面向空中小目标检测任务的YOLOv7改进模型

针对空中小目标检测任务,本文进行了基于改进的YOLOv7模型的空中小目标检测算法的研究,解决了当前空中小目标检测算法推理速度慢和检测精度不足的问题。首先,建立了涵盖多种目标尺度、姿态和天气条件的飞机目标基准数据集;其次,在YOLOv7基准模型的基础上,提出了一种基于广义特征金字塔网络和Wasserstein度量的目标检测方法;最后,在公开数据集与自建数据集上对该方法与其他主流算法进行了对比试验,结果表明,相较于原始YOLOv7模型,改进模型在自建数据集上对小目标检测的平均精确率提高了7.3%,并且推理速度高于大部分主流检测算法。本文研究为空中小目标检测任务提供了一种快速且高精度的检测算法,对于相关算法在航空航天领域的进一步工程应用具有重要的推动作用。     

基于梯度差自适应学习率优化的改进YOLOX目标检测算法

目标检测一直都是计算机视觉领域最具挑战的问题之一，其广泛应用于人脸识别、自动驾驶和交通检测等任务中。为更进一步提升当前主流目标检测算法的性能表现，提出了基于YOLOX的目标检测改进算法，并在标准的PASCAL VOC 07+12和RSOD数据集上进行实验验证。针对YOLOX目标检测算法主要通过数据增强、改进网络结构和损失函数3方面做出改进，同时提出基于梯度差的自适应学习率优化算法用于训练改进后的YOLOX算法，该优化算法同样适用于其他神经网络优化。在PASCAL VOC 07+12标准数据集上进行实验，与原YOLOX-S进行比较，改进后的YOLOX-S算法的AP由61.63%提升到66.35%，提升效果明显。同时在RSOD标准数据集上进行实验，并与其他主流的YOLO系列算法进行了比较，改进后的YOLOX-S算法在RSOD数据集的AP由69.4%提升到73.2%，提升效果显著。实验表明：针对YOLOX的目标检测做出改进是有效的。     

故障机理与领域自适应混合驱动的机械故障智能迁移诊断

航空发动机的健康稳定对于保障飞行器的安全运行具有重要的作用，针对各台发动机建立具备高准确率的智能诊断模型是飞行器稳定运行的关键。现有故障诊断方法在具备故障数据的条件下能取得较好效果，但实际应用中往往因仅含正常数据，无法实现诊断模型的构建。针对该问题，提出一种故障机理与领域自适应混合驱动的机械故障智能迁移诊断方法，该方法首先依据故障机理和源域数据建立旋转机械故障虚拟样本生成模型，再采用目标域正常数据实现生成模型对目标域的自适应，最后通过虚拟样本训练得到目标域故障诊断模型。采用标准数据集和实验室轴承数据对提出方法进行验证，结果表明，提出方法对不同型号轴承诊断时取得88.61%的平均准确率，相比对比方法高41.22%。     

基于YOLOv7通道冗余改进的飞机蒙皮损伤检测

为提高蒙皮损伤检测的自动化程度,提出一种基于改进YOLOv7通道冗余的机器视觉检测方法。首先针对飞机蒙皮损伤数据集背景单一的特点,提出增强型颈部特征融合改进算法,提高了飞机蒙皮损伤的识别精度和检测速度;其次针对主干特征提取网络的卷积通道冗余的问题,引入部分卷积PConv(Partial convolution),提出主干特征提取网络轻量化,减少模型的参数量,同时提高损伤的识别效率。试验部分首先在飞机蒙皮损伤数据集上探索了不同增强型颈部特征融合改进算法,确定了最优的改进方案;接着在飞机蒙皮损伤数据集上做消融和对比试验,改进算法与原YOLOv7算法比较,m AP(Mean average precision)提升了2.3%,FPS(Frames per second)提升了22.1 f/s,模型参数量降低了34.13%;最后将改进的YOLOv7模型与主流目标检测模型对比,证明了改进算法的先进性。     

