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。     

An Adaptive Sliding Mode Tracking Controller Using BP Neural Networks for a Class of Large-scale Nonlinear Systems

A new type controller, BP neural-networks-based sliding mode controller is developed for a class of large-scale nonlinear systems with unknown bounds of high-order interconnections in this paper. It is shown that decentralized BP neural networks are used to adaptively learn the uncertainty bounds of interconnected subsystems in the Lyapunov sense, and the outputs of the decentralized BP neural networks are then used as the parameters of the sliding mode controller to compensate for the effects of subsystems uncertainties. Using this scheme, not only strong robustness with respect to uncertainty dynamics and nonlinearities can be obtained, but also the output tracking error between the actual output of each subsystem and the corresponding desired reference output can asymptotically converge to zero. A simulation example is presented to support the validity of the proposed BP neural-networks-based sliding mode controller.     

全高刚性直立面板型加筋砂土挡墙极限承载力的影响因素敏感性分析

基于传统的塑性极限分析上限定理,利用序列二次规划法（SQP）,分别计算了筋材铺设长度、筋材拉力、加筋层数、砂土内摩擦角、砂土重度、挡墙高度共6 种影响因素作用下具有全高刚性直立面板型加筋砂土挡墙的极限承载力。根据正交分析方法,给出了各个因素的敏感性顺序。结果表明:加筋层数和筋材拉力对加筋砂土挡墙极限承载力的影响最为显著。因此,选用高强度加筋材料并加密布筋间距（即增大加筋层数）,是提高全高刚性直立面板型加筋砂土挡墙承载力的有效措施。     

“汽车燃油系统的气密性和通气性检测”控制

进行燃油系统气密性、通气性在线检测是贯彻轻型汽车欧Ⅱ排放标准时所执行的生产一致性检查中必不可少的项目之一。文中对燃油系统气密性、通气性在线检测的调试过程进行了讲解,并对如何将国家检测标准转换成线体生产检测标准进行了阐述。