123,123

遙測實(shí)時圖像處理顯示系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[通信與網(wǎng)絡(luò)][航空航天]

在飛行試驗(yàn)中，遙測圖像由于其直觀、實(shí)時顯示目標(biāo)飛行器的飛行狀態(tài)畫面，可供各級指揮決策和技術(shù)人員分析查看，在保障飛行試驗(yàn)安全性、高效性等方面發(fā)揮了重要作用。設(shè)計(jì)了一套地面遙測圖像實(shí)時解碼系統(tǒng)，在完成關(guān)鍵遙測參數(shù)實(shí)時處理基礎(chǔ)上，通過多站遙測數(shù)據(jù)的實(shí)時拼接、實(shí)時分路等處理手段，改善單一遙測地面站數(shù)據(jù)不完整帶來圖像畫面丟失的問題，保障了遙測關(guān)鍵參數(shù)實(shí)時處理和遙測圖像的完整傳輸。

發(fā)表于：2020/12/17 14:52:10

多目超高清機(jī)場視頻拼接系統(tǒng)設(shè)計(jì)與軟件實(shí)現(xiàn)[其他][其他]

圖像拼接技術(shù)應(yīng)用范圍十分廣泛，如全景圖片、城市建模以及視頻監(jiān)控等工程應(yīng)用領(lǐng)域。針對機(jī)場中多臺超高清攝像機(jī)監(jiān)控的場景，設(shè)計(jì)了一種全景多路超高清監(jiān)控視頻拼接系統(tǒng)。該系統(tǒng)利用具有重疊區(qū)域的多路視頻進(jìn)行實(shí)時拼接，從而形成具有更大視角的全景視頻，給決策人員提供全面而有效的支持。系統(tǒng)將傳統(tǒng)的圖像拼接技術(shù)運(yùn)用在視頻拼接上，采用分布式的系統(tǒng)架構(gòu)并設(shè)計(jì)了一種視頻文件傳輸算法，保證了系統(tǒng)流暢、穩(wěn)定地運(yùn)行。首先介紹了該系統(tǒng)軟硬件環(huán)境，給出了系統(tǒng)的總體設(shè)計(jì)；其次介紹了系統(tǒng)的關(guān)鍵功能設(shè)計(jì)以及主要界面實(shí)現(xiàn)；最后進(jìn)行了實(shí)驗(yàn)測試，得出相關(guān)實(shí)驗(yàn)數(shù)據(jù)。經(jīng)過測試，該系統(tǒng)實(shí)現(xiàn)了8路4K視頻的拼接，顯示流暢，無明顯拼接痕跡，且對一幀的處理時間小于40 ms。

發(fā)表于：2020/12/17 14:47:12

安全類文章的多文本分類系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[人工智能][信創(chuàng)產(chǎn)業(yè)]

目前安全類網(wǎng)站信息的分類標(biāo)簽各不相同，沒有統(tǒng)一分類標(biāo)準(zhǔn)，使安全類網(wǎng)站無法準(zhǔn)確地向用戶展示特定類別的安全信息。面對大量的安全類網(wǎng)站的技術(shù)類文章信息，用戶需要花費(fèi)大量的時間來識別文本類別。因此，設(shè)計(jì)一個多文本分類系統(tǒng)對于提高安全類網(wǎng)站的用戶體驗(yàn)和使用效率具有重要意義。開發(fā)了一套基于CNN和LSTM混合模型的安全類文章多文本分類系統(tǒng)，本系統(tǒng)采用基于Scrapy框架的網(wǎng)絡(luò)爬蟲，該網(wǎng)絡(luò)爬蟲支持定制化配置提取不同布局的頁面數(shù)據(jù)，支持?jǐn)?shù)據(jù)持久化存儲。并在 CNN和 LSTM混合模型基礎(chǔ)上設(shè)計(jì)實(shí)現(xiàn)了多文本自動標(biāo)注模塊，實(shí)現(xiàn)了網(wǎng)站安全類信息的自動分類，相對傳統(tǒng)的CNN和LSTM模型分類準(zhǔn)確率分別提升1.79%和1.54%，F(xiàn)1值分別提升1.02%和0.32%。

