航天器柔性太阳翼最优PPF主动振动抑制方法

针对采用可变速控制力矩陀螺(VSCMG)进行柔性太阳翼振动抑制问题,提出一种基于求解非光滑H∞综合问题的最优参数正位置反馈(PPF)控制方法。首先,建立考虑VSCMG和柔性太阳翼耦合的振动模型,得到了线性化的约束陀螺柔性板动力学模型,基于同位控制思想推导了以角度陀螺为测量装置的约束陀螺柔性板全阶状态空间模型。针对被控对象特性,确定最优PPF控制器的结构构型和待优化参数。进而,通过对约束陀螺柔性板全阶状态空间模型进行降阶、修正和加权处理,将PPF控制器参数优化问题转化为在PPF控制器构型约束条件下的非光滑H∞综合问题,并应用一阶下降算法进行寻优求解,实现最优PPF控制器的设计。该方法能够实现对各阶陀螺模态的独立控制,在保证快速性和鲁棒性的前提下,实现最优PPF参数的稳定高效求解。仿真结果表明,所提出的最优PPF控制方法能够快速、鲁棒地实现航天器柔性太阳翼的主动振动抑制。

基于模糊PD控制的柔性航天器振动抑制研究

研究柔性结构振动与航天器姿态运动的刚柔耦合的控制问题,采用非约束模态法对柔性航天器构建适合控制器设计的状态空间模型。针对柔性航天器姿态机动控制问题,根据期望姿态角度与实际姿态角度给出的姿态信息得出姿态误差信号,以此信号设计了一种PD控制律。考虑到柔性航天器初始阶段姿态角速度过大的情况,在原有的PD控制基础上,加入了模糊控制,不仅减小了控制力矩输出,而且满足柔性航天器姿态机动要求的同时能有效抑制振动。数值仿真结果表明,所设计的模糊PD控制律是有效可行的,且有良好的控制性能。

基于灰度均值的自适应FAST角点检测优化算法

光照不均、突变引起的灰度变化会影响图像特征检测效果。为此,设计一种基于灰度均值的自适应FAST-9-12角点检测算法。首先,利用特征点的延展性设计一种小面积双重检测模板,减少像素点与中心点的比较次数,提高区域正检率和检测速度;其次,依据图像局部灰度均值,在每个像素点检测模板内自适应调整阈值,避免灰度变化影响检测效果;最后,根据柔性非极大值抑制的思想设计角点半径抑制原则,筛选鲁棒性更强的角点。在Inria遥感影像数据集上的实验结果表明,FAST-9-12角点检测速度比FAST-12-16,FAST-9-16两种模板提高22%左右,因自适应阈值的提取方式不易受光照影响,检测准确率分别提高4.16和3.11个百分点,实现了图像特征快速和精准检测。

一种新型柔性自动补偿式五连杆组合臂架系统

四连杆组合臂架结构历史悠久,广泛应用于起重装卸领域。现有技术的结构形式为钢丝绳在组合臂架结构头部绕过共轴线的多个滑轮后绳中心线共面下垂连接吊重。吊重在起重机工作过程中受变幅、回转加减速等因素影响,摆动严重。现阶段港口日趋发展,对吊重装卸过程中的平稳性要求日益提高。针对上述问题,创造性的设计一种新型柔性自动补偿式五连杆组合臂架系统,在四连杆之外添加一段刚性杆和一段柔性补偿钢丝绳索,将共轴线的出绳滑轮变为同一水平面非共轴线空间布置,实现钢丝绳末端空间立体交错斜拉吊重,为抑制货物摆动提供水平力,达到防摇目的,实现变幅、回转等工况下吊重的平稳性。系统中的刚性杆和柔性补偿绳索跟随系统自身的运动而运动,无需额外添加任何动力。为起重机新型连杆式组合臂架系统设计提供新技术,并为已制四连杆组合臂架结构起重机提供了安全、经济的改造新方案。以40t-37m港口装卸用门座式起重机传统四连杆组合臂架系统模型改造计算给出实例,MATLAB遗传算法求解出最优解,验证了该技术的实用性。

基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks,R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid,RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。

融合CBAM的YOLOv4轻量化检测方法

基于深度学习的目标检测算法应用于无人机视觉中,会极大提升无人机的场景理解能力,但模型参数量和计算量巨大,难以应用于移动端或嵌入式平台.因此本文提出了一种效果较好的轻量级实时检测模型,采用YOLOv4模型网络作为主要参考模型,使用MobileNet替换主干网络,并通过添加CBAM注意力机制以及Soft-NMS后处理策略来提高模型的准确性.选用PASCAL VOC数据集来测试所提出的轻量级YOLOv4模型,结果显示参数量只有原模型的一半,但速度FPS提升了26.48,精度mAP只下降了0.52%.将所提出的轻量化YOLOv4模型部署Nvidia Jetson TX2低功耗系统以及树莓派上,飞行试验显示在TX2上模型FPS达到了21.8,是原始的YOLOv4的4.74倍,将本算法部署到无人机装载的嵌入式平台上,能够对航拍视野中的车辆目标进行实时识别和定位.

