关键词： 航空发动机叶片   DR检测   图像处理  

摘要： 文章在分析叶片各种检测方法基础上，选用数字射线检测技术（DR）对叶片进行检测，在制作叶片材料保管曲线基础上，确定叶片的检测工艺。检测结果表明，相同管电压条件下，曝光时间延长，对比度提高，但会造成叶盆灰度太高无法有效检测。为解决单参数检测不能显示叶片内部全貌的问题，本文采用低电压和高电压图像融合的处理方法，结果显示检测图像的灰度分布均匀，缺陷检出率明显提高。

关键词： 无人驾驶方程式   视觉感知系统   目标检测   YOLOv8   MONODETR  

摘要： 随着智能汽车技术的飞速发展,无人驾驶方程式比赛(FSAC)已成为检验与展示前沿感知、决策及控制技术的重要平台。针对FSAC赛事中赛道边界由“近距离、小尺寸锥桶”构成的特定场景,在深入调研各类感知方案后,考虑到激光雷达(LiDAR)点云稀疏、难以稳定识别的局限性,本文研究并实现了一套完全基于视觉的无人驾驶方程式赛车感知系统。 首先,本文分析了FSAC赛道环境对感知系统的挑战,论证了以视觉传感器为主导的技术路线的优越性。在硬件层面,系统选用了NVIDIA Jetson AGX Orin作为高性能计算平台,并搭载了双GMSL鱼眼摄像头作为主要的视觉信息来源,同时完成了相机系统的精确标定。 其次,在算法层面,本文设计并实现了一个融合2D与3D检测的纯视觉感知框架。对于2D目标检测任务,本文对YOLOv8模型进行了深度优化,通过引入不同分支块(DBB)模型、双向特征金字塔网络等改进策略,显著提升了模型对赛道锥桶的检测精度与鲁棒性。对于3D感知任务,本文采用了基于Transformer的MONODETR模型,并构建了符合KITTI格式的自制锥桶数据集进行训练与优化,实现了从单目图像中对锥桶进行精确的三维定位。最后,为满足赛车实时性的严苛要求,利用Tensor RT对整个算法流程进行了加速。 实车道路验证结果表明,改进后的2D检测模型在赛道锥桶数据集上的平均精度均值(mAP@0.5)达到了98.5%,优化后的3D感知模型在自制数据集上的3D平均精度(3D AP@0.5)可达76.9%,LE定位误差统计量为0.28米。最终,将整套系统部署于无人方程式赛车进行实地测试,结果显示系统在长直道、急弯和光线变化等多种复杂工况下运行稳定,对锥桶的定位误差绝大多数(85%)小于0.3米,证明了该纯视觉感知系统在无人驾驶方程式赛车应用中的有效性和可靠性。

关键词： 全息凝视雷达   目标检测   目标跟踪   机器视觉  

摘要： 随着民用航空业和低空经济的发展,航行器的安全问题愈发突出,而鸟类及无人机等低慢小目标是飞机起降期间的最大威胁。此类目标飞行高度低、飞行速度慢、雷达散射截面积小,且鸟类通常成群分布,现有雷达目标检测方法和检测性能受限。全息凝视雷达具备相参积累时间长、高带宽及高时宽的特点,同时具备高距离、高多普勒分辨力,目前国内尚无基于全息凝视雷达体制开展鸟类及鸟群目标检测及跟踪的相关研究。本文基于国内首套S波段全数字全息凝视雷达,首先针对长相参积累下目标走动及模糊问题,提出弱小目标检测方法和跟踪方法。随后基于深度学习架构和距离多普勒(Range-Doppler,RD)图像,从图像域的角度针对群目标的检测和跟踪难题开展研究。本文主要研究内容如下: (1)针对凝视雷达长相参、高带宽带来的RD图失真特征,提出恒虚警率(Constant False Alarm Rate,CFAR)检测方法结合Keystone变换进行补偿和聚焦。在最近邻关联中引入马氏距离替代欧式距离,采用逻辑法进行航迹起始,优化目标轨迹关联与状态估计,并通过无人机及鸟类实测数据进行验证。 (2)利用全息凝视雷达RD图像双高分辨率特性,通过分析雷达距离维速度维图像的特点以及与传统视觉图像的差异,提出一种定制化的专家系统对深度学习网络进行补偿,提升鸟群目标检测准确率。有效克服了单一传感器的局限性。通过自建凝视雷达鸟群目标数据集验证本文所提方法的有效性。 (3)针对鸟群目标的跟踪,全息凝视雷达具有相参时间长、量测数据不连贯的问题。本文首先提出滑窗处理思路,利用算力提升帧率;随后提出凸包拟合方法,拟合RD图中群目标质心,通过质心及二阶矩的序贯估计实现鸟群目标的跟踪;最后通过球机与雷达的随动验证了该方法的可行性。 本文基于全息凝视雷达提出的一系列目标分辨技术方法,提升了雷达在复杂环境下目标检测与跟踪性能。通过实测数据验证了方法的有效性。本文的研究为雷达目标分辨领域及雷达视觉融合开阔了新的技术途径与思路。并开发了一套凝视雷达目标检测与跟踪系统,展现了全息凝视雷达及本文方法在实际应用中的巨大潜力。

