基于图像检测的船舶特征分割与提取优化算法

船舶图像特征分割和提取算法是图像检测领域中的基础工作。由于船舶航运环境和船舶自身结构组成相对复杂,船舶图像的全自动分割方法在图像检测过程中经常出现边缘模糊、准确性低等问题。因此提出基于图像检测的船舶特征分割与提取优化算法,结合免疫算法获取更多图像特征信息,达到快速、准确的对船舶图像特征进行提取和分割的目的。为验证算法的准确性进行仿真实验,结合船舶区域图像对图像边界特征进行提取和分割,并与传统方法进行比较。实验结果证明基于图像检测的船舶特征分割与提取优化算法可以有效达到特征融合、全局最优、算法效率高等优良特性,使图像具有更强的实用性。     

绝热剪切效应对背水靶板的抗侵彻特性影响的研究

绝热剪切效应是材料破坏的重要机理之一.文章开展了动态冲击作用下的材料绝热剪切试验,计算了绝热条件下材料的塑性温度升高.建立了背水靶板的FEM全流固耦合模型,采用考虑了温度效应的Johnson-cook模型开展了爆炸破片侵彻舰船液舱舱壁过程的计算.结果表明:(1)材料在高应变率下的绝热温升不可忽略;(2)弹体侵彻背水靶板过程可分为4个典型阶段,分别为墩粗凿坑阶段、碰撞形成速度共同体阶段、绝热剪切阶段和扰动液体阶段;(3)考虑温度效应的剩余速度明显小于不考虑温度效应的剩余速度;速度较低时,是否考虑温度效应预测的剩余速度值差异较小,随着初始速度的增大,差异逐渐增大.     

基于图像分割与目标提取的舰船遥感影像分析技术

舰船遥感影像分析技术在舰船目标识别、海上航运交通管理、资源探测和军事侦察等领域发挥着重要的作用,是一种快速、高效和准确的海上舰船信息获取方法。遥感技术的理论基础是电磁波原理,该技术利用遥感卫星等设备采集和分析远距离物体辐射和反射的电磁波信号,从而进行地面物体的探测和识别。由于遥感技术存在巨大的优势,因此,基于遥感技术的舰船遥感影像分析和目标提取有重要意义,决定了海上目标识别和海上监察的水平。本文针对舰船的高分辨率遥感影像,详细的介绍了图像分割原理和目标提取原理,在此基础上研究了一种全新的舰船遥感图像分析技术。     

环境烈度因子在FPSO船体梁强度评估中的应用

由于作业方式不同,用于计算FPSO与不限定航线条件下船舶设计载荷的规范计算公式不一样,如何将现有的关于普通海船的规范用于FPSO的设计评估是FPSO研究中的关键问题。基于现有常规钢质海船规范,文章采用环境烈度因子(ESF)对用于计算运营于无限航区船舶设计载荷的规范公式进行修正,将修正后的公式作为FPSO设计载荷的计算公式。利用所得FPSO载荷计算公式计算某30万吨FPSO设计载荷,并采用薄壁梁理论对船体梁强度进行校核。将校核结果与未经ESF修正的船体梁校核结果进行比较,发现未经ESF修正的船体梁校核结果明显偏大。同时,采用薄壁梁理论进行船体梁剪切强度评估,可以避免建立全船有限元模型。     

新疆伊犁某水电站右岸坝基地震液化分析

新疆伊犁某水电站工程右岸坝基所处阶地上部堆积第四系低液限粉土和卵石混合土,厚度较大,本文介绍了该坝基上部堆积物的分布范围及其物理性质,并对其液化可能性进行了较为全面的分析。     

弹性基础上的三维编织复合材料板的非线性振动分析

基于宏-细观力学分析,考虑编织纱线连续性对材料性能的影响,建立了三维编织复合材料板的单胞模型.采用Reddy高阶剪切板理论,给出四边简支编织材料矩形板在不同几何参数、纤维体积含量和弹性地基参数情况下的vonKármán-Donnell型振动方程的解,并讨论了弹性基础刚度、面内载荷、边厚比和编织角等对编织复合材料板的振动频率的影响.理论分析结果与文献结果吻合较好.     

遥感图像融合最新进展及展望

文章综述了遥感图像融合的基本概念,研究了遥感图像融合的分类及常用方法,对遥感图像融合评价进行了探讨,系统深入地分析了遥感图像融合面临的问题,指出了未来的发展趋势及解决问题的方向。     

一种基于特征的全景图拼接算法研究

提出并实现了一种基于特征的全景图拼接算法,该算法应用sobel算子对待拼接的两幅图像分别进行处理,以获取图像边缘及特征点,确定两幅图像重叠部分的灰度差以去除伪特征点并消除外界噪声,选取方差最小的两组特征点作为缝合点,从而确定两图像的相对位置,通过对图像重叠部分进行平滑处理实现了全景图的无缝生成。实验结果证明算法合理,运算速度快,效果良好。     

某工程岩体结构面剪切力学特性试验研究

岩体结构面的抗剪强度是表征岩体强度的一项重要参数,本文主要利用自行研制的携带式剪切仪研究不规则岩石结构的剪切力学特性,根据工程的剪应力-位移关系曲线,选取屈服值,确定抗剪强度指标。     

融合Lite-HRNet的Yolo v5双模态自动驾驶小目标检测方法

针对目前自动驾驶领域的目标检测算法在对道路小目标和密集目标进行检测的时候出现漏检的问题,提出一种融合Lite-HRNet的Yolo v5网络。首先为了获得高分辨率的特征检测图将Lite-HRNet作为Yolo v5的主干网络,以增强对小目标及密集目标的检测。为提升暗光场景下的检测性能,将红外图像与可见光图像进行动态权值融合,充分发挥可见光图像与红外图像的互补优势。由于主干网络进行了充分的特征融合,为加快检测速度取消在检测层中的特征融合结构。其次为了加快收敛速度和提高回归精度采用α-EIoU作为边界框损失函数,同时为选取针对数据集更合适的先验框,使用二分K-means算法进行聚类,并且使用小目标数据增强算法对数据集进行样本扩充。最后在flir数据集上进行对比测试,根据实验结果,提出的算法比Yolo v5在平均精度上提高了7.64%,小目标和密集目标的漏检率明显减少。