摘要:心肺复苏(cardiopulmonary resuscitation, CPR)是提升心脏骤停患者存活率的关键。传统CPR培训与考核主要依赖人工观察,存在主观性强、量化数据缺失等问题,而现有的方法在CPR特有的肢体严重遮挡及精细动作的捕捉上存在精度不足。针对以上问题,提出了一种基于改进YOLOv13n-Pose的心肺复苏姿态估计算法。该算法在构建的多人多场景的CPR姿态估计数据集上进行验证。首先,针对操作者手臂与躯干形成的严重自遮挡问题,引入双层路由注意力机制(BiLevel routing attention, BRA),通过动态稀疏感知增强网络在复杂场景下的全局特征提取能力。其次,设计混合增强上采样模块(hybrid enhanced Upsample, HEUpsample)替换颈部上采样结构,利用空间偏移与通道重排策略减少特征图放大过程中的细节丢失,提升关键点定位精度。实验结果表明,改进模型在CPR数据集上的行为识别与姿态估计mAP分别达到95.8%和88.5%,较原始模型分别提升2.3%和3.6%。相较于主流算法,该模型能保持较高的推理速度,同时降低了计算量,并在OCHuman公开数据集上验证了良好的泛化性。

摘要:针对当前通用检测算法存在的网络复杂度高、参数量大、难以适应连铸产线复杂环境与严苛实时要求等问题，提出一种基于StarNet改进的轻量化连铸板坯检测算法SGIYOLOv7（YOLOv7 with StarNet, GSConv-based Slim-neck, and Inner-SIoU loss function）。首先，基于采集的连铸产线板坯图像构建用于板坯检测的专用数据集；其次，采用StarNet替换YOLOv7（you only look once version 7）主干网络，利用星型操作实现高效特征映射，有效降低了模型参数规模和计算复杂度；再次，引入基于分组混洗卷积（group shuffle convolution，GSConv）的轻量化Slim-neck结构，实现跨层级特征的高效融合与压缩；同时，设计基于辅助边框的内部尺度感知交并比（inner scale-aware intersection over union，Inner-SIoU）损失函数，通过方向感知梯度优化与多尺度回归机制，提升模型在宽高比差异显著场景下的适应性与收敛速度。最后，在自制板坯数据集上的对比实验结果表明，所提SGI-YOLOv7算法在维持较高检测精度（mAP@0.5为96.0%）的同时，参数量较基准YOLOv7模型减少35.6%、计算量降低65.6%，推理速度达到82 fps，显著减轻硬件部署负担，实现了工业场景下连铸板坯的高效、轻量化实时检测。

摘要:针对现有风机叶片表面异常状态检测模型参数量大、计算开销高以及对微小缺陷检测精度不足的问题，设计了一种轻量化检测模型CDFNet。该模型以YOLOv10n为基础，通过在骨干网络中引入特征增强下采样模块FED，以增强模型对复杂异常区域的细粒度特征提取能力；设计跨维度协同注意力机制CCA，通过融合空间位置信息与通道语义信息，提升模型对微小缺陷的定位与识别能力；采用快速双向特征金字塔网络FBiFPN替换原颈部网络，以提高模型的多尺度特征融合效率并降低模型复杂度。基于自建风机叶片表面异常状态数据集开展实验，并与多种主流目标检测模型进行对比验证。结果表明，CDFNet的mAP@0.5达到83.2%，较基线模型提升了6.4个百分点，模型参数量为2.02×106，较基线模型下降25.5%，对裂纹、导流条缺失和破损等微小缺陷的检测精度较基线模型分别提升21.3、11.6和11.1个百分点。实验结果表明，CDFNet在检测精度与模型轻量化之间实现了较好平衡，适用于风机叶片表面异常状态检测。

