形态小波在中厚板表面裂纹缺陷检测中的应用

中厚板表面裂纹缺陷在图像中容易受背景噪声和氧化铁皮的影响,传统的图像处理方法很难将裂纹缺陷从图像中检测出来.提出了将形态小波变换应用于中厚板表面裂纹缺陷检测的方法.该方法利用小波分解对突变信号的检测能力,结合裂纹缺陷在形态上近似于直线的性质,将裂纹缺陷从图像中准确提取出来.实验证明形态小波用来检测中厚板表面裂纹缺陷比用其他方法更有效.     

多传感器信息融合及在轮胎压力监测系统中的应用

轮胎是汽车的的重要安全部件,为了提高轮胎压力监测系统的精度,提高报警的准确性,减少误报漏报,为安全行驶保驾护航;本文主要介绍了传感器技术和多传感器信息融合基本理论以及多传感器信息融合技术在TPMS中的应用,建立基于多传感器信息融合的TPMS模型,并对两种TPMS融合方案设计进行了分析研究。     

ABAMECTIN与Bt制剂复配的杀虫增效作用

以菜青虫为试虫测定abamectin与Bt8010复配的毒力。结果表明abamectin—Bt8010的5种不同配比均有不同程度的增效作用,其中以5000IUBt8010+0.1％abamectin的增效作用最为显著,其共毒系数为289.4.室内药效测定结果,用该配比制成的可湿性粉剂对花椰菜、白菜、番茄、豌豆、蚕豆、茶树、柑桔、马尾松8种植物上分属鳞翅目、同翅目、鞘翅目、双翅目和蜱螨目的23种害虫有较好的杀灭效果。混配制剂对鳞翅目幼虫仅能提高用药24h后的杀灭率,并不能提高24h内的杀灭速度。     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

基于D-S证据理论的多源遥感图像目标数据联合关联算法

以遥感图像目标识别结果为主,结合卡尔曼滤波器获得的目标运动状态估计结果,提出一种基于D-S证据理论的目标数据联合关联算法.蒙特卡罗模拟实验结果表明,该方法稳定性较强,适合于对海上船舶等遥感图像目标的持续跟踪.     

基于802.15.6的分组检测算法设计与仿真

针对BAN(body area network)系统传输数据分组具有突发性的特点,设计了一种基于数字匹配滤波器和自适应门限判决的分组检测方法.根据数字匹配滤波器的原理和BAN调制信号的特点分析获得了相关峰值的计算方法,采用自适应门限判决的方法对相关峰值进行判决实现分组检测,并利用Matlab对算法性能进行了仿真.仿真结果表明,采用的分组检测算法在一定频偏范围内均具有较高的检测概率.     

二极管电容检测用于微加速度计的误差分析

方波激励下的环形二极管电容检测电路应用于微机械加速度计是一种新的尝试.根据实践,该方案可以很好地在闭环系统中工作.该文建立了这种解调电路的数学模型,进行了误差分析,给出了其参数对闭环系统的影响.该方案在将检测电容变化转换为电压变化的过程中会引入非线性因素,该文证明了这种影响在闭环后可以忽略.计算结果表明,较解调电容的变化,敏感结构电容的变化将对输出电压的变化起主要的影响作用.此外,推导出的静电力公式说明,较大的激励电压会减小系统的稳定裕量.     

基于小波矩特征的小波神经网络目标识别

提出一种具有尺度、平移与旋转不变性的目标识别方法.该方法首先提取目标图像的小波矩特征,然后与小波神经网相结合,构成一套目标识别系统.小波矩不变量不仅可以表示图像的全局特征,而且还能表示局部特征;而小波神经网络结合了小波分析和传统神经网络的优点,具有很强的学习能力和推广能力.因此基于小波矩的小波神经网络目标识别系统在进行目标识别时具有很大的优势.实验中使用该方法对4类飞机目标进行识别,实验结果证明其识别率高于其它的目标识别方法.     

通航机场场面运动目标检测方法

针对传统YOLOv3(you only look once-v3)算法目标检测精度较低、收敛速度较慢等问题,提出了一种改进的YOLOv3算法,分别对主干网络和损失函数进行了改进。采用迁移和冻结相结合的训练方法,以提升目标检测的精确度和速度。基于改进的YOLOv3算法对西南某通航机场3种不同场景下的运动目标检测效果进行了对比分析。结果表明,改进的YOLOv3算法对正常天气场景下的场面运动目标检测效果要明显优于雾天和雨天场景,对飞机目标的检测效果明显优于车辆和行人目标;3类目标的检测精度、召回率、平均精度值(mean average precision, mAP)分别达到92.96%、80.51%、91.96%,GPU处理速度为74.0帧/s,较传统YOLOv3算法和YOLOv4算法性能均有明显提升。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。