人工智能 (AI) 是一门研究机器执行与人类智能相关的任务的过程和方法的学科。它提供了许多与解决问题、快速决策、提高效率和降低成本有关的机会。由于其应用领域如此广泛,人工智能是新工业革命的核心。阿尔及利亚的目标是在 2020 年前提出其人工智能战略。在本文中,我们有兴趣定义人工智能、其潜在的应用领域,特别是其对客户旅程的影响和 RFID(射频识别)在链中的位置;还通过示例描述了它在航空领域的应用及其与物联网的关系。
人道主义排雷任务是将操作员安全和时间消耗作为关键问题的活动。为了提高我们一直在使用的 ATMID 金属探测器的识别能力,我们扩展了探测器的功能,在探测器头部安装了惯性测量单元 (IMU),并辅以两个光学距离传感器。这使我们能够根据 IMU 在所有三个轴上测量的加速度和角速率进行航位推算。光学距离传感器用于补偿目的和初始距离测量。我们的主要目标是将探测器感测到的磁性印记与其头部的精确定位互连,从而估算印记尺寸及其位置。由于基于低成本微机电系统 (MEMS) 的 IMU 实现,我们不得不处理不稳定的航位推算结果。为此,我们使用了我们设计的复杂磁性标记 (CMM),它标出了搜索区域,并为我们提供了其两侧的精确定位。本文的主要贡献在于研究和识别了 CMM 磁印特征及其与 CMM 在排雷过程中使用的各个方面及其条件相关的差异。根据多项实验室实验研究和分析了 CMM 的特性,并给出了结果。
由于业内许多人主张修订这些原始标准,2014 年 ABTEM 委托顾问 Rob Shorland-Ball 进行一项由英国艺术委员会资助的范围界定研究,以确定对任何新出版物和潜在内容的需求。在咨询了业内许多人之后,ABTEM 在英格兰艺术委员会的进一步慷慨资助下,与国际铁路遗产咨询公司 (IRHC) 合作完成了这些新指南。IRHC 团队包括 Helen Ashby、Efstathios (Stathis) Tsolis 和 Steve Davies。这项工作得到了由 Andrea Bishop、Andy King、Lis Chard-Cooper、Peter Ovenstone、Richard Sykes、Robert Excell、Ron Palmer 和 Tim Bryan 组成的指导小组的支持。Steph Gillett 是项目管理员,校对工作由 Drakon Consulting 的 Jenni Butterworth 负责。
IL 批判人与技术对象之间的关系,正如热力学和能量学中进步的概念所呈现的那样。求助于信息理论................................................................................................................. 135
光检测和范围(LIDAR)技术已成为过去几年中主要的遥感方法之一。有几个区域,可以非常有效地使用扫描的3D点云。在我们的研究中,我们回顾了LiDAR数据在军事历史重建中的潜在应用。,我们定义了整个重建过程的主要步骤,以及(主要是存档)有用的数据源。显然,这种调查的基础必须是存档数据,但是将尖端方法集成到此类任务中是一个有趣的挑战。LIDAR技术可能非常有用,尤其是在植被覆盖的地区,在这种区域中,传统的遥感技术大多效率低下。我们将总结激光扫描数据如何支持重建工作的不同部分,并定义LiDAR数据处理的技术步骤。关键字:LIDAR,地球信息学,军事历史,遥感
周期性是运动物体中经常发生的现象。寻找周期行为对于理解物体运动至关重要。然而,周期行为可能非常复杂,涉及多个交错的周期、部分时间跨度以及时空噪声和异常值。在本文中,我们解决了挖掘运动物体的周期行为的问题。它涉及两个子问题:如何检测复杂运动中的周期以及如何挖掘周期性运动行为。我们的主要假设是观察到的运动是由与某些参考位置相关的多个交错的周期行为产生的。基于此假设,我们提出了一个两阶段算法Periodica来解决这个问题。在第一阶段,提出参考点的概念来捕捉参考位置。通过参考点,可以使用结合傅里叶变换和自相关的方法来检索运动中的多个周期。在第二阶段,提出一个概率模型来表征周期行为。对于特定时期,通过层次聚类从部分运动序列中统计概括出周期性行为。对合成数据集和真实数据集的实证研究证明了我们方法的有效性。
无人驾驶飞行器 (UAV) 以其速度快、功能多样而闻名,可用于收集航空图像和遥感数据,用于土地利用调查和精准农业。随着无人机的可用性和可访问性的增长,它们现在作为船舶监控和搜索救援 (SAR) 行动等海洋应用的技术支持至关重要。无人机上可以配备高分辨率摄像头和图形处理单元 (GPU),以有效和高效地帮助定位感兴趣的物体,适用于紧急救援行动,或者在我们的案例中,用于精准水产养殖应用。现代计算机视觉算法使我们能够在动态环境中检测感兴趣的物体;然而,这些算法依赖于从无人机收集的大型训练数据集,而目前在海洋环境中收集这些数据集非常耗时且费力。为此,我们提出了一个新的基准套件 SeaD- roneSim,它可用于创建具有真实感的照片级航空图像数据集,并为任何给定对象的分割掩模提供地面实况。仅利用 SeaDroneSim 生成的合成数据,我们在真实航拍图像上获得了 71 个平均精度 (mAP),用于检测我们感兴趣的对象,即本可行性研究中流行的开源遥控水下机器人 (BlueROV)。这款新模拟套装的结果可作为检测 BlueROV 的基准,可用于