摘要:针对密集非均匀雾霾场景中雾分布复杂、空间变化剧烈，导致现有深度去雾模型在真实场景下泛化能力不足、细节恢复不稳定且部署开销较高的问题，设计了一种双路径结构重参数化去雾网络（re-parameterized large kernel dehaze，RepLKDehaze）。该网络由大核结构重参数化子网（large-kernel rep subnet，RepLK）与全分辨率注意力子网（full-resolution attention subnet，FRA）构成：前者基于裁剪的UniRepLKNet-s编解码框架，在训练阶段通过扩张重参数化构建多分支表示，并在推理阶段等效折叠为单一大核卷积，实现对全局雾分布的高效建模；后者在原始分辨率下引入残差通道注意力机制，用于补偿下采样带来的局部纹理与边缘信息损失。两路特征经融合后实现清晰图像重建，从而在全局一致性与局部细节恢复之间取得平衡。实验结果表明，尽管RepLKDehaze在RESIDE-SOTS等合成数据集上并未在所有指标上取得最优，但在更贴近真实成像退化的Dense-Haze与NH-Haze（2020/2021）数据集上表现出明显优势：在Dense-Haze上达到17.66 dB/0.613/0.494（PSNR/SSIM/LPIPS），在NH-Haze 2020上达到21.66 dB/0.716/0.254，在NH-Haze 2021上取得22.74 dB/0.857/0.169，在颜色还原、结构保真与残雾抑制方面均优于对比方法。结果表明，所提出的双路径结构重参数化去雾网络能够有效提升真实、密集非均匀雾场景下的去雾鲁棒性，并兼顾模型部署效率，为实际雾天视觉感知任务提供了一种可行解决方案。

摘要:复杂环境下的行人检测是自动驾驶场景面临的重要技术挑战。提出一种基于红外与可见光多模态特征融合的行人目标检测方法。首先，针对跨模态特征融合难题，设计了一种基于扩散模型的红外与可见光图像融合算法，通过可逆全局捕获模块和轻量局部捕获模块实现多模态特征的有效提取与融合，提升融合图像的细节保真度和结构一致性。其次，针对低照度场景检测需求，提出了一种改进的YOLOv8n检测网络，通过引入MobileNetV4主干网络和颈部网络进行轻量化改进，并融入注意力机制和损失函数，增强关键特征提取能力和网络收敛性能。实验结果表明，所提方法在LLVIP和MSRS数据集上的融合图像质量指标显著优于现有方法，检测精度达到95.3%，较基础模型提升1.7%，模型参数量减少42.6%，计算效率提升17.4%。系统在复杂环境下的具备鲁棒性和实时性，为自动驾驶和智能安防应用提供了有效的技术解决方案。

摘要:目前,二维主成分分析方法(two-dimensional principal component analysis, 2DPCA)因其固有的小协方差矩阵特性已在人脸识别中获得广泛应用。然而,在现实世界中,采集到的人脸图像往往会受到噪声干扰,导致现有许多基于2DPCA的方法存在特征提取不稳定、无法有效感知到类别间关键判别信息的问题。为了克服上述局限,提出一种新颖的鲁棒判别二维主成分分析方法(RD-2DPCA)并在人脸识别领域中开展应用。首先,引入原型驱动的动量对比学习机制,其通过动量更新与在线聚类构建语义一致的正负样本对以收缩类内散度,从而形成可分性更强的判别子空间投影;其次,在该投影上进一步嵌入自适应正弦角度约束,其在保证其解与保护数据全局结构的加权协方差矩阵存在紧密关联的同时,进一步缓解了离群点对最终投影方向的影响;最后,针对优化求解问题,采用黎曼梯度更新与自设计的非贪婪迭代算法的组合策略,使其能稳定收敛至判别引导下的鲁棒最优解。为了验证方法的可行性,选取3个公开人脸数据集进行实验,各个数据集上取得的最优识别精度分别为73.90%、61.31%、87.74%。综合各项实验结果表明,RD-2DPCA在判别性、鲁棒性与收敛稳定性等方面相较单阶段或纯2DPCA变体展现出更为优越的性能表现,充分验证了该方法在复杂观测环境下的抗干扰能力与实际应用价值。

摘要:接头形貌特征参数是铝合金焊接质量评估的核心指标之一。针对铝合金焊接接头形貌检测中的反光现象及焊后板材表面污染而导致的光条纹亮度不均、中心线提取失真的问题，提出一种融合线结构光与特征辅助贴纸的双目视觉抗干扰检测方法，并采用U-Net神经网络焊接件区域定位与改进骨架化-灰度重心法相结合的光条中心线亚像素提取策略，实现了在复杂干扰下的高质量条纹图像获取。结果表明，所提方法有效抑制了板材反光与污染干扰，焊接件区域定位准确率稳定超过99%，实现了接头形貌的高精度三维重建，对焊缝余高和宽度的检测相对误差分别不超过6.0%和4.0%，显著提升了条纹信息的解析精度与鲁棒性。为了探究铝合金激光-熔化极惰性气体保护电弧（metal inert gas, MIG）复合焊接工艺参数与接头形貌质量的关系，以6 mm厚6061铝合金板材为对象，设计8组不同能量配比参数下的激光-MIG复合焊接实验，并依据ISO 10042: 2018国际标准评价接头质量。结果表明，随着能量配比的增加，焊缝余高和宽度逐渐减小并趋于稳定；当激光与MIG电弧的能量比为1.01~1.36时，接头质量均满足ISO 10042: 2018的B级要求，接头质量优良。显示了所提方法在复杂环境下接头形貌特征检测的可靠性，为铝合金接头质量的自动化评定提供技术支撑。

