空间机器人深度学习识别捕获部位的应用探讨

针对空间机器人对捕获部位识别方法的普适性、实时性和准确性等要求,提出了采用深度学习方法对空间机器人捕获目标的特征部位进行识别。通过比较分析方法、数据驱动方法等传统识别方法和深度学习方法的优缺点,发现深度学习方法对于解决空间机器人捕获部位识别问题具有显著优势。进一步分析了应用深度学习方法解决捕获部位识别问题的几个关键技术问题,为后续空间机器人在轨捕获目标的研究与实践提供了新的思路。     

基于层析PIV的湍流边界层展向涡研究

层析PIV是一种现代激光测速技术,能实现三分量空间体内三分量(3D3C)速度场的测量。应用层析PIV测量Reτ=1768的平板湍流边界层,得到150个瞬时速度场,测量体的大小为80mm×16mm×45mm。旋涡强度λci 准则用来进行涡识别,而旋涡强度在展向的投影λzci 被用来识别展向涡。根据λzci 的连通域得到展向涡位置后,统计了展向涡沿法向的变化规律,并给出了在流向-法向平面内高低速区域和正负展向涡空间位置的关系。统计结果表明:随着法向高度的增加,展向涡的强度逐渐降低;负展向涡的流向平均速度高于正展向涡,且流向速度与法向速度有很强的依赖性;在小尺度范围内,流向-法向平面内的高低速流动区域与正负展向涡的空间位置密切相关。     

基于平面图形的典型浮标规划算法

针对海上应召反潜、检查反潜等常规任务场景以及新型浮标的使用,本文提出了基于折线阵、多直线阵和方形覆盖阵共三种平面图形的典型浮标规划算法,通过优化设置参数和改进规划阵形生成不同的浮标布阵方案。仿真表明该三种图形种类丰富,广泛适用于目标搜索阶段,满足应召反潜、检查反潜等常规反潜任务场景的使用需求,相比于传统规划阵形,具有更高的目标搜索概率。     

基于表面压力信息的空间流向涡识别方法

旋涡与表面的相互作用广泛存在于各类飞行器的绕流中，旋涡影响飞行器表面的压力分布，引起其气动特性的改变。而表面压力分布同样反映飞行器绕流中复杂涡系的空间流动特征，结合迎角、侧滑角等来流参数，可以判断飞行器受力状态和运动趋势。以平面点涡和“镜像涡”理论为基础，建立基于表面展向压力分布曲线的空间涡识别方法。根据截面展向压力分布曲线是否存在因主涡诱导下洗气流产生的正压区，定义流向旋涡的近物面流动和远物面流动；根据二次涡相对于主涡的位置，定义压力分布曲线的“近二次涡侧”和“远二次涡侧”。利用展向压力分布曲线“远二次涡侧”的1/4峰值、峰值及其展向位置，识别流向旋涡空间位置特征和强度特征。搭建涡-面相互作用试验平台，比较空间流场测量结果和表面压力信息识别结果，验证该方法有效性。研究结果表明：通过表面压力分布曲线可以辨识流向旋涡的空间位置和强度特征，空间流场测量与基于表面压力信息的旋涡识别结果的关联性分析验证了该方法的有效性。为重构飞行器周围旋涡流动结构，以及实现飞行器气动力的预测奠定了重要的技术基础。     

基于OpenCV的车辆牌照的识别

本文提出基于OpenCV的车辆牌照识别的方法,通过灰度处理、高斯模糊、Soble滤波、自适应二值化、形态学操作、轮廓提取,判断轮廓灯一系列步骤,最终能够将牌照的轮廓明确显示出来。     

Liutex-涡定义和第三代涡识别方法

本文回顾了涡定义和涡识别方法的发展历史,着重介绍了作者UTA(University of Texas at Arlington)团队及其合作者在涡科学和湍流研究的一些最新学术创新成果。UTA团队发现了可以定量描述流体刚性转动部分的物理量——Liutex向量,其主要思想是把流体刚性转动从流体运动中提取出来,进而用Liutex来定义和识别涡结构,并已在广泛应用中证明了其作为涡识别方法的优越性。基于Liutex向量可以进一步研究涡量分解、速度梯度张量分解、流体运动分解、湍流结构、湍流生成机理以及旋涡的科学识别,为流体运动学的发展开辟了广阔的研究空间。区别于第一代涡识别方法和第二代涡识别方法,Liutex是一个向量,其方向代表当地转轴,大小代表当地流体刚性旋转角速度的二倍。本文详细介绍了基于Liutex向量的第三代涡的定义和识别方法,包括Liutex等值面、Liutex-Omega等值面、Liutex向量线、Liutex涡核线、以及最新发现的中低雷诺数湍流边界层中的Liutex-5/3幂次相似律,其发现很大程度上扩大了传统湍流能谱幂次律的适用范围,对建立湍流模型具有重要意义。     

基于联合正则化策略的人脸表情识别方法

针对目前人脸表情识别大多采用基于深度学习的端到端特征提取及分类方法的现象，提出了一种新的深度模型优化方法。基于ResNet18残差网络架构和正则化思想，提出了联合正则化策略，即将过滤器响应正则化和批量正则化、实例正则化和组正则化、组正则化和批量正则化分别嵌入网络之中，平衡和改善特征数据分布，弥补单一正则化的缺点，提升模型性能。在2个公开数据集FER2013和CK+进行了验证和测试，最高准确率分别达到了73.558%和94.9%，实验结果表明，联合正则化策略提高了基础网络的性能，其表现优于诸多当前较新的人脸表情识别方法。      

基于机器视觉的万用表数字识别技术研究

为提高手持式数字万用表校准系统的自动化水平，本文通过研究图像灰度阈值法、传统方法的目标分类和深度学习三种不同类型的字符识别技术，提出了两种基于机器视觉的数字识别方案。测试结果显示，两种方案的字符识别准确率均可达到99.8%，但其在硬件资源占比、编程难易程度上二者还存在显著差异。该机器视觉字符识别功能的成功开发与应用，可为更多无程控通信接口的计量测试设备，及一些不适于人工作业的危险计量工作环境进行类似的数字识别提供借鉴。