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架.构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用.结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的.引入软阈值非极大值抑制(Soft-NMS)算法,改善簇状果实结构中检测框被误剔除的情况.与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.

多注意力机制的口罩检测网络

提出一种口罩佩戴检测模型,引入多注意力机制,提升了网络特征挖掘能力;利用柔性非极大抑制方法,消除多余目标检测框.在公共数据库上的仿真实验表明,该模型检测人脸口罩佩戴的平均精度达到93.81%,帧率达到11.8 fps,能有效地进行人脸口罩佩戴检测.

Norm-DP模型行人检测优化算法

传统深度金字塔模型作为一种有效的行人检测算法备受关注,融合可变形部件模型和卷积神经网络模型,但特征提取部分使用的算法像素区域的大小不同,导致模型之间不能完全融合,在行人数量多、姿势复杂和有遮挡情况时的检测效果不理想。因此,提出一种基于规范化函数的深度金字塔模型(Norm-DP)算法,使用规范化函数融合可变形部件模型和卷积神经网络模型,直接从金字塔特征中提取正负样本,使用隐变量支持向量机进行模型训练,结合柔性非最大抑制(soft-NMS)算法和边界框回归(BBR)算法对定位框进行优化。分别使用INRIA和MS COCO数据集进行实验验证,在行人数量多、姿势复杂和有遮挡情况时,检测精度高于最优的可变形部件模型算法、卷积神经网络算法、深度金字塔模型算法和结合区域选择的卷积神经网络算法。

基于轻量化卷积神经网络的疲劳驾驶检测

针对现有疲劳驾驶检测模型在判定准确性与实时性上的不平衡问题,设计了一种基于轻量化卷积神经网络EMLite-Yolo-V4的检测模型。通过使用MobileNet-V2作为目标检测网络Yolo-V4的主干特征提取网络,并且降低卷积通道系数alpha,使得网络参数量大幅度下降;改进柔性非极大值抑制使得目标框无需再同时考虑得分与重合度,进一步优化检测速率;加入轻量级特征金字塔FPN-tiny并且融合mosaic数据增强方法,以保证模型的检测精度。最后,利用EMLite-Yolo-V4提取面部疲劳特征,PERCLOS与单位时间打哈欠次数对疲劳特征进行状态判定并输出结果。实验表明:该检测模型的准确率达到97.39%,mAP指标为80.02%,单帧检测速度为20.83 ms,模型大小仅为9 MB,有效平衡了疲劳驾驶检测的准确性与实时性。

面向复杂环境的输电线路关键设备缺陷检测方法

针对小样本及复杂环境下输电线路关键设备缺陷检测难等问题,提出一种融合深度卷积神经网络和卡尔曼滤波的图像检测方法。采用MobileNet构建模型骨干网络,有效降低了计算成本;融合了柔性非极大值抑制算法以解决目标部件遮挡问题;将上下文感知RoI池化层取代原始池化层,维护了小尺寸零部件的原始结构;通过卡尔曼滤波对检测结果进行修正,有效提高检测精度。实验结果表明,所提方法能够能在复杂输电线路设备中实现零部件的精确检测,mAP达到86.16%,每张图片检测时间仅需0.05 s。与相同条件下的其他检测算法相比,综合性能最佳。

基于YOLOv5的无人机视角小目标检测算法

针对无人机视角下的小目标检测精度较差、漏检较为严重的问题,提出一种基于改进YOLOv5的无人机图像检测算法。针对小目标尺度较小问题在骨干网络替换空间金字塔池化(Spatial Pyramid Pooling,SPP)为SPPCSPC-GS,增强密集区域关注能力,提取更多小目标有效特征;在颈部网络中引入CBAM注意力机制将头部C3模块替换为C3CBAM增强上下文信息,提高空间与通道特征表达能力;针对遮挡问题引入柔性非极大值抑制(Soft Non Maximum Suppression,Soft NMS)提升模型对遮挡和密集目标的检测能力;替换损失函数为EIOU加快收敛提升定位效果。改进后的模型在VisDrone数据集上平均检测精度为42.2%,相较于原始YOLOv5s算法提升10.7%,遮挡严重的小目标行人与人类别精度分别上升12%与13.3%。相较于其他先进算法,所提算法表现优秀,可以满足无人机视角图像检测任务要求。

自动色阶与双向特征融合的水下目标检测算法

水下环境存在光线差、噪声大等复杂情况,导致传统水下目标检测方法检测精度较低、漏检率较高.针对上述问题,在现阶段通用的Faster R-CNN的基础上,提出一种自动色阶与双向特征融合的水下目标检测算法.首先,采用自动色阶对水下模糊图像进行增强处理;其次,采用PAFPN进行双向特征融合,以增强对浅层信息的表达能力;然后,在训练前后均引入柔性非极大值抑制(Soft-NMS)算法,来修正并生成候选目标区域;最后,采用FocalLoss函数,解决正负样本分配不均衡的问题.实验结果表明,所提算法在URPC2020数据集上的检测准确率可达59.7%,召回率可达70.5%,相比现阶段通用的Faster R-CNN算法,分别提高了 5.5个百分点和8.4个百分点,有效提高了水下目标检测的准确率.

基于改进的Faster R-CNN目标检测算法

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。