摘要:剪枝是一种减少卷积神经网络权重和计算量的有效方法，为CNN的高效部署提供了解决方案。但是，剪枝后的稀疏CNN中权重的不规则分布使硬件计算单元之间的计算负载各不相同，降低了硬件的计算效率。文章提出一种细粒度的CNN模型剪枝方法，该方法根据硬件加速器的架构将整体权重分成若干个局部权重组，并分别对每一组局部权重进行独立剪枝，得到的稀疏CNN在加速器上实现了计算负载平衡。此外，设计一种具有高效PE结构和稀疏度可配置的稀疏CNN加速器并在FPGA上实现，该加速器的高效PE结构提升了乘法器的吞吐率，同时可配置性使其可灵活地适应不同稀疏度的CNN计算。实验结果表明，提出的剪枝算法可将CNN的权重参数减少50%~70%，同时精度损失不到3%。相比于密集型加速器，提出的加速器最高可实现3.65倍的加速比；与其他的稀疏型加速器研究相比，本研究的加速器在硬件效率上提升28%~167%。

摘要:现有光伏电池板缺陷检测多采用电致发光激励以及面阵相机检测等方法，存在操作复杂、效率低等问题，为此开展基于线阵InGaAs相机的光伏电池板光致发光成像系统研究。首先，设计线阵InGaAs相机硬件框架与逻辑框架，以FPGA驱动线阵InGaAs相机完成数据采集与图像显示。通过固定模式噪声去除算法与直方图双向均衡算法，去除了缺陷图像中固定模式噪声，同时提升了图像的对比度和清晰度。最后通过搭建整体成像系统，通过光致发光成像对不同种类的光伏电池板的多种缺陷进行成像实验，检测精度达到0.2 mm/pixel。实验结果表明该系统可以完成对单晶硅与多晶硅光伏电池板中隐裂、黑斑、坏片、混档和脏污等缺陷的检测。

摘要:针对单光子计数器对高速飞行光子时间测量的高分辨率要求，传统的TDC在时间测量上存在误差较大的不足。本文设计了一种利用FPGA内部逻辑延迟单元Carry4级联构建延迟链的TDC。该方法首先使用子链平均的方式进行数据采样，避免数据“气泡”。其次，结合码密度测试和bin-by-bin校准将各级延迟单元宽度校准至接近均匀宽度，提高系统的测量精度。最后，通过Vivado软件仿真并烧录至ZYNQ7000进行板级测试，实验结果表明，该TDC能够在3 ns的动态时间范围内实现时间分辨率10.91 ps，差分非线性(DNL)范围为［-0.75, 1.01］LSB，积分非线性(INL)范围为［-1.74, 2.19］LSB。

摘要:锂电池健康状态（SOH）的准确估算对电池系统的健康管理起着重要作用，为提高SOH的估算精度，提出一种将参数优化后的多元变分模态分解（MVMD）和随机配置网络（SCN）相结合的SOH估算方法。从锂电池充放电过程中提取多个健康因子（HF)作为SOH估算模型的输入，在斑马优化算法（ZOA)全局阶段引入自适应权重和最优领域波动策略，提高其全局搜索能力，得到改进全局的斑马优化算法(IGZOA)，利用它对MVMD和SCN参数进行寻优，最后在9个基准函数测试IGZOA性能，在NASA和CALCE数据集上将所提方法与不同方法进行锂电池SOH的估算对比，结果表明，所提方法的均方根误差和绝对误差的平均值分别为0.84%，0.93%，具有更高的预测精度和泛化性。

摘要:针对A*算法在移动机器人路径规划存在搜索效率低，路径斜穿障碍物顶点，路径拐弯多等问题。提出一种改进的A*算法，首先在A*算法的邻域扩展中采用避免斜穿障碍物顶点的策略；再引入障碍物因素对评价函数进行指数加权，减少不必要的搜索，提高A*算法的效率和灵活性，使算法偏向于选择障碍物较少的路径；最后使用三次优化折线的策略，加入障碍物安全距离，减少路径上的冗余节点和拐弯。使用MATLAB进行实验仿真，结果表明，在20 m×20 m、40 m×40 m、60 m×60 m栅格地图环境下，改进A*算法较传统A*算法，搜索时间分别减少70.12%、84.31%、91.44%，扩展节点分别减少53.77%、71.20%、74.30%，路径累计拐弯角度分别减少70.48%、76.31%、82.18%，改进A*算法能够有效的提高移动机器人路径规划的效率，路径更为平滑和安全，且在复杂环境中优势更为明显。

