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。     

基于深度神经网络的含运动边界非定常流场预测方法研究

针对飞行器设计过程中对流固耦合系统快速预测的需求,探索基于数据驱动的非定常流场建模策略,缩短流场演化求解耗时,从而加快流固耦合系统模拟速度。流固耦合系统中流场演化求解部分等价于含运动边界的非定常流场演化。本文提出了一种基于神经网络的流场预测模型,来学习并预测运动边界附近的非定常流场演化过程。此神经网络可以基于当前流场状态及边界运动信息预测出下一个时刻的流场状态。通过不同振动频率及振幅下的运动圆柱绕流问题,测试了本文提出的神经网络模型的预测精度及泛化能力。神经网络的预测结果和计算流体力学仿真结果中流场结构吻合度较高,且通过对预测的流场数据中边界上的压力积分得到的气动力也具有较高的精度。测试结果展示了该神经网络模型具有良好的预测性能,因此该方法可以用于快速、准确获得运动边界周围非定常流场状态。     

TC17钛合金超声喷丸强化残余应力场分析

为探究TC17钛合金超声喷丸强化残余应力场分布状态,基于ABAQUS/Explicit建立了超声喷丸振动系统,结合仿真与试验结果分别探究了0.15 A与0.25 A喷丸强度下TC17钛合金试样的应力场、表面形貌和应变层分布状态。两种喷丸强度下,残余压应力最大值均处于次表面区域。在表面残余应力均值、次表面残余压应力最大值、残余应力层深度方面仿真数值与试验结果差异较小,整体偏差小于15%。随着喷丸强度增加,施密特因子集中分布范围有降低的趋势。0.25 A喷丸强度下应变层与残余压应力层深度分布相近,分别较0.15 A喷丸强度下的深度值提升57.1%与53.3%。高周疲劳结果表明,相比0.15 A喷丸强度,0.25 A喷丸强度下疲劳极限提高4.7%,两种喷丸强度下疲劳寿命均达到10⁷次循环。残余压应力层深度在高载荷低循环下作用较小,在低载荷高循环下对裂纹萌生的抑制作用增加,较高的表面残余压应力及较深的残余压应力层深度对抑制残余拉应力引起的疲劳失效效果更显著。     

大型压力容器内部焊接点位实时检测方法

为了解决大型压力容器铝合金罐体内部防浪板自动化焊接过程中,机器人系统对焊接点位检测不智能、检测精度不高、检测鲁棒性差的问题,设计了一种结构光视觉引导机器人的多特征融合三维焊接点位实时检测方法。首先对工件进行视觉特征提取,得出多个感兴趣区域（Region of interest,ROI）,然后将多个特征融合,得到二维关键点,最后通过快速、无约束的系统标定确定三维预焊接点位。工业现场试验得出,相机坐标系下三维焊接点位提取最大误差为0.196 mm,平均误差0.099 mm,平均检测时间0.09 s,焊接点位检测精准、快速、智能,能够满足工业机器人焊接路径规划及自动焊接任务。     

激光冲击强化过程监测及其质量在线评估：现状与挑战

激光冲击强化（Laser shock peening,LSP）是一种新型抗疲劳延寿制造技术,可应用于航空发动机关键零部件。现有LSP离线检测方法存在“质量盲区”的问题,为提高LSP加工质量的一致性、可靠性和稳定性,有必要开展LSP过程多源信息的精确感知和靶材表面完整性在线评估研究。从LSP瞬态高能过程所释放的两类重要物理信息入手,即激光诱导等离子体冲击波（Laser induced plasma shock wave,LIPSW）和激光诱导等离子体光谱（Laser induced plasma spectroscopy,LIPS）,分别综述了LSP动态过程两类信息监测感知的研究现状,以及多源信息融合（Multi-source information fusion,MSIF）技术在LSP领域的研究进展。最后探讨了亟待解决的科学问题和现存的挑战。     

基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

一种基于自动特征学习的陨石坑区域检测算法

基于陨石坑的视觉导航技术成为一种新颖的高精度空间探测自主导航方式,如何从导航图像中精确地提取陨石坑区域是实现基于陨石坑视觉导航的首要条件。针对这一问题,根据陨石坑导航图像特点,提出了一种基于自动特征学习的陨石坑区域检测算法。首先,基于最大稳定极值区域检测算法提取陨石坑候选区域;其次,利用卷积神经网络（CNN）自动学习提取候选区域的特征;最后,通过支持向量机（SVM）实现候选区域的精确分类,得到真实的陨石坑区域。大量的仿真实验表明:与传统的基于人工特征的陨石坑区域检测算法相比,提出的基于自动特征学习的陨石坑区域检测算法具有更高的检测精度和更好的鲁棒性,在通用火星表面陨石坑数据集上,所提算法的F₁度量指标较于传统算法高出8%,可以广泛地应用于基于陨石坑的视觉导航算法中的陨石坑区域提取,为基于陨石坑视觉导航算法提供精确的导航路标输入。      

基于改进DeepLabV3+的石漠化地区裸岩信息提取

针对传统喀斯特地区裸岩提取方法成本高、精度低的问题,文章构建了一种基于改进DeepLabV3+的裸岩提取方法。该方法首先在编码器中用CA-DC-MobileNetV3替换DeepLabV3+骨干网络Xception进行特征提取,很大程度上减少了模型的参数量;其次,将编码器提取的特征通过特征金字塔网络和坐标注意力机制进行加强特征提取,以获取更多小目标信息并减少图像细节损失;最后在空洞空间金字塔池化模块将不同空洞率的卷积层进行特征融合,提高信息的利用率。研究结果表明：文章方法在不同场景裸岩提取任务中表现最好,模型参数量约为DeepLabV3+的1/13,交并比、F1分数分别为72.46%、84.03%,上述2个指标相比于DeepLabV3+模型分别提高了4.62和3.19个百分点,并优于其余常用语义分割模型,提高了裸岩提取精度。     

浅析大学英语网络化自主学习

文章通过分析了大学英语网络化自主学习的优势,指出大学英语网络化自主学习具有以往的传统教学和学习模式无可取代的优点,同时分析了其有待改善的地方并最后得出结论:大学英语网络化自主学习是非英语专业学生学习英语的良好模式,我们应该鼓励并创造良好的环境加以支持.     

非英语专业新生大学英语学习策略初探

本文以国内外第二语言学习策略相关理论为基础,对非英语专业新生英语学习策略的使用情况进行了问卷调查,通过实证性研究分析,摸清了非英语专业新生的英语学习策略总体使用情况,以及学习策略的使用与性别的关系,并就如何培养非英语专业新生大学英语学习策略进行了初步探讨.