摘要:针对工业边缘设备计算资源受限环境下印刷电路板缺陷检测模型存在轻量化与检测精度难以兼顾的难题，提出一种基于YOLOv12n的轻量化PCB缺陷检测算法。首先，设计融合令牌混合器采用深度可分离卷积的C3K2-CF模块，在具有更少参数的同时提高对小目标的感知能力；其次，提出一种新的特征融合增强网络（feature fusion enhancement network, FFEN），在跨尺度特征传递中保证目标信息的完整，从而强化模型对目标的关注能力；再次，设计一种特征聚焦融合模块(feature-focused fusion, FFF)，实现多尺度上下文信息的充分融合，增强模型对复杂特征提取能力；最后，针对PCB缺陷检测中的小目标漏检的问题，引入任务对齐动态检测头(task-aligned dynamic detection head, TADDH)，打通定位与分类双检测头的信息交互通道，进而提升模型对小尺寸缺陷的检测精度。实验结果表明，与原始YOLOv12n模型相比，改进算法在数据增强的PKU-Market-PCB数据集上mAP@0.5达到98.6%，更严格的mAP@0.5:0.95指标提升了7.2%，参数量和计算量分别减少47.2%和16.9%。在Deep PCB公开数据集上，改进模型的检测精度mAP@0.5达到97.5%，mAP@0.5:0.95提升了2.5%。由此可知，改进算法有效地实现了高精度的PCB缺陷检测，满足工业场景下的泛化小目标的检测需求。

摘要:水下生物目标检测技术对于海洋生态保护、渔业资源开发等众多领域的发展具有重要意义。为了提高水下生物检测精度和速度以及解决现有水下生物检测模型参数量较大的问题,提出了一种改进YOLOv11的轻量化水下生物检测算法YOLOv11-PiA。首先,通过引入部分卷积(partial convolution,PConv)对C3k2模块进行改进,设计出C3k2_PConv模块,有效降低了模型的参数量和计算复杂度,并提高了检测精度和速度。其次,结合C2PSA模块和倒置残差块注意力机制(inverted residual block attention mechanism,iRMB),提出了C2PSA_iRMB模块,该模块通过强化不同深度的特征信息以增强特征表达能力,进而提升了检测精度。最后,采用轻量化下采样模块(lightweight downsampling module,ADown)替换基线模型中的传统卷积下采样模块,模型的参数量得到进一步降低,检测效率进一步提升。实验数据表明,在水下生物数据集RUOD和DUO上,YOLOv11-PiA模型的mAP@0.5达到了85.6%和82.6%,帧率(frames per second,FPS)达到了97和116 fps。与YOLOv11n原模型相比,YOLOv11-PiA模型的mAP@0.5分别提高了2.8%和2.3%,FPS分别提高了9和13 fps,且参数量、浮点运算量和模型大小分别降低了29.8%、22.2%和29.1%。其综合性能优于RTDETR、YOLOv12等主流的目标检测模型,可实现对水下生物的快速准确检测。

摘要:涂层表面微小缺陷的自动检测在制造业质量控制中具有重要意义。针对大尺寸飞机壁板表面涂层质量检测的关键需求，提出一种基于机器视觉的多尺度缺陷协同检测方法，重点解决毫米级麻点、鱼眼、气泡与厘米级划痕、流挂等跨尺度缺陷的同步识别难题。首先系统分析了现有检测方法在多尺度缺陷同步识别，以及实时性和高精度之间平衡方面的不足，并在此基础上展开研究。完成的核心内容包括构建了多光源协同图像采集平台，建立覆盖5类典型缺陷的涂层图像数据集；设计了一种融合非线性光照校正与多尺度增强的复合图像预处理方法，有效解决了由局部反光及明暗突变引起的亮度梯度异常问题；提出了改进的GCSS-YOLOv8深度学习模型，以提升对不同尺度缺陷的检测性能。实验结果表明，所提出方法在自建数据集上的平均检测精度（mAP@0.5）达到91.4%，较原始YOLOv8模型提升1.9%，验证了其有效性与实用价值。

