空间交会对接位姿测量中特征靶标快速识别

空间交会对接中,需实时测量追踪航天器上视觉传感器与目标航天器上特征靶标之间的位姿,而其前提是快速、准确识别特征靶标。提出一种四同心圆环特征靶标的快速识别算法。该算法首先使用优化的Otsu算法进行图像分割,然后采用连通域识别方法进行轮廓提取,最后根据圆的周长与面积的关系确定圆轮廓,并采用最小二乘法进行圆拟合,提取特征圆心。通过实验对方法进行验证,结果表明,该方法能在2 m距离内准确、快速识别特征靶标,且与优化前算法相比,该方法运算效率提升了近10倍。     

基于OBE的《锻造工艺与模具设计》教学模式探究

通过分析《锻造工艺与模具设计》课程面临的问题,从教学大纲、教学模式和考核目标3个方面提出改革,通过这3个方面的分析和改革能够很好地对应学生的毕业要求,实现OBE以产出为目标的宗旨。通过教学改革,提高了学生的学习自主性,提升了学生的团队合作能力和解决问题的能力,整体提升了学生的学习水平。     

基于变异算子和邻域值自适应的MOEA/D算法

基于分解的多目标进化算法（MOEA/D）在解决多目标问题时，具有简单有效的特点。但多数MOEA/D采用固定的控制参数，导致全局搜索能力差，难以平衡收敛性和多样性。针对以上问题提出一种基于变异算子和邻域值自适应的多目标优化算法。该算法根据种群中个体适应度值的分散或集中程度进行判断，并据此对变异算子进行自适应的调节，从而增强算法的全局搜索能力；根据进化所处的阶段以及个体适应度值的集中程度，自适应地调节邻域值大小，保证每个个体在不同的进化代数都有一个邻域值大小；在子问题邻域中，统计子问题对应个体的被支配数，通过判断被支配数是否超过设定的上限，来决定是否将Pareto支配关系也作为邻域内判断个体好坏的准则之一。将提出的算法与传统的MOEA/D在标准测试问题上进行对比。实验结果表明，提出的算法求得的解集具有更好的收敛性和多样性，在求解性能上具有一定的优势。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

机场地面移动目标监测系统优化

针对机场地面移动目标位置监测系统缺乏统一有效组网方案的问题,在现有的AeroMACS通信技术的基础上,提出了一种对通信协议进行优化的方案,对原有系统中各移动节点的通信方式和上下行链路的资源分配方案做了调整。通过系统分析与NS-3软件建立场景仿真,结果表明文中提出的系统在通信时延与系统容量方面均优于原有系统,可有效改善机场地面移动目标监测系统的网络性能。