基于CE-YOLOv8的炮孔识别方法

为了实现工程爆破中炸药的自动装填,现针对炮孔检测这一前置任务进行研究。由于实际工程中存在炮孔形状各异、碎石多、检测背景复杂等问题,导致检测过程中易出现遗漏和误判,因此,基于YOLOv8进行了改进,并提出了一种更高效的炮孔检测方法CE-YOLOv8。首先,将骨干网络中的C2f模块替换成C2f_DCN模块,增加了网络的空间变形适应性,从而能更准确地提取到炮孔特征,提高炮孔的检测精度。其次,在YOLOv8特征提取网络中加入改进C-CBAM注意力机制,对CBAM注意力机制的输入特征进行分组,并增加一个并行分支实现多尺度特征处理,最后通过跨空间学习模块将信息进行融合,提升模型的感受野和表征能力。最后,引入了E-IOU作为评估锚定框相互关系的计算方法,克服了传统IOU在梯度传递方面的缺陷,加快了网络的收敛。实验结果表明:改进后的模型对炮孔具有较好的识别效果,其中平均检测精度提升至98.6%,精确度和召回率分别达到95.7%和96.1%。改进的方法在爆破工程中识别炮孔从而实现智能化炸药装填具有较广泛的应用前景。

基于IQPSO-EKF的多传感器融合姿态测量方法研究

为解决自动化竖井掘进设备的定位调姿精度对竖井、孔桩挖掘效率与质量的影响,提出了一种基于改进量子粒子群(IQPSO)-扩展卡尔曼滤波(EKF)的姿态测量算法,以提高微机电系统(MEMS)传感器测量精度。首先,对MEMS传感器数据进行了预处理(除噪、滤波、校准等);然后,参考现有飞行器的坐标系,建立了姿态解算模型,通过姿态角数学模型及运动学分析,构建了EFK状态方程,针对EKF方法参数估计不准确的问题,以分段混沌映射优化初始种群,引入平均位置最优值来避免陷入局部最优的IQPSO-EFK算法,优化EKF的系统、测量噪声的协方差参数;最后,对改进算法和三组姿态误差估计进行了对比实验。研究结果表明:对比三种典型目标函数,IQPSO-EFK相较于普通粒子群算法(QPSO-EFK)具有更强的寻优能力与收敛精度;对比三组旋转速度姿态测量误差,基于IQPSO-EKF算法的姿态测量方法在测量误差时比真实测量误差减少了约86.3%,比扩展卡尔曼滤波减少了约68.7%,比普通粒子群算法减少了约28.2%,证明该算法有效地提高了MEMS传感器测量精度。