摘要:针对现有钢材表面缺陷检测模型参数量大，推理速度慢，且模型轻量化与检测性能难以兼顾的问题，提出一种基于YOLOv11n的UAL-YOLO模型。首先，在主干网络末端引入非参数化的统一三维注意力模块（unified 3D attention module,UAM），该模块通过解析特征分布的二阶统计特性动态推导出三维权重，利用神经元间的线性可分性精准捕捉特征空间中的缺陷信息，显著提升了关键语义特征的信噪比。其次，设计了全新的注意力引导融合（attention-guided fusion,AGF）颈部网络，利用深层特征生成引导权重，通过智能和选择性地聚合多尺度特征，增强了模型的特征融合效率与精度。最后，设计轻量级高效偏移上采样器（lightweight efficient offset-based upsampler,LEO）用来替代传统上采样算子，通过LEO模块来学习内容感知的采样点偏移，有效捕捉如细长裂纹边缘、微小麻点坑洼等微弱的纹理特征，提升了模型对低对比度细碎边缘的特征捕捉精度，同时降低了微小缺陷在复杂背景下的漏检率。实验表明，与基础的YOLOv11模型相比较，在NEU-DET数据集上mAP@0.5提升了2.1%，召回率提升了3.7%，同时模型的参数量、计算量和占用储存容量分别下降了26.36%、15.87%和23.64%。UAL-YOLO模型在提升精度的同时实现了显著的轻量化，为高精度、低开销的钢材缺陷检测技术在工业场景的部署提供了新的解决方案。

摘要:电子测量仪器对高速互连总线的实时协议解析存在重要需求，需在千兆赫兹级信号捕获中具备高速处理能力，并在协议分析中实现从物理层至事务层的全协议可见性，以支持纳秒级抖动的高精度诊断。但是，传统基于CPU的软件方案受操作系统调度延迟及缓存抖动等因素制约，难以实现低延迟处理；商用协议分析仪成本高昂缺乏嵌入式灵活性。针对上述问题，基于现场可编程门阵列（FPGA）硬件并行性与实时性优势，结合PCIe 2.0协议在测量系统中的重要性，提出一种全栈实时解析架构，以突破传统软件方案吞吐量瓶颈并避免高成本，在解扰部分提出了超前预测流水线设计实现高效解扰。该系统通过数据预处理、并行解码、超前预测流水线解扰及状态机解析，实现从物理层到事务层全协议覆盖。具体而言，128 bit并行预处理完成符号对齐与数据降采样，80 bit完成8 b/10 b并行解码与超前预测流水线解扰，3类专用状态机解析器负责协议字段提取与CRC校验。在Kintex UltraScale系列FPGA平台实验表明，系统在312.5 MHz工作频率下稳定运行，支持5 GT/s线速数据的实时解析；从输入数据到检测结果的处理延迟为22个时钟周期（约70 ns）；CRC校验匹配率100%，资源占用仅1.39%LUT与0.24%FF。结果证明，所提架构在延迟、资源开销和功能完整性方面均满足实际应用需求。

摘要:准确获取车辆的运动状态对于车辆轨迹位置的推算具有重要意义,尤其是在卫星信号遮蔽严重的环境中(如城市峡谷、树林、隧道等场景),而现有的基于动力学模型驱动的车辆运动估计方法过于依赖建模精度,且在一些极限工况下难以进行准确的估计。故为了更加简洁准确地获取车辆运动状态信息,提出了一种基于冠豪猪算法优化的长短时记忆网络（CPO-LSTM）的分层式车辆状态估计方法。首先,通过分析车辆动力学基本物理特性,设计了纵向速度与侧向速度的分层式估计策略；然后，构建多种行驶工况组成的数据集进行训练,在训练过程中利用冠豪猪优化算法（CPO）对学习率与迭代次数等参数进行寻优;最后,对估计方法进行了多工况及多路面条件下的虚拟仿真试验验证。结果表明,该方法有效地提高了车辆运动状态估计精度,横向速度、纵向速度和横摆角速度的估计精度相比于基于模型驱动的方法精度分别提升92%,73%和52%,整体表现优于传统的基于动力学模型的卡尔曼滤波算法。

摘要:针对无人机蜂群等分布式探测场景下对时分组网通信系统的无源侦察需求，传统到达时间差（time difference of arrival, TDOA）定位算法应用于分布式平台时面临两大瓶颈分别为跨节点传输原始信号导致的高带宽开销，由于计算到达时间差需要跨节点传输原始信号进行互相关处理，在接收节点数量众多的情况下会造成很高的通信负载和时钟同步误差制约定位精度，到达时间差包含了不同接收节点之间的时钟同步误差，而提高同步时钟精度会大幅增加硬件成本。针对上述问题，提出了一种面向时分组网系统的差分到达时间差(differential time difference of arrival, DTDOA)定位算法，首先在节点内计算不同辐射源到本节点的差分到达时间（differential time of arrival, DTOA），然后在节点间根据差分到达时间差建立观测方程，最后采用带阻尼因子的高斯-牛顿迭代法解算目标位置。试验表明，算法通过差分观测结构消除了时钟同步误差，克拉美罗下界（Cramer-Rao lower bound, CRLB）仅与相关计算误差有关，并且规避了节点间传输原始信号的过程，大大降低了网络带宽开销。