关键词： 尺寸测量   Mask R-CNN   再造烟丝   机器视觉   图像处理  

摘要： 随着技术的不断发展,烟草制造业正加速向智能化生产转型,再造烟丝作为烟草制品的核心原料,其微观形态直接影响着燃烧程度、感官品质等性能指标,这使得对其实现精准控制意义重大。但现有的测量技术存在着样本难以分散、相互垛叠分布导致的测量精度不高等问题。为了节约人工成本,提高检测效率与精度,本研究将深度学习与传统图像处理方法相结合,实现对再造烟丝的尺寸测量与图像重构。论文的主要研究内容概况如下: (1)介绍了本系统的整体方案。根据检测需求对各个机械硬件结构进行了选型,并搭建了相应的图像采集系统,确定了各个模块的型号参数。 (2)介绍了图像数据集制作前的相机标定、畸变矫正、图像增强等操作。在分析和对比了直方图均衡化、非线性变换和对数熵最小化三种方法后,本文改进了对数熵最小化法,对图像进行图像增强,减少采集图像时的噪声和暗角问题。 (3)研究了基于改进Mask R-CNN模型的再造烟丝分割算法。在原模型的基础上,引入了空间注意力机制、动态蛇形卷积和混合注意力机制,改善了模型对再造烟丝图像的分割效果。并通过消融实验和对比实验证明了各个模块的有效性,改进Mask R-CNN模型较原模型在平均交并比上提升8.81%,在平均像素精度上提升8.04%。 (4)针对再造烟丝垛叠处,处于垛叠处下方的轮廓消失问题,本文首先对传统去骨架毛刺算法进行了改进,并设计了一种最大圆渐进拟合重构法,该方法可以对处于垛叠处下方的图像进行重构;针对再造烟丝尺寸测量问题,本文提出了一种分段式长度测量法,极大地提高了再造烟丝的测量精度。 (5)针对上述算法研究进行了相关实验,验证了本系统的可行性和有效性,实验结果表明,不垛叠排布再造烟丝长度测量的平均相对误差为1.32%,垛叠排布再造烟丝长度测量的平均相对误差为1.88%,平均耗时为0.35s,能够满足实际生产的要求。

