Design of Drilling and Riveting Multi-functional End Effector for CFRP and Aluminum Components in Robotic Aircraft Assembly

To fulfill the demands for higher quality,efficiency and flexibility in aviation industry,a multi-functional end effector is designed to automate the drilling and riveting processes in assembling carbon fiber reinforced polymer(CFRP)and aluminum components for a robotic aircraft assembly system.To meet the specific functional requirements for blind rivet installation on CFRP and aluminum materials,additional modules are incorporated on the end effector aside of the basic processing modules for drilling.And all of these processing modules allow for a onestep-drilling-countersinking process,hole inspection,automatic rivet feed,rivet geometry check,sealant application,rivet insertion and installation.Besides,to guarantee the better quality of the hole drilled and joints riveted,several online detection and adjustment measures are applied to this end effector,including the reference detection and perpendicular calibration,which could effectively ensure the positioning precision and perpendicular accuracy as demanded.Finally,the test result shows that this end effector is capable of producing each hole to a positioning precision within ±0.5 mm,aperpendicular accuracy within 0.3°,a diameter tolerance of H8,and a countersink depth tolerance of±0.01 mm.Moreover,it could drill and rivet up to three joints per minute,with acceptable shearing and tensile strength.

窗口锚定的偏移受限动态蛇形卷积网络航拍小目标检测

为了从小目标有限特征中获取关键的有效信息,提升小目标的定位能力和检测精度,文中提出窗口锚定的偏移受限动态蛇形卷积网络航拍小目标检测方法.首先,构造偏移受限动态蛇形卷积,在不同方位动态偏移,受限蛇形卷积核自适应地关注不同大小和形状的特征区域,使特征提取聚焦于微小局部结构,促进小目标特征的捕获.然后,采用双阶段多尺度特征融合方法,对不同层阶特征图进行特征对齐、融合和注入,增强底层细节信息与高层语义信息的融合,并强化不同尺寸目标信息传输,提高小目标的检测能力.与此同时,设计窗口锚定的边界框回归损失函数,基于辅助边界框和最小点距离进行边界回归,获得准确的回归结果,提高小目标的定位能力.最后,在3个航拍数据集上的实验表明,文中方法对小目标的检测性能有不同程度的改善和提高.

基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型

针对道路场景下红外目标遮挡、缺乏纹理细节而导致目标误检、漏检的问题,提出一种基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型(MSC-YOLO)。以YOLOv7-tiny作为基线模型,首先,在MobileNetV3的不同中间特征层引入多尺度金字塔模块PSA(Pyramid Split Attention),设计一种多尺度特征提取的轻量化主干提取网络MSM-Net(Multi-Scale Mobile Network),解决固定大小卷积核造成的特征污染问题,提高对于不同尺度目标的细粒度提取能力;其次,在特征融合网络融入加权坐标注意力(WCA)机制,叠加从中间特征图垂直和水平空间方向上获取的目标位置信息,增强目标特征在不同维度上的融合能力;最后,替换定位损失函数为高效交并比(EIoU),分别计算预测框和真实框的长、宽影响因子,提高收敛速度。在Flir数据集上进行验证实验,与YOLOv7-tiny模型相比,在mAP(IoU=0.5)仅降低0.7个百分点的前提下,MSC-YOLO的参数量减少67.3%,浮点运算次数减少54.6%,模型大小减小60.5%,帧率在RTA 2080Ti上达到101,在检测性能和轻量化上达到平衡,满足红外道路场景的实时检测需求。

一种侦干探多功能一体化微系统设计

在无人机载、弹载综合电子应用领域,基于传统分立器件设计的信号处理系统面临日益突显的资源受限问题。因此,针对无人机载、弹载综合电子系统的多功能、小型化、高性能应用的迫切需求,提出一种侦干探多功能一体化信号处理微系统集成设计技术。基于三维堆叠等先进封装技术,将射频直采数模/模数转换器、可编程逻辑器件、处理器、大容量易失型存储器、非易失性存储器以及阻容等诸多元件进行共封装设计集成,构成可同时完成侦察、干扰、探测功能信号处理的微系统,并构建多功能应用场景,完成软硬件测试验证。该微系统不仅在体积、重量、性能、集成度等方面具有一定优越性,而且大大简化了信号处理系统的复杂电路设计,更便于系统的标准化、通用化和软件化,具有较大的应用前景。

