关键词： 椭偏测量   弹光调制   数字锁相   稳定控制   薄膜膜厚测量  

摘要： 椭偏测量技术是用于检测材料结构信息和光学特性的常用方法。在薄膜厚度测量、生物材料光学特性研究和半导体材料光学特性分析等方面有着广泛的应用。传统的椭偏测量仪采用机械旋转补偿器或偏振器的方法进行椭偏测量,受机械旋转影响,其测量速度慢、测量精度有限。弹光调制型椭偏仪无需机械旋转,具有高精度、快速测量和非接触性等优点。然而目前椭偏仪数据处理大多通过对光强信号进行快速傅里叶变换获得样品的椭偏参量,这种方式测量速度快,但测量精度有限。采用数字锁相放大器来处理光强信号,此方式对微弱信号的处理能力具有较高精度和高灵敏度。基于此本文选用双弹光调制椭偏测量方法,以弹光调制技术为核心,以积分型数字锁相放大器为数据处理手段。研究了一种双弹光调制椭偏测量系统及测量方法,本文研究内容如下: 首先,建立双弹光椭偏测量模型进行原理分析。通过对调制信号各频率分量进行提取,利用特定频率信号求解样品的椭偏参数。为实现特定频率信号的提取,采用互相关原理,在对多种类型锁相放大器进行分析后,设计了基于现场可编程门阵列（Field Programmable Gate Array,FPGA）的积分平均数字锁相放大器。 其次,对双弹光椭偏测量系统所需的软硬件进行设计。对信号调理模块、USB模块、谐振频率跟踪等模块进行硬件设计,实现了椭偏测量系统的控制及数据的采集;基于FPGA对数字锁相处理算法、数据传输方式、数据采集时序等进行软件设计,实现了椭偏参数幅值比和相位差的计算,从而实现对系统的全面控制和数据处理。 最后,搭建双弹光椭偏测量系统,并对系统进行实验验证。在无样品情况下,进行测试,并将测试结果与理论值进行对比,获得系统的初始偏移值;随后使用商业椭偏仪对Si O2样品膜厚进行标定,测得样品膜厚为103.43nm。再通过双弹光椭偏测量平台对样品进行测试,测得样品膜厚为103.44nm。这表明该系统具有良好的重复性和准确性。

关键词： 财务信息化   企业财务管理   数据处理   风险管理   人才培训  

摘要： 随着信息技术的迅猛发展，财务信息化已成为提高企业财务管理水平的重要途径。对此，本文在阐明企业财务信息化建设现实意义的基础上，归纳总结了具体建设过程中面临的现实挑战，并从四个方面入手提出了具体的实现路径，包括强化风险意识，完善风控体系、优化流程体系，提高协同效力、聚焦财务共享，加强集成建设、完善保障体系，促进长效推进。