基于CNLS-MMD的孪生混合网络四旋翼飞行器故障诊断方法

四旋翼飞行器在众多领域中应用广泛,由于工作环境复杂多变,四旋翼飞行器极易出现结构损伤性故障,给飞行器的安全性带来巨大的挑战,因此开展四旋翼飞行器结构损伤性故障的相关研究对提高四旋翼飞行器可靠性具有重要意义。针对四旋翼飞行器在实际应用中结构损伤性小样本故障数据诊断率低的问题,本文提出了一种在小样本条件下基于卷积神经网络和长短时记忆网络的孪生混合网络（CNLS-MMD）四旋翼飞行器故障诊断方法。首先,设计试验获取四旋翼飞行器多工况结构损伤性飞行数据并对数据进行预处理。其次,建立基于孪生混合网络的故障诊断模型,采用卷积神经网络（CNN）和长短时记忆网络（LSTM）构建CNLS混合模型提取数据特征,利用最大均值差异（MMD）衡量样本的相似度,实现对故障标签的预测。最后,选择不同样本数量的训练集训练模型,使用多工况小样本数据集对搭建的模型进行故障测试。结果表明,该故障诊断方法具有较好的诊断性能和泛化能力。     

拟VGG16网络的航空传感器故障检测分类

参考计算机视觉等领域的研究与应用进展，提出了拟图智能化故障诊断概念；拟照VGG16图像分类网络，提出了一种航空传感器故障检测与分类方法。首先，基于仿真、实飞等手段建立了航空传感器故障飞行数据库；该数据库包含4型大型客机、通航飞机在5种飞行状态的飞行数据，并可有效模拟气动数据、惯性测量单元等传感器的故障。其次，提出将航空器气动数据、惯性测量单元等传感器的测量数据堆叠成灰度图像数据格式；该图像保留了传感器测量数据的时间、空间耦合特征，将传感器故障检测与分类转换成为图像上的异常区域检测与分类问题。再次，提出了一种数据增强方法，将堆叠形成的传感器测量数据图像的维度增强为VGG16图像分类网络输入维度，并基于预训练的VGG16图像分类网络，采用微调优化网络模型，最终得到了拟图智能化航空传感器故障检测与分类深度神经网络。在多个航空器数据集上的实验结果表明，网络的平均测试准确度可以达到97.6%。最后，参考计算机视觉领域的深度神经网络可解释性分析方法，基于类激活映射图（CAM）对本文发展的传感器故障检测与分类网络进行了分析，初步阐明了网络内部各层卷积核节点特征提取运算的机理，提升了该网络故障检测与分...     

试验中被制导目标的定位及安控应用

从飞行器试验安全控制角度，讨论了在末制导系统捕获目标后，如何融合外测和遥测数据以获取目标的位置信息。要点是目标位置的计算方法及其应用于安控显示软件。给出一个实例；用实时测量数据解算出飞行器制导目标的位置，并在电子地图上显示。     

多尺度层级金字塔网络的无人机入侵检测方法

近年来,无人机的快速发展给众多领域带来便利,然而无人机入侵给机场安全带来了巨大的挑战。由于无人机目标小、背景复杂、飞行速度快等特点,现有的主流目标检测方法通常难以准确地识别出入侵的无人机,易产生误检漏检的现象。提出了多尺度层级金字塔网络的无人机入侵检测方法,同时利用特征融合模块赋予特征金字塔不同层级、不同尺度的图像语义信息,并通过网格删除和4-Mosaic数据增强技术,对小样本数据集进行扩充,有效地提高了模型的泛化性能。实验表明,方法较于目前最优的无人机检测方法性能提升了5.5%。     

