方藝偉, 王 冠, 易 航, 張 恒

(1.上海交通大學(xué)，上海 200240；2.北京宇航系統(tǒng)工程研究所，北京 100076)

0 引言

計算機視覺技術(shù)的發(fā)展推動了工業(yè)體系的進(jìn)步，在諸如加工制造、產(chǎn)品測試等環(huán)節(jié)都可以看到計算機視覺技術(shù)的廣泛應(yīng)用，由此可以替代傳統(tǒng)的需要人眼進(jìn)行觀察判斷的工作，不但能夠降低人力成本，更能提高工作效率和穩(wěn)定性。

噴管是運載火箭發(fā)動機上面的重要部件，主要功能是將火箭液體燃料燃燒產(chǎn)生的高壓氣體轉(zhuǎn)化成動能。運載火箭在發(fā)射升空過程中，通過各級發(fā)動機上所分布的噴管不同方向的擺動，調(diào)整箭體的俯仰、偏航和滾轉(zhuǎn)等飛行姿態(tài)和運動軌跡[1]。發(fā)動機極性測試是指在地面測試過程中，按照各級發(fā)動機的運動順序進(jìn)行加電，使得每級的噴管產(chǎn)生擺動，由此觀測噴管的擺動方向是否符合預(yù)定方向，進(jìn)而對噴管加電電極的極性正確與否進(jìn)行判別。發(fā)動機的極性涉及慣性敏感器件、控制指令、伺服機構(gòu)、噴管擺動一整套閉環(huán)控制流程，其中任何環(huán)節(jié)的極性都直接影響任務(wù)成敗，因此要在火箭發(fā)射前進(jìn)行極性測試。

傳統(tǒng)情況下，火箭在發(fā)射前的地面測試的極性測試項中，主要依靠測試人員采用人工目測的方法進(jìn)行現(xiàn)場判讀。但是一方面不同級的發(fā)動機位于不同高度的塔架上，另一方面某些擺動姿態(tài)下，噴管擺幅小、擺動速度快，這些問題給現(xiàn)場極性判讀帶來了很大的困難，測試有效性存在一定差距。因此研究出一種用于自動監(jiān)測識別火箭發(fā)動機噴管運動情況的算法，將其結(jié)合與可視化軟件平臺，提高測試效率、覆蓋率，使得測試過程可追溯，用以保證測試的可靠性是非常有必要的。

本文利用目標(biāo)檢測算法、光流法等視覺技術(shù)，結(jié)合發(fā)動機噴管在極性測試流程中的運動規(guī)律，設(shè)計出用于極性自動檢測的整套算法，能夠?qū)姽艿倪\動姿態(tài)進(jìn)行測量,并通過搭建前端視頻采集層、網(wǎng)絡(luò)圖像傳輸層、后端算法運算層、軟件展示層，形成硬件設(shè)備與軟件平臺相互協(xié)作、相互傳輸?shù)南到y(tǒng)。

在火箭噴管檢測的運動測量方面，張靈飛等[2]利用紅外攝像機捕捉預(yù)先置于噴管指定位置的紅外反光球的特征位置，以此判斷噴管運動情況。鮑文磊等[3]設(shè)計了模板匹配和圓擬合圖像處理算法，以單目視覺方法精確完成噴管擺角的估計。2012—2013年， Chen等[4-6]先后提出了一種基于立體視覺的火箭噴管運動參數(shù)測量方法，并且通過三角剖分和標(biāo)定已知特征點的所有全局坐標(biāo)，另外利用2自由度基于火箭噴管旋轉(zhuǎn)軸進(jìn)行多視點測量，有效地提高了噴管運動參數(shù)和擺動量的測量精度。2015年， Qu 等[7]設(shè)計了一種基于單目視覺的測量系統(tǒng)，以幾何方法計算高速相機拍攝下的實時圖像，該系統(tǒng)可以進(jìn)行高速、精確的噴管擺角測量。2019年，Cui等[8]提出了一種基于離散特征點的改進(jìn)型立體視覺火箭噴管運動測量方法,建立了一個具有條件約束的噴管姿態(tài)間接調(diào)解模型，通過數(shù)學(xué)模型實現(xiàn)噴管運動參數(shù)測量。

