研究生课程考试答题册.PDFVIP

1 研究生课程考试答题册 得分： 得 分： 2017100580 姓 名： 饶智博 考试课程： 智能信息处理 考试日期： 2017 年12 月12 日 西北工业大学研究生院 1 摘要 2 1 摘要 直升机旋翼运动参数是反映直升机旋翼动平衡特性的重要参数，它直接影响直升 机的安全性、稳定性和机动性等关键指标，因此旋翼运动参数的精确测量为直升机旋翼 的生产与维护提供重要依据。在基于立体视觉的直升机旋翼运动参数测量系统中，采 集的旋翼图像往往具有大场景、背景复杂以及含有一定干扰噪声等特点，导致传统标 记点检测算法定位慢、精度低，进而影响旋翼运动参数实时测量。针对上述问题，本文 对旋翼图像的分类和圆形标记点的检测与定位进行了深入研究，主要工作内容和研究 成果如下： (1) 运用深度卷积神经网络解决图像冗余问题。本文将基于多层卷积网络的softmax 回 归模型应用于旋翼图像的分类问题。首先，利用高速摄像机拍摄的旋翼图像建立旋 翼图像集，将旋翼图像集按 的比例划分为训练集和测试集；其次，利用深度卷 积网络（CNN）搭建旋翼图像分类模型，该模型包含两组卷积层、一层全连接层、 dropout 层以及 softmax 线性回归层；然后，利用训练集对旋翼图像分类模型进行 训练，并通过Adam 优化算法对模型中的参数进行更新；最后，利用测试集对旋翼 图像分类模型进行测试，得到模型的分类精度。实验结果表明：相较于普通的神经 网络分类器，利用深度卷积网络构建的旋翼图像分类器，能将同场景下略微不同的 旋翼图像有效地区分，较好地解决了旋翼图像存在大量冗余图像的问题，可用于提 高可用旋翼图像的检测效率； (2) 尝试利用深度卷积神经网络解决圆形标记点检测与定位问题。本文将多层卷积网络 模型应用于圆形标记点的检测与定位问题。首先，利用 EDCircles 圆定位算法检测 旋翼图像中圆形标记点，通过旋翼图像与圆形标记点的坐标信息，构建圆形标记点 数据集，并将数据集按 的比例划分为训练集和测试集；其次，利用深度卷积网 络（CNN）搭建圆形标记点检测与定位模型，该模型包含了三组卷积层、三层全链 接层以及 dropout 层；然后，利用训练集对圆形标记点检测与定位模型进行训练， 并通过Adam 优化算法对模型中的参数进行更新；最后，利用测试集对圆形标记点 检测与定位模型进行测试，并得到模型对圆形标记点的定位精度和识别率。实验结 果表明：利用深度卷积网络构建的圆形标记点检测与定位模型，具有良好的识别准 确度，但相较于传统的圆形标记点定位算法，定位精度有待于提高。 2 问题描述 鉴于圆形标记点定位方法在直升机机载旋翼共锥度测量系统中的重要地位，有必 要对圆形标记点定位方法进行深入研究，详细分析圆形标记点在复杂背景中的特点，提 高圆形标记点的检测速度和定位精度。在旋翼共锥度测量中，由于直升机旋翼较长和 双目摄像机拍摄距离较远，导致采集的旋翼图像，具有场景较大、背景较为复杂以及具 2 问题描述 3 有一定干扰噪声等特点。目前，在多目高速摄像机测量直升机旋翼动态参数的项目中， 主要面临以下两个问题： • 由于原始图像的采集具有一定的盲目性和随意性，采集的旋翼图像按照时序顺序 放置，因此需要对采集的图像按旋翼的旋转角度进行分类放置以及滤除无法使用 的图像； • 由于实验场景大，干扰多，导致传统的圆形标记点检测检查易出现漏检和检错等 问题，因此需要一种高精度、适应于复杂场景的圆形标记点定位算法。 旋翼图像的分类问题 由于多目摄像机是同时拍摄旋翼图像，存在有大量的图像中并不含有旋