【摘 要】
：
随着纤维增强复合材料应用领域的不断扩展且用量激增，亟需理清复合材料微观结构损伤对宏观力学性能影响的内在机制。因此，发展针对纤维增强复合材料微结构破坏过程的建模与高效模拟方法就显得十分重要。本文借助显微CT（Micro-computed Tomography）扫描技术，提出了一种基于显微CT图像中像素点离散的近场动力学建模与模拟方法。一方面，近场动力学作为一种由积分方程建模的非局部理论，便于采用基于
论文部分内容阅读
随着纤维增强复合材料应用领域的不断扩展且用量激增，亟需理清复合材料微观结构损伤对宏观力学性能影响的内在机制。因此，发展针对纤维增强复合材料微结构破坏过程的建模与高效模拟方法就显得十分重要。本文借助显微CT（Micro-computed Tomography）扫描技术，提出了一种基于显微CT图像中像素点离散的近场动力学建模与模拟方法。一方面，近场动力学作为一种由积分方程建模的非局部理论，便于采用基于空间点离散的数值计算方法，相比传统的连续介质力学能够更有效地模拟材料从连续变形到裂纹萌生与扩展(非连续变
其他文献
人体骨骼点数据相对于RGB视频数据具有更好的环境适应性和动作表达能力，因此基于骨骼点数据的动作识别算法得到越来越广泛的关注和研究。近年来，基于图卷积网络（GCN）的骨骼点动作识别模型表现出了很好的性能，但多数基于GCN的模型往往使用固定空间配置分区策略且手动设定各骨骼点之间的连接关系，无法更好适应不同动作的变化特征。针对此问题，本文提出多配置分区的自适应时空图卷积网络用于骨骼点动作识别，通过搜索更
零次学习是迁移学习在图像识别领域一个重要的分支。其主要的学习方法是在不使用未见类的情况下，通过训练可见类语义属性和视觉属性映射关系来对未见类样本进行识别，是当前图像识别领域的热点。现有的零次学习模型存在语义属性和视觉属性的信息不对称，语义信息不能很好地描述视觉信息，从而出现了领域漂移问题。未见类语义属性到视觉属性合成过程中部分视觉特征信息未被合成，影响了识别准确率。为了解决未见类语义特征缺失和未见
红外热像的自动识别是变电设备缺陷与故障诊断的重要手段。针对目前变电设备的红外热像识别存在的极易受到背景杂波干扰、图像视觉效果差、缺乏智能方法等问题，使用快速导向滤波在去噪时保留边缘信息，提出参数自调整的Retinex算法对图像进行增强，提高红外热像的对比度；改进YOLOv3网络的特征提取网络与损失函数提高变电设备的识别精度。经测试，五种变电设备的识别平均准确率可以达到94.85%，每张图片的识别速
重采样操作通过几何变换使伪造的图像更加逼真。JPEG图像作为信息的重要载体，对其进行重采样检测至关重要。光谱分析法对于JPEG图像的下采样检测较为困难。依据重采样引起的块效应网格移位，其差分图像相邻极值的间隔遵循几何分布，并在直方图上呈现周期性的峰值。由于图像纹理的统计特征具有周期性，干扰直方图的提取，影响检测结果的准确性。本文提出一种纹理免疫块效应分析模型，用于JPEG预压缩图像的降尺度因子估计
利用一阶谱图卷积探索类别标签间关系是目前多标签图像识别常用的手段。但是，较多的图卷积层数易于出现过度平滑现象，因此用一阶谱图卷积直接探索标签相关性具有局限性。为此，提出一种基于自适应多尺度图卷积网络的多标签图像识别方法，主要思路为：采用块Krylov子空间形式的谱图卷积来挖掘类别标签间的相关性，在每个图卷积层中拼接多尺度信息并扩展到深层结构，并在自适应标签关系图模块所构建的关系图上学习分类器，从而
混凝土的不同配合比决定了材料的性能，对于多种配比和粒径大小混凝土图像的分类研究，有利于工业废弃混凝土的高效回收利用。为了提升分类效果，提出了一种新的特征提取模块—ITFA-DLF(Image Texture Feature Aided Deep Learning Feature)，该模块在图像分离重构出的R、G、B三个通道上，使用卷积神经网络(Convolutional Neural Networ
针对传统阈值法难以快速准确分割感光不均匀数字PCR(polymerase chain reaction， PCR)荧光图像的问题，提出一种两步分割算法。第一步，对预处理后的图像采用Otsu算法进行分割；第二步，提取第一步分割不完全的区域，基于图像复杂度确定待分割区域的灰度范围，并基于灰度统计信息计算最优分割阈值，分割结果与第一步分割结果合并形成最终分割图像。实验结果表明，该算法能够有效减少不均匀感
在诸多物联网实际应用中，原始采集信号数据多含有大量噪声，特别是在运动相关场景里．需从含大量噪声的1维时序信号中对有效信号活动区域起止点进行准确识别，以支持相关分析．已有的基于双阈值规则的识别方法对噪声十分敏感，噪声的存在会导致计算出的识别阈值无法匹配非噪声段的原始数据，从而导致将随机噪声数据识别为信号活动区间或者漏检信号活动区间．基于机器学习和深度学习的识别方法需要大量的样本数据，在样本量较小的物
针对自动驾驶场景下行人检测任务中对中、小尺寸目标和被遮挡目标的检测需求，以及现有深度学习模型的不足，本文提出基于ResNet34＿D的改进YOLOv3模型：通过改进残差网络的卷积块结构，提出ResNet34＿D，并作为YOLOv3的主干网络，以降低模型尺寸和训练难度；在ResNet34＿D的3个尺度卷积特征图之后，增加SPP层和DropBlock模块，以提高模型的泛化能力；基于K-means聚类算
为了实现玻璃绝缘子自爆缺陷的无监督检测，本文提出了一种基于改进生成对抗网络的无监督玻璃绝缘子自爆缺陷检测模型，该模型仅用正常玻璃绝缘子数据进行训练，以学习正常样本的特征分布，基于目标与重建之间的偏差来检测缺陷。该方法利用U-Net网络搭建新生成器，使用跳跃连接结构捕捉正常样本的多尺度特征，并在图像空间和潜在空间重建目标，通过改进的差异评分来评估目标与正常分布的偏离程度，较高的差异分数代表缺陷的存在