摘要:针对无人船受到风浪等不确定性干扰时易出现轨迹跟踪误差大、自适应增益范围小、滑模控制方法的抖振等问题，提出了一种新型自适应超螺旋滑模控制算法。根据无人船结构建立数学模型，引入轨迹参考点将数学模型转换为二阶系统微分方程；设计自适应超螺旋滑模控制器；构造Lyapunov函数，推导满足系统闭环稳定性的自适应增益。在考虑风阻、浪阻的情况下，将本文方法分别与超螺旋滑模控制和传统自适应超螺旋滑模控制这两种方法进行仿真实验对比。结果显示，在仿真实验的30 s中，本文方法的轨迹跟踪平均绝对误差比超螺旋滑模控制和传统自适应超螺旋滑模控制分别减少了0.60 m和0.27 m，仿真结果表明本文方法能够有效提高系统控制性能，抑制抖振，减小轨迹跟踪误差。

摘要:为了提高数字仪表数显区域检测的实时性和鲁棒性，提出一种改进AdvancedEAST算法，以快速、准确地完成变电站数字仪表数显区域检测。首先，在AdvancedEAST模型框架下，构建一种注意力机制增强的轻量级主干网络ES-MobilenetV3，通过考虑不同层提取特征对结果的影响，引入ECA和多维注意力机制（ECA-SE）对MobileNetv3的Bneck块进行改进，在保持性能和复杂性平衡的前提下，突出关键特征。在颈部网络中引入深度可分离卷积，降低网络计算的复杂度，提高检测速度。同时，使用迁移学习策略，提高小样本下模型的泛化能力。最后，在构建的变电站数字仪表数据集上进行试验验证，结果表明，所提算法在保证检测精度的情况下，模型的参数量相比AdvancedEAST算法减少82%，检测速度提升近2倍。

摘要:针对船舶运动预测模型精度不高而造成预测结果误差大的问题，提出一种利用改进非洲秃鹫优化算法（IAVOA）优化模型参数的极限学习机（ELM）预测模型,对船舶运动状况进行预测。在初始化种群时引入Circle混沌映射，增加种群的多样性；加入自适应算子，调整两类秃鹫对其他秃鹫的指引作用，提升算法的收敛速度和解的质量。利用IAVOA优化的ELM模型对船模水池试验运动数据进行预测，并采用均方根误差和平均绝对误差评判该预测模型，与现有其他启发式算法优化ELM模型比较，所提出的IAVOA-ELM具有更优的预测精度和泛化能力。

摘要:针对多段连续体机器人的轨迹规划问题，提出了一种基于深度确定性策略梯度强化学习的轨迹规划算法。首先，基于分段常曲率假设方法，建立连续体机器人的关节角速度和末端位姿的正向运动学模型。然后，采用强化学习算法，将机械臂的当前位姿和目标位姿等信息作为状态输入，将机械臂的关节角速度作为智能体的输出动作，设置合理的奖励函数，引导机器人从初始位姿向目标位姿移动。最后，在MATLAB中搭建仿真系统，仿真结果表明，强化学习算法成功对多段连续体机器人进行轨迹规划，控制连续体机器人的末端平稳运动到目标位姿。

摘要:通过激光传感器获取的三维点云难免混入噪声和异常点，导致点云平面的拟合精度降低。为解决该问题，本文提出了一种结合M估计样本一致性(MSAC)算法和主成分分析(PCA)法拟合点云平面的方法。该方法首先通过MSAC算法去除点云数据中的异常点，获得较为理想的点云平面，然后使用PCA方法对保留的点云数据进行平面拟合，以获取更加精确的点云平面参数。使用电池托盘作为被测物，应用3D线激光轮廓传感器扫描被测物并将点云数据传输到计算机进行处理。通过设定的仿真数据和电池托盘点云数据进行实验，发现本文方法与随机采样一致性(RANSAC)结合PCA、最小平方中值(LMedS)结合PCA的方法相比，在耗时接近的情况下，能够显著降低异常点对点云平面拟合的影响，获得更精确的平面拟合参数。对两个部分的电池托盘点云滤波处理后进行平面拟合时，能够发现本文方法与其他两种方法相比，标准差分别降低了28.6%和22.5%%、24.0%和29.0%，该方法具有较高的平面拟合精度和实用性。

