多视角多尺度陨石坑特征检测识别方法

针对序列图像间视角尺度变化大带来的特征无法检测和识别效率低等问题,提出了多视角多尺度陨石坑特征检测识别方法。基于明暗区域信息和形态学处理实现陨石坑图像特征边缘粗提取,利用快速傅里叶变换计算模板与图像特征的匹配度,从而实现图像特征所在区域粗定位。在此基础上,通过引入惯性测量信息计算图像间重叠面积,更新模板形状,并预测搜索区域,解决了序列图像间视角尺度变换及信息冗余带来的特征无法检测和识别效率低的困难,最终在单一陨石坑区域内实现其精细检测。     

液体火箭发动机健康状态智能检测方法

液体火箭发动机健康检测技术是提高火箭安全性和可靠性的重要技术之一,对其进行研究具有重要的学术和工程应用价值.目前的健康检测方法大多基于特征提取和专家经验,智能检测技术水平急需提高.提出了一种基于卷积自编码器的液体火箭发动机健康状态智能检测方法,对发动机多传感器监测数据进行无监督的特征提取和重构,完成对训练集的学习,并基...     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法,首先介绍目标检测算法SSD(Single Shot MultiBox Detector),并对其特征提取网络进行改进,采用稠密特征提取网络替换原网络的主干特征提取网络,提高算法的特征提取能力,从而提升了算法的检测精度。针对网络实时性问题,在算法中引入分组卷积,极大地减少了网络参数量,提升了网络推理速度。为解决训练中出现的正负样本不均衡问题,利用焦点损失（Focal Loss）改进了原算法的损失函数,进一步提升了网络的收敛速度和精度。最后,通过仿真验证了改进算法在目标检测精度上的优越性。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题,提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法.首先利用源域卫星的遥测数据对1dCNN进行预训练,使得模型的卷积层具有卫星状态特征的提取能力;然后将训练好的模型迁移到缺乏标签数据的目标域卫星中;利用目标域有标签样本对预训练模型进行微调,...     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

基于通道剪枝的SAR图像舰船检测优化算法

近几年,随着深度学习的发展,基于深度学习的目标检测算法开始应用于合成孔径雷达(SAR)图像中的舰船检测。但深度学习模型结构复杂,参数量与计算量巨大,无法应用到星载处理器的实时处理中。本文提出一种结合了Faster-RCNN和卷积通道剪枝的舰船检测方法,在保证检测精度不受较大影响的情况下,剪除卷积层中的部分参数,提高检测效率。实验表明:经过剪枝优化的Faster-RCNN舰船检测模型中的参数量降低了约56%,而推理时间减少了约51%,同时精度下降仅有1.9%。这给未来在星载处理器上部署舰船检测算法提供了新的思路。     

基于卷积神经网络的航天复合材料缺陷智能检测

针对传统的缺陷图像识别处理方式存在着准确度与辨识度不足,且处理缺陷种类单一的问题,提出了一种基于Cascade R-CNN和Mask R-CNN的神经网络模型。首先,为了提高缺陷检测的可视化效果和检测准确度,在实例分割卷积网络Mask R-CNN的基础上,结合级联神经网络Cascade R-CNN结构,组合成了新的级联实例分割Cascade Mask R-CNN网络;其次,对组合而成的级联卷积神经网络进行了训练,将训练好的模型对复合材料缺陷图像进行了检测。实验结果表明:检测的平均准确度达到了91.5%,平均置信度达到了97.3%,达到了检测精度的要求。该研究成果可运用于航天复合材料缺陷识别。     

基于Faster-RCNN的快速目标检测算法

提出一种快速目标检测算法。在训练时,引入区域数目调节层,实时判断当前训练效果,根据当前训练效果,适当增减候选区域数目,达到节省开销的目的。训练结束,记录最佳候选区域数量。在测试时,候选区域数量选择为最佳候选区域数量。此外,深层次的卷积神经网络容易在训练中出现退化现象,引入残差网络能有效抑制该现象。以Resnet50为基础进行改进,重新搭建起58层特征提取网络。实验在PASCAL VOC数据集上进行,较经典网络模型,速率提升了18%,识别率提高了3%。另外针对特定飞行器检测做出改进,诸如多尺度训练和丰富锚点样式。     

杂波环境下的机动目标检测和跟踪算法

交互多模式(IMM)是一种有效的机动目标跟踪算法,但由于其要求具有很多的先验前提条件而不利于工程实现.研究了一种杂波环境下更适合于工程实现的机动目标(同样适用非机动目标)的跟踪算法,该算法通过一种由测量位置估计误差决定的机动检测函数来实现杂波背景中的机动目标检测,并通过改变Kalman滤波的相关参数,实现自适应跟踪.该算法克服了IMM算法的模式限制和复杂性,同时也避免了对非机动目标的跟踪中,在跟踪模式间相互切换时所换造成的影响.通过在空管系统(ATC)的大量模拟实验,验证了该算法的有效性和重大应用价值.     

一种高动态环境下PCM-FM的低信噪比检测方法

针对PCM-FM遥测信号的特点,提出一种基于快速傅里叶变换的自相关检测方法。首先利用自相关处理,消除多普勒频率变化对检测性能的影响,可适应目标高动态变化环境。然后通过对自相关输出进行快速傅里叶变换,提高在低信噪比情况下的检测性能。仿真结果表明所提方法在高动态、低信噪比条件下能够高概率检测到PCM-FM信号。     

一种小天体探测器绕飞轨道主动抗扰控制方法

针对小天体绕飞探测过程中,探测器受到的非球形引力摄动及太阳光压等多源扰动问题,结合绕飞探测的周期性特点,提出一种小天体探测器绕飞轨道主动抗扰控制方法。首先,通过迭代学习控制对小天体探测器受多源扰动影响产生的误差进行抑制,然后设计扰动观测器估计系统总扰动,构造自适应律实时估计扰动上界,进而设计控制律对总扰动进行主动补偿。最后以243Ida作为目标天体进行绕飞探测仿真分析,结果表明该控制方法能更加有效地提高小天体探测器的轨道跟踪控制精度。     

针对弹载平台红外小目标的检测与跟踪算法

为了提高对红外小目标检测与跟踪的精度与速度,设计了一种针对红外小目标的单目标检测与跟踪算法,包含一个基于MB_LBP+AdaBoost与管道滤波器的目标检测模块,和一个有跟踪失败监测机制的基于模板匹配的多尺度跟踪模块。经过测试,该算法对边长11~31像素大小的指定类型的红外小目标取得了较好的检测效果,目标跟踪模块对于目标的尺度变化,快速运动,遮挡有较高的鲁棒性,算法中的跟踪失败监测机制在检测到跟踪异常的情况下能重新调用目标检测算法找回目标,经过测试对比,本方法跟踪的精度和速度综合优于主流跟踪算法,并且能够在弹载平台上实时运行。     

遥感影像弱小目标智能解译算法研究

随着遥感技术的快速发展,光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点,易受到复杂背景环境及噪声影响,使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究,多依赖模板匹配及先验知识,此类算法需耗费大量资源、算力及专家知识成本,存在着计算量大、泛化能力差的问题。近年来,随着深度学习等人工智能技术的快速发展,在海量遥感数据中准确获取弱小目标的信息,通过结合深度学习算法可对弱小目标的特征进行快速提取,以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展,包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法,以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性,对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。