。为解决这一问题,文中提出了一种基于边缘计算的架构,利用深度学习目标检测算法YOLO v3对视频行为进行识别。在该架构中,智能移动终端负责数据采集和压缩,边缘服务器承担大部分目标检测任务,而检测困难的目标和模型训练则由云服务器负责。为更好地适应边缘设备,本文采用轻量化的神经网络MobileNet替换YOLO v3模型的特征提取模块。经过测试,该架构能有效提取和识别视频中的静态和动态行为,为实现边缘计算环境下低成本、大规模的行为识别提供了有益的参考。     

结合人脸关键点与光流特征的微表情识别

微表情能反映出人们试图隐藏的真实情感,光流法进行微表情识别时,存在易受光照变化影响而使特征提取不准确的缺陷。针对上述问题提出一种结合人脸关键点与光流特征的微表情识别方法,该方法通过引入人脸关键点分支以忽略光照的影响,弥补光流法的不足,重点关注人脸关键位置的变化,最终建立一个人脸关键点和光流的双输入网络模型。该模型在CASME II和SAMM数据集上使用留一法交叉验证进行了实验,在CASME II上四分类准确率和F1值分别为69.19%和66.24%,相比基准微表情识别方法本方法准确率和F1值分别提升了6.05%和5.44%;在SAMM数据集上也优于现有方法,说明该方法与其他主流算法相比具有更好的识别性能。     

基于分光透射比模型提高镉等离子体特征光谱识别能力的研究

为了降低或消除激光诱导击穿光谱（LIBS）检测过程中激光能量、背景辐射、噪声信号对特征光谱信息的影响,以镉靶材为对象,构建偏振分辨激光诱导击穿光谱（PRLIBS）系统,探索提高重金属污染物LIBS分析能力的方法。结合光波在多层媒介传播过程中的菲涅耳方程,分析入射光波长对光强透射比的作用机理,构建正入射方向上的等离子体辐射强度分光透射比模型。利用该模型获得了相同条件下的LIBS、PRLIBS光谱数据,比较了镉元素特征谱线强度的相对标准偏差（RSD）,并分析了不同延迟时间下特征谱线强度的变化趋势。结果表明：在低能量密度情况下,PRLIBS具有明显的测量优势,可以采集到更多的特征峰信号,并且PRLIBS光谱特征谱线强度的RSD值小于相同检测参数下LIBS光谱特征谱线强度的RSD值,说明分光透射比模型能够有效提高等离子体光谱的稳定性;LIBS与PRLIBS的谱线强度随延迟时间的变化趋势一致,说明PRLIBS并不影响原有LIBS的延迟时间;随着脉冲能量增大,分光透射比模型可以有效降低基线漂移和背景辐射,增强光谱的分辨能力;分光透射比模型不仅保留了连续谱中的有效信息,还提高了谱线识别的稳定性,对于...     

空分复用弹性光网络多链路故障快速识别研究

随着空分复用弹性光网络规模的不断扩大,链路故障发生率持续增加,提出空分复用弹性光网络多链路故障快速识别方法。利用小波包分解方法将空分复用弹性光网络多链路信号分为高频和低频部分,使用Mallat算法快速重构链路信号,提取小波包能量谱特征和故障复合特征。根据特征提取结果采用改进贝叶斯算法对多链路故障进行定位,将定位结果输入到BP网络模式分类器中,完成多链路故障快速识别。实验结果表明,所提方法的故障定位时间最低仅为3.21 s,故障识别成功率在96%以上,故障误识率变化相对稳定,综合性能较为优越。     

基于卷积神经网络和半监督学习的无线电信号检测和识别分析

阐述对未知信号进行精准检测与识别,采用半监督学习以及卷积神经网络技术,搭建全新的无线电信号检测与识别框架,并对现有的网络结构进行优化设计。     

基于深度学习的激光剪切散斑干涉无损检测缺陷识别

剪切散斑干涉技术通过测量物体表面变形来推断其内部缺陷,具有高灵敏度、检测范围广、精度高等优点,是一种极具潜力的复合材料无损检测技术。目前缺陷识别主要采用人工方式,而人工识别不但检测效率低且受到专业性限制。为了提高剪切散斑干涉无损检测方法中的缺陷识别精度和效率,本文提出基于深度学习剪切散斑干涉缺陷识别方法。利用高精度四步相移技术获取剪切散斑相位条纹高质量成像;引入了应用广泛的YOLOv5和Faster R-CNN目标检测算法,通过实验采集了大量的缺陷图像,分别用YOLOv5和Faster R-CNN两种算法获得训练模型。然后将这两种模型分别应用于剪切散斑干涉无损检测中的复合材料缺陷检测。最后,实验从检测速率和检测精度方面对模型识别效果进行了对比分析。实验结果表明,激光剪切散斑干涉技术结合深度学习的方法能有效地实现剪切散斑干涉无损检测的缺陷自动识别,Faster R-CNN和YOLOv5的检测速率分别能达到11 f/s和50 f/s,并且两种深度学习算法的平均精度均能达到92%以上,验证了提出方法的可行性。     

基于深度神经网络的短波特定信号识别研究

在时变色散信道和低信噪比下,基于时频图利用深度神经网络的短波信号识别的方法对并行多音信号的识别能够取得一定效果,但常用的相位调制的串行单音短波信号识别难以取得较好效果。由于短波信号帧结构中都含有同步帧和发射电平起控帧等特征数据,提出了一种基于同步帧注意力机制的卷积神经网络结构。测试结果表明,使用卷积神经网络（Convolutional Neural Networks,CNN）、双向长短时记忆（Bi-directional Long Short Term Memory,Bi-LSTM）和注意力机制搭建成的深度神经融合网络模型对短波基带信号直接进行检测识别能够取得较好效果。