-
题名基于有限差分法薄板激光冲击响应的数值模拟
被引量：3
- 1
-
-
作者
王寅凯
张兴权
左立生
张鹏
章艳
方进秀
-
机构
安徽工业大学机械工程学院
芜湖造船厂有限公司
-
出处
《力学学报》
EI
CAS
CSCD
北大核心
2022年第4期1063-1074,I0004,共13页
-
基金
国家自然科学基金(51675002)
安徽省重点研发计划(201904a05020065)资助项目.
-
文摘
在激光冲击载荷作用下,薄板变形速度快,诱导产生的应力波的传播过程较为复杂.传统的测量工具难以对薄板变形过程中的动态响应进行有效的测量.本文采用理论与实验相结合的方法,构建了薄板在激光冲击下二维轴对称平面模型,建立其拉格朗日运动方程,利用有限差分法求其显式解,分析薄板在激光冲击载荷作用下薄板的变形过程和应力波的传播过程,并研究不同工艺参数对薄板动态响应特性的影响.结果表明,薄板变形初期的速度为振荡式增加,在快速的拉胀式变形过程中会出现明显的回弹现象,在光斑边界处产生向内和向外传播的应力波,载荷的压力-空间分布以及边界约束条件也对薄板的动态响应结果有显著的影响.激光冲击实验得到的结果与数值结果和预测结果基本吻合.研究方法与所得结论可为薄板激光冲击成形过程中的参数优化提供参考.
-
关键词
激光冲击
薄板
有限差分法
动态响应特性
-
Keywords
laser shock
sheet metal
finite difference method
dynamic response characteristics
-
分类号
TN249
[电子电信—物理电子学]
-
-
题名一种改进YOLOv5的多尺度像素林火识别算法
被引量：6
- 2
-
-
作者
王寅凯
曹磊
钱佳晨
林海峰
-
机构
南京林业大学信息科学技术学院
-
出处
《林业工程学报》
CSCD
北大核心
2023年第2期159-165,共7页
-
基金
江苏省重点研发计划(BE2021716)。
-
文摘
林火破坏程度大、蔓延速度快的特点给森林生态环境和人类带来极大的危害。深度学习技术可以学习和自适应提取林火特征,捕获的林火图像中火焰的像素尺寸不同,林火提取的特征也不同。为了能够识别复杂背景下不同像素尺度的火灾,笔者提出了一种改进的YOLOv5林火识别方法,通过在YOLOv5的检测网络加入解耦头,解决林火图像输出变量时分类和回归的冲突问题,加快网络收敛速度提高识别精度;在网络中引进CBAM注意力机制,更关注林火信息同时提升识别精度;在Neck网络引入加权双向特征金字塔网络(BiFPN),替换原有的路径聚合网络(PANet),对不同维度的林火特征进行融合,进行特征筛选,增强特征表示能力。实验结果表明,该林火识别算法在自制的林火数据集上进行训练和验证模型,检测性能上均优于YOLOv5算法,在准确率、召回率、平均精度分别提升了5.2%,3.0%,3.4%,mAP@.5:.95提升了4.6%,并且在不同尺寸林火目标的识别精度上均有提升。研究结果对林火识别性能提升有着积极意义。
-
关键词
林火识别
改进YOLOv5
解耦头
深度学习
-
Keywords
forest fire detection
improvements to YOLOv5
decoupled head
deep learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于集成学习的茶树病虫害检测方法
- 3
-
-
作者
白荻
王寅凯
熊燕华
-
机构
南京农业大学信息管理学院
-
出处
《南京农业大学学报》
2025年第5期1204-1211,共8页
-
基金
江苏省现代农机装备与技术示范推广项目(NJ2021-19)。
-
文摘
[目的]茶树病虫害识别通常采用单一的检测模型,但其学习和感知能力不足以完成复杂茶园环境下的病虫害目标检测。针对现有目标检测算法难以在茶园复杂环境下对茶树叶枯病和绿盲蝽危害症状的识别问题,提出一种基于集成学习的茶树病虫害检测方法。[方法]采用YOLOv5弱监督模型,在YOLOv5的网络基础上引入全局注意力机制(global attention mechanism,GAM)和卷积注意力模块(convolutional block attention module,CBAM),将2个改进后的模型集成,并将预测结果使用加权边界框融合算法(weighted boxes fusion,WBF)处理融合框。[结果]与原始的YOLOv5模型相比,集成后模型对茶树叶枯病和绿盲蝽危害症状检测的平均精确率达72.2%,相比于引入GAM和CBAM后的模型,集成模型的平均准确率分别提升3.0%和3.7%。[结论]集成后的算法具有更强的特征提取能力,可以提取更多的病害特征信息,并且较好地平衡了模型的识别精度与复杂度。
-
关键词
茶树
病虫害检测
集成学习
机器学习
-
Keywords
tea tree
pest and disease detection
integrated learning
machine learning
-
分类号
TP391.4
[自动化与计算机技术]
-
