基于可变视场角的空中加油锥套位姿精确测量方法

针对无人机自主空中加油近距视觉高精度导航问题,提出了一种基于可变视场角的空中加油锥套相对位置和姿态精确测量方法。首先构建了由多组不同固定视场角相机组成的双目视觉测量系统,提出了基于非线性滞环特性的相机组切换策略,有效克服了随着距离增加锥套目标在相机图像中比例逐渐减小而导致测量精度降低的问题。在此基础上,使用深度学习YOLO v2算法对首帧图像进行检测与识别,截取感兴趣区域(ROI)并进行图像处理,提取标志灯质心坐标。然后根据双目视觉原理进行三维重建,以计算出标志灯的空间位置。最后根据解析几何关系解算得到锥套相对相机的位置和姿态信息。空中加油对接过程视景仿真和地面实物试验表明,本方法在设定的测量范围内均能达到较高的相对位置和姿态测量精度,且满足实时性要求。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于卡尔曼滤波的AR 模型无人自主空中加油预测制导策略

为了改善无人机自主空中加油(AAR)“捕获”阶段中受油机对锥套的“被动跟随”状况,提出一种基于卡尔曼滤波的AR模型无人自主空中加油预测制导策略。利用自回归(auto regressive,AR)模型预测锥套飘摆的未来位置作为受油机导航点,并依据卡尔曼(Kalman)滤波原理对模型进行参数估计,通过加油仿真试验现象对提出方案的实时性能进行定量分析,并提出4种提高实时性的优化措施。仿真结果表明：该算法具有极高的预测精度,改善后的方案满足空中加油场景的实时性要求,能够使加油对接成功率显著提高,对无人机自主空中加油技术的实现具有较重要的意义。     

基于视觉的自主空中加油锥套检测与跟踪

加油锥套检测与跟踪是无人机自主空中加油得以实现的前提,提出一种锥套检测算法,通过添加人工标记,结合颜色通道相减的方法对锥套标记进行提取,利用最大类间方差法进行阈值分割,结合中值滤波、形态学操作完成锥套检测。对原始图像进行噪声、对比度、亮度干扰,验证检测算法的鲁棒性。在该检测算法的基础上,结合上一帧锥套的图像尺寸和锥套运动速度确定锥套的ROI(region of interest)区域,提出一种锥套跟踪算法,在ROI区域内完成对锥套的检测和定位。仿真实验结果表明,引入跟踪后,帧处理速度大大提高,能很好的满足实时性需求。     

基于卡尔曼滤波的AR模型无人自主空中加油预测制导策略

为了改善无人机自主空中加油(AAR)“捕获”阶段中受油机对锥套的“被动跟随”状况,对此阶段实施预测制导方案,即利用自回归(Auto Regressive, AR)模型预测锥套飘摆的未来位置作为受油机导航点,并依据卡尔曼(Kalman)滤波原理对模型进行参数估计。通过加油仿真试验现象对提出方案的实时性能进行定量分析,并提出4种提高实时性的优化措施。仿真结果表明,所提出算法具有极高的预测精度,改善后的方案满足空中加油场景的实时性要求,能够使加油对接成功率显著提高,对无人机自主空中加油技术的实现具有重要意义。     

基于特征增强与损失优化的水下遮挡目标检测算法

针对水下探测机器人在海洋作业时由于目标密集、形态重叠等原因容易产生误检、漏检的问题，提出一种基于特征增强与损失优化的水下遮挡目标检测算法。算法以YOLOv4骨干网络为基础，首先在随机通道上引入邻域融合的残差结构模块，通过通道注意力机制，提升通道的信息交互能力；其后，利用α-IoU优化CIoU-Loss损失函数，并采用真值排斥因子与预测排斥因子改进坐标回归损失函数，提高目标位置回归的精度；最后，针对水下图像数据干扰信息多的问题，采用基于密集度引导的自适应非极大值抑制方法完成对输出信息的处理，提升目标检测的召回率。通过对水下海洋生物的检测实验，算法在通用场景与密集遮挡场景下目标探测的mAP值分别提高了1.43%和4.4%,验证了算法的有效性。     

读者之声

山东青岛读者李俊问: 飞机如何在空中加油? 飞机在空中加油有软管式和硬管式两种方式: 软管式加油系统主要由输油管卷盘装置、压力供油机构和电控指示装置组成。软管长16～30米,管的末端有外形呈伞形的锥套,内有加油接头(锥管)。若为大型飞机加油,整个加油装置可安装在加油机的机身内部;若为小型飞机加     

基于YOLOv3的复杂环境红外弱小目标检测

在复杂环境的红外弱小目标检测问题中,传统算法大多需要对红外目标进行特征增强、背景杂波抑制等预处理工作,算法检测准确率低,控制参数较多。通过对红外目标特性进行分析,本文构建了基于深度学习的复杂环境红外弱小目标检测算法。算法以单阶段目标检测网络YOLOv3为基础,简化处理流程,显著提升对红外弱小目标的检测精度。在红外弱小目标数据集的测试中, YOLOv3较实验对比的方法在检测准确性上具有明显的提升,其平均准确率(AP)可达99.5%以上,验证了算法对红外弱小目标检测的有效性。     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。     

基于改进SSD的低截获概率雷达辐射源识别算法

针对低截获概率(LPI)雷达辐射源识别领域中,目标检测类方法实时性不高的问题,提出基于改进SSD的LPI雷达辐射源识别算法。该算法采用精度更高、速度更快的ResNet-50代替VGG-16网络,并对网络进行改进设计;此外,通过构建多径莱斯衰落信道仿真更贴近真实环境的数据集,以提高模型的实用性。仿真实验结果表明,针对7种LPI雷达信号的识别,在信噪比为-4 dB时识别准确率可达到92.9%,与原始SSD模型相比,训练及检测速度分别提高了28.50%和29.74%。     