利用計算機視覺測量火箭噴管運動量的研究，都是以一個或者多個高速攝像頭構(gòu)建出視覺測量系統(tǒng)，在擺動坐標(biāo)系中建立復(fù)雜的數(shù)學(xué)模型來完成噴管擺動角度等運動量的計算。這種方式的缺點在于噴管計算量復(fù)雜，難以在運載火箭地面極性測試時進(jìn)行噴管運動的實時監(jiān)測判別。另外測量所使用的高速攝像機機器較大，且每一套視覺系統(tǒng)只能監(jiān)測一個噴管的運動，難以適應(yīng)不同級發(fā)動機噴管的監(jiān)測場景，不可能真正運用到實際的火箭發(fā)動機地面測試上。因此,本文利用市面上常用的小型監(jiān)控攝像頭進(jìn)行發(fā)動機噴管圖像的實時采集，同時融合近些年逐漸成熟的目標(biāo)檢測技術(shù)對噴管目標(biāo)進(jìn)行確定，進(jìn)而以光流算法計算每個噴管的運動情況，做到一個攝像頭對視野內(nèi)所有待檢測噴管的測量判別。

從2012年Krizhevsky等[9]首次將深層卷積神經(jīng)網(wǎng)絡(luò)AlexNet應(yīng)用在大規(guī)模的圖像分類任務(wù)開始，深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域的應(yīng)用開始飛速發(fā)展。近年來發(fā)展出多種經(jīng)典的目標(biāo)檢測算法，包括R-CNN系列[10]、SSD系列[11]、EfficientDet[12]等。其中,Redmon等[13]提出的YOLO(You Look Only Once)系列算法經(jīng)過不斷地改進(jìn)更新，目前已擁有4個版本的迭代。該算法的特點在于保證目標(biāo)較高識別率的同時，大大提高圖像的檢測速度。YOLOv3[14]是該系列中運用最為廣泛的版本，但是網(wǎng)絡(luò)復(fù)雜度與模型訓(xùn)練成本都較高，因此本文采用輕量級的YOLO骨干網(wǎng)絡(luò)——YOLOv3-tiny進(jìn)行發(fā)動機監(jiān)控視頻圖像中的目標(biāo)識別。

對于火箭噴管運動量的測定，本文采用了Farneback[15]基于圖像恒定假設(shè)理論提出Farneback光流法，該方法屬于稠密光流法，相較于傳統(tǒng)稀疏光流法[16]能夠計算圖像區(qū)域中每個點的運動速度，從而計算出具體光流值，準(zhǔn)確率更高。本文以目標(biāo)識別算法確定火箭發(fā)動機噴管的具體位置，對于噴管區(qū)域采用Farneback算法精確計算噴管的相對運動量，在保證測量精確度的同時，實現(xiàn)多路監(jiān)控攝像頭的實時極性監(jiān)測功能。

1 極性自動化檢測系統(tǒng)結(jié)構(gòu)描述

火箭發(fā)動機極性自動檢測系統(tǒng)，是一個需要對軟硬件進(jìn)行協(xié)同工作的整體，如圖1所示，整體結(jié)構(gòu)可以分成以下幾個層級：

圖1 極性自動化檢測系統(tǒng)層級框架

1)前端視頻采集層：該層由多個監(jiān)控攝像頭組成，在每一級發(fā)動機附近布置數(shù)量合適的攝像頭，能夠清晰采集到每個噴管的全景圖像。由于火箭發(fā)動機噴管工作位置復(fù)雜，因此采用了無線通信模式，以WiFi信息傳輸代替?zhèn)鹘y(tǒng)網(wǎng)線布線帶來的不便。攝像頭所連接到的無線網(wǎng)絡(luò)是由一個主路由器產(chǎn)生，并由多個子路由放大，形成的局域網(wǎng)絡(luò)。攝像頭的實時視頻流通過Rstp協(xié)議傳輸?shù)街髀酚?，完成前端的視頻采集。

