单目机器视觉测距技术在无人机自动着舰中的应用

介绍了机器视觉的概念，探讨了机载单目机器视觉在无人机自动着舰方案中的应用。在对前方舰艇进行快速探测以及对摄像机进行预先标定的基础上，本文利用机器视觉理论与方法，以及摄像机内部参数和透视投影几何关系，计算无人机与前方舰艇相对距离。最后展望了机器视觉的发展及应用前景。     

片梭织机散件装配结构流程图的绘制及应用

介绍了片梭织机的结构，并应用系统原理绘制出片梭织机散件装配结构流程图。从而解决了在没有零件装配图的情况下，装配散件片梭织机的问题。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

无人机自动着舰末段机器视觉导引方法研究

介绍了无人机的概念，以及目前舰载无人机的发展现状；主要讨论了在无人机自动着舰末段如何利用机器视觉导引无人机识别并跟踪舰艇，使其平稳、准确地飞入安装在舰艇尾部甲板上的拦截网中，实现撞网回收。     

摄像机标定研究

目前,摄像机标定是计算机视觉领域中的研究热点之一,其目的是通过摄像机拍摄的单幅或多幅图像来确定摄像机的参数模型,进而获得摄像机的各项参数,在机器人导航、三维重建、生物医疗、虚拟现实、视觉监控、视觉伺服等领域均有广泛的应用前景。本文综述了传统标定方法,自标定方法和基于主动视觉的标定方法的研究现状,对其优缺点作出评价并指出发展方向。     

基于模糊控制的浮子快速静平衡与系统研制

针对三浮陀螺浮子在研制过程中的静不平衡问题,为提高浮子组件的静平衡精度和效率,提出了浮子轴向和径向静平衡的新方法。基于浮子静平衡原理,在常温粗平衡时,采用力矩平衡原理,可快速实现浮子轴向平衡。在常温精平衡时,首次引入智能控制领域的模糊控制(Fuzzy Control）算法,充分利用专家经验,实现浮子径向平衡。基于该方法,研制了一台陀螺浮子静平衡检测设备。通过正式浮子测试,本方法和设备已经成功实现了三种型号浮子组件的静平衡,平衡精度小于0.01μN·m,平衡效率提高了50%,且设备已获得实际的工程应用。     

用于飞行器视觉导航的地平线检测算法

结合航拍视频序列的特点与视觉导航系统的需求,提出了一种基于图像区域相似性和禁忌搜索算法的地平线拟合视觉导航算法.从航拍视频序列中提取单帧图像,并做下采样去噪等相应预处理;初始化禁忌搜索算法的初始解等参数,结合适配值函数,拟合图像中的地平线;用禁忌搜索算法的特赦准则和收敛准则评判拟合的准确性,直到适配值函数值满足收敛准则为止,得出最优解;分解出飞行器的横滚角和俯仰角,并由横滚角和俯仰角的大小决定下次参数校正的间隔,输出结果给控制系统.实验结果表明,与传统视觉导航方法和基于Hough变换的方法相比,此算法具有无参考、实时性好和抗噪性强等特点.     

一种改进的投影装置标定方法

摘要： 提出双目结构光三维测量系统中投影装置参数标定的一种改进方法.利用投影装置将格雷码图案投向若干待测场景,两个相机拍摄和解码同样数量的待测场景照片,采用三角形准则恢复标定角点在空间中的位置,仿照相机标定解算的方法获得投影装置标定参数.该方法优势在于不需要特定的标定平面或者标定靶标,可在测量过程中直接对投影装置标定,也可在预标定之后在测量过程中对投影装置参数进行更新.试验验证方法的正确性和有效性.     

空间杂光对交会对接光学成像敏感器影响分析

CCD光学成像敏感器是交会对接最后靠拢段的关键测量敏感器,其在轨工作时,太阳和地球杂光可能会进入相机视场,影响敏感器的正常测量.提出通过杂光建模分析和地面杂光试验验证相结合的方法,评估和验证空间杂光对光学成像敏感器测量的影响,确定相机遮光罩设计指标要求,给出理论分析、地面及飞行试验结果.     

An approach to multi-temporal MODIS image analysis using image classification and segmentation

This paper discusses an approach for river mapping and flood evaluation based on multi-temporal time series analysis of satellite images utilizing pixel spectral information for image classification and region-based segmentation for extracting water-covered regions. Analysis of MODIS satellite images is applied in three stages: before flood, during flood and after flood. Water regions are extracted from the MODIS images using image classification (based on spectral information) and image segmentation (based on spatial information). Multi-temporal MODIS images from “normal” (non-flood) and flood time-periods are processed in two steps. In the first step, image classifiers such as Support Vector Machines (SVM) and Artificial Neural Networks (ANN) separate the image pixels into water and non-water groups based on their spectral features. The classified image is then segmented using spatial features of the water pixels to remove the misclassified water. From the results obtained, we evaluate the performance of the method and conclude that the use of image classification (SVM and ANN) and region-based image segmentation is an accurate and reliable approach for the extraction of water-covered regions.