基于双时相遥感影像差异信息的深度学习滑坡检测

目前利用高分辨率卫星影像进行滑坡等地质灾害识别逐渐成为研究热点,滑坡目视解译依赖于解译人员的经验,耗时费力且提取精度低,而传统的滑坡自动识别方法易将滑坡和道路、裸地、建筑等多种具有相似光谱信息的地物混淆。针对以上问题,文章使用一种双时相高分辨率卫星影像差异信息的深度学习滑坡检测算法,获取时序影像各个波段和归一化植被指数（Normalized Difference Vegetation Index,NDVI）的差异影像作为深度学习的输入特征。为充分挖掘滑坡前后影像多种信息差异特征,采用了U-net网络模型耦合空洞空间金字塔池化和嵌入注意力机制模块相结合进行滑坡特征提取的方法,该方法增强了滑坡边界信息的保存,能够有效地提取滑坡边界信息和发生剧烈变化的区域。利用上述方法对恩施市和九寨沟进行了滑坡检测,实验结果显示,所取得的综合评价指标值（F1-Score）分别为88.4%和90.53%,误差较小、精度较高。表明该方法能够准确检测出高分卫星数据的滑坡边界,且能保持滑坡的完整性。     

基于自适应干扰观测器的无人直升机模型参考跟踪控制

针对外部干扰影响下无人直升机（Unmanned aerial helicopter, UAH）模型参考跟踪控制问题开展研究,提出基于自适应干扰观测器的跟踪控制设计方案。首先,根据干扰部分可测特性将其建模为存在参数误差下的非线性外源系统,并设计了状态观测器及其自适应调节下的干扰观测器（Disturbance observer, DO）,用于估计无人机系统的未知状态和外部干扰。其次,将模型参考控制与基于干扰观测器的控制方法相结合,提出抗干扰复合控制设计策略,获得了由观测与跟踪误差动态组成的闭环系统。再次,利用Lyapunov稳定性理论建立了给定H∞性能下判定闭环系统渐近稳定的充分性条件,并借助矩阵变换技术获得了观测器和控制器的联合设计方案。最后,通过数值仿真验证了所提跟踪控制算法的有效性和优越性。     

基于NADCAP技术降低荧光渗透检测过程中的人为差错研究

通过在荧光渗透检测领域导入NADCAP技术应用来降低该过程中的人为差错研究,探讨推进的重点和难点,提出运行步骤及持续改进方向,将荧光渗透检测过程中存在的易错点从技术层面进行防人为差错设计,并从顶层策划和过程控制方面有针对性地制定缓解方案。通过应用,可以学习和掌握先进的管理理念,为有效改进质量控制手段提供参考。     

基于合成卷积层网络结构的焊缝X射线图片缺陷筛选技术

焊接技术应用于多个领域,近些年焊缝缺陷自动检测技术成为了重要的研究方向。本文基于VGG-16卷积神经网络的良好分类性能,提出一种SC-VGG网络结构,利用合成卷积层替换了单个卷积层,同时改进了训练过程中的损失函数,使网络结构更为关注焊缝缺陷类型预测的结果。经过实验测试,SC-VGG网络结构在训练过程中损失函数曲线可以很好的收敛,与其他网络结构相比对焊缝缺陷特征的提取性能更好,平均准确率和召回率达到了95.86%和98.33%,为焊缝缺陷自动化识别提供了算法支撑。     

面向单目立体视觉的立方镜图像处理技术

面向单目视觉辅助光电准直仪对立方镜进行准直的需求,研究针对立方镜图像的数字图像处理技术。采用Canny边缘检测方法得到灰度图像中的边缘信息,借助Hough变换按照直线程度的强弱对边缘信息进行分类提取,得到图像中立方镜棱边对应的直线信息。按照偏角与截距对棱边直线信息进行分类排序,结合先验知识得到立方镜角点对应的配对相交直线,对配对直线求交点得到立方镜角点在图像中的位置,得到的立方镜棱边及角点信息为后续的立方镜位姿计算提供了基础数据。     

几种常用步态检测典型算法的设计比较

基于步态检测技术是影响行人导航定位系统精度的一项关键因素,在研究了相关行人导航文献后,对行人步行状态建立模型,并选取了三种常见的步态检测算法,峰值检测算法、自适应峰值检测算法和零点检测算法,介绍分析了这几种算法的基本原理和设计思路。随后,在相同的环境下,基于同样的设备和测试者,设置几组不同的步行状态,分别使用三种算法对行人的运动步数进行测试统计。最后,比较测试结果,分析说明了三种算法的精确度以及各自的优缺点。     

基于事件驱动的容积卡尔曼滤波定位算法

以网络化非线性滤波系统为研究对象,为了平衡系统的通信率和滤波精度之间的矛盾,引入随机事件驱动（stochastic event-triggered）的思想,并在此基础上建立了基于残差检测的事件驱动（detected event-triggered）模型。针对系统的强非线性,将线性随机事件驱动滤波系统中的更新结论推广至非线性系统,推导了两种事件驱动机制在容积卡尔曼滤波（CKF）算法框架中的滤波更新过程,得到了检测事件驱动CKF（DECKF）和随机事件驱动CKF（SECKF）两种算法。最后,通过天基平台空间目标跟踪问题对算法性能进行检验。仿真结果表明,当通信率下降20.64%时,DECKF算法的位置跟踪精度和速度跟踪精度相比标准CKF仅下降了5.50%和7.74%。此外,在通信率相同的情形下,DECKF比SECKF的精度高40%以上,证明检测事件驱动模式优于随机事件驱动模式。