發(fā)表于：2020/12/17 14:44:41

一種基于SSD與FRN相結(jié)合的密集連接行人檢測算法[其他][其他]

現(xiàn)實(shí)場景行人的復(fù)雜性和多樣性使得行人檢測成為計(jì)算機(jī)視覺領(lǐng)域中一個既具有研究價值又極具挑戰(zhàn)性的熱門課題,為提高其準(zhǔn)確性，提出一種基于SSD(Single Shot Multibox Detector)與FRN(Filter Response Normalization)相結(jié)合的密集連接行人檢測算法，將串聯(lián)式的SSD基礎(chǔ)網(wǎng)絡(luò)修改為引入上下文語義信息的多層融合的密集連接的FRN網(wǎng)絡(luò)結(jié)構(gòu),運(yùn)用聚類思想設(shè)置適宜行人尺度的候選框，并且根據(jù)行人尺寸的統(tǒng)計(jì)分布規(guī)律調(diào)整不同檢測層的縮放因子，從而實(shí)現(xiàn)端到端訓(xùn)練。在融合數(shù)據(jù)集和VOC2007TEST數(shù)據(jù)集上驗(yàn)證該模型的性能，相比于SSD方法，該方法準(zhǔn)確率AP(Average Precision)分別提高5.8%、2.9%，具有更高的準(zhǔn)確性和魯棒性。

發(fā)表于：2020/12/17 14:41:08

卡塞格倫天線跟蹤速率改進(jìn)型測試方法研究[其他][工業(yè)自動化]

卡塞格倫天線在檢測與維修過程中，需對其跟蹤目標(biāo)速率進(jìn)行測試。針對傳統(tǒng)測試方法存在耗時長、成本高、準(zhǔn)確率低的缺點(diǎn)，在對傳統(tǒng)測試方法研究基礎(chǔ)上，提出了基于單目標(biāo)源定位追蹤方式的改進(jìn)型測試方法。試驗(yàn)表明該方法減少了測試用時，節(jié)約了成本，提高了準(zhǔn)確率。

發(fā)表于：2020/12/17 14:36:14

基于Android的PDR改進(jìn)算法研究[人工智能][工業(yè)自動化]

基于Android開發(fā)實(shí)現(xiàn)了一款室內(nèi)定位軟件，采用PDR（Pedestrian Dead Reckoning）算法作為室內(nèi)定位算法，利用智能手機(jī)內(nèi)置加速度傳感器、磁場傳感器來實(shí)現(xiàn)步數(shù)、步長和航向的檢測。同時，在基本的PDR算法的基礎(chǔ)上做了改進(jìn)，即采用卡爾曼濾波平滑處理步長、粒子濾波優(yōu)化結(jié)果。最后對改進(jìn)的算法進(jìn)行實(shí)際測試，直線為主的軌跡中采用直線判定后誤差為0.64 m；曲線為主的軌跡中采用兩種濾波方法優(yōu)化后誤差為1.08 m。

發(fā)表于：2020/12/17 14:31:00

基于深度學(xué)習(xí)的視頻火焰識別方法[人工智能][其他]

針對傳統(tǒng)視頻火災(zāi)檢測方法依靠人工經(jīng)驗(yàn)提取火焰特征，誤報率高、魯棒性差的特點(diǎn)，提出一種基于深度學(xué)習(xí)的視頻火焰識別方法。該方法充分利用火焰的運(yùn)動特征和顏色信息，先使用改進(jìn)的五幀差法和自適應(yīng)混合高斯建模法進(jìn)行運(yùn)動目標(biāo)提取；再采用RGB-HSV混合顏色空間模型篩選出圖像中可能的火焰像素區(qū)域；最后將以上兩個步驟結(jié)合起來進(jìn)行疑似火焰區(qū)域提取，并將疑似火焰區(qū)域圖像傳入預(yù)訓(xùn)練的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行火與非火的精確識別。通過對多種場景下火焰視頻的測試結(jié)果表明，提出的方法具有較高的召回率、準(zhǔn)確率和較低的誤報率。

