基于模型压缩的ED-YOLO电力巡检无人机避障目标检测算法

针对现有卷积神经网络模型体积大、运算量高,导致电力巡检无人机检测速率与精度无法兼顾的问题,提出一种基于模型压缩的ED-YOLO网络实现无人机避障的目标检测算法。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中冗余通道,减小模型体积并提高模型检测速度。在自主构建的9600张电力巡检无人机飞行障碍的数据集进行测试,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。实验结果表明,对比多种其他现存方法,本文提出的基于模型压缩的ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,满足电力巡检无机避障检测要求。

热机械处理中退火时间对Fe-Mn-Si基合金形状记忆效应的影响

热机械处理能显著改善Fe-Mn-Si基合金的形状记忆效应。本工作中,对铸态Fe-Mn-Si基合金进行热锻、20%冷轧变形及固溶处理,随后在1073 K对部分经10%室温拉伸变形的试样进行不同时间退火处理。借助背散射电子显微分析(EBSD)、RGM-4300型万能试验机、示差四端电阻法及弯曲法研究热机械处理中退火时间对Fe-Mn-Si基合金微观组织和形状记忆效应的影响规律。结果表明:固溶态Fe-Mn-Si基合金的可恢复应变为4.1%;当经过退火时间为10 min的热机械处理后,合金的可恢复应变显著提高至5.3%;当进一步延长热机械处理的退火时间,合金的可恢复应变随之下降;当热机械处理的退火时间为180 min时,合金的可恢复应变下降至4.9%。随着热机械处理的退火时间延长,退火孪晶分数增加,堆垛层错密度下降,从而导致Fe-Mn-Si基合金促进应力诱发ε马氏体相变和抑制塑性滑移的能力变弱。这是Fe-Mn-Si基合金的可恢复应变随着热机械处理的退火时间延长而降低的主要原因。