高强螺栓作为关键零部件,广泛应用于悬索桥、风电塔筒等重要结构中,其安装质量对整体结构的稳定性和安全性具有至关重要的影响。然而,传统的扭矩法难以准确测量螺栓的轴向预紧力,从而难以有效评估结构的稳定性。为解决这一问题,基于声...高强螺栓作为关键零部件,广泛应用于悬索桥、风电塔筒等重要结构中,其安装质量对整体结构的稳定性和安全性具有至关重要的影响。然而,传统的扭矩法难以准确测量螺栓的轴向预紧力,从而难以有效评估结构的稳定性。为解决这一问题,基于声弹性效应,设计了高压激励和压控增益等电路,研制了一套螺栓轴力检测系统。系统通过激励压电传感器接收回波信号,并采用互相关算法计算渡越时间差以表征螺栓的应力状态,最后对风电螺栓进行了应力-渡越时间标定实验及超声法与扭矩法的对比实验。实验结果表明,当螺栓轴向预紧力达到其额定值的40%时,该系统的应力测量误差率≤2.81%,且分辨率可达0.2507 k N,能够有效满足螺栓轴向预紧力的测量要求。与传统扭矩法相比,超声法在螺栓服役状态下的应力测量误差控制与分辨率均具有显著优势,为工业领域关键部件的应力测量提供了可靠的技术方案。展开更多
视频字幕生成(Video Captioning)旨在用自然语言描述视频中的内容,在人机交互、辅助视障人士、体育视频解说等领域具有广泛的应用前景。然而视频中复杂的时空内容变化增加了视频字幕生成的难度,之前的方法通过提取时空特征、先验信息等...视频字幕生成(Video Captioning)旨在用自然语言描述视频中的内容,在人机交互、辅助视障人士、体育视频解说等领域具有广泛的应用前景。然而视频中复杂的时空内容变化增加了视频字幕生成的难度,之前的方法通过提取时空特征、先验信息等方式提高生成字幕的质量,但在时空联合建模方面仍存在不足,可能导致视觉信息提取不充分,影响字幕生成结果。为了解决这个问题,本文提出一种新颖的时空增强的状态空间模型和Transformer(SpatioTemporal-enhanced State space model and Transformer,ST2)模型,通过引入最近流行的具有全局感受野和线性的计算复杂度的Mamba(一种状态空间模型),增强时空联合建模能力。首先,通过将Mamba与Transformer并行结合,提出空间增强的状态空间模型(State Space Model,SSM)和Transformer(Spatial enHanced State space model and Transformer module,SH-ST),克服了卷积的感受野问题并降低计算复杂度,同时增强模型提取空间信息的能力。然后为了增强时间建模,我们利用Mamba的时间扫描特性,并结合Transformer的全局建模能力,提出时间增强的SSM和Transformer(Temporal enHanced State space model and Transformer module,TH-ST)。具体地,我们对SH-ST产生的特征进行重排序,从而使Mamba以交叉扫描的方式增强重排序后特征的时间关系,最后用Transformer进一步增强时间建模能力。实验结果表明,我们ST2模型中SH-ST和TH-ST结构设计的有效性,且在广泛使用的视频字幕生成数据集MSVD和MSR-VTT上取得了具有竞争力的结果。具体的,我们的方法分别在MSVD和MSR-VTT数据集上的绝对CIDEr分数超过最先进的结果6.9%和2.6%,在MSVD上的绝对CIDEr分数超过了基线结果4.9%。展开更多
文摘高强螺栓作为关键零部件,广泛应用于悬索桥、风电塔筒等重要结构中,其安装质量对整体结构的稳定性和安全性具有至关重要的影响。然而,传统的扭矩法难以准确测量螺栓的轴向预紧力,从而难以有效评估结构的稳定性。为解决这一问题,基于声弹性效应,设计了高压激励和压控增益等电路,研制了一套螺栓轴力检测系统。系统通过激励压电传感器接收回波信号,并采用互相关算法计算渡越时间差以表征螺栓的应力状态,最后对风电螺栓进行了应力-渡越时间标定实验及超声法与扭矩法的对比实验。实验结果表明,当螺栓轴向预紧力达到其额定值的40%时,该系统的应力测量误差率≤2.81%,且分辨率可达0.2507 k N,能够有效满足螺栓轴向预紧力的测量要求。与传统扭矩法相比,超声法在螺栓服役状态下的应力测量误差控制与分辨率均具有显著优势,为工业领域关键部件的应力测量提供了可靠的技术方案。
文摘视频字幕生成(Video Captioning)旨在用自然语言描述视频中的内容,在人机交互、辅助视障人士、体育视频解说等领域具有广泛的应用前景。然而视频中复杂的时空内容变化增加了视频字幕生成的难度,之前的方法通过提取时空特征、先验信息等方式提高生成字幕的质量,但在时空联合建模方面仍存在不足,可能导致视觉信息提取不充分,影响字幕生成结果。为了解决这个问题,本文提出一种新颖的时空增强的状态空间模型和Transformer(SpatioTemporal-enhanced State space model and Transformer,ST2)模型,通过引入最近流行的具有全局感受野和线性的计算复杂度的Mamba(一种状态空间模型),增强时空联合建模能力。首先,通过将Mamba与Transformer并行结合,提出空间增强的状态空间模型(State Space Model,SSM)和Transformer(Spatial enHanced State space model and Transformer module,SH-ST),克服了卷积的感受野问题并降低计算复杂度,同时增强模型提取空间信息的能力。然后为了增强时间建模,我们利用Mamba的时间扫描特性,并结合Transformer的全局建模能力,提出时间增强的SSM和Transformer(Temporal enHanced State space model and Transformer module,TH-ST)。具体地,我们对SH-ST产生的特征进行重排序,从而使Mamba以交叉扫描的方式增强重排序后特征的时间关系,最后用Transformer进一步增强时间建模能力。实验结果表明,我们ST2模型中SH-ST和TH-ST结构设计的有效性,且在广泛使用的视频字幕生成数据集MSVD和MSR-VTT上取得了具有竞争力的结果。具体的,我们的方法分别在MSVD和MSR-VTT数据集上的绝对CIDEr分数超过最先进的结果6.9%和2.6%,在MSVD上的绝对CIDEr分数超过了基线结果4.9%。