摘要:深入研究了融合航海优先级（NP）和优先级经验回放（PER）策略的深度Q网络（DQN）算法在海上环境智能路径规划问题上的应用。不同于传统路径规划算法，本优化算法能够自主探索并学习海上环境的规律，无需依赖人工构建的海洋环境全局信息。本研究开发了基于Gym框架的海上仿真环境，用以模拟和验证改进的DQN模型。该模型融合了航海优先级和优先级经验回放机制，通过调整学习过程中经验样本的利用频率，提升了算法对重要决策的学习效率。此外，引入新的奖赏函数，进一步增强了模型对路径规划问题的适应能力和稳定性。仿真实验结果证明，该模型在避免障碍物及寻找最佳路径方面相较于基准方法有显著提升，展现了一定的泛化性和优秀的稳定性。

摘要:针对高铁运行速度过快，容易导致受电弓碳滑板的监测图像出现运动模糊问题，提出了一种改进多阶段渐进式网络的图像去模糊方法。首先，引入混合膨胀卷积作为特征提取网络，在不改变计算量和特征图分辨率前提下，可以增大局部感受野，进而可获取高质量的图像纹理和细节信息；其次，引入像素点注意力机制，自适应地选择每个像素点的权重值，增强模型去模糊质量；再次，引入混合损失函数，提高模型对不同类型模糊的鲁棒性；最后，制作1 600对受电弓碳滑板监测图像合成数据集以供模型进行训练和测试。为了评估所提网络的去模糊效果，将训练所得模型在上述数据集上进行了测试，实验结果表明峰值信噪比达到了38.82 dB、结构相似性达到了0.972 3，在视觉上较另外7种经典方法能更好地复原图像的边缘轮廓和纹理细节信息。有效地提升了模型的鲁棒性。

摘要:无监督立体匹配算法在自动驾驶等领域有重要的应用，然而无监督立体匹配算法在物体连续、边缘等细节信息区域的视差精度较低，本文提出了一种提高细节信息区域精度的无监督立体匹配算法。通过在特征金字塔网络中引入空间注意力机制和残差网络，设计了一种空间特征金字塔网络算法，抑制特征提取过程中边缘和小目标细节信息的丢失。构建了视差融合模块，将半全局立体匹配算法生成的原始视差和视差回归生成的初步视差进行置信度视差融合，提升连续细节信息区域的精度。对于网络损失函数，集成了原始视差监督损失和置信度遮挡损失，保留更多图像边缘和连续区域处的细节信息。实验结果表明，本文算法在KITTI 2015测试集中非遮挡区域和所有区域的误匹配率分别为6.24%和5.89%，与其他经典算法相比在细节信息区域的效果、精度方面有较大提升。

摘要:基于实际工程检测现场神经网络结构庞大、参数量巨大、环境复杂，硬件设备性能差等原因导致缺陷的实时检测速率慢、精度低的问题，本研究结合MobileNet中的深度可分离卷积配合ECA注意力机制模块的轻量化思想，以及U-Net网络的特征提取模型提出了一种基于改进U-Net网络模型的光伏电池板缺陷检测方法。同时，根据光伏电池缺陷的特点，选择适合的激活函数以及对交叉熵损失函数进行了改进。实验结果表明，改进的U-Net算法较原算法不仅将参数量减少了36%，而且对裂纹、黑斑等缺陷的检测精度达到了97.05%，相对传统网络具有较好的光伏电池表面缺陷分割效果。

摘要:针对航拍图像目标尺度小、背景复杂、漏检和误检严重，提出了一种基于位置感知和跨层特征融合的航拍小目标检测算法DC-YOLOv8s。DC-YOLOv8s新增小目标检测层，增强对小目标尺度的敏感性，提高检测精度。为了减少特征信息的丢失，设计了跨层特征融合模块，充分融合小目标浅层语义信息和深层语义信息，丰富特征表示。改进C2f结构，结合可变性卷积设计了基于位置感知融入残差的感受野注意力模块，适应航拍小目标形状的变化，快速提取感受野特征，降低漏检和误检率。最后使用基于注意力机制的动态检测头在尺度感知、空间感知、任务感知方面提高复杂场景下小目标的定位性能。实验表明，在VisDrone2019数据集上，DC-YOLOv8s在P、R、mAP上相较于YOLOv8s分别提高了7.2%、7.5%、9.1%，显著提高了小目标检测的性能，FPS为71帧，满足实时性要求。在VOC2007+2012上进行模型泛化性实验验证，效果优于其他经典算法。