摘要:为了实现家用扫地机器人的3D地图构建，针对LDS激光距离传感器和ToF深度相机传感器外参数标定中，传统平面约束标定方法易过拟合且精度低的缺点，提出了一种基于三圆柱几何约束的改进外参数标定方法。通过改变机器人的位姿获取3个固定圆柱标准件的侧面扫描数据，对于LDS距离传感器扫描获得的3个椭圆轮廓，利用RANSAC算法得到3个椭圆轮廓中心点以及每个椭圆轮廓上随机2点。对于ToF深度传感器扫描获得3个圆柱表面三维点云，使用RANSAC算法拟合出3个圆柱的轴线。利用这3个椭圆轮廓中心点以及椭圆轮廓2个点到各自对应圆柱轴线的距离，构建空间几何约束，建立求解外参数的非线性优化方程组。为提升方程求解结果的稳定性，提出了融合Powell算法与拟牛顿BFGS算法的改进优化策略，有效解决了对初值的依赖问题。通过模拟仿真实验分析了标定参数初始值以及高斯噪声对标定结果的影响，实验结果显示，该方法的平均旋转误差为0.37°，平均平移误差为3.2 mm，在初值偏移较大的情况下仍能快速收敛。最后对该方法进行了真实场景实验和扫地机器人3D地图构建对比实验，验证了算法的有效性。所提方法不易受标定参数初始值影响，操作简单、标定精度高，具有较强的实用价值。

摘要:为提升爬楼机器人在楼宇内环境中对楼梯的快速检测与精确定位能力，提出了一种基于旋转式2D激光雷达的楼梯检测与定位方法。搭建了由舵机、2D激光雷达、上位机树莓派（Raspberry Pi 5）和下位机大疆A型开发板构成的硬件平台。在此基础上，针对机器人与楼梯处于不同相对位置关系时的楼梯检测场景，提出了基于点云区域生长聚类与主成分分析的楼梯多层台阶立面特征检测算法,并计算多层台阶上行方向角度,确定多场景下楼梯上行方向与机器人X轴向在X-Y平面上的夹角;以楼梯首级台阶立面中心点为关键定位参数，基于主成分分析的多层台阶立面拟合算法获取台阶高度H、长度L及首层台阶立面中心点坐标等关键定位参数,实现对楼梯的精确定位。开展了4类楼梯场景下机器人相对楼梯处于不同位置关系的240组实验，得出楼梯上行方向角度检测偏差绝对值整体处于［0.03°，2.35°］的区间内,平均偏差控制在1.5°以内;通过不同楼梯场景下的楼梯台阶定位实验，得出机器人坐标系下楼梯首层台阶立面中心点的X方向最大定位偏差为0.024 m,Y方向最大定位偏差为0.062 m。实验结果表明,该方法在多种楼梯场景下均具备较高的检测准确率及定位精度,可为爬楼机器人在复杂楼宇内环境中的自主跨层作业提供可靠的感知与定位支持。

摘要:针对传统风险评测方法多依赖确定性指标，难以对周车行为不确定性进行动态量化风险评测的不足，提出一种融合信息熵不确定性与驾驶风格的风险评测方法，通过信息熵量化车辆运动状态的不确定性，并将不同驾驶风格量化为不同风险值以评测车辆行驶风险。首先，提出了基于信息熵的车辆运动状态不确定性评估方法用于感知行车风险；然后，在车辆速度、加加速度以及车头时距特征下基于K-means聚类开展了多种车辆驾驶风格识别；同时，结合权重机制构建了驾驶风格与信息熵融合的行驶风险评测方法；最后，在拥堵道路与高速场景下进行测试，从真实车辆能耗数据入手分析风险评测与车辆能耗的相关性，并与人工势场法、确定性风险评测法和基于学习的风险评测法进行对比。测试结果表明，提出方法均能对不同事件进行风险检测，响应时间指标上较其他3种方法分别平均降低50.55%、86.35%和81.85%，计算时间显著低于人工势场法和基于学习的方法，显示出该方法在行驶风险评测上的有效性和应用价值。

