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。     

基于全局—局部特征联合的光学卫星遥感图像舰船目标细粒度识别

针对光学遥感图像舰船目标类间差异小,需要丰富舰船目标的特征表示能力提高其细粒度识别准确率的问题,文章提出了一种基于全局—局部特征联合的舰船目标细粒度识别方法,设计了双分支特征提取与融合模型.首先,全局特征提取分支通过卷积神经网络提取图像的全局特征;其次,局部特征增强分支将浅层特征图打乱并重构,加入对抗性损失函数,训练网...     

嵌套式螺旋药柱燃烧特性影响因素探究

为进一步探究嵌套式螺旋药柱燃烧特性影响因素,以氧气作为氧化剂,在初始氧化剂通量约为3.0 g/(cm²·s)条件下,对比分析了叶片数量、叶片旋转角和燃料间基础退移速率差异性对嵌套式螺旋药柱燃烧特性影响,主要包括退移速率及特征速度两方面。实验结果表明,适度增加叶片数量、叶片旋转角以及组成燃料间基础退移速率的差异,均有利于提高药柱退移速率和特征速度。但受ABS螺旋基体退移速率和特征速度较低的影响,叶片数量过高将降低药柱整体的燃烧性能。同时,受叶片引导旋流强度的影响,增大叶片旋转角对提高药柱退移速率存在最优值,而增大嵌套式螺旋药柱组成燃料间的基础退移速率差异性,则能够有助于螺旋特征结构的形成,从而提高药柱特征速度。此外,填充纯石蜡燃料的嵌套式螺旋药柱退移速率并未得到提升,其可能原因在于ABS叶片抑制了石蜡液滴夹带。     

军用涡扇发动机转子结构与力学特性研究

为定量评估结构力学特征参数,进而达到为高推重比涡扇发动机结构设计提供理论指导的目的,主要基于结构效率的定量评估方法,对航空发动机转子系统进行力学特性分析.首先对典型的高推重比涡扇发动机结构特征加以分析,然后总结高推重比涡扇发动机转子结构的惯性特征(质量、转动惯量、刚度等),最后对抗变形能力进行评估计算,以期实现转子结构...     

基于特征增维和近邻成分分析的民航发动机故障分类方法

为提高航空发动机故障诊断准确度,提出了一种从快速存取记录器（QAR）数据中提取最合适故障特征的方法。对原始QAR数据进行缺失值填补和巡航点提取操作,选择部分发动机性能参数差值作为初始特征值;再采用特征增维方法挖掘隐藏特征信息,进而采用近邻成分分析算法进行特征筛选优化,将所提方法与朴素贝叶斯等4种分类算法相结合,对某航空公司CFM56-7B发动机的QAR数据进行试验验证。结果表明：从QAR数据中提取最合适故障特征的方法能有效地提高发动机故障分类算法的准确率,且适用于不同的诊断算法,准确率优于80%。     

圆柱体弹丸超高速斜撞击薄板的碎片云特征仿真分析

为研究圆柱体弹丸超高速撞击薄板的碎片云特征,基于仿真软件AUTODYN-3D的光滑粒子流体动力学（SPH）方法,模拟圆柱体弹丸不同长径比、不同攻角条件下超高速撞击薄板的过程。设圆柱体弹丸撞击速度为5 km/s,长径比分别为0.5、1.0、2.0、4.0,攻角为15°～75°,数值模拟结果分析表明：圆柱体弹丸超高速斜撞击薄板形成的碎片云中,大部分是小质量碎片;大碎片的质量和动能占比较大,是造成后墙损伤的主要原因。同时,当弹丸长径比为0.5和1.0时,15°攻角下的碎片云侵彻能力最弱;长径比为2.0和4.0时,75°攻角下的碎片云侵彻能力最弱。研究结果可为航天器防护结构设计优化提供参考。     

复杂背景下深度学习方法的夜光船舶目标检测

文章针对传统阈值方法难以适用复杂背景下夜光船舶目标检测的问题,提出一种尺寸扩张注意力特征融合的Faster R-CNN方法（Size Expansion Attention Fusion Faster R-CNN,SEAFF）。首先,在Faster R-CNN基础上加入图像尺寸扩张,提升夜光船舶目标空间特征;然后,在深层残差网络后加入注意力机制模块,从通道和空间维度上对夜光船舶目标特征筛选;最后,结合特征金字塔网络,弥补不同层次特征提取缺失现象。实验表明,图像尺寸扩张具有很强的不可替代性,特征金字塔特征融合在抑制夜光船舶目标检测漏检具有显著影响,注意力机制在降低虚警方面有一定影响,同时引入三部分使模型达到最优。此外,通过与主流目标检测模型SSD、YOLOv5、Faster R-CNN对比表明,分别提高11.4、7.1和5.6个百分点。SEAFF模型在复杂背景下船舶夜光目标检测中具有显著优势和潜力。     

遥感影像建筑物提取多尺度特征深度学习网络

语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络（Multi-scale building extraction network,Msb-Net）,该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论：相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。     

基于OCO-2卫星遥感数据的三峡库区XCO2时空特征演变分析

定量分析三峡库区大气二氧化碳柱浓度混合比(XCO₂)演变趋势及空间分布,能有效探究水电工程对库区大气CO₂浓度的影响,对实现国家“双碳”目标,调节能源结构具有重要参考价值。文章选取轨道碳观测卫星-2(OCO-2)卫星观测数据,基于反距离权重(IDW)插值,利用曼-肯德尔(Mann-Kendall)法非参检验、森氏(Sen’s)斜率估计、空间自相关分析以及冷热点算法,分析研究区大气CO₂的演变趋势和空间特征。研究结果表明：1)2015～2020年,三峡库区各区县大气CO₂月均、年均浓度呈上升趋势,研究区整体呈显著增长趋势;冬季大气CO₂浓度最高,秋季最低,表现出明显的季节性周期变化。2)2015～2020年三峡库区大气CO₂具有较高空间相关性,且部分区域表现出冷热点聚集现象。3)三峡库区XCO₂与全国平均水平具有良好一致性,三峡工程的建设并未导致三峡库区CO₂浓度升高。     

逆向工程中一种新的特征识别算法

从某种角度上说,逆向工程是从已有实物的测量数据点中提取其实体特征再进行模型重建的过程。本文提出了一种新的特征识别算法,其首先采用基于面积和法矢准则的数据分割技术,对测量数据点进行数据分割。然后从特征所包含的分割面(简称特征分割面)中提取能够惟一标识该特征的4种特征编码,分别为:表述特征截面形状的截面编码、描述特征凹凸性的凹凸编码、显示特征二维俯视轮廓形状的轮廓编码以及反映特征二维俯视轮廓是否封闭的开闭编码。最后将这4种编码输入到基于人工神经(BP)网络的自动特征识别系统中,识别出特征类型并提取特征参数,从而实现特征重建。着重研究并实现了从特征分割面中提取特征编码的算法,并验证了算法的有效性。