静电纺聚酰胺6复合纳米纤维的制备、形貌和表面功能化，蔡以兵，夏鑫，本文首先采用静电纺丝的方法制备了聚酰胺6（PA6）纳米纤维和聚酰胺6/有机蒙脱土(PA6/OMT)复合纳米纤维，然后利用磁控溅射在纳米纤维的

在当今工业生产中，钢材作为一种基础材料，其质量直接关系到后续产业链的稳定和产品的最终质量。钢材表面的伤痕往往是判断钢材质量的重要指标之一。表面伤痕的存在不仅可能影响钢材的机械性能，还可能成为潜在的应力集中点，导致材料在使用过程中的失效。因此，对钢材表面伤痕的检测具有重要的实际意义。 东北大学开发的NEU-DET数据集是针对钢材表面伤痕检测而专门设计的，旨在提供一个标准化、系统化的数据平台，以促进表面检测技术的发展和应用。该数据集的发布，对于从事材料科学、工业检测、图像处理以及人工智能等领域的研究者和工程师来说，无疑是一个重要的资源。 NEU-DET数据集包含了大量经过严格分类和标注的钢材表面图像。这些图像覆盖了多种伤痕类型，包括但不限于划痕、裂纹、压痕、锈蚀等。每一幅图像都经过精细的处理，确保了图像质量和标注的准确性，为机器学习和深度学习算法提供了良好的训练基础。 本数据集的发布，不仅为研究者提供了一个训练和测试模型的基准，还为实际的工业检测应用提供了可行的参考。在数据集中，研究者可以找到对应不同伤痕特征的图像样本，利用这些样本，可以开展包括图像增强、特征提取、模式识别等多个方向的研究工作。同时，数据集的多元化使得研究者能够测试其算法在不同场景下的适应性和鲁棒性。 NEU-DET数据集的推出，还推动了相关领域学术交流和合作。通过提供一个公共的基准，研究者们可以在一个公平的基础上比较不同算法的性能，从而推动技术的持续进步。此外，数据集的开放性也鼓励了更多跨学科的创新研究，将图像处理、机器学习以及工业检测等领域结合起来，探索出更加高效可靠的钢材表面伤痕检测方法。 由于数据集的规模较大，研究者在使用过程中可能需要考虑数据存储、处理效率以及模型训练的时间成本等问题。因此，数据集的使用和研究开发过程也促进了对计算资源和存储技术的需求，推动了相关硬件和软件技术的发展。 东北大学NEU-DET数据集不仅为钢材表面伤痕检测领域带来了新的研究资源，也促进了该领域技术的进步和应用。通过不断的优化和完善，未来该数据集有望成为国际上该领域研究和应用的重要参考标准。

内容概要：本文档为ASTM D1331-20(2024)，标准测试方法，旨在测定包括但不限于涂料、溶剂和表面活性剂溶液在内的多种液体材料的表面张力和界面张力。提供了四种测试方法：Method A（du Noüy环法测表面张力）、Method B（du Noüy环法测界面张力）、Method C（Wilhelmy板法测表面张力）和Method D（Wilhelmy板法测界面张力）。每种方法详细描述了设备准备、操作步骤、校准、测量和计算过程。特别强调了测试过程中样品容器和测试工具的清洁度，以及对溶液浓度、温度和其他因素的精确控制。文档还讨论了测试结果的意义与应用，以及可能的干扰因素。 适合人群：从事涂料、溶剂及相关材料研究和质量控制的专业人员，以及需要评估液体表面性能的研究人员和工程师。 使用场景及目标：①用于评价表面活性剂降低表面张力的效果；②预测液体与固体表面或其他液体之间的相互作用；③确定涂料、溶剂和其他液体的润湿特性；④评估不同实验室间测试结果的一致性和可重复性。 其他说明：本标准不涵盖所有安全问题，使用者需自行建立适当的安全、健康和环境措施，并确定法规限制的适用性。此外，标准中的精度和偏差数据基于多个实验室的测试结果统计得出，为用户提供参考。建议在实际操作中选择与测试材料特性最接近的标准材料进行比对，以确保测试结果的准确性。

