计算机X射线实时成象及图象处理在材料工艺检测中的应用

为提高X射线实时成象系统的检测能力,研制了XRICP-2N计算机实时成象及图象处理系统,实时预处理器每秒可完成8(1/3)幅图象积分,提高图象信噪功率比64倍;采用VLSI芯片使微机图象处理速受提高10～1000倍,软件功能及运算速度可以和VAXII 750+Model 75大型系统相比拟;钢、铝合金及焊缝的实验表明,线型象质计的指数平均提高1～2,20～110mm厚的铝合金的检测灵敏度可以达到优于1%;最后给出纤维增强复合材料的应用实例。     

基于无位置传感器的永磁同步电机控制技术研究

永磁同步电机在应用中通常需要位置传感器,但是位置传感器的使用不仅增加了系统成本,而且增大了电机体积,限制了其应用场合,因此研究无位置传感器的电机控制技术具有重要意义。滑模观测器可以对永磁同步电机的转子位置和速度进行估算,但是传统的滑模观测器常采用含有符号函数的切换方式,在快速切换的同时容易产生抖振现象。为减小抖振并提高系统的稳定性,采用改进型滑模观测器对转子位置和速度进行估算,并将估算的速度和位置信息反馈给控制系统实现系统的闭环控制。最后通过半实物仿真平台对控制算法进行实时仿真,验证了方案的有效性和正确性。     

一种基于亚像素匹配的高精度视觉定位方法

大多数应用到无人机景象匹配导航中的匹配算法都只能满足像素级精度,且当无人机利用景象匹配定位时图像之间往往存在较大的视觉差异,这种情况下图像匹配精度低且性能会急剧下降。所以选用具有仿射不变特性的特征点进行匹配,结合高斯亚像素拟合原理及特征描述符简化方法,并采用渐进采样一致性(PROSAC)算法剔除误匹配点,最终实现亚像素级的景象匹配定位。实验结果表明,采用此方法可以大大提高图像匹配的精度,提高到0.05像素以内。     

液体火箭发动机健康监控──故障检测与诊断

以大型液体火箭发动机故障诊断系统框架为基础，按照发动机不同工作阶段的特点建立了相应的故障检测与诊断算法。利用发动机的高队数学模型，对基于推广的卡尔曼滤波器技术的新息检测算法进行了研究。根据发动机系统工作过程的特点，建立了降阶故障模式响应模型，并发展了相应的故障模式检验方法。为了适应在线实时检测的需要，利用发动机的试验数据，分别研究了基于人工神经元网络辨识模型的发动机启动过程检测算法和基于时间序列分析方法的发动机主机工作过程检测算法。通过试验数据的检测验证，证明了这些实时算法的快速性、准确性和鲁律性。     

全动模拟机数据记录器的开发

模拟机数据记录器是参照飞行数据记录器（FDR）开发出的模拟机的数据记录工具，其原理是用软件记录模拟飞行过程中各种飞行参数并存储在介质上供飞行品质评估，飞行训练再现和工程研究使用。     

自适应卡尔曼滤波实时性研究及其应用

自适应卡尔曼滤波在估计系统状态的同时，也估计系统噪声统计值，因而计算量很大，通常在实际的应用中，其实时性很难保证。通过在ＴＭＳ３２０Ｃ３０芯片上实现惯性导航系统／全球定位系统（ＩＮＳ／ＧＰＳ）组合导航系统的自适应卡尔曼滤波可以看出，采用ＴＭＳ３２０Ｃ３０芯片来解决自适应卡尔曼滤波的实时性问题是可行的。     

星载GPS几何法实时定轨有关问题的研究

首先讨论了星载GPS几何法实时定轨的绝对定位方法和各种差分技术。由于伪距差技术能克服GPS卫星的星历误差、卫星钟误差，特别是SA误差的影响，而且实现难度不大，所以应用它来实时定轨。实测数据的处理表明，它能明显提高定轨的精度。然后分析了星载GPS所受扰动影响的情况，对应用抗差估计削弱GPS卫星信号扰动的影响进行了试验，试验的结果说明抗差估计能进一步提高星载GPS几何法定轨的精度。     

视觉检测中高速图像采集技术的研究

利用视频输入处理器(SAA7111)和现场可编程门阵列(FPGA),采用全硬件方式和两帧轮换存储方式设计实现了图像采集系统、计算机以及前端硬件处理系统之间的相互接口,使得视觉检测中视觉传感器能够同时进行图像采集和低级图像处理.     

低延迟视频编码技术

随着视频编码和视频传输技术的广泛应用,视频需求量剧增,实时视频通信成为视频行业的一项重要研究内容,核心目标是提供更好的用户体验和更低的延迟。低延迟视频编码是实时视频通信应用的关键部分,通过降低编码延迟可以有效地降低系统的整体延迟。首先,分析了视频传输系统的延迟来源,从通用的视频编码框架出发着重介绍了编码延迟的产生机制;其次,概述了国内外主流的视频编码标准,介绍了率失真优化技术的原理和模型,为低延迟视频编码器的设计提供了理论基础;最后,从参考结构、流水线设计、编码模式搜索、码率控制和硬件加速多个维度描述了优化编码延迟的技术手段,并总结了业界具有代表性的低延迟视频编码方案,简要说明了现有低延迟视频编码技术的局限性,并对未来的发展方向做了展望。      

基于无监督学习的多模态可变形配准

针对医学图像配准问题,传统方法提出通过解决优化问题进行配准,但计算成本高、运行时间长。深度学习方法提出使用网络学习配准参数,从而进行配准并在单模态图像上取得高效性能。但在多模态图像配准时,不同模态图像的强度分布未知且复杂,大多已有方法严重依赖标签数据,现有方法不能完全解决此问题。提出一种基于无监督学习的深度多模态可变形图像配准框架。该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成,借助空间转换函数和可微分的互信息损失函数实现无监督训练。在MRI T1、MRI T2以及CT的3D多模态图像配准任务上,将所提方法与现有先进的多模态配准方法进行比较。此外,还在最新的COVID-19的CT数据上展示了所提方法的配准性能。大量结果表明:所提方法与其他方法相比,在配准精度上具有竞争优势,并且大大减少了计算时间。