2)網(wǎng)絡(luò)傳輸層：前端的視頻采集處與后端控制廳距離較遠(yuǎn)，為了保證數(shù)據(jù)傳輸?shù)膶崟r性，在網(wǎng)絡(luò)傳輸過程中將視頻流信號轉(zhuǎn)化成光電信號，利用光纖通路傳輸至后端控制大廳。

3)后端算法運算層：視頻流信號傳輸?shù)胶蠖朔?wù)器中，作為目標(biāo)識別算法和光流法運動量測量的數(shù)據(jù)基礎(chǔ)。同時完成運算之后，通過TCP/IP通信協(xié)議將圖像數(shù)據(jù)與計算結(jié)果傳輸?shù)浇缑鏅C器中。

4)界面展示層：該層由普通PC機構(gòu)成，用于顯示整體的UI界面，進(jìn)行系統(tǒng)運算結(jié)果和視頻流進(jìn)行可視化展示。

2 極性自動識別算法設(shè)計

火箭發(fā)動機極性自動檢測系統(tǒng)中采用了目標(biāo)識別算法、運動檢測算法、攝像頭控制算法相互融合，并由系統(tǒng)操作界面進(jìn)行控制的方法。時間流程如圖2所示。

圖2 極性自動識別實現(xiàn)流程

在初始化階段，操作界面通過攝像頭控制算法向目標(biāo)識別算法輸入當(dāng)前攝像頭圖像，由目標(biāo)識別算法判斷出當(dāng)前有無噴管目標(biāo)，若有則進(jìn)行后續(xù)操作，若無則反饋至操作界面進(jìn)行人工判別。在檢測階段，由光流運動檢測算法針對所識別出的噴管區(qū)域進(jìn)行檢測，并將檢測結(jié)果反饋至客戶端，便于測試者在極性判別階段進(jìn)行查看。

2.1 基于YOLOv3-tiny的噴管目標(biāo)自適應(yīng)識別

YOLO系列的目標(biāo)檢測算法屬于單階段神經(jīng)網(wǎng)絡(luò)模型預(yù)測算法，其優(yōu)勢在于能夠快速對圖像數(shù)據(jù)做出判斷，更加適用于實時場景下的發(fā)動機噴管識別。

噴管目標(biāo)檢測工作在后端算法運算層中完成，在每次開啟服務(wù)器中的后端程序時便將每一級噴管模型加載到內(nèi)存當(dāng)中，方便調(diào)取。初始化服務(wù)器計算線程時，以當(dāng)前圖片作為測試集進(jìn)行模型匹配，獲得每個噴管的定位框，作為計算區(qū)域，同時也通過TCP/IP通信協(xié)議反饋到界面展示層用于圖形渲染。

由于每次調(diào)用模型所識別出的定位框是后續(xù)光流運動量計算基礎(chǔ)，因此定位框的大小位置直接影響到測算精度。為了最大程度消除所訓(xùn)練的模型對于不同場景噴管目標(biāo)的識別誤差，在界面展示層設(shè)定了識別框手動校正功能，手動校準(zhǔn)之后系統(tǒng)進(jìn)行了以下兩方面的修正：

1)對于服務(wù)器和客戶機中的識別框緩存區(qū)數(shù)據(jù)進(jìn)行更新，使得服務(wù)器端以新的方框區(qū)域進(jìn)行光流計算，客戶端以新的識別框進(jìn)行視頻圖形渲染展示；

2)調(diào)用前端視頻采集層所獲取的圖像以及新的識別框區(qū)域生成數(shù)據(jù)集，利用在線學(xué)習(xí)機制，在噴管識別模型的基礎(chǔ)上重新訓(xùn)練模型，從而更新原始數(shù)據(jù)，將今后同樣的發(fā)動機場景記入模型中。

