实时反射内存网络在试飞实时监控系统中的应用

围绕试飞实时监控系统的结构和现代飞机试飞和航空武器试验的特点,为满足实时监控时更高的实时性、可靠性要求,文章给出了基于实时反射内存网络的实时网络解决方案,并对实时反射内存网络与传统计算机网络进行了对比分析,通过试飞试验验证,证明是一种成熟、有效的试飞实时监控系统的体系结构。     

基于RTW的单相锁相环控制新方法研究

给出了一种基于DSP TMS320F2812和MATLAB实时代码生成工具(RTW)的单相整流器锁相环控制系统,介绍了MATLAB实时仿真控制系统的搭建过程和实际系统的硬件结构;并在此防控一体化控制平台上,介绍并改进了一种双坐标反馈方法设计锁相环的算法,首先利用Matlab/Simulink工具建立了算法模型,并给出了其仿真结果,结果显示功率因数基本为1;然后将仿真模型转换成实时代码,并将代码烧写到DSP控制实际系统中给出了实验结果,实验结果显示相位差为-2度左右,电流稳定在一定值,与仿真结果吻合,证明了这种由可视化模型生成代码的方法不仅缩短了开发周期,而且提高了系统的能观能控性。     

基于STM32的飞机电气负载管理中心设计

传统飞机远程配电系统使用采样电阻对模拟电参数进行采集,硬件电路繁琐,实时性、可靠性和采样效率在实用中很难满足系统要求;针对这种情况,设计一种基于STM32的飞机电气负载管理中心方案,采用RN8209计量芯片替代传统的采样电阻,设计模拟量采集模块电路,通过MODBUS协议与控制内核通信,完成汇流条以及负载电压、电流的采集;以μC/OS-II实时嵌入式操作系统为软件平台,给出了电气负载管理中心的整体框图,硬件接口电路和系统程序设计;实验结果表明,电气负载管理中心实时性得到有效提高,采样精度得以保留;该方案有效地简化了硬件电路,获得满意的采样效率,同时系统的可靠性增强。     

基于北斗导航的车载监控系统

为了解决车辆失窃以及车内盗窃事件因缺乏有力的证据等问题无法侦破的困难,提出了一种基于北斗导航的车载监控系统;系统采用软硬件结合的开发方法,基于S3C6410开发板进行研发,使用LINUX作为操作系统,实现了图像采集、北斗卫星导航定位以及GPRS无线传输等功能;系统可实时监控汽车,10 s内通过短信方式快速提供车载位置和图像信息,有效减少汽车失窃事件的发生,也能为破案提供直接的证据,在基于我国自主的北斗导航应用方面实现了创新,系统工作快速、灵活、稳定,市场前景广阔。     

基于脉冲分组的光剂量监控新算法

精确控制脉冲激光加工光剂量是保证加工产品工艺和质量的关键。在对现有的光剂量控制算法进行分析后,提出了基于脉冲分组的光剂量监控新算法,有效提高了光剂量监测精度和反馈控制速度。设计了光剂量监控系统,实现了脉冲激光加工光剂量实时监测及反馈控制。与Ophir公司的StarLab激光能量测量系统相比,500个激光脉冲以内的总能量测量,本系统测量误差不超过±0.1 5%。对一套脉冲最大重复频率为10 kHz、单脉冲最大能量为5 mJ、恒压工作下最大能量波动为±10%的脉冲激光加工系统光剂量进行了监控实验。在本系统的监控下,可将日标光剂量为150 mJ/mm~2以内的加工光剂量控制精度和重复精度分别控制在0.90%和0.100mJ/mm~2以内,同时将光剂量反馈控制速度提高了4倍。     

场景自适应的跟踪特征选择机制研究

视频目标跟踪是当前计算机视觉领域中的一个关键问题。基于场景分类提出了一种视频目标特征的实时在线选择方法。离线时首先采用改进型的"空间金字塔匹配"算法完成先验视频场景的分类;然后采用不同的描述算法实现对目标和背景的特征描述,通过对数形式的方差比计算出目标和背景的特征距离;最后融合均值和熵值对特征距离进行统计分析,建立场景相关的描述子显著性排序。在此基础上,在线时利用初始帧完成测试视频的场景判定,结合当前场景下的描述子排序,实时选择最优特征,应用于粒子滤波跟踪系统,在公开视频库上进行跟踪测试,验证排序的正确性和选择机制的必要性。     

基于光纤Bragg光栅的量测锚头压力研究

锚头的受力情况对整个锚杆的安全性有着重要影响。为了实时反映锚头的受力状态,将2只光纤Bragg光栅沿45°粘贴在轮辐式结构锚头的两根对称辐条中点处表面上,形成轮辐式测力传感结构,辐条在压力作用下产生剪切变形,引起辐条表面的光纤Bragg光栅中心波长移位。通过对光纤Bragg光栅中心波长移位的测量,实现在锚头处锚杆轴向拉力的在线监测。锚头压力实验表明:光栅1的测力灵敏度为108.8pm/kN,线性度为0.042%FS;光栅2的测力灵敏度为115pm/kN,线性度为0.023%FS。     

基于改进Mean Shift算法的实时视频目标跟踪

设计了一套嵌入式平台上实现的视频目标跟踪系统.该系统采用CMOS图像传感器获取视频信号,利用Z228多媒体芯片自带的ARM9处理器完成视频信号的控制,并通过MPEG-4硬件编码器实现视频信号的压缩.用Mean Shift算法跟踪运动目标,针对其收敛的局限性设置多个搜索点来提高其跟踪效果.通过减少采样点和标记已计算点来提高代码运行速度,增强了跟踪的实时性.实验结果表明,本系统能以27 fps速率连续稳定地实现视频目标的跟踪.     

基于NPU的实时深度学习跟踪算法实现北大核心CSCD

深度学习在检测领域高速发展,但受限于训练数据和计算效率,在基于嵌入式平台的边缘计算领域,尤其是实时跟踪应用中深度学习的智能化算法应用并不广泛。针对这一现象,同时为满足现阶段国产化、智能化的技术需求,提出了一种改进的孪生网络深度学习跟踪算法。在特征网络加入微调网络,解决了网络模型无法在线更新的问题,提升了跟踪的准确性;在IoUNet损失函数中加入中心距离惩罚项,解决了IoUNet当IoU相同时位置跳跃,存在收敛盲区和收敛速度慢的问题;将训练后的网络通过通道剪枝,缩减网络模型尺寸,提升了模型加载和运行的速度。在华为Atlas200NPU平台上实现了实时运行,算法准确率高达0.90(IoU>0.7),帧率达到66 Hz。