针对当前发动机叶片损伤体积计算困难、误差较大的问题,提出一种基于点云的压气机叶片的损伤体积测量方法。首先,通过结构光扫描仪获取完整点云模型和损伤点云模型,配准分割得到缺损点云。其次,缺损点云经过姿态转换后与主成分轴对比分...针对当前发动机叶片损伤体积计算困难、误差较大的问题,提出一种基于点云的压气机叶片的损伤体积测量方法。首先,通过结构光扫描仪获取完整点云模型和损伤点云模型,配准分割得到缺损点云。其次,缺损点云经过姿态转换后与主成分轴对比分析、分层、切片、投影得到二维点云轮廓。最后,提出单向双次最近邻点搜索算法对二维点云的轮廓进行有序提取,使用坐标解析法求解投影面的面积,累加各层面积与切片间隔的乘积得到最终的体积。试验结果表明,提出的第一主成分轴方向切片体积计算效果更好,且轮廓提取算法对比凸包提取法、双向最近邻搜索和改进最近邻搜索算法(improved nearest point search,INPS)算法更准确,效率更高,与Geomagic软件结果相比平均相对误差不超过0.3%,证明了算法的高效性和有效性。展开更多
基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3...基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。展开更多
文摘针对飞机复合材料缺陷红外图像分辨率较低、检测精度不高等导致缺陷特征难以准确表征的问题,本文提出了一种YOLOv7-FSE(YOLOv7 FReLU-SiLU-EIOU)的改进检测算法。该算法首先将YOLOv7中SiLU激活函数替换为漏斗激活函数FReLU,提高对缺陷特征的空间敏感性。然后使用SPD-Conv(Space to depth Convolution)卷积改进特征提取方式,提升算法对低分辨率红外图像缺陷复杂特征的表征能力。最后将EIOU损失函数替代CIOU损失函数,通过优化边界框识别权重使其聚焦于生成更高质量锚框提升整体检测性能。对比结果表明,本算法相较于其他检测方法如Faster-RCNN、YOLOv3的mAP精度值分别提高10.8%、10.1%。与YOLOv7算法相比,YOLOv7-FSE算法的P精确度由88.3%提高到94.9%,mAP由90.1%提高到97.7%。该算法可应用在飞机表面复合材料缺陷的红外检测中,在结合搭载嵌入式设备开展快速检测方面具有潜在应用前景。
文摘针对当前发动机叶片损伤体积计算困难、误差较大的问题,提出一种基于点云的压气机叶片的损伤体积测量方法。首先,通过结构光扫描仪获取完整点云模型和损伤点云模型,配准分割得到缺损点云。其次,缺损点云经过姿态转换后与主成分轴对比分析、分层、切片、投影得到二维点云轮廓。最后,提出单向双次最近邻点搜索算法对二维点云的轮廓进行有序提取,使用坐标解析法求解投影面的面积,累加各层面积与切片间隔的乘积得到最终的体积。试验结果表明,提出的第一主成分轴方向切片体积计算效果更好,且轮廓提取算法对比凸包提取法、双向最近邻搜索和改进最近邻搜索算法(improved nearest point search,INPS)算法更准确,效率更高,与Geomagic软件结果相比平均相对误差不超过0.3%,证明了算法的高效性和有效性。
文摘基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。
