一种基于计算机视觉的火箭发动机极性测试方法及系统转让专利
申请号 : CN202011119631.7
文献号 : CN112377332B
文献日 : 2022-01-04
发明人 : 王冠 , 张恒 , 易航 , 刘巧珍 , 何巍 , 李聃 , 徐昊 , 李璨 , 耿辉 , 王伟 , 朱骋 , 吉彬 , 刘存秋 , 黄晨 , 张素明 , 徐晨 , 吕明
申请人 : 北京宇航系统工程研究所
摘要 :
权利要求 :
1.一种基于计算机视觉的火箭发动机极性测试方法,其特征在于,所述方法包括如下步骤:
步骤一:将预设含有火箭喷管的视频图像根据线性规划方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径,根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像;
步骤二:将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点;
根据火箭喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略位置;
步骤三:将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到训练后的极性光流预测模型;
对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型;
根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场;
步骤四:根据步骤三去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的运动光流,通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性;
在步骤三中,对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型包括如下步骤:
(31)对训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入特征;根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流预测模型;
(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型;
(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流模型;通过逐次渐进低比特量化模型压缩方法,压缩量化后的深度极性光流模型得到可实时运行的极性判别光流模型。
2.根据权利要求1所述的基于计算机视觉的火箭发动机极性测试方法,其特征在于:在步骤(31)中,预设权重参数矩阵W,通过矩阵分解和形变操作将W张量化表示为d维的张量参数
3.根据权利要求2所述的基于计算机视觉的火箭发动机极性测试方法,其特征在于:在步骤(31)中,预设输入特征x,同样通过矩阵分解和形变操作将x张量化为d维的张量特征
4.根据权利要求3所述的基于计算机视觉的火箭发动机极性测试方法,其特征在于:在步骤(32)中,火车张量化分解包括:预设张量化表示的d维张量参数 其中,使用d个张量核的集合进行分解和表示,其中lk代表每一维度张量的大小,rk表示分解秩同样为分解后矩阵的维度大小,k∈[1,d]; 中每一个元素都通过如下方式重建:其中,pk表示矩阵中某一维度切片的序号,pk∈[1,lk]。
5.根据权利要求4所述的基于计算机视觉的火箭发动机极性测试方法,其特征在于:在步骤(33)中,量化后的深度极性光流模型为:其中, 是极性光流计算输出,
是4维张量核, 是张
量特征, 是张量化偏置,im和jn均为多维张量中维度的序号,m=1、
2、......、d,n=1、2、......、d。
6.根据权利要求4所述的基于计算机视觉的火箭发动机极性测试方法,其特征在于:在步骤三中,极性光流预测模型为采用CNN网络基于梯度下降逐次拟合训练高效光流场预测追踪模型。
7.一种基于计算机视觉的火箭发动机极性测试系统,其特征在于包括:第一模块,用于将预设含有火箭喷管的视频图像根据线性规划方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径,根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像;
第二模块,用于将第一模块中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点;
根据火箭喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略位置;
第三模块,用于将第一模块中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到训练后的极性光流预测模型;
对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型;
根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场;
第四模块,用于根据第三模块去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的运动光流,通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性;
对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型包括如下步骤:
(31)对训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入特征;根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流预测模型;
(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型;
(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流模型;通过逐次渐进低比特量化模型压缩方法,压缩量化后的深度极性光流模型得到可实时运行的极性判别光流模型。
8.根据权利要求7所述的基于计算机视觉的火箭发动机极性测试系统,其特征在于:在步骤(31)中,预设权重参数矩阵W,通过矩阵分解和形变操作将W张量化表示为d维的张量参数
说明书 :
一种基于计算机视觉的火箭发动机极性测试方法及系统
技术领域
背景技术
时候,发动机喷管向下喷射的高速气体就会产生相对应的力矩来改变火箭姿态。发动机的
极性测试涉及从惯性器件到控制指令,从控制指令到伺服机构,从伺服机构到喷管摆动方
向这一整套回路控制流程进行测试演练,中间任何环节的细小错误都可能会致使各级发动
机的各个喷管不能按照既定方向摆动,即极性不正确。运载火箭发动机喷管摆动极性正确
性直接影响任务成败,是全箭关键测试项目。
流程,判断各个喷管的摆动方向是否正确,测试的有效性与覆盖性存在差距且可追溯性差,
由此带来的教训也十分让人痛心。
发明内容
性。
方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径,根据平滑摄像头路径得到
去除由于摄像头移动而形成的抖动平滑图像;步骤二:将步骤一中的去除由于摄像头移动
而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发
射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点;根据火箭喷管
在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略
位置;步骤三:将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习
的光流预测模型的离线训练得到训练后的极性光流预测模型;对训练后的极性光流预测模
型进行精简压缩得到可实时运行的极性判别光流模型;根据可实时运行的极性光流预测模