摘要:针对现有非线性机电系统的间歇故障预测模型精度不足的问题，提出一种基于非完美维修与退化耦合的剩余使用寿命预测方法。首先，建立非线性机电系统的键合图模型，以进行故障检测和隔离，并提出一种增强水流优化算法用于实现间歇故障估计。其次，基于滚动窗口提取混合间歇故障特征，以全面地描述间歇故障的退化趋势。针对非完美维修与退化耦合效应同时存在的情形，提出一种间歇复合退化模型以预测故障元件的剩余使用寿命。所提模型将故障元件的退化过程分成内部退化和外部退化，并通过耦合因子和失效强度几何减少模型描述退化耦合效应和非完美维修效应对退化过程的影响。实验结果表明，所提方法在多重间歇故障情况下剩余使用寿命的预测精度分别达到97.53%和96.80%，优于粒子群优化算法和水流优化算法；同时，与仅考虑退化耦合效应和仅考虑非完美维修效应的预测性能相比，所提方法的预测精度显著提升。

摘要:航空航天、舰船制造等领域的大型构件通常具有大量V型结合缝,需要通过焊接或涂胶等手段进行填充连接。为实现大型构件结合缝特征的精确识别与跟踪,提出了基于移动机械臂的多站位分段式自动跟踪方法,即沿着缝隙走向顺序拍摄多帧V型结合缝点云图像,基于关键特征点(ISS)与点对面迭代最近点(ICP)配准算法进行点云数据拼接,生成构件局部三维点云模型。基于此,提出一种表面变化特征描述子(SVFD)用于表征构件表面凹凸变化情况,识别出V型坡口点云集,基于对称约束和距离约束获取结合缝特征点。再利用NURBS曲线拟合和等弧长插补方法,获取均匀、离散的结合缝路径点。在此基础上,结合工艺要求,进一步完成结合缝路径点上机器人末端工具(如胶枪)的姿态规划。最后,结合机械臂可操作度与移动底盘姿态约束条件,规划出移动底盘的期望移动路径。搭建硬件实验平台,针对4种不同类型的V型结合缝特征,通过涂胶实验进行验证。实验结果表明,结合缝轨迹提取精度平均误差不超过0.857 mm,移动底盘路径跟踪精度平均误差不超过8.577 mm,能实现对大型构件结合缝的精确提取与跟踪。不仅可以应用在焊接、涂胶等领域,还可以应用于结构特征类似的大型构件的跟踪。

摘要:扫描隧道显微镜（scanning tunneling microscope, STM）因其卓越的原子级分辨率成像能力，自问世以来在表面科学与纳米技术领域发挥了重要作用。近年来，尽管高端STM在极端条件下取得了诸多科研突破，但高昂的成本与复杂的操作流程限制了其在教学与常规检测中的广泛应用。为解决这一问题，提出一种自主研发的高精度便携式STM系统，具备结构紧凑、成像性能优异、成本低廉等特点。系统由压电扫描头、粗调步进马达、低噪声信号检测电路、STM32H7主控控制系统及基于Qt的上位机软件平台组成。镜体采用模块化设计，内置被动隔振结构，扫描头与马达结构解耦，有效提升了成像稳定性。实验结果表明，控制器输出信号精度高，电压分辨率优于0.6 mV；步进马达运行稳定，空载启动电压为17 V（向下）至24 V（向上），步距范围为0.33 μm（17 V）至2.01 μm（80 V）；驱动自研独立扫描头的启动电压为20 V（向下）至29 V（向上），步距为0.21 μm（17 V）至1.26 μm（80 V）。独立扫描头结构紧凑、刚性良好，在1楼地面环境测得室温漂移速率为31.5 pm/min（X-Y方向）和42.3 pm/min（Z方向），在3楼桌面环境分别为34.8和46.2 pm/min，具有良好的结构与电路稳定性。系统在室温大气环境下实现了原子级分辨率成像，具备优异的成像一致性与控制精度，适用于科研实验、教学演示及工业表面检测等多种应用场景。