基于多头自注意力机制和PANet的优化YOLOv5行人检测算法

针对行人检测任务中出现拥挤和目标尺寸小所导致的行人检测精度低和效果不佳问题,提出一种基于改进YOLOv5的检测算法.首先,将多头自注意力机制嵌入YOLOv5骨干网络末端,加强了网络对目标行人的全局信息感知,进一步增强了对行人目标可视化区域的特征提取.其次,改进了PANet结构,使模型可以获取更细粒度的特征图.最后,采用更适合密集场景的Varifocal Loss损失函数代替Focal Loss损失函数,以提高模型的鲁棒性.实验结果表明,相比于YOLOv5模型,改进后的算法mAP@0.5与mAP0.5∶0.95分别提高到90.2%和63%,并且对小尺度行人以及密集行人都表现出更好的检测效果,同时比其他同类主流算法拥有更高的鲁棒性和准确性.

基于熵值图的多功能雷达工作模式识别

针对多功能雷达工作模式多样且信号波形复杂多变,导致常规工作模式识别方法性能不佳的问题,提出基于小波变换的多功能雷达工作状态切换点检测方法,将雷达脉冲序列进行分割,得到单一工作模式脉冲序列样本。其次,基于近似熵、样本熵、模糊熵和排列熵设计了新的熵值图特征,并结合卷积深度神经网络模型,实现了多功能雷达工作模式的智能识别。仿真结果表明,该算法在虚假脉冲率或漏脉冲率为25%时,切换点检测正确率达85%;工作模式识别正确率在虚假脉冲率、漏脉冲率为20%和参数误差为8%时,识别正确率均在83%以上,识别性能皆优于两种对比文献方法,验证了该算法的有效性和优越性。

基于YOLOv5的行人检测方法研究

针对YOLOv5在检测行人时容易出现漏检目标及检测精度低的问题,提出一种改进YOLOv5网络的行人检测模型。首先,主干网络使用SPD(Space-to-Depth)模块和Ghost卷积组合构造的SPD-GConv模块进行下采样,减少细粒度特征信息的损耗。其次,通过增加小尺寸检测层,增强模型的多尺度检测能力。然后,使用α-EIoU损失函数替换原始CIoU损失函数,提高行人目标定位准确度。使用Crowdhuman数据集进行训练和测试,实验结果表明,所提出算法比原始算法的召回率和平均精度值分别提高了4.7%和3.5%,能够有效提高远距离目标和密集场景下行人检测的准确率。

基于自编码器的多功能雷达工作状态切换点检测方法

先进多功能雷达可以实现复杂的工作状态调制和灵活的波束调度,为识别不同的雷达工作状态并检测状态之间的切换点带来了巨大的挑战.为此提出了一种对多功能雷达层次化模型中的“符号−脉冲”层中的调制参数级工作状态的种切换点检测方法.所提出算法基于自编码器,并对真实电磁环境中观测非理想的情况进行设计,不仅可以在无监督的情况下准确地检测出工作状态切换点,并且不需要对数据的分布情况进行假设.仿真实验验证了本文提出算法相较于切换点检测算法的有效性和优越性,对于0~20%的脉冲丢失情况相较于对比方法具有更好的性能,在20%脉冲丢失的极端情况下,也可以达到0.7的F_(1)-score.

基于MES−YOLOv5s的综采工作面大块煤检测算法

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。

多尺度特征融合的铁轨异物入侵检测研究

针对铁路轨道异物检测中不同尺度异物目标的检测易受复杂环境的影响,导致出现检测精度低及检测速度慢等问题,提出一种多尺度特征融合的铁轨异物检测(RMF-YOLO)算法。首先,设计并引入改进的卷积注意力模块(ICBAM),结合YOLOv7特征提取网络,以增强复杂场景下的特征提取能力。其次,在所有高效层聚合网络模块中采用GhostConv替代普通卷积层,以降低计算复杂度,提高特征输出效率;设计一种改进的加权双向特征金字塔网络N-BiFPN结构,加强多尺度特征融合能力,平衡不同层级特征信息,提高多尺度检测能力。最后,为进一步提升检测精度,采用WIoU损失函数结合动态非单调聚集机制,有效应对低质量锚框产生的梯度,提高模型对不同尺度异物检测的整体性能。实验结果表明:在自制的铁轨异物数据集上,RMF-YOLO算法减少了原网络模型的参数量,有效提升了模型的检测精度与检测速度,改善了漏检与误检问题,平均精度提升了5.5%,检测速度提升了5.88%,计算量减少了12.25%,能满足铁轨入侵异物检测中对检测精度和实时性的需求。