摘要:为了解决弱纹理飞机蒙皮特征点分布不均匀、正确匹配的特征点对较少的问题，提出了一种改进的LoFTR算法对飞机蒙皮图像进行拼接。根据相机位姿利用柱面反投影对蒙皮图像进行曲面校正；通过图像之间的重叠区域确定特征提取区域，从而减少错误匹配点对的生成；使用LoFTR算法进行特征提取，并且使用RANSAC算法对特征点进行筛选；根据图像分块的思想对重叠区域进行网格划分来对特征点进一步筛选，使得特征点分布更加均匀，得到更加准确的变换矩阵进行图像配准。实验在自研无人车采集的飞机蒙皮图像上进行了测试和验证，改进的方法与SIFT、SURF、ORB、BRISK以及AKAZE进行了特征匹配率比较实验，SIFT、SURF、ORB、BRISK和AKAZE匹配率分别为4.84%，0.47%、2.9%、0.86%、5.08%，提出的算法特征匹配率达到55.21%，SSIM平均值提高了44.38%~88.46%。该方法适用于对飞机蒙皮图像的拼接任务，且不存在因弱纹理而导致漏拼的问题。

摘要:针对在小样本图像分类中传统骨干卷积网络进行特征提取时会有上下文信息单一和感受野受限以及边特征相似度度量缺乏全局性问题，本文提出了一种基于原型嵌入图网络的小样本图像分类算法。首先，将CBAM产生的权重值与ASPP以不同采样率获取的不同尺度特征进行相乘的特征作为图网络的节点嵌入特征。然后，采用原型网络的方法在度量模块中构建了原型节点，使得成对节点之间的相似性计算转化为单个节点与原型节点相似性的和计算，将得到的相似度作为边特征输入图神经网络。最后，利用双图结构在多个更新代后将标签信息从有标签样本传播到无标签样本。在以ResNet-12为骨干卷积网络的算法分类任务中，本文在miniImageNet、tieredImageNet、CUB-200-2011和CIFAR-FS 4个数据集上的5-way 1-shot的任务分类准确率分别达到了71.47%、75.41%、86.21%和79.84%，在以Conv-4作为骨干卷积网络中，本文提出的算法在5-way 1-shot和5-way 5-shot任务中都优于现有的图网络方法。

摘要:水下光学环境的特殊性导致了正常拍摄的水下图像存在雾化现象、偏色和低对比度，现有复原方法存在深度图上局部错估和透射图不精确的问题。为了更好的提升水下图像的质量，提出了一种能够平衡衰减、精确估计全局环境光的改进暗通道的水下图像复原算法。通过梯度图和通道差构建深度图，获取全局环境光；通过平衡衰减的暗通道，得到更精确的透射图；通过白平衡算法校正色偏，进一步改善图像质量。为了验证算法的有效性，在UIEBD数据集和RUIE数据集上进行了实验评估，UIQM指标分别为1560和1668，UCIQE指标分别为0470和0364。实验结果表明，本文提出的改进能有效提升水下图像的复原效果。

摘要:弯头作为管道的重要组成部件，受流体冲刷侵蚀等形成的缺陷对其安全运行构成威胁。漏磁检测是管道缺陷检测的有效技术，缺陷的精确量化具有重要意义。为了研究小管径弯头不同位置缺陷图像规律，并提高缺陷量化精度，提出一种改进Canny算子的小管径弯头漏磁缺陷图像量化方法。通过建立小管径弯头漏磁内检测仿真模型，分析了弯头不同位置处金属损失缺陷的图像规律。采用形态滤波和OTSU优化Canny算子，结合图像处理方法构建了缺陷图像量化模型，并对弯头不同位置缺陷深度量化做修正处理。实验结果表明，弯头不同位置缺陷在图像上呈现出明显的差异性，量化模型对缺陷长度和宽度的量化具有较高的精度，误差均小于2 mm。缺陷深度的量化误差较大，修正后深度量化的精度为86.34%，满足金属损失缺陷量化精度需求。该方法可实现缺陷漏磁图像量化处理，对管道漏磁缺陷量化具有一定意义。

摘要:针对多视图立体网络在弱纹理或非朗伯曲面等挑战性区域重建效果差的问题，首先提出一个基于3个并行扩展卷积和注意力机制的多尺度特征提取模块，在增加感受野的同时捕获特征之间的依赖关系以获取全局上下文信息，从而提升多视图立体网络在挑战性区域特征的表征能力以进行鲁棒的特征匹配。其次在代价体正则化3D CNN部分引入注意力机制，使网络注意于代价体中的重要区域以进行平滑处理。另外建立一个神经渲染网络，该网络利用渲染参考损失精确地解析辐射场景表达的几何外观信息，并引入深度一致性损失保持多视图立体网络与神经渲染网络之间的几何一致性，有效地缓解有噪声代价体对多视图立体网络的不利影响。该算法在室内DTU数据集中测试，点云重建的完整性和整体性指标分别为0.289和0.326，与基准方法CasMVSNet相比，分别提升24.9%和8.2%，即使在挑战性区域也得到高质量的重建效果；在室外Tanks and Temples中级数据集中，点云重建的平均F-score为60.31，与方法UCS-Net相比提升9.9%，体现出较强的泛化能力。

