基于空间特征选择的水下目标检测方法

针对传统目标检测方法在水下识别任务中误检率较高的问题，基于一阶段全卷积检测器(FCOS)引入多尺度特征选择及中心边界特征选择，实现高精度水下目标检测。模型中的自适应加权融合特征金字塔通过设置可学习权重加权融合所有的特征层级，实现多尺度空间特征选择。此外，为了处理检测中分类和回归任务之间的特征耦合问题，并分离不同任务之间的共享特征，设计了基于空间特征解耦的检测头，实现了中心和边界区域的特征选择。实验中，针对水下数据集URPC2018和UWD2021进行性能测试，并与先进的目标检测方法进行对比。大量的实验结果表明，基于空间特征选择的FCOS模型在水下检测任务中展现出优异的性能，在URPC2018和UWD2021上的类平均精度(mean Average Precision，mAP)分别为82.7%和83.3%。     

旋翼无人机视觉跟踪系统

设计实现了一种基于PC104计算平台的旋翼无人机自动目标跟踪系统.该系统由机载视觉子系统、地面站子系统、无线通信子系统3个部分组成.构建了完整的空地、人机交互环路.采用基于背景权重的Mean Shift目标跟踪算法,能够有效减小复杂环境背景对目标跟踪的影响.可靠性高且算法复杂度低.在室内外环境下进行的实验测试结果表明:系统在目标跟踪过程中即使遇到相似目标干扰或大面积遮挡,仍能够准确地自动跟踪目标,利用目标在图像中的位置主动引导数字云台与其保持相同运动方向,使目标尽可能处于相机中心视场范围内,验证了系统的可靠性和实时性.     

基于三维软体驱动器的手部康复装置研究

针对手部康复装置结构复杂、穿戴舒适性差、制作成本高等问题,提出了一种基于三维软体驱动器的新型手部康复装置。首先,根据手部功能运动范围分析,设计了具有三空腔结构和纤维增强结构的三维软体驱动器。其次,利用Yeoh模型、虚功原理和结构分析,建立了以空气压强、纤维匝数为输入量,弯曲角度为输出量的数学模型。然后,通过有限元分析,确定了纤维匝数和建议工作压强,降低了数学模型的计算量。最后,使用3D打印技术和硅胶材料完成了样机的制作。为了验证以上理论,在软体驱动器综合实验平台上进行了性能测试。结果表明,该软体驱动器的最大弯曲角度、指尖力和相对误差分别为230°、1.08 N和25.04%;该装置可以模仿常见手势,抓取日常生活用品,能够满足基本的手部康复训练。