面向无人驾驶场景下的道路多目标检测算法

针对无人驾驶场景下目标检测算法误检率高的问题,设计一种改进YOLOv3的多目标检测算法。该文在原始特征提取网络Darknet53中引入分组卷积核替换标准卷积核,降低了卷积操作的计算量;改进原始YOLOv3的特征融合方法,使不同尺度的特征层融合更加充分,对遮挡目标和小目标的检测效果有明显提升;构建CIoU位置损失函数,提示网络收敛效果。实验结果表明,改进的YOLOv3算法平均精确度提高了1.71%,误检率降低了12%,明显优于原始算法。

基于检测增强型YOLOv3-tiny的道路场景行人检测

为了给驾驶员提供实时准确的行人信息、减少交通事故的发生,提出一种检测增强型YOLOv3-tiny(detection of enhanced YOLOv3-tiny,DOEYT)行人检测算法.创建鲁棒的特征提取网络,首先使用非对称最大池化进行下采样,防止随着感受野增大行人横向特征的丢失;其次使用Hardswish作为卷积层的激活函数优化网络性能;最后使用GC(globe context)自注意力机制获得全文特征信息.在分类回归网络部分,采用三尺度检测策略,提升小尺度行人目标的检测精度;使用k-means++算法重新生成数据集锚框,提高网络收敛速度.构建行人检测数据集并分为训练集和测试集,对DOEYT算法的性能进行试验验证.结果表明,非对称最大池化、Hardswish函数、GC自注意力机制分别使平均准确率AP提高14.4%、7.9%、10.8%;DOEYT算法在测试集上检测的平均准确率高达91.2%,检测速度为103帧/s,可见该算法可快速准确地检测行人,降低交通事故发生的风险.

反向加权融合多尺度特征的X射线图像违禁品检测

针对现阶段违禁品检测方法存在的混叠效应以及在类内变化显著的场景下检测精度较低等问题,提出一种反向加权融合多尺度特征的X射线图像违禁品检测算法,通过反向自适应地引导融合多尺度上下文特征来实现准确的违禁品目标检测。首先,使用多尺度场景感知模块获取从局部到全局的目标表征信息,帮助处理显著的类内变化。其次,利用反向加权融合结构采用特征引导加权的方式,高效融合蕴含丰富上下文特征的多级特征,缓解融合过程中易出现的混叠效应。最后,设计了一种Focal-SIOU损失函数,用于平衡不同质量违禁品目标预测框之间的贡献差异,并结合角度和边长损失进一步提升预测框的收敛速度和回归精度。本文方法在SIXray、OPIXray、PIDray等3个非常具有挑战性的基准数据集上进行了广泛的评测实验,平均精度均值(mAP)分别达到93.2%、90.7%和85.1%。实验结果充分表明,方法相比于最新方法性能更优,并且能够满足实时目标检测的实际应用需求。

基于PSN-YOLOv7的光学遥感图像目标检测

针对光学遥感图像因目标尺度差异大,小目标特征信息不足导致的检测精度低、误检、漏检问题,文中提出一种基于PSN-YOLOv7的光学遥感图像目标检测方法。首先,增加一个160×160的小目标检测层,增强网络的多尺度目标检测能力;其次,提出改进的ELAN-P和ELAN-WS模块,在减少计算量和参数量的同时,增强全局理解能力减少目标特征信息的损失,有效改善误检;最后,提出MNI损失函数改进YOLOv7的CIoU位置损失函数,抑制小目标造成网络损失不平衡的影响,从而减少目标漏检的情况。在DIOR公开遥感图像数据集上进行训练与测试,实验对比结果表明,所提方法检测精度mAP@0.5为92.3%,比YOLOv7网络提高了3.2%,且计算量和参数量与原YOLOv7网络相当,提升检测精度的同时保证了网络的性能平衡。

基于仿生水母的水下机器人结构设计与试验研究

针对水下探测机器人隐蔽性好的需求,设计了一种仿生水母机器人。首先,进行了水母机器人的仿生设计,通过生物特征提取及功能耦合确定了机器人的功能设计要求,基于机构原理图,进行了三维模型设计;其次,对多杆推进机构进行了运动学求解,获得了两个闭环求解方程,并以此为依据,给定了一个尺寸设计案例;然后,采用ANSYS软件对设计案例进行了刚柔耦合分析和模态分析,对关键结构的强度和刚度进行了验证,获得了结构的低阶模态频率及振型,并为声学驱鱼装置的选择提供了依据;最后,根据设计模型制作了实物样机并进行了水下调试,获得了试验参数并验证了机器人的功能。研究结果表明:多杆推进机构在运动过程中最大等效应力约为4.92 MPa,最大变形量约为3.89 mm,该结构满足强度和刚度要求;通过实物样机制作与试验,实现了仿生水母机器人的水下游动和转向等功能,初步验证了方案的可行性;机器人在主驱动电机初设转速的驱动下,直线运动速度约为58.3 mm/s,转向速度约为22.5°/s。