基于目標(biāo)檢測方法所設(shè)計的在線學(xué)習(xí)自適應(yīng)模型如圖3所示。該模型能夠?qū)⒑蠖俗R別的目標(biāo)信息反饋到界面展示層，同時能利用界面展示層標(biāo)注新的數(shù)據(jù)信息用于后端的自適應(yīng)模型訓(xùn)練。

圖3 目標(biāo)檢測與在線學(xué)習(xí)自適應(yīng)模型

2.2 基于光流法的噴管運動量測量方法

光流法是利用圖形序列中各個像素點在連續(xù)時間域的對應(yīng)關(guān)系，計算像素點運動的瞬時速度，從而計算出相鄰幀之間圖像運動信息的方法。

經(jīng)過Δt時間間隔之后，點(x,y)經(jīng)過移動之后亮度為E(x+Δx,y+Δy,t+Δt)，將該式進(jìn)行Taylor展開后可得

E(x+Δx,y+Δy,t+Δt)=

(1)

Exu+Eyv+Et=0

(2)

式中，表示圖像中像素點灰度沿x，y，t方向的梯度，求解方程中的u，v值便是光流法的核心思想。

Farneback光流法是一種基于梯度求解的稠密光流算法，求解主要原理在于利用多項式近似得到待計算像素點的鄰域值。以二維變量表示E(x,y)圖像中像素點在待求解時刻的灰度值，并且以該點為中心構(gòu)建的局部坐標(biāo)系中，以2階多項表達(dá)式來近似表示E(x,y)的值

E(x,y)≈r1+r2x+r3y+r4x2+r5y2+r6xy

=xTAx+bTx+c

(3)

式中，x是一個表示待求解位置二維列向量，A為2*2的對稱系數(shù)矩陣，b為2*1的系數(shù)向量，c則為系數(shù)標(biāo)量。接下來需要確定A，b，c這3個系數(shù)，F(xiàn)arneback光流法是通過取像素點(x,y)的2n+1個像素邊長的矩形區(qū)域作為鄰域，以加權(quán)最小均方值的方法去逼近計算該點附近一定區(qū)域內(nèi)的像素灰度值，保證距離點(x,y)越近的點在計算中占據(jù)越大的權(quán)重，從而確定式(3)中的未知系數(shù)。

假設(shè)圖像中待求解中心像素點x在相鄰兩幀圖像中運動了距離d，該點灰度值由E1(x)變化為E2(x′)

E2(x′)=E1(x-d)

(4)

(5)

在得到第t幀視頻圖像的Farneback光流計算所得的位移列向量dt之后，需要用該值來測算噴管的運動量。對于火箭發(fā)動機噴管的運用場景，每個噴管都沿著固定方向運動，表現(xiàn)為只需取光流計算結(jié)果dt中沿x方向或y方向的分量作為測算依據(jù)。因此根據(jù)不同位置的識別邊緣框，設(shè)定第i個識別框中噴管運動分量選取系數(shù)為Ii。取x方向分量時Ii=(1,0)；取y方向分量時，Ii=(0,1)。故每一幀圖像所取得光流計算移動量dt為

dt=Ii·dt

(6)

在火箭發(fā)動機噴管極性檢測階段，將其所計算的光流移動值可視化，形成如圖4所示的光流場。本研究中的自動檢測算法在光流法基礎(chǔ)上，設(shè)計可用于噴管運動檢測方法，有效地克服了光線變化、非檢測物體運動帶來的噪聲影響。圖5展示了整體算法結(jié)構(gòu)。在實際檢測過程，會由多余信息帶來光流算法的誤檢測，因此根據(jù)所處實際情況設(shè)置閾值T1，消除外界因素帶來的影響。根據(jù)dt的值確定第t幀視頻圖像的運動情況Q(t)的方式如下

圖4 發(fā)動機噴管光流運動場

圖5 基于光流的噴管運動測算方法

(7)