基于Swin Transformer和注意力机制的红外无人机检测算法

红外无人机目标检测在军民领域的应用前景广阔。由于无人机目标尺度较小,空中环境复杂多变,目前普遍存在检测率低和误报率高的现象。针对复杂场景下红外无人机目标检测不良等问题,本文提出ST-YOLOA目标检测模型。首先,使用Swin Transformer网络架构和协调注意力（CA）机制搭建STCNet骨干特征提取网络;其次,特征融合部分采用带残差结构的PANet路径聚合网络构建特征金字塔提升整体特征提取能力,同时改进了上下采样方式以增强检测能力;最后,使用解耦检测头预测无人机目标的位置。试验结果表明,本文提出的模型检测精度为92.8%,检测速度达到了22帧/s,这表明该模型与其他模型相比具有较好的检测效果,且基本满足实时性检测要求,对于多无人机目标场景下的检测具有现实意义。     

高速空气动力学三大手段数据融合研究进展

风洞试验、数值计算和模型飞行试验三大手段的深度融合，是开展新一代高速飞行器研究的必然需求。本文重点介绍了高速风洞试验设备、数值计算软硬件建设和航天模型飞行试验能力建设情况，以及自主研制的表面温度、热流、脉动压力、摩阻等飞行试验测量技术；并根据气动数据融合特点，提出了一种基于气动数据和物理模型相关度的融合准则，发展了基于组合深度神经网络的气动数据融合方法，解决了不同来源数据之间的数据关联问题，大幅提升了融合数据的可信度，在某高速飞行器俯仰力矩系数和头罩典型构型的气动热数据天地关联方面得到成功应用；综合运用三大手段，开展了高速激波-边界层干扰基础流动问题研究，建立了激波-边界层干扰力/热载荷天地相关性经验公式，修正了压力-热流关联关系，并首次证实了分离泡低频振荡现象在真实飞行条件下客观存在。     

基于注意力YOLO-V3的合成孔径雷达舰船检测识别一体化方法

传统的合成孔径雷达舰船检测识别需要分两步实现，检测识别精度和效率难以满足实际应用需求。本文结合注意力机制和YOLO-V3网络提出了注意力YOLO-V3网络实现合成孔径雷达舰船检测识别一体化。同时，利用公开的AIR-SARShip-1.0数据集和OpenSARShip数据集构建了大场景舰船检测识别数据集，用于验证目标检测识别性能。实验结果表明，本文提出的注意力YOLO-V3网络可以获得较高的检测识别精度，证明了本文方法的有效性。     

基于时空显著性建模的空中飞行器跟踪方法

以复杂背景下空中飞行器的鲁棒视觉跟踪问题为研究背景，为解决现有跟踪方法目标表征模型不够精确，算法鲁棒性严重受到目标形变、宽高比变化、复杂背景等因素干扰的问题，提出了建模跟踪场景中独立物体的显著性特性，用于构建精确的目标模型。提出的显著性估计方法有别于传统的单帧检测方法，利用跟踪算法提供的背景先验知识以及多帧图像观测数据，使用时空联合的方式进行建模估计，其结果用来指导目标跟踪算法选取有效视觉特征，建立精确目标表征模型，减小背景区域对算法模型的干扰。实验表明，提出的方法为上述难点问题提供了有效的解决方案，对空中飞行器的跟踪精度与鲁棒性优于大多数最先进的主流方法，在其他类型的目标跟踪任务中也有十分优越的性能表现。     

基于改进YOLOv3的船舶目标检测算法

针对传统检测算法受复杂多变的海域环境条件影响而出现的鲁棒性差、目标识别能力不高的问题,提出了一种基于改进YOLOv3的船舶目标检测算法.首先,对水面图像进行了mixup数据增强;其次,在Darknet?53主干网络对特征进行提取之后引入了注意力机制,将残差连接和金字塔特征融合进行了结合,并通过自底向上的路径增强、利用准确的低层定位信号增强了整个特征的层次;然后,使用CIOU作为损失函数加强边界框回归提高了检测精度;最后,在检测时加入了显著性检测,用以提高检测的精确度和召回率.实验结果表明,该算法在VOC2007数据集和自建数据集上都表现出了良好的效果,在VOC2007数据集上的mAP值最高为63.92％,在自建数据集上的AP值最高为91.41％,可以对船舶进行有效的检测识别.     