摘要:跨域飞行器由于工作环境复杂多变，在飞行过程中运动参数受瞬态冲击影响较大，导致导航精度降低且难以稳定控制。针对瞬态冲击导致跨域飞行器难以获取准确运动参数的问题，本文研制了一种基于大小量程加速度计组合的惯性导航装置，并提出了一种大小量程加速度计切换策略，利用巴特沃斯滤波器对采集的数据进行滤波处理，通过预设阈值的累计和控制图算法和自主可变滑动窗口实现对冲击点的检测，并采用分段式线性插值方法保证了数据的同步性，最后通过模拟仿真和跌落台试验对本文所提出的切换策略进行试验验证，试验结果表明，分段式线性插值方法的估计误差不超过0.6 g，并在小量程加速计测量值饱和后，切换至大量程加速计的测量值，满足了实时切换的要求，进一步证明该惯性导航装置及大小量程切换策略可应用于飞行器进行跨域试验。

摘要:针对互质极化敏感阵列波达方向角（DOA）和极化参数估计中存在的计算复杂度高以及多信源情况下DOA解模糊配对错误问题，本文提出了一种基于模值约束降维求根多重信号分类（MUSIC）的DOA和极化参数联合估计算法。首先通过重构三维谱函数，对DOA和极化参数进行解耦，实现三维 MUSIC 方法的降维，然后利用多项式求根求解出DOA，并利用波束形成方法解决了互质阵列中存在的解模糊角度错配问题，最后利用极化矢量的模值有界性构造代价函数，推导出极化参数的闭式解。数值仿真结果验证了所提算法的有效性，结果表明，所提算法参数估计精度高于旋转不变技术（ESPRIT），与一维全局谱峰搜索MUSIC（1D-TSS-MUSIC）算法基本相当，但本文算法显著降低了计算复杂度，且在多信源情况下依然可以获得可靠的参数估计。

摘要:为解决目前肌肉力测量时用肢体末端力表示实际肌肉力大小，以及未将肌肉疲劳程度考虑在内的问题，本文提出了一种基于表面肌电信号和肌肉疲劳的上肢肌肉力预测方法。利用AnyBody软件建立上肢肌肉骨骼模型，并将上肢末端力经过仿真得到单块肌肉的肌力大小；采用肌肉等长收缩的时间来表征肌肉疲劳程度。10名健康男性受试者进行上肢等长收缩实验，提取实验过程中肱二头肌肌电信号的积分肌电值、均方根、中值频率、平均功率频率、最大小波系数及其对应频率六个特征值；将肌肉力与特征值、肌肉疲劳程度进行分析后发现三者之间高度相关。采用麻雀搜索算法优化BP神经网络的权值和阈值，构造并训练上肢肌力预测模型。经测试集检验结果表明，该方法的误差小于12%，可以对肌力进行较为准确的预测。

摘要:目前基于稳态视觉诱发电位（SSVEP）的脑-机接口在人机协作中受到广泛关注，现有面向SSVEP信号的相位与频率信息的深度学习分类方法，仍存在由于信息利用不充分导致的SSVEP信号分类效果较差等问题。而目前已出现多种分类算法用于解决上述问题。本文基于迁移学习思想提出一种用于SSVEP信号分类的深度神经网络模型，将快速傅里叶变换后的复向量作为输入，对各个导联的实、虚部向量进行卷积，学习对应的相频特性。该模型分为两部分：第一部分利用所有被试者之间的统计共性获得相位和频率信息的全局相频特征模块；第二部分利用训练好的全局相频特征模块对局部相频特征模块进行初始化，通过局部相频特征模块的进一步强化学习对训练参数进行微调，以减少每个被试者之间的个体差异。在公开数据集BETA上进行测试，在时窗长度为1.5 s时，平均准确率和平均信息传输率分别为89.98%和71.80 bit/min。实验结果表明，与其他方法相比，本文的分类算法模型取得了较为不错的分类效果，所设计的全局、局部相频特征模块能够改善个体差异因素对分类结果的影响，为深入挖掘、利用SSVEP信号中的相位和频率信息提供了全新思路。