式中，若第t幀選定方向上運動量小于閾值，則Q(t)取0；若運動為正方向，Q(t)取1；運動為負(fù)方向，Q(t)取-1。Q(t)是判斷該位置噴管是否處于運動階段的重要依據(jù)，只有算法判別處于運動階段的光流值才會被記錄疊加，作為噴管的運動量有效值進(jìn)入下一步運算當(dāng)中。為了進(jìn)一步減少非測量元素導(dǎo)致的累計誤差，以前frame_size幀圖像的運動情況C，作為噴管開始或結(jié)束本輪運動的依據(jù)，記為(t-frame_size,t)時間段內(nèi)Q(t)的累加數(shù)據(jù)C

(8)

根據(jù)不同級發(fā)動機噴管的運動幅度，設(shè)定開始運動判定閾值為Tbegin；結(jié)束運動判定閾值為Tend，是否處于運動期間的標(biāo)志位M的計算公式如下

(9)

式中，M=1,則表示當(dāng)前噴管處于運動時間段內(nèi)，其光流運算結(jié)果會被利用；若M=0則判定當(dāng)前處于靜止階段，忽略光流運算結(jié)果。因此第t幀圖像中代號為i的噴管運動量Di(t)為

(10)

上述所闡述的噴管運動檢測算法邏輯如表1所示。對于發(fā)動機極性地面測試實驗，僅需獲取當(dāng)前噴管的運動方向，將其與所加的電壓數(shù)據(jù)進(jìn)行比對，判斷電極方向是否正確，因此將Di(t)進(jìn)行單一累加即可。為了方便數(shù)據(jù)對比，通過先驗測試確定每個噴管最大的光流值，進(jìn)行歸一化運算，將噴管運動量統(tǒng)一到[-1,1]這一區(qū)間內(nèi)。

表1 噴管運動檢測算法偽代碼表

2.3 攝像頭硬件控制算法

火箭發(fā)動機極性自動檢測系統(tǒng)作為一個軟硬件互相協(xié)同的多層級框架，硬件控制和監(jiān)控算法中涉及的硬件設(shè)備包括攝像頭、服務(wù)器、客戶機、網(wǎng)絡(luò)傳輸通路等，其中最為重要與復(fù)雜的是視頻采集攝像頭的工作狀態(tài)監(jiān)測與參數(shù)控制。整體攝像頭控制算法如圖6所示。

圖6 攝像頭控制算法結(jié)構(gòu)

開啟視頻測試，先通過ICMP協(xié)議檢查每個攝像所固定的IP地址的在線情況，只有檢查在線的攝像頭會進(jìn)入后續(xù)視頻流獲取。未在線攝像頭則會每隔30 s再一次檢查其入網(wǎng)狀況，直至檢測到其接入當(dāng)前局域網(wǎng)之中。

從前端視頻采集層中攝像頭所采集的視頻流通過Rtsp協(xié)議傳輸?shù)胶蠖擞嬎愕姆?wù)器中，且視頻流傳輸借助著無線網(wǎng)絡(luò)和光纖通路，因此會協(xié)議生效及網(wǎng)絡(luò)信號波動帶來數(shù)據(jù)傳輸延時。而Rtsp協(xié)議作為TCP/IP協(xié)議體系中一個應(yīng)用層協(xié)議，在OpenCV框架的調(diào)用下是以TCP的傳輸層協(xié)議進(jìn)行數(shù)據(jù)流傳輸。即為了保證每一幀視頻圖像的有效接收，沒有接收到的視頻數(shù)據(jù)流會被存于緩存之中，從而導(dǎo)致了前端視頻流獲取延時性的疊加和內(nèi)存的臃腫。

為了解決這一問題， 在系統(tǒng)中設(shè)計了獨立線程，不間斷地從攝像頭獲取視頻圖像，保證了網(wǎng)絡(luò)傳輸層緩存區(qū)的最新圖像被服務(wù)器系統(tǒng)接收。同時開辟用于存儲視頻圖像的隊列，將最新一幀的圖像存入隊列中。每次更新隊列時會判斷其中是否為空，若不為空則先清空隊列，這樣保證了圖像緩存區(qū)中有且只有最新的一幀視頻流圖像，即減少內(nèi)存占用，又有效解決了視頻流傳輸延時問題。

