基于连续帧的红外小目标检测技术

提出了一种基于连续帧的远距红外小目标检测技术。通过对原始红外图像进行增强型简化高通滤波提高图像信噪比,用基于直方图迭代得到的阈值二值化后,得到小目标图像。为了确保目标检测的可靠性,利用连续多帧确定截获的目标。仿真结果表明该算法可实现在低信噪比复杂背景中对远距小目标的快速稳定截获。     

不完备检测下视情维修的多级劣化系统性能评估

视情维修是改善多级劣化系统性能表现的重要措施,然而在实际中检测不完备问题会制约视情维修的有效开展,从而影响劣化系统性能评估结果。针对这一问题,将多级劣化系统检测维修马尔科夫链模型中的状态转移进行调整,建立其在不完备检测下进行视情维修的性能评估模型,给出系统性能参数的求解方法。实例验证表明:在实际工作中,虚警和漏检对于系统瞬态可用度的影响是随时间变化而不定的,但对于系统可靠度的影响则是确定的,即在任意时刻虚警提高系统可靠度,而漏检降低系统可靠度。     

基于磁记忆检测技术的即时报警功能设计与实现

根据金属磁记忆检测技术中缺陷判定依据的运算特点,为减少程序计算量、提高缺陷检测效率,改进了传统缺陷判定算法．在检测设备基本结构基础上增加了信号调理卡,并借助多功能采集卡的数字输出功能实现了缺陷检出时的即时报警,大幅提高了检测系统的工作效率．     

排列熵算法的应用与发展

重点阐述了排列熵算法的基本原理,总结归纳了该算法在医学、生物和机械等领域的国内外研究和应用现状,最后展望了排列熵算法的未来发展趋势。研究表明：排列熵算法能够有效放大时间序列的微弱变化,且计算简单、实时性高,已在信号突变检测方面显示出良好的应用前景。     

基于小波包能量谱的管道缺陷磁记忆检测信号特征研究

现有磁记忆检测技术判定准则,只能指示应力集中位置,无法进一步获取应力集中信息。为获取应力集中信息,提出一种基于小波包能量谱的磁记忆信号分析方法,进行试件拉伸试验。拉伸应力为200 MPa时,信号小波包能量谱分布较为均匀,各频带能量占总能量之比均小于15%,不存在集中分布的频带范围。拉伸应力为410 MPa时,信号小波包能量谱最大值分布在1,3,4频带,1~4频带能量之和占总能量的73.8%,小波包能量主要集中在低频段。试件屈服后,信号小波包能量谱最大值分布在1,2频带,能量谱分布极为分散,能量主要集中在低频段的1,2频带,1~3频带能量之和占总能量的87.3%。管道试件应力集中程度与磁记忆信号的小波包能量谱分布特征有关,应力集中程度越低,小波包能量谱分布越均匀;应力集中程度越高,小波包能量谱分布越集中,能量主要向低频段集中。     

飞机结冰时不变参数识别技术

飞机飞行过程中的遭遇结冰问题是较为普遍的飞行安全事故。随着飞机结冰问题受到的关注程度的提高,飞机结冰问题研究向智能结冰检测与控制综合的方向发展。而其中的首先需要解决的问题是飞机结冰参数检测技术。通过引入飞机六自由度仿真模型以及飞机结冰参数模型,然后利用H∞参数识别方法定量检测的飞机气动导数,从而可以定量描述飞机结冰后气动导数变化。仿真计算结果达到满意的效果,该识别方法对外界扰动有一定的鲁棒性。     

【专题】基于深度学习及FPGA的装备目标检测研究

本文应用深度学习技术实现海天背景下基于可见光、红外方式成像的舰船及角反、烟幕干扰的目标检测,这也是反舰导弹作战使用的关键技术之一。采集的可见光与红外成像目标检测数据集涵盖实施典型干扰下的态势场景,贴近实战;结合四种不同的目标检测机制,选取YOLOV3、Faster R-CNN、SSD及CenterNet四种典型模型分别进行训练与验证,通过对比分析进一步提高弱小目标、复杂干扰态势的的检测,可以实现端到端的高精度装备目标检测模型。在确保精度的前提下基于现场可编程门阵列（FPGA）进行软硬件协同设计,通过对比分析选定基于Vitis AI的实施方案,经过模型的量化、编译与优化,可在保证检测效率的前提下快速实现模型的小型化部署,便于进行装备移植。研究结果表明,该研究内容可有效提高现役反舰导弹目标检测的准确率。     

【专题】智能化装备检测能力建设研究

装备检测是装备性能监测、故障预测和诊断、健康管理、战斗力评估和再生的基础和前提。随着大数据、云计算、智能算法、智能芯片等智能化技术的突破性发展,军事智能化时代已经在全球兴起,并驱动装备体系向信息化、智能化方向发展。针对信息化、智能化装备综合性强、技术性高、战斗力强及结构复杂等特点,本文首先给出了装备检测的意义,然后分析了智能化装备检测面临的问题,最后从构建科学化规范化装备检测标准、智能化检测系统、多样化检测方法、智能化数据处理和智能化检测人才队伍建设五个方面给出智能化装备检测能力建设的意见和措施,以期为未来军队智能化装备检测能力建设提供一定的科学理论支撑。     

基于深度学习及FPGA的装备目标检测研究

本文应用深度学习技术实现海天背景下基于可见光、红外方式成像的舰船及角反、烟幕干扰的目标检测,这也是反舰导弹作战使用的关键技术之一。采集的可见光与红外成像目标检测数据集涵盖实施典型干扰下的态势场景,贴近实战;结合四种不同的目标检测机制,选取YOLOV3、Faster R-CNN、SSD及CenterNet四种典型模型分别进行训练与验证,通过对比分析进一步提高弱小目标、复杂干扰态势的的检测,可以实现端到端的高精度装备目标检测模型。在确保精度的前提下基于现场可编程门阵列(FPGA)进行软硬件协同设计,通过对比分析选定基于Vitis AI的实施方案,经过模型的量化、编译与优化,可在保证检测效率的前提下快速实现模型的小型化部署,便于进行装备移植。研究结果表明,该研究内容可有效提高现役反舰导弹目标检测的准确率。     

结合YdUaVa颜色模型和改进MobileNetV3的视频烟雾检测方法

为降低视频烟雾检测中的虚警率和提升检测效率,提出Y^dU^aV^a颜色模型,该模型可以表征烟雾的空间域分布特性和时间域变化特性。利用该颜色模型快速筛选出疑似烟雾图像块,降低虚警率和提升运算效率。提出改进的MobileNetV3网络结构,用于提取图像深度特征并对疑似烟雾图像块进行分类识别,检测视频中是否存在烟雾。视频烟雾检测仿真结果表明:该方法准确率和检测帧率高,虚警率低。