关键词： 果蝇识别   机器视觉   模型轻量化   边缘计算   数据处理   物联网  

摘要： 水果产业在我国具有重要的经济和社会意义。然而,果蝇作为一种重要的农业害虫,对水果产量和品质构成了严重威胁。因此,有效的识别可为后期的果蝇防治提供先机。传统的识别方法存在成本高、效率低和主观性强等诸多局限。而先进的目标检测模型往往依赖高性能设备的支持。鉴于这些问题,探索一种既快速又准确的轻量级果蝇识别模型,并基于此模型构建一个高效的果蝇识别系统,能提高工作效率,并推动水果产业向更高质量的发展迈进。 然而,由于果蝇数据稀缺,导致训练出的模型泛化能力不足。为了应对这一挑战,本课题通过实地拍摄,采集了1325张3472×3472像素的原始图像,涵盖了不同的光线条件和果蝇密度,包含黑腹果蝇和无翅果蝇两种类别,共计37394个标注框。为了改善高分辨率图像中小目标特征丢失的问题,本课题通过图像分割和设置重叠率的数据处理方式,获得了4699张1736×1736像素的图像。进一步地,通过采用旋转、翻转等数据增强技术,构建了一个包含20521张640×640像素图像的大规模数据集,共计161668个标注框。最后,本课题对所构建的数据集进行了可视化分析,确认了数据集中小目标尺寸的特点以及果蝇的密集程度,为后续模型优化提供了重要依据。 在上述构建的数据集中,由于果蝇体型小,当它们分布密集时,这增加了被错误识别或遗漏的可能性。针对这个问题,本课题以anchor-free架构的YOLOv8n为Baseline,进行一系列改进策略,构建了轻量级的果蝇识别模型LFD-YOLOv8n。具体而言,引用GhostNetV2 BottleNeck替代主干部分所有C2f模块的BottleNeck,构建了全新的C2fGhostV2模块,降低了计算代价并提升了识别性能。通过添加卷积层和增加跳跃连接对BiFPN重构,设计了更高效的LBiFPN结构,替代颈部的FPN+PAN结构,提高了特征融合效率和表达能力。采用MBConv替代颈部所有C2f模块的BottleNeck,构建了全新的C2fMBC模块,提高了计算效率和特征复用能力。消融实验结果表明,各个改进单独应用或共同应用都是有效的。在与Baseline模型的对比实验中,LFD-YOLOv8n在参数、权重和FLOPs分别减少48.50%、43.98%和32.10%的情况下,mAP却更高,达到98.32%。此外,结果可视化证实LFD-YOLOv8n改善了Baseline错误识别和遗漏的问题。尽管LFD-YOLOv8n展现出了在多项性能指标上的优势,但在置信度方面,它与Baseline模型却均稍弱于YOLOv5n。 针对LFD-YOLOv8n在置信度方面的不足,本课题选择anchor-based架构的YOLOv5s为Baseline并改进,构建了轻量级的果蝇识别模型FliesYOLOv5s。具体而言,通过引入ShuffleNetV2作为Backbone、移除SPPF模块并进行通道缩减,从而设计了更轻量化的Backbone。这些改进显著降低了模型的参数量和计算复杂度。接着,采取缩减Neck部分的通道并增加深度和宽度的策略,同时引入ConvNeXt Block来构成CNeB模块,取代所有的C3模块。此外,用5×5深度可分离卷积、SE注意力机制和H-swish激活函数构建了DPS Block结构,替代两个步长为2的3×3 Conv,从而设计了更高效的Neck。这些改进在轻量化模型的同时,提高了模型性能。另外,通过在Backbone的最后两个模块中加入SE注意力机制,并将深度卷积的卷积核大小增加为5,同时使用H-swish替代ReLU激活函数,进一步增强Backbone。这些改进在仅增加少量参数的情况下,提高了模型的性能。消融实验证明改进都是有效的。在对比实验中,Flies-YOLOv5s展现了全方位的优势。其中,与Baseline相比,FliesYOLOv5s在参数、FLOPs和权重分别降低78.8%、77.8%、76.1%的情况下,mAP更高,达到98.34%。此外,结果可视化证实Flies-YOLOv5s有优秀的抗干扰能力。与LFD-YOLOv8n相比有显著的置信度优势。 在对上述两个模型综合评估后,选择Flies-YOLOv5s作为最终的果蝇识别模型。为了解决田间网络不稳定和云计算成本过高的问题,本课题构建了基于边缘计算的果蝇识别系统,进行即时信息处理,减少了数据传输延迟并提高了效率和安全性。通过控制模块实现目标检测模块的电源管理,只在需要时启动。系统集成了物联网(Internet of Things,Io T)模块,建立了从边缘设备到物联网平台再到用户端的通信链路,允许用户远程接收数据和操控设备。利用PyQt5开发了友好的可视化界面,支持现场用户操作。该系统针对农业环境中电力和网络问题提供了实用解决方案,构建了具有定时和

摘要： 设计了一套基于云计算的分布式存储系统，系统采用分布式架构，运用数据分片、复制和负载均衡策略，对大规模数据处理技术和分布式存储系统进行了全面测试和验证。

关键词： 安卓应用程序   UI   布局代码   数据处理  

摘要： 随着信息技术的进步和移动互联网行业的发展,移动APP(Application,应用程序)在社交、学习和娱乐等方面对人们的生活产生了深远的影响。UI(User Interface,用户界面)作为用户与APP交互的“桥梁”,其美观程度在吸引用户方面扮演着至关重要的角色。然而,对于开发者来说编写UI布局代码是十分繁琐且费时的。因此,为了加速UI的开发速度,提高APP的开发效率,有关UI2Code(UI to Code,用户界面到代码)方法的研究一直是软件工程领域的热点。 目前,主流的UI2Code方法通过计算机视觉技术和机器学习算法对UI进行检测、分析和处理。虽然生成的布局代码可以在视觉上复现原始UI,但受限于图像识别方法的准确性以及机器学习算法的数据规模,其对UI元素的检测准确率相对较低。要么只能生成基于像素的绝对布局代码,要么生成的布局代码只能在特定的布局类型(比如线性布局、相对布局等)下实现,最终导致生成的布局代码难以直接应用在实际的开发场景中。在移动应用领域,UI的检测和分析不仅包括上述针对静态图像的基于像素的方法,还包括针对运行时界面的基于可访问性数据的方法,其中后者需要借助特定的UI解析框架来获取底层的UI数据。 因此,为了加速UI的设计和开发流程,真正提高应用程序的开发效率,本文提出并实现了一种全新的针对安卓APP的UI2Code方法来对UI进行复现。与现有方法不同,本文的方法是基于运行时应用程序的UI实现的,能够从中挖掘出更底层的UI数据。由此生成的布局代码能够直接在IDE(Integrated Development Environment,集成开发环境)中运行,不仅可以在视觉上对原始UI进行复现,而且更符合实际的布局开发场景。为了实现这一目标,本文基于安卓APP底层的可访问性数据给出了一套完整的UI2Code流程,包括以下四步:(1)通过基于UI Automator测试框架的UI解析方法对目标UI进行分析和处理,在过滤掉冗余的布局和组件后,获取布局和组件类型等UI数据;(2)基于树的线索化思想,根据每个UI组件所在层级之间的关系确定其父亲组件和兄弟组件,将UI从嵌套结构转化为树型层次结构;(3)针对三种基本布局类型分别给出了其内部UI组件的定位算法,并且通过分析字体和背景颜色等信息对UI组件的外观进行了设置;(4)通过对构造的树型UI层次结构进行深度优先遍历,以迭代的方式基于lxml实现布局代码的生成工作。 为了验证方法的有效性,本文设计了一系列实验对生成的布局代码进行了评估。其中,UI元素的检测准确率为91.18%,相比于基于机器学习的UI元素分类方法提高了约0.18%;生成UI与原始UI的巴氏距离、均方误差和结构相似性指数分别为0.106、0.00654和0.905,其中均方误差相比于现有的方法提高了约7.01%。此外,本文还借助大语言模型Chat GPT分析了布局代码在实际开发场景中的可用性。实验结果表明,通过本文的UI2Code方法生成的布局代码具有较高的准确性和可用性。

