焊缝缺陷三维成像及亚像素定量方法研究

为实现工业设备中焊缝结构内部缺陷准确地定量分析,针对构造缺陷三维重构模型时缺陷图谱的过分割和欠分割导致定量分析不够精确的问题,提出了一种基于图谱颜色分割的新算法。利用该算法处理缺陷切片并进行三维重构获取其长度,应用Canny算子与三次样条插值法结合获取缺陷亚像素边缘,基于缺陷区域连通标记算法和累加法可获取缺陷面积和体积的方法。研究结果表明：与实际数据对比,未焊透、未熔合、夹渣缺陷重构的长度误差分别为8.18%、5%、9.62%,基于此对分割缺陷的亚像素边缘内连通域进行标记以准确地获取其面积及体积。该方法能够在不破坏焊缝结构的情况下即时获取焊缝内部缺陷的形貌并对其进行精准且全面的定量分析。     

基于可变卷积与迁移学习的小样本检测方法

针对主流方法对弱小目标识别效率低的问题,提出了一种基于可变卷积与迁移学习的小样本检测方法。基于可变卷积思想改进特征提取主干网络,实现在少量数据上达到和普通卷积在大量数据上相等的学习能力。设计一种Soft-NMS共同作用的方法降低多目标重叠容易出现的漏检问题。通过在公开数据集PASCAL VOC和实测弱小目标数据集上的实验表明,所提算法实现小样本条件下对实测弱小目标的检测与识别,且与原始方法相比性能有显著提高,在公开数据集上较原算法提高了5.5%,在实测数据集上较原算法提高了8.3%。     

基于GA的卷积神经网络结构化剪枝算法

为解决传统神经网络模型过参数化问题,提高深度学习模型工程化实现的效率,提出了基于GA的结构化模型压缩算法.该方法从全局搜索空间对模型各层卷积核进行结构化剪枝,并以"高检测精度,低网络规模"为准则建立适应度函数,解决传统权重剪枝易陷入局部最优和剪枝结果对硬件平台不友好问题,获得精度损失低、模型压缩率高的轻量化模型结构.     

亚像素图像处理技术及其在网格法中的应用

图象分辨率大大低于胶片是数字图像处理系统的一大弱点,此弱点极大地限制了数字图像处理技术在精密测量等领域的应用。亚像素软件处理技术能弥补硬件这一缺点。本文介绍了常用的正像素图像处理技术,并将其应用于网格测量方法;提出了处理大曲率网格线的新方法──线跟踪算子,并实现了大曲率网格的亚像素处理。关键词     

无限大导体平面上凹槽散射的快速多极子分析

采用快速多极子方法计算无限大导体平面上凹槽的雷达散射截面。由电磁场等效原理导出无限大导体平面上凹槽的等效电流和磁流组成的耦合积分方程,用共轭梯度法和电流迭代的方法求解此耦合积分方程,在迭代的过程中用快速多极子方法加快矩阵和向量之间的运算,快速多极子方法的引入使计算量和内存需求都由O(N2)下降到O(N1.5)。给出了算例,计算结果表明本文算法所得的结果与MOM的结果完全相符。     

陈玖学及其《评注七子兵略》考论

《评注七子兵略》的作者陈玖学,生活在公元1560至1641年前后,是明代绍兴府未出仕的文人,在乡里社会中年高德劭、颇具影响力。《评注七子兵略》原名《新镌增补标题武经七书》,最初刊刻于公元1614年,成书后不久即遇明清鼎革,在清代政治高压下陷入潜隐状态。陈氏后人对陈玖学著兵书一事亦缄默不言,使得陈玖学与其所著之书的关联度降低。及至近代,在救亡图存的时代氛围下,此书改名为《评注七子兵略》,陈玖学其人其书的具体信息直接被剥离,以致世人只闻其书而不详其人,但该书得以大量刊行、广为流传,展现出一定的学术活性与军事价值,特别是在军事教育领域发挥着重要作用。陈玖学其书曲折的流传过程以及在清代与近代截然不同的命运,生动而细腻地展现了传统兵学典籍与时代环境之间复杂的互动关系。     

基于卷积神经网络的空中目标粗分类研究

空中目标的准确分类与识别是防空作战的关键环节。将卷积神经网络应用到空中目标粗分类任务。实验基于Alex Net卷积神经网络模型,并利用建立的小规模数据集进行微调训练,从而提取目标特征并进行分类识别。再和利用HOG特征的分类方法进行对比实验,发现前者具有较大准确率的提升。得出利用卷积神经网络提取的特征具有更强大的表示目标的能力,为进一步实现跟踪空中目标打下实践基础。     

图像超分辨率卷积神经网络加速算法

为了实现模型的实时和嵌入式运行，提出了一种轻量级的卷积神经网络结构。通过采用较小的滤波器尺寸和引入深度可分离卷积，可大量减少模型参数，提高模型非线性表达能力；在网络末端引入子像素卷积层，直接从原始低分辨率图像学习到高分辨率图像的映射，计算成本为原来的1/k²(k为放大因子)。在Set5数据集上的实验表明，所提模型的速度较经典的图像超分辨率重建算法速度提高了25.8倍，能够在通用GPU上实时运行，峰值信噪比平均提高了0.17 dB，并且参数只有它的35%。     

Zernike矩的不变性分析及其改进

Zernike矩作为一种基于区域的形状描述子,具有良好的旋转不变性,能够很好地提取图像内部的形状信息。介绍了Zernike矩的定义,对其不变性进行了深入分析,并对Zernike矩算法进行了改进,使其在具有良好的旋转不变性的基础上,也具有较好的平移不变性和比例不变性。结果表明,改进后的Zernike矩具有更好的不变性,可更好地应用于图像识别中。     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。