红外成像探测器的现状与开发动向

综述了红外成像探测器技术的发展与各种光学问题的解决措施。介绍了红外系统中的光学系统作为红外辐射源所引起的黑点和冷却检测器图像在透镜面上的反射引起的“水仙现象”，以及光学系统内部散射引起的图像反差下降等的评价方法。探讨了非冷却型红外探测器的开发动向。     

基于Faster R-卷积神经网络的金属点阵结构缺陷识别方法

采用增材制造技术制备的金属三维点阵结构可能存在裂纹、未熔合、断层等缺陷,导致金属点阵结构的结构-功能性能下降,为此提出一种金属三维多层点阵结构内部缺陷的检测方法。在Faster R-卷积神经网络架构基础上设计特征提取网络,结合工业CT扫描图片,对得到的断层灰度图像中缺陷部位进行快速、准确、智能检测识别和定位。实验验证结果表明,对金属三维多层点阵结构样件的内部典型缺陷识别率达到99. 5%.     

基于小波和神经网络的红外目标特征提取与识别

研究了小波和神经网络相结合进行目标识别的方法.利用目标信息主要集中在低频部分的特点,对信号进行小波分解,提取在不同频带信号的多尺度空间能量和不变矩作为特征量,再用BP神经网络进行识别.实验结果表明,该方法具有很高的识别率,充分说明了红外图像信号在小波子带上的不变矩及能量分布具有表征目标类别的信息.该方法对于精确制导武器的目标识别研究具有一定的实用价值.     

基于多分类器组合的红外目标识别方法

针对以往的红外目标模式识别方法无法区分坦克与铁板假目标的缺点,提出了基于多分类器组合的红外目标模式识别方法.该方法对红外图像的每行像素使用线性分类器和BP神经网络分类器进行识别,用与规则对两分类器的识别结果进行决策融合,得到每行像素的识别结果,然后对多行像素的识别结果使用多数票规则及或规则进行决策融合,得到最终识别结果,完成对坦克、背景和铁板假目标的区分.仿真结果表明:组合使用BP神经网络分类器和线性分类器,可提高系统识别能力,能较好地完成目标识别.     

基于神经网络和matlab的末敏弹系统效能灵敏度仿真

为解决末敏弹系统效能灵敏度分析的困难,利用神经网络的高度非线性映射能力和matlab工程计算软件的科学计算能力,对影响末敏弹系统效能的几个因素进行了灵敏度仿真分析,获得了影响系统效能的几个主要因素的最优搭配。经过对优化结果的分析,发现其与实际情况较为吻合,为末敏弹系统效能的进一步研究提供了依据。     

High-resolution Image Reconstruction by Neural Network and Its Application in Infrared Imaging

As digital image techniques have been widely used, the requirements for high-resolution images become increasingly stringent. Traditional single-frame interpolation techniques cannot add new high frequency information to the expanded images, and cannot improve resolution in deed. Multiframe-based techniques are effective ways for high-resolution image reconstruction, but their computation complexities and the difficulties in achieving image sequences limit their applications. An original method using an artificial neural network is proposed in this paper. Using the inherent merits in neural network, we can establish the mapping between high frequency components in low-resolution images and high-resolution images. Example applications and their results demonstrated the images reconstructed by our method are aesthetically and quantitatively (using the criteria of MSE and MAE) superior to the images acquired by common methods. Even for infrared images this method can give satisfactory results with high definition. In addition, a single-layer linear neural network is used in this paper, the computational complexity is very low, and this method can be realized in real time.     

基于小波变换和神经网络的毫米波一维距离像识别

将小波和神经网络理论结合，并将小波神经网络用于毫米波频率步进雷达目标一维距离像识别，提出了基于小波分析的能量特征矢量法，分类识别效果有了很大的提高．     

一种高精度线阵CCD二维自准直仪四狭缝目标中心的定位方法

为满足高精度线阵CCD二维自准直仪动态高精度测量,提出一种高精度线阵CCD二维自准直仪四狭缝目标中心的定位方法,首先采用高斯滤波对CCD图像进行平滑处理,在抑制噪声的同时生成带有高斯加权的CCD图像,然后采用线性插值质心法对加权图像进行目标中心亚像素定位.实验结果表明,该定位方法稳定性好,定位精度高且实时性强,在原理样机上,应用该方法实现了单次二维角度测量时间小于0.2 s,测量范围±900″,在±300″内相对于进口ELCOMAT3000示值误差优于±0.5″,具备工程应用价值.     

无人车目标识别主干网络技术特点对比分析

目标识别是无人车自动驾驶视觉感知模块的核心技术之一。当前,目标识别主要依靠主干网络提取特征, 进而对目标进行分类与回归。通常情况下,无人车嵌入式计算平台的计算与存储能力有限,为了降低主干网络的算 力与存储量,提升无人车的计算速度与效率,对目标分类任务的主干网络进行综合比较分析。围绕卷积核、感受野、 池化层、全连接层、激活函数等,以cifar10 和cifar100 为实验数据,从理论分析与数据实践层面,对主干网络算子 的选择与网络搭建进行分析对比,总结、归纳特征提取主干网络搭建的主要思路与做法。结果表明,该分析结论对 目标分类主干网络在嵌入式无人车系统中的应用具有一定的理论指导与参考价值。     

复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法

由于复杂装备运行工作环境恶劣,导致其轴承多重故障诊断的准确率不高,为此提出一种 基于线性判别分析(LDA)与反向传播(BP)神经网络协作下复杂装备轴承数据驱动的多重故障诊断方法。将无量纲指标作为轴承多重故障数据的反映指标,利用LDA对轴承多重故障的无量纲指标数据进行线性映射降维处理;通过拉格朗日极值法获得最佳投影向量,沿着该方向将轴承多重故障数据投影到类别最易区分的方向;将经投影处理后的样本作为BP神经网络的输入样本,通过训练测试网络,实现轴承多重故障的预测分类。对某型装备大型旋转机械机组进行仿真实验,验证了所提方法能够有效对轴承多重故障进行降维映射,并且能较好地实现多重故障分类诊断,具有良好的有效性和实用性。