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。

基于CST仿真超表面技术的全息成像与FDTD仿真研究：GS算法的Matlab实现与应用,基于CST仿真超表面技术的全息成像与FDTD仿真研究：GS算法及Matlab实现,cst仿真超表面 fdtd仿真 全息成像 cst仿真全息成像，GS算法，matlab代码 ,cst仿真; 超表面; fdtd仿真; 全息成像; GS算法; matlab代码,CST仿真超表面FDTD全息成像研究，GS算法MATLAB实现 CST仿真是一种基于计算机模拟的电磁场仿真软件，广泛应用于电子设计自动化领域。它能够帮助工程师在产品设计阶段就预测其性能，从而避免在实际生产过程中出现的问题。超表面技术是一种新型的材料设计方法，通过精确控制材料的微观结构，实现对电磁波的调控，从而达到特殊的光学或电磁效应。在全息成像领域，超表面技术的应用能够显著提高成像质量和成像精度。 FDTD（时域有限差分法）是一种用于解决电磁场问题的数值模拟技术，通过在时间和空间上离散化Maxwell方程，模拟电磁场的传播和散射过程。FDTD仿真在超表面全息成像的研究中具有重要作用，它可以帮助研究者理解在不同条件下电磁场的传播特性，并预测全息成像系统的性能。 GS算法（Gauss-Seidel迭代算法）是一种迭代求解线性方程组的方法，该算法通过逐步逼近的方式求解方程组的解。在Matlab环境下实现GS算法，可以处理复杂的电磁仿真问题，为全息成像系统的优化提供数值上的支持。Matlab作为一种高性能的数值计算和可视化软件，广泛应用于工程计算、控制设计、信号处理和通信等领域。通过Matlab编写的GS算法可以处理复杂的数学模型和仿真，是工程师和科研人员的强大工具。 在上述给定文件信息中，涉及到的“仿真超表面与全息成像算法的仿真研究一引言随着”、“主题仿真超表面仿”、“仿真超表面仿真全息成像仿真全息成像”、“基于仿真超表面与全息成像的”、“仿真超表面与全息成像算法的仿真研究一引言随”等文件名，均指向了对超表面技术及其在全息成像中应用的研究。这些文件可能包含对仿真方法的介绍、研究方法的论述、实验结果的分析等内容，是对该研究领域深入理解的重要材料。 图像文件如“1.jpg”、“2.jpg”可能是用于展示仿真结果的图示，这些图片能够直观地反映出仿真过程中电磁场分布、全息成像结果等重要信息。而文本文件如“仿真超表面与全息成像的探究在当.txt”、“仿真超表面与全息成像算法与仿真的.txt”则可能包含对仿真过程的描述、对算法实现的讨论以及对研究结论的总结。 综合上述信息，我们可以得知，该研究项目的主要目的是利用CST软件和FDTD仿真技术，探索超表面技术在全息成像中的应用，并通过GS算法在Matlab中的实现，对全息成像系统进行优化和分析。这项研究对于理解复杂的电磁场现象、发展新型成像技术、以及提升全息成像系统的性能均具有重要的意义。

Canny边缘检测是一种经典的图像处理技术，用于在二维图像中检测和勾勒出明显的边界。然而，这个主题的讨论是关于将其扩展到三维（3D）体积数据的应用，这对于理解和分析医学影像、地质数据或任何其他3D扫描数据至关重要。在MATLAB中实现Canny边缘检测，可以为3D数据提供类似的功能，帮助识别和提取物体表面。 在3D体积数据中应用Canny算法，首先需要理解2D Canny边缘检测的基本步骤： 1. **高斯滤波**：使用高斯滤波器对输入图像进行平滑处理，以消除噪声并降低像素间的不连续性。在3D场景中，这个过程将应用于每个体素的三个维度。 2. **计算梯度强度和方向**：在滤波后的图像上计算梯度的强度和方向，这可以通过计算每个像素点的x、y、z方向的偏导数来实现。在3D中，这将涉及到计算体素在三个轴上的梯度。 3. **非极大值抑制**：这个步骤用于去除非边缘像素，保留那些最有可能是边缘的像素。在3D情况下，沿着梯度方向比较邻近体素的梯度值，只保留局部最大值。 4. **双阈值检测**：设置两个阈值，低阈值用于初步检测边缘，高阈值用于确认强边缘。3D中，这个过程会应用于每个体素，以确定哪些边缘是连续的，从而形成一个连贯的表面。 5. **边缘连接**：通过跟踪连续的高梯度值体素，连接孤立的边缘点，形成完整的边缘。 在MATLAB中实现3D Canny边缘检测时，描述中提到的“没有优化”意味着代码可能没有充分利用MATLAB的并行计算工具箱或者矩阵运算优势，导致处理速度较慢。为了解决这个问题，可以考虑以下优化策略： 1. **分块处理**：由于3D数据量大，可以将体积数据分成小块进行处理，然后将结果合并。这种方法有助于减少内存占用，但可能导致边缘连接的复杂性增加。 2. **使用向量化和并行计算**：尽可能利用MATLAB的向量化操作和并行计算能力，将计算任务分配给多个处理器核心，提高计算效率。 3. **内存管理**：在处理大型3D数据时，合理地管理和释放内存至关重要。可以使用MATLAB的内存管理功能，如`clear`或`release`函数，及时释放不再需要的数据。 4. **算法优化**：对Canny算法本身的优化，比如改进非极大值抑制和双阈值检测的策略，可能也能提升性能。 5. **硬件加速**：如果可能，可以考虑使用图形处理单元（GPU）进行计算，MATLAB的Parallel Computing Toolbox支持GPU计算，可以显著提高3D处理的速度。 通过以上方法，可以改善MATLAB中3D Canny边缘检测的性能，使其更适应处理大量3D数据的需求。对于提供的MATLAB.zip文件，其中可能包含了未优化的源代码，可以作为学习和优化的基础，进一步提升其在3D边缘检测中的实用性和效率。