基于多任务学习的近岸舰船检测方法

在遥感光学图像近岸舰船目标检测任务中,针对近岸复杂场景中存在形状近似目标的虚警问题,提出一种基于多任务学习的近岸舰船目标检测方法。该方法通过构建海陆分割任务与舰船检测任务并行双路框架,将传统的任务串行处理流程优化为并行处理方式,设计联合损失函数进行双路优化训练约束,提升模型训练的稳定性,通过双分支融合模块剔除陆地掩膜中的检测结果,实现陆地虚警滤除。采用谷歌地球遥感图像制作的数据集进行实验,将本文提出的方法与单任务检测算法YOLOv5相比,mAP提升了4.4个百分点,虚警率降低了3.4个百分点。实验结果表明本文算法对陆地虚警抑制有效。

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。

多功能并网逆变器的预测-等效滑模控制策略

为满足分布式发电系统中新能源消纳和电能质量治理的需求,对多功能并网逆变器(multifunctional grid-tied inverter,MTGTI)兼具电能质量治理功能的关键技术进行研究,针对传统控制方案中补偿电流检测方法精度不高、控制跟踪效果较差的问题,提出一种基于改进型滑模的整体控制方案。首先,将平均值算法引入基于FBD(Fryze-Buchholz-Depenbrock)功率理论的谐波及无功检测方法,提高了补偿电流检测的精度及响应速度,从而提升指令电流的准确度。然后,在滑模控制(sliding mode control,SMC)的基础上结合模型预测控制(mode predictive control,MPC),提出预测-等效滑模控制策略,进一步提高了多功能并网逆变器对复杂指令电流的高精度快速跟踪的控制性能。最后,基于MATLAB/Simulink仿真平台,在并网、负载不平衡、负载突变等不同状态下,验证所提整体控制方案的可行性及有效性。

基于改进YOLOv5的自动驾驶目标检测方法

针对目前自动驾驶领域的目标检测算法在交通场景下的漏检目标,目标定位不精确、目标特征表达不充分及目标识别效果欠佳等问题,提出一种基于TPH-YOLOv5(transformer prediction heads-YOLOv5)的道路目标检测方法。首先为了减轻物体尺度急剧变化带来的漏检风险,增加了用于微小物体检测的检测头,为在高密度场景中精确定位对象,使用Transformer预测头来捕获全局信息;其次为了增强模型的特征表达能力,用选择性注意力机制(selective interactive module with affinity learning, SIMAM)模块对卷积层的输出进行加权;最后,为了提高目标识别的精度,网络颈部增加了4个金字塔池化模块(spatial pyramid pooling, SPP)块来进行多尺度融合,为了加快收敛速度和提高回归精度采用EIOU(Euclidean distance-IOU)作为边界框损失函数。通过消融、对比和可视化验证实验表明,提出的算法比YOLOv5在平均精度上提高了8.1%,漏检率明显减少,目标检测效果明显增强。

基于多粒度特征增强网络的交通文本检测方法

深度学习极大地推动了自然场景文本检测和识别领域的发展,然而,对行车环境中的交通文本检测研究相对匮乏。为此,提出一种新颖的端到端文本检测框架,实现对车载摄像头捕获到的交通文本检测。设计多粒度文本特征增强模块(MTFEM),通过无缝集成交通文本的粗粒度特征和细粒度特征,进行全面理解和分析,以提高对交通文本的特征表达能力。此外,为了优化网络学习,保持模型训练的稳定性,避免像素预测误差所导致梯度急剧变化,设计一种新颖的联合损失函数。实验结果表明,该方法在交通文本数据集CTST-1600和TPD上的F1值分别达到了93.7%和94.1%,与主流方法相比具有更高的检测结果。为了进一步验证所提方法的适应性,在多方向自然场景文本数据集ICDAR 2015和多语言文本数据集MSRA-TD500上的F1值分别取得了87.7%和87.0%,具有较强的鲁棒性。