“行走中的”移动与高性能完美均衡工作站——实测HP ZBook 15G2

在新媒体的时代到来之后,后期制作有了其举足轻重的地位与不同的历史意义。随着后期制作在影视视频节目中的地位上升,后期制作的精良与否也成为了影视视频节目质量提升不可或缺的因素。随着后期制作的水平与制作程序的复杂程度的提升,后期制作的周边设备成为后期制作企业竞争力的一部分,甚至是重要的组成部分。后期制作的周边设备中,最重要的可以说是工作站     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

从废水到新能源:光催化燃料电池的优化与应用

随着经济的飞速发展,社会对能源的需求日益扩大,对工业废水的无害化处理也提出了更高的要求。光催化燃料电池 (photocatalytic fuel cell, PFC) 在燃料电池中引入半导体光催化材料作为电极,实现了有机污染物高效降解和同步对外产电的双重功能,在废水无害化与资源化利用方面具有潜在的应用价值。半导体光催化电极是PFC系统高效运行的核心组件,增强其可见光响应和光生载流子分离是提高PFC性能的关键策略。反应器结构设计和运行参数优化也有利于改善PFC性能。本文从PFC基本原理和应用入手,综述了PFC在环境污染物资源化处理中的研究进展,并详细阐述了提高PFC的污染控制性能和产电效率的优化手段,为进一步设计高效稳定的PFC系统并实现其在水污染控制和清洁能源生产中的应用提供理论指导。     

基于RRPP技术的以太网组网应用

本文阐述了一种基于RRPP技术的环网拓扑传输系统及传输方法,主要适用于以太网的环网保护应用。该传输方法为:所述环网拓扑的结构包括一个汇聚节点和所述汇聚节点下带的多个环网,所述汇聚节点由若干台汇聚设备构成,所述传输方法通过IFR2(第二代智能弹性架构技术)将所述若干台汇聚设备虚拟化为一个设备,即虚拟化设备。在不降低双汇聚设备可靠性的前提下,简化了网络架构,确保了业务的快速倒换,提高了网络的可靠性。     

基于AVR单片机的全自动电解质分析仪

电解质分析仪器是测定临床样本中钾离子、钠离子、氯离子、钙离子钙、p H值以及CO2等含量量的的医疗仪器。文中设计了一款以Atmega1280单片机作为主控芯片的新型电解质分析仪,采用一种离子选择性电极法进行离子的测量,完成了硬件设计及软件编写。最后,通过系统调试以及实验测定验证全自动电解质分析仪的性能。结果表明所设计的电解质分析仪符合行业标准,性能稳定,检测精确度高,达到设计要求。     

PCB废水总氮处理达标的工艺探讨

对PCB废水总氮的处理,从源头削减、分质收集、分质预处理到末端处理提出了多种方法,着重分析了MAP+管式微滤膜处理氨氮废水、多级组合式RO处理硝态氮废水和A2O+MBR处理综合废水,提出PCB废水总氮达标的组合工艺,项目建成后达到预期效果。     

物流信息管理系统开发

文章针对物流作业系统的现状及特点,设计并实现了一个基于J2EE的物流信息管理系统。该系统使管理人员可以通过浏览器轻松完成统计和监查物流信息、维护数据、分配和追踪终端实时状况等功能,清晰、层次化地体现了物流情况。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。