传统的表面位移检测方法测量精度低、测量结果无法自动上传井下光纤环网,很难实现测量结果的综合分析与利用。文章提出了一种基于工业以太网接口的巷道表面位移检测系统,较好的解决了这一问题,并重点介绍了传感器的原理及软硬件实现方案,该传感器以STC12C5A单片机为核心,利用超声波探头实现位移的精确测量,利用RTL8019AS以太网控制芯片,实现了数据通信和共享。

随着无线通信技术的不断进步，无线远距识别系统逐渐成为科学研究与工业应用中的重要部分。在众多识别技术中，声表面波（Surface Acoustic Wave，简称SAW）技术以其独特的优势，在无线远距识别领域引起了广泛关注。本文将探讨基于声表面波技术的无线远距识别系统的设计与实现，分析其工作原理及关键组件，并展示相关测试结果。 声表面波技术作为一种能量主要在材料表面传播的声波技术，自20世纪60年代金属叉指换能器（Interdigital Transducer，IDT）发明后得到突破性发展，逐渐成为电子设备中不可或缺的组成部分。在无线远距识别系统中，SAW传感器作为核心组件，扮演着至关重要的角色。它的设计思想是利用IDT将接收到的高频电磁信号转换为声表面波，并通过一系列可编程的反射器（内置识别码）来反射声波。反射回来的声波再次通过IDT转换回电磁信号，并由天线发射。这整个过程中，实现了信息的有效编码与解码，从而实现了无线远距的识别功能。 在实现无线远距识别系统的过程中，线性调频脉冲压缩技术是提高识别精度与抗干扰能力的关键。该技术利用线性调频信号的大时宽带宽积，通过宽脉冲提高多普勒分辨力，增加信号能量，并减少干扰的谱密度。为了实现这一功能，系统设计中采用了包括高稳定度的本振源、脉冲扩展器、射频开关及天线等关键组件。其中，脉冲扩展器和压缩器通过SAW器件完成窄脉冲到线性调频脉冲的扩展与压缩、解码过程，是确保系统性能的核心所在。 在实际应用中，如何确保天线具有足够的方向性以避免信号干扰、如何选择合适的射频开关以降低本机振荡信号影响等问题是系统设计中必须面对的挑战。此外，识别码的长度直接关系到系统的识别能力和安全性。例如，在本文的实例中，24位或48位的识别码长度将决定系统的实际应用效果。 结合声表面波技术与线性调频脉冲压缩技术，可以构建一个既高效又可靠的无线通信与识别系统。此类技术不仅在电子竞赛、高频无线电等技术领域具有广阔的应用前景，而且在自动化识别、追踪、数据交换等多种场景中，也表现出巨大的潜力与价值。例如，在物流追踪、身份验证、野生动物监控等领域，此类无线远距识别系统能够提供快速、准确且非接触式的解决方案。 总体而言，基于声表面波的无线远距识别系统通过精确的信号处理和创新的技术设计，提供了一种有效的远程信息交换方法。随着技术的进一步发展和优化，这类系统在未来的应用将会更加广泛，不仅推动相关技术领域的发展，也将为社会生活带来更多的便捷与创新。通过持续研究和实践，这一技术有望在更多领域展现其价值，助力智慧城市建设、物联网发展以及智能制造等多个前沿科技领域的进步。

在之前的两篇论文[26,27]中，自旋<math altimg =“ si1.gif” xmlns =“ http://www.w3.org/1998/Math/MathML”> < 通过非对角的Bethe ansatz（ODBA）构造了具有任意边界场的mn> 1 2 </ math>链。 在这里，我们介绍一种方法来逼近那些模型的热力学极限。 关键点是在交叉参数<math altimg =“ si2.gif” xmlns =“ http://www.w3.org/1998/Math/MathML”> η = η m </ math >，非对角的Bethe ansatz方程（BAE）可以简化为常规方程。 这使我们可以使用<math altimg =“ si3.gif” xmlns =“ http://www.w3.org/1998

matlab设置图片分辨率代码 SUNVS - A Surface-based Brain Network Viewer Toolbox Grab your towel and don't panic Please feel free to use this toolbox Website: DOI: 10.5281/zenodo.4044779 I am pleasure if you'd like to cite me as follows: Wang, Ningkai. (2020). c14h19no2/SUNVS - A Surface-based Brain Network Viewer Toolbox. Zenodo. doi:10.5281/zenodo.4044779 绘图指引 0. 前期准备 本绘图工具包的功能依赖于 ，因此在使用前请首先下载 及 ，并正确设置路径 (setpath) 本工具包适用于 164k .gii 格式的 surface 文件（共包含 163842 个顶点），双侧半球的 .gii 文件需分开储存 为方便软件识别，左脑的 surface .gii

