摆振会降低起落架的使用寿命,影响乘坐舒适性,甚至会引起机体损坏,导致飞机失事。为了抑制起落架摆振,本文采用时滞反馈非线性能量汇(nonlinear energy sink,NES)对起落架摆振进行多目标优化。以某轻型飞机起落架为研究对象,设计了基于...摆振会降低起落架的使用寿命,影响乘坐舒适性,甚至会引起机体损坏,导致飞机失事。为了抑制起落架摆振,本文采用时滞反馈非线性能量汇(nonlinear energy sink,NES)对起落架摆振进行多目标优化。以某轻型飞机起落架为研究对象,设计了基于NES的时滞反馈半主动控制减摆器,并建立了前起落架摆振系统分析动力学方程。通过线性多步法求解出时滞反馈半主动控制摆振系统的特征根,分析了减摆器可控阻尼系数对特征根最大实部的影响。以时滞量为设计变量,将振幅衰减时间和第四周期振幅的线性加权组合确定为目标函数。采用粒子群算法对该优化目标进行全局搜索,得到相应的最优时滞量,并与遗传算法得到的结果进行对比,验证了最优时滞量的可靠性,并在时域内对减摆器的减摆效果进行了验证。结果表明,与无时滞控制系统相比,采用最优时滞反馈的半主动控制系统的前起落架摆振幅值显著降低。展开更多
针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin ...针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。展开更多
非结构化道路的缺陷目标检测任务对道路交通安全具有重要意义,但检测所需的标注数据集相对有限。为了解决非结构化道路标注数据集缺乏以及现有模型对无标注数据学习能力不足的问题,提出一种MAM(Multi-Augmentation with Memory)半监督...非结构化道路的缺陷目标检测任务对道路交通安全具有重要意义,但检测所需的标注数据集相对有限。为了解决非结构化道路标注数据集缺乏以及现有模型对无标注数据学习能力不足的问题,提出一种MAM(Multi-Augmentation with Memory)半监督目标检测算法。首先,引入缓存机制存储无标注图像和带有伪标注图像的框回归位置信息,避免了后续匹配造成的计算资源浪费。其次,设计混合数据增强策略,将缓存的伪标签图像与无标签图像混合输入学生模型,以增强模型对新数据的泛化能力,并使图像的尺度分布更加均衡。MAM算法不受目标检测模型的限制,并且更好地保持了目标框的一致性,避免了计算一致性损失。实验结果表明,MAM算法相比其他全监督学习和半监督学习算法更具优越性,在自建的非结构化道路缺陷数据集Defect上,在标注比例为10%、20%和30%的场景下,MAM算法的均值平均精度(mAP)相比于Soft Teacher算法分别提升了6.8、11.1和6.0百分点,在自建的非结构化道路坑洼数据集Pothole上,在标注比例为15%和30%的场景下,MAM算法的mAP相比于Soft Teacher算法分别提升了5.8和4.3百分点。展开更多
文摘摆振会降低起落架的使用寿命,影响乘坐舒适性,甚至会引起机体损坏,导致飞机失事。为了抑制起落架摆振,本文采用时滞反馈非线性能量汇(nonlinear energy sink,NES)对起落架摆振进行多目标优化。以某轻型飞机起落架为研究对象,设计了基于NES的时滞反馈半主动控制减摆器,并建立了前起落架摆振系统分析动力学方程。通过线性多步法求解出时滞反馈半主动控制摆振系统的特征根,分析了减摆器可控阻尼系数对特征根最大实部的影响。以时滞量为设计变量,将振幅衰减时间和第四周期振幅的线性加权组合确定为目标函数。采用粒子群算法对该优化目标进行全局搜索,得到相应的最优时滞量,并与遗传算法得到的结果进行对比,验证了最优时滞量的可靠性,并在时域内对减摆器的减摆效果进行了验证。结果表明,与无时滞控制系统相比,采用最优时滞反馈的半主动控制系统的前起落架摆振幅值显著降低。
文摘针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。
文摘非结构化道路的缺陷目标检测任务对道路交通安全具有重要意义,但检测所需的标注数据集相对有限。为了解决非结构化道路标注数据集缺乏以及现有模型对无标注数据学习能力不足的问题,提出一种MAM(Multi-Augmentation with Memory)半监督目标检测算法。首先,引入缓存机制存储无标注图像和带有伪标注图像的框回归位置信息,避免了后续匹配造成的计算资源浪费。其次,设计混合数据增强策略,将缓存的伪标签图像与无标签图像混合输入学生模型,以增强模型对新数据的泛化能力,并使图像的尺度分布更加均衡。MAM算法不受目标检测模型的限制,并且更好地保持了目标框的一致性,避免了计算一致性损失。实验结果表明,MAM算法相比其他全监督学习和半监督学习算法更具优越性,在自建的非结构化道路缺陷数据集Defect上,在标注比例为10%、20%和30%的场景下,MAM算法的均值平均精度(mAP)相比于Soft Teacher算法分别提升了6.8、11.1和6.0百分点,在自建的非结构化道路坑洼数据集Pothole上,在标注比例为15%和30%的场景下,MAM算法的mAP相比于Soft Teacher算法分别提升了5.8和4.3百分点。