关键词： 整车可靠性规范   深度学习   模型优化   数据处理   参数优化  

摘要： 整车可靠性规范开发是汽车研发的关键环节，深度学习在此领域展现出显著优势。其强大数据处理与分析能力能精准识别问题并优化试验规范模型，实现流程智能化，提升开发准确性与效率。实验表明，深度学习技术能显著提升问题识别与解决的效率，大幅缩减规范开发周期和成本。此外，深度学习算法具有持续学习优化特性，随着数据积累和算法升级，模型性能将不断提升，持续推动整车可靠性规范开发技术进步，实现高效、智能的规范开发。

关键词： 交通工程   试验检测数据   数据采集   数据处理   数据分析   质量评估  

摘要： 交通建设领域的改进和技术升级使得试验数据的准确性和质量评估变得至关重要。本文旨在探索交通工程领域中信息收集、处理步骤、决策技术、研究领域及评价手段的质量评估方法。首先，介绍了数据收集的起始点、数据类型，以及情报技术和初步数据加工方法。其次，探讨了数据可视化的方法、数据分析和解释，以及机器学习与人工智能技术在交通基础设施中的应用，及其对影响评估和研究的影响。最后，设立了数据品质评价标准、讲解了数据品质评价方法、展现了评价工具，并探讨了改进数据品质的策略。希望通过本项研究，为基础设施建设领域的数据管理及品质提升提供借鉴。

摘要： 随着多输入多输出(MIMO)雷达、频率分集阵(Frequency Diverse Array,FDA)雷达、网络化雷达、认知雷达、泛探雷达等新体制雷达系统的提出和发展，雷达数据获取方式逐步由单波段、单极化、单角度等发展到多频率、多极化、多角度和多时相等获取方式，逐步形成了雷达的多维信号处理体系，以满足雷达目标检测、参数估计、目标跟踪和目标识别等任务的需求。提高新体制雷达的信号处理能力是新体制雷达从理论走向工程和装备的核心问题。因此，新体制雷达下的信号处理与数据处理相关技术的研究，具有极为重要的理论价值与实际意义。

关键词： 卷积神经网络   不平衡数据   数据预处理   集成学习  

摘要： 传统的机器学习方法在处理不平衡数据分类问题上已经取得了诸多进步,但在面对现实世界中的高度不平衡数据时,其分类效果往往仍难以达到预期。因此,针对不平衡数据集的图像分类问题,仍需探索更为有效和创新的解决方法。此外,现有的方法在如何控制少数类的分类准确率方面还没有得到充分的研究。 本文在一种重新平衡AdaBoost的权重与集成CNN算法基础上,提出了一种AdaBoost-CNN与数据预处理相结合的方法。首先采用数据预处理技术减少了原始数据集的不平衡程度,随后使用卷积神经网络作为AdaBoost的基础学习器,对数据进行训练和预测。 为了说明本文所改进模型的优缺点及有效性,应用本文方法与其他几个代表性的模型在CIFAR-10和Fashion-MNIST数据集上进行实验,实验数据是从每个类别中提取不同的样本作为不平衡数据对模型进行研究。由于少数样本在实际问题中的准确性更加重要,为了更好地反应出模型对少数类样本的分类效果,本文引入了Accuracy,Recall,Precision,F1-score,G-mean,AUC等评价指标。 实验结果表明,与AdaBoost-DenseNet模型相比,本文提出的方法在CIFAR-10数据集上的测试准确率提高了9%,同样F1-score和G-mean分别提高了9.6%和6.9%。与传统的机器学习模型等其余方法相比,本文提出的方法在各种评价指标上均有显著的提升。为了验证这一结论,不仅在标准的数据集上进行了实验,还进一步在实际的医疗数据集上进行了验证。通过对实验结果进行深入的分析和统计检验,确认了本文所提出模型的有效性。