关键词： 计算机视觉   神经网络鲁棒性   分布外样本检测   条件熵  

摘要： 随着深度学习技术的不断发展,深度学习已经与人们的生活紧密联系了起来,在多个领域展现了卓越的性能。然而,神经网络是基于封闭世界假设进行训练,即实际输入样本与训练样本(ID,In-Distribution)类别一致。当网络部署到现实环境中,总会出现训练期间未曾见过的类别及其样本,即分布外(OOD,Out-of-Distribution)样本。对于这种样本,模型倾向于做出错误的高置信度预测,这种现象被称之为神经网络的过度自信。这给部署神经网络至现实中带来了重大挑战。 为解决以上问题,一种常见的思路是利用现有或生成的OOD样本为模型补充缺少的OOD信息同时训练模型,降低对OOD样本的置信度。但是这需要引入额外的OOD数据集以及需要对模型进行重新训练,严格来说,不能假设未曾见过的样本归为预设的某类。现有的另一种思路则是事后OOD检测,即通过发现ID和OOD在神经网络中的不同表达予以区分,易于使用且无需重新训练。 但是事后OOD检测算法大多基于ID分类任务,多取决于模型自身分类性能,并不是专门为OOD检测而设计,存在一定局限性。鉴于此,本文提出了一种创新的方法,通过检测样本通过神经网络时信息量的变化来区分ID和OOD,具体而言,是使用条件熵来捕捉信息量的变化,独立于ID分类任务,从而显著提升分布外样本检测性能,本文主要研究工作如下: (1)设计并实现了一种基于条件熵分析的分布外检测方法。具体来说,通过条件熵量化特征经过神经网络后信息量的变化,由于神经网络在训练过程中见过ID样本,故神经网络对ID样本有特定的特征提取方式,而OOD样本是神经网络未曾见过的样本,不知道用哪一种特定的特征提取方式用于分类,故信息的提取过程不同,ID样本表现出来的信息量变化也不同于OOD样本,由于不依赖神经网络最后的分类结果,故本方法能够脱离于ID分类任务,并据此进行OOD检测。 (2)提出基于生成伪分布外样本的神经网络块选择方法。因为使用辅助OOD数据集会增强本方法的限制,故本方法采用不使用辅助OOD数据集的方式生成伪OOD样本,具体而言,基于ID样本切分打乱后生成伪OOD样本,再根据条件熵比算法,计算出适合用于OOD检测的神经网络块,能够更好地分离ID和OOD样本,进而实现最优的模型鲁棒性。 (3)设计并实现了分布外样本检测和分析原型系统。该系统对比了本文方法与现有最新算法在分布外样本检测性能上的差异,多方面深入分析本方法。为后续开展分布外检测相关研究提供了便利条件,对提升网络鲁棒性有着积极作用。

关键词： 油库火灾   目标检测   数字孪生   火灾仿真  

摘要： 油库安全至关重要,一旦发生火灾,势必会带来严重后果。传统的火灾监测系统在火灾态势评估方面存在局限性,难以为应急决策和科学救援提供有力支持。为此,本文设计开发了基于数字孪生的油库火灾监测系统,该系统不仅能够精准检测出油库火情,还能利用数字孪生的虚实交互能力,实时仿真分析油库火灾发展态势,提供应急救援预案,从而提升油库火灾响应速度和应急管理能力。具体研究内容如下: (1)针对传统油库火灾监测系统在火灾检测准确性、火情分析和应急响应能力方面的不足,本文基于数字孪生五维模型,设计了一种基于数字孪生的油库火灾监测系统架构。该架构由物理实体、虚拟模型、连接交互、孪生数据以及应用服务五部分组成,并对各部分内容进行了详细介绍。 (2)针对火灾监测系统在火灾事态分析方面的局限性,本文设计了一种实时数据驱动的火灾仿真方法。基于火灾环境监测数据,利用Mudan模型计算热辐射通量确定火灾热辐射危害范围,并通过Unity3D实现火灾态势的可视化。基于火灾仿真结果自动生成应急救援预案,一方面能够指挥现场救援,另一方面模拟现场救援行动,评估其可行性,从而提升油库应急管理能力和突发事件响应效率。 (3)针对复杂环境下火灾初期小火苗漏检和错检率高等问题,本文提出了一种基于多尺度特征融合的小火焰目标检测模型(STD-YOLO)。首先,引入SPDConv模块优化主干网络小火焰特征提取能力;其次,颈部网络采用多尺度特征融合策略增强模型的细节捕捉能力;最后,提出DCNv3Dy Head检测头,进一步提高复杂环境下小火焰检测精度。实验结果表明STD-YOLO模型在火灾检测中表现优异,尤其在小火焰检测方面效果显著。 (4)在理论研究的基础上,本文完成了基于数字孪生的油库火灾监测系统的开发。系统集成了油库状态监测、火灾仿真和火灾检测等功能,不仅能够实现油库火灾精准检测和火情分析,还能针对火灾仿真结果生成应急救援预案,指挥现场救援并在油库孪生体中模拟救援行动,确保救援工作顺利进行。

摘要： 大规模数据集是计算机视觉任务的基石。一个强大的计算机视觉系统不仅需要坚实的模型架构和学习算法，还依赖于全面且大规模的训练集。例如，ImageNet数据集极大地促进了计算机视觉技术的迅猛发展和性能的显著提升。然而，构建大规模视频图像数据集并持续提升图像/视频数据集的规模、质量是一项复杂而艰巨的任务，如ImageNet数据集的采集、标注、清洗与发布经由167个国家的近5万名工作者历时3年才完成的。除此之外，近年来对监控视频数据隐私敏感性和伦理问题的关注更使得这个问题雪上加霜，已有一些公开数据集因此下架。