摘要:针对传统刀具磨损监测方法在多物理场耦合状态及复杂工况下识别精度不足的问题，提出一种基于梅尔倒谱系数（Mel-frequency cepstral coefficients, MFCC）和联合分布对齐（joint distribution alignment, JDA）的跨工况刀具磨损状态识别方法，旨在解决跨工况下刀具磨损监测识别能力弱的难题。首先，采集主轴振动信号，通过梅尔倒谱系数对振动信号进行特征提取，压缩高频信息，保留中低频关键特征信息。其次，构建联合分布对齐迁移学习模型，结合源域标注数据和目标域无标注数据进行联合训练，实现跨工况下的刀具磨损知识迁移。该模型通过交叉熵损失对齐输出分布，结合最大均值差异损失对齐特征分布，并引入自训练伪标签生成机制优化目标域数据的利用效率。在NASA铣削数据集上，该方法在进给量、切深及主轴转速变化的跨工况场景下识别准确率达到93.33%，显著优于基于傅里叶变换和小波变换的传统方法。将该模型应用于超同步的铣削数据集，识别准确率达到了93.25%。所提方法有效解决了跨工况条件下刀具磨损状态识别的难题，为工业现场刀具状态监测提供了可靠的技术支持，具有重要的工程应用价值。

摘要:煤岩动力灾害的产生与煤体损伤状态关系密切，为实现实时监测煤体内部裂纹发展趋势，构建基于等效电磁辐射源的受载煤体内部裂隙定位模型，研究受载煤体裂隙发展监测方法及其求解算法，利用单加载实验分析煤样产地、加载速率对所提裂隙发展监测方法效果的影响并验证其普适性。结果表明，受载煤体电磁辐射来源有电型源与磁型源两种，二者的共同作用使煤体内部裂纹扩展与闭合时产生电磁辐射，基于此构建的带电裂隙的等效电磁辐射场源模型可用于煤体内部损伤监测；利用三轴磁通门传感器可构建受载煤样电磁辐射监测阵列，其非共面布置方式较共面布置方式在缓解误差放大效应上更有利；联合路径规划算法(BFGS-integrated pathfinding strategy, BIPDS)对典型多峰函数的求解精度提升至传统类牛顿寻优算法的10倍以上，标准差降低约99%，为所提基于垂直距离误差的辐射源定位模型提供了算法支撑；煤样损伤监测模型所得的贯通裂纹倾角为78°，其空间位置与实际裂纹分布基本相同，不同实验条件下电磁辐射合成矢量强度变化趋势基本一致，煤体产地、加载速率并不会影响模型监测效果，模型监测效果良好且具有一定普适性。研究成果有利于进一步探究受载煤体损伤发展机理，可为煤岩动力灾害防治提供技术支持。

摘要:在外场环境下对机载电子对抗装备进行原位测试时，测试点的定位常面临效率低、耗时长的难题。为提升该环节的自动化水平，提出一种基于机身点云特征的测试点自动定位方法。该方法以飞机起落架作为重要参照依据，仅需一次性获得测试点在机身坐标系中的位置，便可结合激光雷达点云数据完成在任意位置处的测试点自动定位工作。这一过程涉及到点云映射裁剪、机身与激光雷达间的坐标变换、转换矩阵求解等关键技术，可为移动测试平台后续自主定位、导航等相关研究和工程化应用奠定理论基础。在外场环境下针对实际飞机装备设计了测量实验，测试平台分别于不同位置获取起落架点云并自动完成测试点位计算，结果表明，测量点位与实际值之间的绝对误差低于10 cm，相对误差不超过1%，所提方法较高的可靠性和可行性，可推动装备测试技术向无人智能化迈进。

摘要:针对二极管钳位型混合三电平双有源桥变换器的电流应力优化与变换器的效率提高存在的难题，设计了一种基于双重移相控制的最小电流应力优化控制方案，利用改进的蛇群优化算法搜索满足电流应力最小化的最佳移相组合。首先，针对蛇群优化算法中存在易陷入局部最优、参数敏感性强等问题，通过引入北方苍鹰算法的捕食机制以增强全局搜索能力并降低参数敏感性，有效增强了算法的全局搜索能力与收敛稳定性，从而提高最优移相组合的搜索精度；通过在惩罚函数中引入基于电流应力、功率以及电压偏差等多种约束条件，进一步缩小了搜索范围。最后，通过搭建仿真平台并结合实验验证，结果为所提出的控制方法相较于拉格朗日乘子法在低功率时电流应力降低了24％，在高功率时降低了13％，结果表明所提出的改进策略有效减小了电流应力验证了所提控制方法的可行性，有效降低电流应力并改善能量传输特性。

