基于飞行时间相机的非合作慢旋卫星稠密重建研究

针对非合作慢旋卫星的模型重建问题,提出基于飞行时间(time-of-flight,TOF)相机和同时定位与制图(simultaneous localization and mapping,SLAM)的稠密重建方法。基于预先检测与自适应阈值方法提高旋转提取与描述(oriented fast and rotated brief,ORB)的特征尺度适应性。利用运动度量方法选取关键帧。利用子模型拼接方法加快重建效率。利用仿真环境制作非合作慢旋卫星的数据集。仿真实验结果表明:该方法能够实现长时间稳定地工作,可在3 min内重建出卫星模型的稠密点云,点云密度大于5000,重建误差小于5 cm。利用机械臂、卫星模型及光学暗室搭建半物理实验系统,表明算法的精度及抗噪声能力基本满足非合作目标感知的任务的需求。

基于振动信号的定量斗装载测量方法研究

定量斗通过安装在其底部的称重传感器对矿石进行动态称重,由于称重传感器直接承受矿石重量冲击力,导致称重传感器易损坏,降低生产效率。基于定量斗侧壁振动频率随矿石装载高度的变化而改变这一基本原理,提出了一种定量斗装载测量的间接方法。该方法通过测量矿石装载高度间接测量矿石重量,解决了称重传感器因直接承受矿石重量及冲击力易损坏的问题,提高了测量装置的可靠性和使用寿命。

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法。卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略。基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程中通过调整策略边界学习不变特征表示,以此来加强模型的自适应迁移能力。迁移实验中,分别验证了3个策略的迁移能力,有效提升YOLO模型在复杂多变空间环境下对卫星部组件的稳定识别。实验结果表明:基于特征关联性学习到的权重要优于随机初始化权重,参数自适应迁移显著提升了目标域的测试精度,最优特征变换显著提升模型的泛化性能力。