基于多目标遗传算法的再入飞行器气动布局优化

本文采用多目标遗传算法来确定再入飞行器气动布局优化问题的Pareto最优解集，并和传统的多目标优化方法（加权和方法、约束法）进行比较。通过计算表明，多目标遗传算法能够在一次运行中搜索到优化问题的近似Pareto最优解集，这为飞行器设计得进行目标折衷决策提供了充分的依据。     

利用改进时序模型提取空间推进系统特征参数

介绍了利用改进时序模型提取空间飞行器推进系统特征参数的方法，利用此方法，结合某飞行器推进系统试验的实测数据，提取出了相应的特征参数，并以此为基础得出了故障判据的阈值，数据回访表明此阈值较领域专家提供的阈值对“泄漏”故障更为敏感，结合多参数辅佐检测，可以很好地完成推进系统的故障检测功能，具有工程实用可行性。     

基于深度卷积网络的SAR图像目标检测识别

在SAR图像解译应用领域,目标的自动检测与识别一直是该领域的研究重点和热点,也是该领域的研究难点。针对SAR图像的目标检测与识别方法一般由滤波、分割、特征提取和目标识别等多个相互独立的步骤组成。复杂的流程不仅限制了SAR图像目标检测识别的效率,多步骤处理也使模型的整体优化难以进行,进而制约了目标检测识别的精度。采用近几年在计算机视觉领域表现突出的深度学习方法来处理SAR图像的目标检测识别问题,通过使用CNN、Fast RCNN以及Faster RCNN等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验,验证了卷积神经网络在SAR图像目标识别领域的有效性及高效性,为后续该领域的进一步研究应用奠定了基础。     

基于GRU的敌方拦截弹制导律快速辨识方法

针对拦截弹制导律辨识问题,基于门循环单元(GRU)神经网络提出了一种制导律辨识方法.首先,构建了三维空间下的拦截弹-我方飞行器相对运动模型,并假设拦截弹采用经典的比例导引(PN)制导律或增强比例导引(APN)制导律.由相对运动模型提取数据,构成训练样本集和测试样本集,样本输入为敌我双方运动学信息,标签为敌方拦截弹对应的...     

机动飞机的大迎角空气动力特性的预测

本文描述了一种初始设计的分析预测能力，它适用于非线性，气流条件随时间变化的非定常机动中的飞行器，此方法是流体动力学和飞行力学的直接耦合，用于分析大迎角和快速机动相关的旋涡，分离气流占主导地位的气流现象下飞行器的飞行状态，这种模块化设计方法基于正确地反映了复杂气流的物理特性，且补充了某些经验数据的数学气流模型之上，这种基于物理性质的方法适用于一般构型的飞行器，它不受特定的经验数据所决定，使用起来比较经济，由此得出的方法可应用来预测飞行器的指定机动动作或者气流条件，这种方法也可和解6自由度运动方程结合起来，用来预测飞行器的飞行轨迹和瞬态特性曲线，本文还介绍了对风洞模型和全尺寸试验飞行器的空气动力特性的测量和预测。     

仿鹰眼-中脑机制的无人机空中加油显著性检测

空中加油是提高无人机（UAV）空中持续作战能力的重要技术，其中对加油锥套的检测和识别是实现空中加油的首要任务。针对空中加油快速、准确的目标检测难题，结合鹰眼敏锐的视觉机制，设计了一种仿鹰眼-中脑机制的显著性检测算法，采用仿鹰眼颜色拮抗和明暗适应机制模型从加油锥套视频序列中提取多通道图像特征，为适应锥套在图像中的面积，模拟仿鹰中脑网络门控机制对多通道特征显著图进行空间门控处理，模拟仿鹰中脑网络增益机制对显著图进行增强处理。通过公开数据集和空中加油试飞数据集分别进行了测试，仿真对比实验结果验证了所提出的显著性检测算法可在设定显著目标面积占比的条件下有效抑制背景影响，并能检测到空中加油的锥套目标。     

基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。