国际粮价高涨形势下对我国粮食安全的思考

粮食安全问题是每个国家的头等大事,只有粮食问题解决好了,才有可能去解决其他问题。当前国际粮价猛涨、许多国家发生粮食危机,全球一亿多人陷入贫困,与此同时我国粮价也一路上扬,暴露了我国粮食体系的许多漏洞和弊端。本文着重对我国粮食安全的隐患展开讨论,并提出相应的建议和解决方案。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

刚性基层沥青路面参数动态反演

为了对刚性基层沥青路面结构的模量反演提供参考,采用谱单元法作为正分析方法,利用实测弯沉时程曲线和理论计算结果构造优化目标函数,通过数值优化方法对沥青路面力学参数进行动态反演,并与传统静态方法反演的结果进行了比较。结果表明：传统静态方法反演得到各结构层的弹性模量,动态方法反演能得到沥青层动态模量主曲线和相位角主曲线以及其他结构层的弹性模量;动态模量和相位角主曲线组成完整的黏弹性参数,可以更全面地描述沥青混合料的力学特性与频率的相关性;动态反演方法采用各传感器处弯沉时程曲线作为优化过程中的约束条件,静态反演方法中仅采用弯沉曲线峰值作为优化约束条件,约束力度远小于动态反演方法,导致静态反演结果的变异性远大于动态反演结果,尤其是基层和底基层,静态方法反演结果的变异系数可达动态反演结果的2倍以上,而且反演得到的各结构层的弹性模量处于材料典型取值范围内的百分比明显小于动态反演结果。静态反演方法易引起"模量窜层"现象,造成反演结果失真,无法客观地对路面结构层进行质量评定;动态反演方法能利用实测弯沉时程曲线的全部信息,保证反演结果收敛于真实值,有效避免"模量窜层"现象,为路面质量评定提供有效途径。