摘要:针对传统计算流体力学(computational fluid dynamics, CFD)方法在流量计计量性能分析中计算效率低、网格依赖性强、实时性不足等问题,引入深度学习技术,构建了一种基于时空序列模型PredRNN_V2的流量计计量性能预测方法。在单边文丘里流量计内部流场预测任务中，将稳态CFD求解过程中的迭代流场演化建模为时空序列预测问题，构建了从数据获取、预处理到模型训练与评估的完整流程。选取ConvLSTM、PredRNN与PredRNN_V2进行对比，并采用均方误差(mean squared error, MSE)、结构相似性(structural similarity index, SSIM)、感知损失(learned perceptual image patch similarity, LPIPS)和峰值信噪比(peak signal-to-noise ratio, PSNR)作为评价指标对预测性能进行定量评估。结果表明，PredRNN_V2输出的MSE增长最缓，平均PSNR达36.8，显著高于PredRNN和ConvLSTM，PredRNN_V2的平均SSIM为0.92、LPIPS为0.069，表明其预测结果噪声更低、速度云图边界更加清晰，在保持较高计算效率的同时，其预测精度显著优于其他两个模型。PredRNN_V2的预测结果与仿真结果的相对误差在±5%以内，表明其在流场预测中具有可靠性和准确性。

摘要:针对带电器件模型(CDM)的静电放电(ESD)测试中探针与芯片封装pad快速定位的难题，提出一种基于双目视觉的探针封装pad快速对齐方法。首先构建一组针对芯片封装的图像数据集，使用轻量化的L-YOLOv8n算法训练模型作为前端识别待测芯片，然后通过图像处理模块完成对pad的亚像素级分割与定位，基于视差和立体匹配获取pad的精准三维坐标信息，最后将信息发送到CDM ESD测试系统的主控板中控制步进电机实现探针与pad的快速精准对齐。实验结果表明，系统在小样本训练条件下对BGA、SOP等多种封装芯片的mAP在99%以上，并实现对pad的完整识别与三维坐标的精准提取，在水平二维方向定位精度达0.01 mm，深度方向精度为0.1 mm。同时，该系统具备成本低和环境适应性强的优势，无需人工将探针与pad对齐进行测试，仅利用摄像设备与运动控制模块即可完成探针-pad的快速精准对齐，部署方便，适用于多场景、多种芯片封装类型的CDM测试。

摘要:频率估计是测量仪表领域的关键技术，针对传统周期图法与多信号分类（multiple signal classification，MUSIC）算法在低信噪比环境下性能急剧下降，难以满足仪表测量的精度需求。提出了一种基于多尺度残差网络的频率估计方法（multi-scale frequency representation，MultiFR）。首先，通过并行的3×1和5×1卷积核提取不同尺度特征，增强对局部细节和全局模式的捕获能力。然后，引入残差连接机制克服深层网络梯度消失问题，确保特征有效传播，采用L2范数平方损失函数，实现对网络输出频谱与理想频谱之间偏差的精确度量。最后，使用动态信噪比训练策略，提高模型在不同噪声水平下的适应性，通过高分辨率频率表示输出模块，实现精确的频率峰值定位。实验结果表明，所提方法的频率分辨能力得到提升，在0 dB极低信噪比条件下，MultiFR的漏检率为22.2%，Chamfer距离为0.145，较DeepFreq方法分别相对提升了4.1%和5.8%，并优于PSnet、MUSIC及周期图等主流方法。经过科式流量计信号验证，证明了所提方法在低信噪比下具有一定的可行性、有效性与鲁棒性。

摘要:针对标准化考场禁止考生自带计时设备而墙挂BPC电波钟在复杂建筑中存在授时盲区、接收不稳和频繁换电的问题，设计了“生命周期供电机械电波钟+局域BPC微型授时发射器”的免维护校时方案。终端在不改变 WBC-E16A 标准化考场自动校时同步时钟外观的前提下，将原2节AA电池扩展为2S4P低自放电模组，通过恒阻放电与实机功耗测试建立mWh级能量寿命模型；设施侧研制功耗≤1.5 W的USB 5 V发射器，经校园WiFi从多源NTP获取UTC时间并在教室内重播标准BPC时码。地下封闭空间样机验证表明，在授时盲区条件下各终端可在2~10 min自动完成首次校时；教学楼30台终端4周运行显示，引入微型发射器后授时成功率由约70%提升至100%。恒阻放电与日耗监测结果显示，南孚物联网AA电池在≥2.2 V有效电压区间可提供约34.9 Wh能量，结合14.8~16.5 mWh·d-1日耗和1%~2%自放电，单组2S4P模组可支撑电波钟不低于5年（Life-Time）的免换电池与免维护运行。方案已在22个省约8 000台终端中应用，Life-Time RCC与局域BPC补盲组合能够在授时盲区内实现多教室机械挂钟的长期秒级统一对时，显著减轻考场钟表维护与巡检压力，提升考场时钟的可靠性。