材料力学性能原位测试技术能够在力学性能测试过程中对材料使役过程中微观结构演化与损伤失效机理进行表征分析，研究材料成分、工艺、组织结构与力学性能、使役行为之间的内在规律。研究材料成形加工关键技术，推动先进材料设计与制造，对服务**和国民经济建设具有重要意义。本文首先对材料力学性能测试技术的发展进行回顾总结，然后分别对扫描电子显微镜、透射电子显微镜、衍射成像下的材料力学性能原位测试技术进行概述，重点阐述了原位力学加载和温度场构建技术。最后，对材料力学性能原位测试领域的未来发展趋势进行展望。

为消除废旧爆炸物品的安全隐患, 确保首都公共安全, 北京市公安机关对收缴的198枚废旧炮弹进行集中销毁。对废旧爆炸物品的甄别及其销毁方法、销毁场地的选择和爆炸坑设计、销毁爆破参数设计、废旧炮弹的装卸与运输等关键环节进行分析与评估, 通过现场振动监测得到销毁爆破的振动传播规律, 并利用HHT法对实测振动数据进行时频特性分析。结果表明, 预估废旧炮弹的等效TNT当量为47.72 kg, 废弃矿坑作为废旧炮弹爆炸销毁场地具有天然的地形条件优势, 紧邻边坡岩壁合理布置爆炸坑, 采用坑间5 ms延时爆破方式, 确保了销毁爆破安全顺利完成和有害效应限界控制; 销毁爆破产生的地震波具有传播速度小、衰减慢、频率低的特点, 与地下钻孔爆破相比, 浅埋深爆破条件下的K、α明显偏小, 优势频率主要分布在4~20 Hz低频段, 主振频率随着距离的增加有微弱减小的趋势, 空气冲击波容易引起近爆区测点的振动波形的振幅和频率产生突变现象。此次销毁爆破设计施工及振动监测分析, 可为类似工程提供借鉴与参考。

作为计算机视觉中的基本视觉识别问题, 目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象, 并为每个对象分配一个对应的标签。近年来, 深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破, 在目标检测方面, 它越来越受到人们的重视。因此, 如何将CNN应用于目标检测并获得更好的性能是一项重要的研究。首先回顾和介绍了几类经典的目标检测算法; 然后将深度学习算法的产生过程作为切入点, 以系统的方式全面概述了各种目标检测方法; 最后针对目标检测和深度学习算法面临的重大挑战, 讨论了一些未来的方向, 以促进深度学习对目标检测的研究。

为减少SIFT车标识别算法中检测极值点的冗余以及各种图像变化因素的不利影响, 提出了基于边缘约束和全局结构化的改进SIFT算法。利用图像不变矩理论及图像边缘检测算法只对目标图像的边缘区域检测, 剔除与车标识别区域无关的极值点; 同时将特征点邻域划分为圆形并计算出同心圆内像素点最大曲率来构建全局SIFT组合特征向量, 使SIFT描述子具有全局描述特性; 并结合SVM模型作为车标图像特征向量的分类器进行特征分类、识别。仿真实验结果表明: 改进的SIFT算法可以减少冗余极值点约25%~45%, 提高了检测极值点的有效性; 使车标平均识别率达到97%以上, 改善了识别实时性。改进SIFT的车标识别方法与几种常用的图像特征提取算子相比较具有识别率高、识别速度快的优点。

本文针对高速环境下的车型识别问题, 提出基于方向可控滤波器的改进HOG算法。将方向可控滤波器算法与HOG算法相结合, 以实现对车辆图像特征提取。采用主成分分析算法（PCA)约减特征向量维数以减少计算复杂度, 利用支持向量机算法对提取特征进行样本训练, 实现对车辆外型特征的识别。仿真实验结果表明: 采用该算法原始车辆车型的识别正确率均值达到9236%; 另外, 本文方法的识别速度比传统的HOG特征算法提高了345%, 识别实时性得到提升。本文算法比传统HOG算法更优, 能有效提高车型识别的效率。

复杂背景下，传统显著性检测方法经常遭遇检测结果不稳定和准确率低的问题。针对这些问题，提出一种基于贝叶斯框架融合深度信息的显著性检测方法。首先利用全局对比、局部对比和前景背景对比方法获取颜色显著图，并利用非均质中心-邻居差异的深度对比方法获取深度显著图。其次采用贝叶斯模型融合颜色显著图和深度显著图，获得输出显著图。实验结果表明，本文的方法能有效检测出复杂背景下的显著目标，并在公开的NLPR-RGBD数据集和NJU-DS400 数据集上取得较高检测精确度。

研制了一套用于4 m SiC反射镜原位检测的静压支撑系统, 以降低超大口径SiC反射镜离线检测的风险, 提高其制造效率。首先, 推导了单元刚度的解析式, 确定了其中关键因素; 然后, 对支撑单元进行抽样测试, 结合解析式预测了支撑群组中单元的工作刚度。最后, 通过密封性测试和反射镜原位检测, 验证了支撑系统的稳定性; 通过有限元模拟, 计算了系统的重力卸载面形精度。结果表明: 5个单元连组时, 单元刚度约为1.9 kN/mm, 刚度值分布在±3%误差区间; 独立单元刚度可高至15 kN/mm; 3种分组单元刚度预测值分别为1.7, 1.1和0.8 kN/mm。支撑系统空载时管路压强变化缓慢, 表明密封性良好; 用该系统支撑4 m反射镜时, 11天内高度绝对变化量小于50 μm, 相对变化量小于20 μm。54个单元刚度随机分布时, 镜面面形高阶残差(RMS)为20 nm。提出的系统基本满足原位检测的稳定性和精度要求。

提出了利用气动高压激励的阵列式盘型压电俘能器实现气体能量的转化, 以满足低功耗传感器的自供能需求。通过压电单晶片将气缸内部高压气体能量转化为电能, 设计了阵列式盘型压电俘能器的样机结构; 结合气缸的正常工作状态, 分析了压电阵列的工作原理并进行了相应的实验。理论分析显示: 盘型压电阵列具有较高的电荷量与良好的电容性, 适合对具有交变载荷的高压气体能量进行收集。采用外径为12 mm、厚度为0.2 mm的压电单晶片及缸径为63 mm、行程为150 mm的气缸制作了实验样机, 利用气动组件模拟气体环境搭建了测试系统。分别调节压力、周期、流量等参数进行了实验测试。结果表明: 在交变的气动高压激励下, 阵列式盘型压电俘能器可较好地收集交变高压气体载荷能量, 其最佳匹配电阻为600 kΩ, 最大的瞬时功率为1 052 μW, 输出功率可满足低功耗传感器的能量需求。

对小区背景下运动物体图像进行分割时多使用单目标或多目标优化方法,这类方法不能有效适应目标的动态变化,因此本文提出一种动态多目标图像分割优化方法.该方法将时间及环境动态因素作为动态因子,利用K均值(K-Means)算法和和模糊C均值(FCM)聚类算法构造多目标函数;结合动态多目标粒子群算法(DMPSO),使用背景差分法定义环境变化规则,实现动态多目标的图像分割.根据DMPSO算法优化后的聚类结果,分别与K-Means和FCM聚类方法得到的结果进行了对比.结果表明,动态多目标优化的Pareto最优解集分布均匀,图像分割准确率可达到95%,对图像识别的准确率可达到90%,具有较高的识别能力,能满足确定背景下运动物体的准确识别.