發(fā)表于：2020/12/17 14:30:25

基于Linux的機(jī)械臂實(shí)時控制系統(tǒng)研究[其他][其他]

針對我國自主研發(fā)的機(jī)械臂控制系統(tǒng)較少，多依賴于國外價格昂貴的商用系統(tǒng)，采用在Linux中加入RT補(bǔ)丁的實(shí)時改造方法，以六自由度機(jī)械臂為研究對象，在下位機(jī)上進(jìn)行系統(tǒng)架構(gòu)搭建，實(shí)現(xiàn)一個包括TCP通信進(jìn)程、譯碼進(jìn)程、插補(bǔ)逆解進(jìn)程、I/O進(jìn)程的一個多任務(wù)處理的機(jī)械臂控制系統(tǒng)；同時對機(jī)械臂的上位機(jī)進(jìn)行軟件設(shè)計(jì)，實(shí)現(xiàn)人機(jī)界面指令輸入、狀態(tài)顯示、通信等功能，為機(jī)械臂的實(shí)時控制系統(tǒng)提供了一種有效開發(fā)方案。通過采用RT測試工具集進(jìn)行實(shí)時性檢驗(yàn)，其結(jié)果滿足實(shí)時性，同時利用MATLAB/Robotic Toolbox工具箱建立機(jī)器臂運(yùn)動學(xué)模型，對機(jī)械臂運(yùn)動空間及軌跡進(jìn)行仿真，得到了連續(xù)平穩(wěn)的末端曲線，仿真結(jié)果證明了控制系統(tǒng)設(shè)計(jì)的正確性以及可行性。

發(fā)表于：2020/12/17 14:30:00

采茶機(jī)器人SCARA機(jī)械手的軌跡規(guī)劃與控制[其他][其他]

考慮到采茶機(jī)器人的整體性能，采用SCARA機(jī)械手作為其采摘機(jī)構(gòu)，以滿足名優(yōu)茶自動化采摘的需求。首先采用D-H法建立機(jī)械手的運(yùn)動學(xué)模型，并結(jié)合MATLAB Robotic Toolbox建立其空間仿真模型；其次采用五次多項(xiàng)式插值算法對機(jī)械手主要關(guān)節(jié)的運(yùn)動進(jìn)行軌跡規(guī)劃；最后將SCARA機(jī)械手簡化為XOY平面內(nèi)的兩關(guān)節(jié)機(jī)械手，結(jié)合其一般動力學(xué)模型，在MATLAB/Simulink中采用S函數(shù)設(shè)計(jì)基于自適應(yīng)算法補(bǔ)償?shù)腜D控制系統(tǒng)，進(jìn)行軌跡跟蹤仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明自適應(yīng)魯棒PD控制策略能夠精確地跟蹤機(jī)械手大臂和小臂關(guān)節(jié)的控制輸入，使得各關(guān)節(jié)能夠快速地跟蹤到期望位置，跟蹤誤差較小。

發(fā)表于：2020/12/17 14:26:00

基于深度回歸的指針儀表讀數(shù)識別方法[人工智能][其他]

現(xiàn)有儀表讀數(shù)識別方法通過檢測指針和刻度獲取讀數(shù)，對輸入的儀表圖像質(zhì)量要求較高，為此提出一種新的基于深度回歸的指針儀表讀數(shù)識別方法。該方法首先由儀表圖像獲取圖像特征，然后通過方向回歸模塊預(yù)測指針方向，最后根據(jù)指針角度計(jì)算儀表讀數(shù)。相比于其他方法，該方法采用端到端的回歸方式進(jìn)行直接學(xué)習(xí)，具有更強(qiáng)的識別能力。在較大規(guī)模變電站儀表圖像數(shù)據(jù)集上，該方法取得了97.2%的讀數(shù)精度，相比于基于Mask R-CNN的儀表讀數(shù)識別方法提高了7.4%。定性分析和定量分析結(jié)果表明，相比于現(xiàn)有的儀表讀數(shù)識別方法，該方法對表盤圖像干擾具有更強(qiáng)的魯棒性。

發(fā)表于：2020/12/17 14:23:28