INPOLYHEDRON 测试点是否在 3D 三角（面/顶点）表面内用户须知： inpolyhedron 采用广泛使用的约定，即表面法线从对象指向 OUT。 如果你的脸指向，只需调用 inpolyhedron(...,'flipNormals',true)。 （参见http://blogs.mathworks.com/pick/2013/09/06/inpolyhedron/ 上的讨论） IN = INPOLYHEDRON(FV,QPTS) 测试查询点 (QPTS) 是否在由FV定义的面片/表面/多面体（具有“顶点”字段和'脸'）。 QPTS 是一组 N×3 的 XYZ 坐标。 IN是N乘1的逻辑对于表面内的每个查询点，向量将为 TRUE。 INPOLYHEDRON(FACES,VERTICE,...) 分别取面/顶点，而不是在FV 结构。 IN = INPOLYHEDRON(...,

2025电赛基于机器视觉的PCB表面缺陷检测系统_使用YOLOv5模型实现PCB表面六大缺陷类型和位置的检测_包括缺洞鼠咬开路短路毛刺余铜等缺陷_支持图片摄像头和视频检测_采用PyQt5库封装.zip 随着电子制造行业的迅猛发展，对印刷电路板（PCB）的质量检测提出了更高的要求。为了提高检测效率和准确率，基于机器视觉的PCB表面缺陷检测系统应运而生。本系统采用YOLOv5模型作为核心算法，旨在实现对PCB表面六大缺陷类型（缺洞、鼠咬、开路、短路、毛刺、余铜）的自动检测，并能够准确定位这些缺陷的位置。 YOLOv5模型，作为一种先进的目标检测算法，以其速度快和精度高的特点，在PCB表面缺陷检测领域表现出色。系统能够支持对单独图片、摄像头实时视频流以及视频文件中的PCB缺陷进行检测。通过高效的算法处理，系统能够在极短的时间内完成对图像数据的分析，实现快速检测。 为了提高系统的可用性和交互性，本项目采用PyQt5库进行用户界面的封装。PyQt5是一个创建跨平台应用程序的工具包，它允许开发人员使用Python编程语言快速开发具有图形用户界面的应用程序。通过PyQt5封装的应用程序，用户可以更加便捷地操作检测系统，查看检测结果，并进行必要的参数调整。 项目中包含了丰富的附赠资源，如附赠资源.docx，提供了详细的系统说明文档和操作指南，以供用户参考。说明文件.txt则为用户提供了一个简明的安装和运行指南，使用户可以快速上手操作。此外，源代码文件夹object-detection-pcb-main包含了系统的核心代码，用户可以在此基础上进行二次开发和定制，以满足不同场景下的特定需求。 整个系统的设计和实现，不仅体现了技术的先进性，也展示了将复杂算法简化应用于实际问题中的能力。随着未来技术的不断进步，基于机器视觉的PCB表面缺陷检测系统将会在智能化、自动化方面展现出更加广阔的前景。

内容概要：本文研究基于YOLOv8模型在东北大学（NEU）钢材表面缺陷数据集上的应用，针对类内差异大、类间相似性高以及光照和材料变化带来的检测挑战，提出通过数据预处理、增强和模型优化提升检测精度的解决方案。数据集包含6类典型缺陷共1800张灰度图像，采用归一化、标注与数据增强技术提升模型泛化能力。 适合人群：具备深度学习基础，从事工业视觉检测、智能制造或计算机视觉相关研究的科研人员与工程师。 使用场景及目标：①实现热轧带钢表面六类缺陷（如裂纹、夹杂物、划痕等）的高效精准识别；②解决实际工业场景中因外观差异大、特征相似导致的分类难题；③构建可复用的YOLOv8缺陷检测与数据处理流程。 阅读建议：重点关注YOLOv8在小样本灰度图像中的适配策略、多尺度特征提取机制及应对类间混淆的特征融合方法，结合代码实践数据增强与模型调优环节。