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。     

基于神经网络的降落伞落点散布快速生成方法

为了解决使用蒙特卡洛法计算降落伞落点散布慢的问题,提出了组合使用降落伞运动模型和神经网络产生落点散布,并利用硬件加速神经网络推理过程的方法。降落伞运动模型用于产生散布中心,神经网络用于产生相对于散布中心的落点。验证了两种不同结构的神经网络：多层感知器和转置卷积神经网络。发现降落伞运动模型结合多层感知器计算得到的降落伞落点散布和使用蒙特卡洛法计算得到的落点散布最为接近。同时,降落伞运动模型和多层感知器或者转置卷积神经网络组合使用都可以达到实时计算降落伞落点散布的效果。因此,提出的方法可以较好地应用于高时效性场景下的降落伞落点散布计算。     

基于MTFC的遥感图像复原方法

遥感图像在成像过程中受到大气、光学系统、探测器、平台运动和电路等因素的影响,引起图像退化,图像复原算法可以改善遥感图像像质,提高图像信息的解译能力。文章介绍了调制传递函数补偿（modulation transfer function compensation,MTFC）算法的原理,从遥感成像的链路环节出发,分析了MTFC的原理,提出了一种星上实时遥感图像MTFC复原算法。通过卷积系数和抑噪参数的优化设计,在提高图像清晰度的同时能较好地抑制噪声;对不同卷积和抑噪参数的图像复原效果进行了对比,从主观和客观两个方面对复原图像进行了评价。实验结果表明,该算法能有效提高图像像质,增强图像的高频部分,采用不同类型的卫星遥感图像验证了算法的适应性。     

基于融合伽马变换全卷积神经网络的火星地貌分割方法

为了让火星巡视器在有限的寿命内能获得更多的科学产出,需要提高巡视器在火星表面的自主通过能力,而火星表面地貌类型是评估巡视器可通过性的重要信息。因此,提出了融合伽马变换的全卷积神经网络(FCN)火星表面地貌分割算法。首先,考虑对巡视器通过性的影响,确认地貌分类的类型,基于好奇号拍摄的火星地表图像Mars32K数据库,构建地貌分割数据集;其次,使用自适应伽马变换(AGT)对灰度单一的火星图像进行预处理,减弱了光照等因素干扰;最后,利用数据集训练一个FCN,以实现对火星表面地貌的分割预测。仿真结果表明:网络测试准确率达到83.03%,地形分割预测结果可靠,验证了方法的可行性。     

固体火箭发动机缺陷的ICT局部检测

为了实现对固体火箭发动机缺陷的局部检测,提出了窄角扇束工业计算机断层扫描成像(ICT)检测固体火箭发动机缺陷的局部检测方案.采用平移/旋转扫描方式和只旋转扫描方式对固体火箭发动机缺陷进行局部检测.为了验证局部检测方案的有效性,利用窄角扇束ICT对某型固体火箭发动机进行局部检测,并利用卷积反投影算法和小波变换算法进行局部重建.结果表明:平移/旋转扫描方式适合窄角扇束ICT对固体火箭发动机缺陷进行局部检测,只旋转扫描方式不适合局部检测.由于利用局部缺陷区域外的投影数据,卷积反投影算法较小波变换算法的局部重建质量高.这对于提高固体火箭发动机缺陷的检测效率,降低检测成本具有重要意义.      

火箭发动机装药包覆层厚度信号处理技术研究

用超声测量火箭发动机装药包覆层厚度时,当包覆层较薄时检测回波信号会出现时域混叠。基于时域混叠信号的特点,提出了一种时间延迟估计的新方法。该方法用维纳解卷积消除了检测始波对时间延迟估计的影响，并对剩余信号进行了三次能量倒谱分析，准确直观地估计出了信号延迟时间。该方法已在开发的超声探伤系统中得到了验证。实验结果表明，该方法能准确估计出时域混叠信号的延迟时间，提高了火箭发动机装药包覆层厚度的测量精度。     

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。     

应用于智能芯片的可视化反馈系统研究

当前，市场上普遍使用的负责推理的终端人工智能（AI）芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致，由此获得的参数会导致终端AI芯片识别准确度降低。为此，提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法，在具有高效计算性能的终端AI芯片上，对卷积核参数进行迭代优化，达到可识别该图像目的。相比于CPU/GPU和FPGA，所提架构在卷积神经网络模型里，更具有高效处理能力和灵活可塑性。实验表明，该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。      

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价，提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先，基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架；然后，在此基础上，提出了基于人工蜂群算法的网络结构无梯度优化方法，以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络，即代价敏感剪枝；最后，为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标，提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化，使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下，相比传统的1D-CNN具有更低的整体误识别代价，且降低了50%以上的计算复杂度。