摘要：红外图像目标检测在交通领域中有很重要的应用价值,然而,由于红外图像存在分辨率低、缺乏颜色信息、对比度差、特征模糊的特点,导致现有模型在检测红外车辆与行人时精度不高。为此,文中对YOLOv8s进行了改进,首先对特征融合机制进行改进,在网络中添加小目标检测层,充分利用目标的浅层特征信息,提高对小目标检测的准确性。其次引入了SPD(Space to Depth)细粒化模块来代替YOLOv8s中的3×3卷积进行下采样,避免了3×3卷积下采样导致红外图像细粒度信息丢失。并且还设计了一个新的混合注意力机制,使网络更好地聚焦感兴趣的区域,减少背景对行人和车辆检测的干扰,增强模型对目标特征的关注度。最后使用Focal EIOU损失函数代替CIOU损失函数,改善了CIOU在特殊情况失效和正负样本不平衡的问题。在交通场景红外图像数据集FLIR_ADAS_v2上进了行实验,验证了算法的有效性。与YOLOv8s相比,改进后的模型mAP@0.5从83.4%提升到了89.3%。

摘要：文章以某型无人机环控系统综合保障车为主要研究对象,从功能、原理、结构等方面对该型环控系统综合保障车进行了介绍。环控系统综合保障车采用蒸气压缩制冷原理实现对机上冷却液的温度调节,并通过液压控制技术为机上环控系统提供满足温度、压力和流量要求的冷却液,从而保证机载电子设备的正常工作。经实际使用表明飞机环控系统综合保障车设计合理、运行可靠,实现了飞机环控系统综合保障车的地面综合保障能力。

摘要：红外成像系统由于制造工艺和成本制约,分辨率仍然较低。图像超分辨率重建技术是提高图像分辨率的有效方法,获得了广泛研究,并在仿真图像上获得了很好的效果,但应用于实际图像时效果不甚理想,主要原因是实际成像退化更加复杂,包括红外光学系统像差和装配误差引起的空间非一致模糊,以及受工作温度影响导致的模糊核变化。针对上述问题,提出一种基于深度学习的红外成像退化模型辨识方法和基于退化模型约束的超分辨率重建方法,通过在不同工作温度下采集标定靶标图像,标定不同工作温度、不同空间位置的模糊核;采用卷积神经网络建立成像退化模型,并利用定标数据进行模型参数求解,为超分辨率重建提供更多先验信息;设计迭代超分辨率重建网络,交替进行退化参数估计和超分辨率重建,经过多次迭代逐步提高重建效果。实验结果表明,采用卷积神经网络求解的成像退化模型可准确描述模糊核变化规律,基于退化模型约束和退化参数在线学习的超分辨率重建方法可显著提高红外超分辨率成像的效果,具有较高的工程应用价值。