无人机空中回收视觉导航技术

针对无人机空中回收过程中的导航问题,提出一种利用深度学习进行目标检测并配合双目视觉进行位姿 估计的技术。设计空中回收视觉导航系统,通过改进原有目标检测算法YOLOv3 框架提高回收过程中的检测精度和 速度;通过双目视觉系统对特征点进行3 维位姿解算,返回无人机和回收锥套中心相对位置信息。实验结果表明： 改进后的检测算法平均精度比YOLOv3 提高了3.2%,检测速度提高到73 FPS,检测速度明显提升;双目视觉算法 的位姿解算精确度高,两者同时满足导航系统精确性和实时性的要求。     

基于嵌入式平台与优化YOLOv3 的航拍目标检测方法

针对部署在嵌入式平台的目标检测模型在检测航拍目标时存在的检测速率低、耗时高、存储容量低的问 题,提出一种基于优化YOLOv3 算法的航拍目标检测方法。通过模型剪枝极大地减少了模型参数量,使用二分 K-means 对传统的锚框聚类算法进行优化改进,引入CIOU 损失函数加强边界框回归效果,再经TensorRT 对模型优 化加速后将该检测模型部署到JetsonTX2 平台上。选取大量不同类别不同环境的航拍图像制作数据集进行实验对比。 结果表明：优化后的算法在检验不同航拍图像目标时平均精度可达到83.9%,对每张图片的检测速度从2.8 FPS 提升 至14.7 FPS,满足精确性和实时性要求。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

一种基于条件生成对抗网络的单幅图像去雾算法

针对雾(霾)会显著降低基于图像制导武器的可见光侦测设备成像质量,从而干扰对目标精确识别的问题,提出一种基于条件生成对抗网络的单幅图像去雾算法。在生成器下采样中使用软池化运算,以提高细粒度特征的提取能力;加入全局平均池化层,旨在消除图像边缘的震荡效应,提高去雾图像清晰度;简化判别器结构,优化损失函数权重值确定方法,提升网络模型训练效率。实验结果表明:去雾后的图像清晰锐利,色彩自然,在结构相似性、峰值信噪比和图像信息熵等客观定量指标上优于经典去雾算法,对去雾后图像进行目标检测的平均精度均值提升了4.13%。     

基于深度学习框架的装配机器人零件实时检测方法

针对工业生产线上装配机器人在粘连、堆叠、光照变化及环境因素干扰等复杂条件下零件检测率低、鲁棒性差等问题,提出一种基于改进YOLOv3深度学习框架的零件实时检测方法。在基础特征提取网络Darknet-53的每个残差网络后嵌入CFE模块,构建融合CFE模块和Darknet-53的深度特征提取网络CFE-Darknet53,建立YOLOv3深度学习框架下基于CFE-Darknet53的零件实时检测模型,提升检测网络在复杂环境下特征提取能力;设计一种改进K-means算法来预测边界框,通过对零件数据集进行聚类分析,选取最优的锚框个数和尺寸,进一步提高检测准确性。实验结果表明：在复杂条件下,改进算法对相似度很高的多类零件检测准确率能达到91.6%以上,相比YOLOv3算法提升了近10%以上;检测时间为43 ms,在视频传输帧率（24帧/s）下实现了零件实时准确检测。     

基于Hough变换和聚类的舰艇编队队形识别算法

编队队形识别技术是反舰导弹武器系统目标识别领域中的一项重要研究内容,具有队形识别能力的反舰导弹可以有效增强对密集型舰艇编队当中重要目标的选择能力,进而直接提升导弹的命中概率和作战效能。基于Hough变换技术研究了一种舰艇编队队形识别算法,在无探测噪声影响时具有很好的识别率。当目标信息受污染较严重时,进一步采用了改进的K均值聚类算法对Hough变换后得到的积累矩阵局部峰值进行聚类处理,根据峰值聚类的结果准确提取出待识别队形的参数,从而有效抑制了探测噪声带来的不利影响。仿真结果表明,采用该算法可以正确识别出舰艇编队队形,在目标信息受污染较严重时也具有较好的识别效果,具有较好的鲁棒性。对该算法复杂度及目标指示误差对算法精度的影响进行了分析。     

基于SSD 的小目标特征强化检测算法

为解决原始单次多框目标检测(single shot multibox detector,SSD)目标检测算法中对小目标物体检测能力不足的问题,提出一种改进的SSD目标检测算法.采用VGG19作为特征提取网络,在低层特征图部分引入Conv3_3卷积特征图,对Conv4_4进行转置卷积操作,将转置卷积后得到的Conv4_3同Conv3_3的特征图进行特征拼接,实验部分使用VOC数据集对模型进行训练与测试.结果表明:该算法可提高检测能力,目标检测精度能比原始SSD算法提高3.6％,小目标检测效果比改进前也有明显提升.     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

卷积神经网络在飞机类型识别中的应用

为提高现代战争过程中对敌军飞机的识别能力,针对军用飞机样本量少、不同视角条件下形变明显的特点,提出一种融入center loss的卷积神经网络与ANN分类器结合的飞机类型识别方法.首先利用3Dmax软件制作的6000张5类飞机图片对构建的多层CNN模型进行训练,并利用这些图片的CNN特征训练ANN分类器,然后用训练好的网络模型和分类器对真实飞机样本进行预测分类.实验结果表明:在样本量少且目标形状复杂的情况下,该方法对5类军事飞机的识别精度可达到97.17％,是一种切实可行的飞机类型识别算法.