型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场;步骤四:根据步
骤三去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗
略位置得到火箭喷管的运动光流,通过火箭喷管的运动光流对时间的积分得到火箭喷管的
运动极性。
训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模
型参数和输入特征;根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的
深度极性光流预测模型;其中,(32)对步骤(31)中的用高维张量表示参数的深度极性光流
预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型;
(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到
量化后的深度极性光流模型;通过逐次渐进低比特量化模型压缩方法,压缩量化后的深度
极性光流模型得到可实时运行的极性判别光流模型。
同样为分解后矩阵的维度大小,k∈[1,d]; 中每一个元素都通过如下方式重建:
量特征, 是张量化偏置,im和jn均为多维张量中维度的序号,m=1、2、……、
d,n=1、2、……、d。
摄像头路径,根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像;第二
模块,用于将第一模块中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测
法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖
动的平滑图像中的轮廓和特征点;根据火箭喷管在去除由于摄像头移动而形成的抖动的平
滑图像中的轮廓和特征点得到火箭喷管的粗略位置;第三模块,用于将第一模块中的去除
由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到
训练后的极性光流预测模型;对训练后的极性光流预测模型进行精简压缩得到可实时运行
的极性判别光流模型;根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形
成的抖动的平滑图像的极性判别光流场;第四模块,用于根据第三模块去除由于摄像头移
动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的
运动光流,通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性。
预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入
特征;根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流
预测模型;(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张
量化分解得到权重参数张量火车分解后的深度极性光流预测模型;(33)对权重参数张量火
车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流
模型;通过逐次渐进低比特量化模型压缩方法,压缩量化后的深度极性光流模型得到可实
时运行的极性判别光流模型。
低维矩阵序列可近似拟合模型中的权重大小,并将权重参数数量大幅缩小,将模型计算复
杂度从幂指数降低为线性。通过深度张量压缩技术压缩深度光流模型,可以使得火箭喷管
极性识别系统中采用的极性光流场预测追踪模型大小压缩3倍以上,模型的训练时间减小4
倍。
技术,使得光流预测模型的体积大幅减小,运行速度大幅提升。使得本系统可运行于低功
耗,低空间占用的移动端平台,可有效的节省电力、空间体积等资源消耗。
附图说明
的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
具体实施方式
所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围
完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及
实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
形成的抖动平滑图像;
的抖动的平滑图像中的轮廓和特征点;
的积分得到火箭喷管的运动极性。
张量表示参数的深度极性光流预测模型;其中,
后的深度极性光流模型得到可实时运行的极性判别光流模型。
征
同样为分解后矩阵的维度大小,k∈[1,d]; 中每一个元素都通过如下方式重建:
是张量化偏置,im和jn均为多维张量中维度的序号,m=1、2、……、d,n=1、
2、……、d。
态、线性和二次曲线运动分割构成,即运动模型方程的一阶、二阶、三阶微分项等于零。然后
通过线性规划方法优化路径的一阶、二阶、三阶微分方程,得到求解的平滑摄像头路径。
像中都可追踪到火箭发射喷管。
预测模型可根据追踪匹配到的火箭喷管特征点或轮廓,推理预测极小时间差之内火箭喷管
移动的光流场。
术,对极性光流预测模型进行权重张量精简,以达到实时运行的目的。
数矩阵W,通过矩阵分解和形变操作将W张量化表示为d维的张量 其次,给定输入特征x,
同样通过矩阵分解和形变操作将x张量化为d维的张量特征
高阶张量参数矩阵分解为一系列低阶张量的乘积。首先,给定张量化表示的d维张量参数
可以使用d个张量核 的集合进行分解和表示,其中lk
代表每一维度张量的大小,r表示分解秩同样为分解后矩阵的维度大小,k∈[1,d]。 中每
一个元素都可以通过如下方式重建:
后矩阵的大小。
=Wx+b,可将基于张量火车压缩的模型计算最终表示为:
压缩技术,压缩深度光流网络数据模型到8‑bit整型,使得极性光流网络数据模型大小进一
步减小,移动端监控运行速度提升。
喷管的运动极性。
终形成的需要优化最小值的目标方程为:
法的拟合得到喷管底部的位置,从而获得各喷管的极性信息。
采用下式判断边界像素是否在候选椭圆上:
Hessian矩阵:
缘(或者纹理)的地方,也就是拐角的位置。一阶导数对均匀变化的梯度会产生响应,而二阶
导数对均匀变化梯度不产生响应,故Harris角点能够克服均匀变化梯度产生的影响,同时,
由于Harris角点通过Hessian图像的自相关矩阵计算得到,所以满足旋转不变性,能提高检
测的鲁棒性。
存在圆上点和其直径方向上的对应点与m点的灰度值相近,则认为m不是特征点。由下式可
近似:
径相邻的点比较。
关系,从而计算出相邻帧之间物体运动信息的一种方法。
由于假设对象的像素强度在连续帧之间不发生变化,因此可以得出以下公式:
读。具备测试结果可复查确认、可事后追溯的能力。从而提高了测试效率、覆盖率,使测试过
程可追溯,保证了测量的可靠性,减少了人工参与环节从而离火箭发射测试的无人值守目
标更近了一步。本发明完成的总体框架如图1所示,其中以深度学习光流特征法为代表的计
算机视觉技术为本自动化框架提供了准确性以及实时性的光流预测;进一步的,通过张量
压缩等模型压缩优化技术,使得模型参数量和大小大幅减少,模型运行速度和资源消耗大
大减少,提高了模型的整体性能,使得火箭极性判别系统更加自动高效。
低维矩阵序列可近似拟合模型中的权重大小,并将权重参数数量大幅缩小,将模型计算复
杂度从幂指数降低为线性。通过深度张量压缩技术压缩深度光流模型,可以使得火箭喷管
极性识别系统中采用的极性光流场预测追踪模型大小压缩3倍以上,模型的训练时间减小4
倍。
技术,使得光流预测模型的体积大幅减小,运行速度大幅提升。使得本系统可运行于低功
耗,低空间占用的移动端平台,可有效的节省电力、空间体积等资源消耗。
续系统在其他型号任务中的开展打下基础。
明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明
的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案
的保护范围。