同時，在光流處理線程獲取圖像緩存隊列中的圖像時，引入計時機制，如果超過5 s沒有在隊列緩存區(qū)中拿到最新一幀的圖像，則判定該攝像頭由于故障或斷電等原因已脫離當(dāng)前局域網(wǎng)。此時，會重新使用ICMP協(xié)議，每隔30 s檢查一次攝像頭的在線情況，直至其重新連接后，再次開始該攝像頭所屬線程的工作。

3 嵌入式軟件平臺開發(fā)

3.1 軟件功能架構(gòu)

在以計算機視覺技術(shù)實現(xiàn)發(fā)動機極性判別、噴管擺角測算等功能的基礎(chǔ)上，結(jié)合自動化檢測中的各種需求，集成開發(fā)協(xié)調(diào)各種硬件的嵌入式軟件平臺。整體系統(tǒng)具備極性自動判別對比，測試結(jié)果可記錄、可追溯、可重復(fù)，測試流程觀看多樣化，攝像頭智能控制等功能。為了保證系統(tǒng)的穩(wěn)定運行，又針對系統(tǒng)的容錯性和可靠性，對軟件底層邏輯進(jìn)行了重構(gòu)設(shè)計。

如圖7所示，火箭發(fā)動機極性自動測試系統(tǒng)軟件主要由主界面、視頻管理、組態(tài)播放、攝像頭控制這4個部分組成，各個頁面的功能如下：

圖7 嵌入式軟件平臺功能架構(gòu)

1)主界面：主界面播放視頻時接收來自服務(wù)器的視頻圖像和噴管運動情況數(shù)據(jù)，當(dāng)極性判別發(fā)動機噴管運動則會在視頻流的每一幀圖像上繪制運動信息。具體運動信息疊加輸出，繪制動態(tài)圖像，同時將運動信息反饋到輸出欄上面。在播放網(wǎng)絡(luò)視頻流時，將會保存視頻以便查看。另外主頁面設(shè)置有硬件及網(wǎng)絡(luò)情況狀態(tài)欄，實時顯示當(dāng)前硬件及網(wǎng)絡(luò)信息。

2)視頻管理：視頻管理主要進(jìn)行本地視頻文件顯示、本地視頻播放、視頻剪切等功能。并且可根據(jù)選取的視頻文件跳轉(zhuǎn)至其他頁面播，保證了測試結(jié)果的可重復(fù)性。

3)組態(tài)模式：設(shè)置了多種組合的播放模式，同時支持用戶自動調(diào)整每個視頻大小位置的自由播放模式，用戶可根據(jù)自身需求調(diào)節(jié)所播放視頻的位置與大小。

4)攝像頭控制：攝像頭控制部分通過SDK接口實現(xiàn)監(jiān)控攝像頭的云臺調(diào)節(jié)，預(yù)設(shè)點設(shè)置轉(zhuǎn)入。同時支持每個攝像頭的分辨率、最大碼率、幀率等參數(shù)的更改功能。

3.2 軟件可靠性設(shè)計

火箭發(fā)動機極性自動測試系統(tǒng)軟件最主要功能是實現(xiàn)發(fā)動機極性監(jiān)測流程自動化，因此針對各種測試中可能發(fā)生的突發(fā)情況或未可預(yù)料的問題，系統(tǒng)進(jìn)行了相應(yīng)的可靠性設(shè)計，最大程度保證其安全正常運行。

本系統(tǒng)在軟件平臺設(shè)計進(jìn)行了兩個方面的特殊處理以達(dá)到可靠性提升：

1)功能優(yōu)先級設(shè)計：對軟件架構(gòu)進(jìn)行重塑，定義功能優(yōu)先級，在資源受限或局部資源崩潰的情況下優(yōu)先保障核心功能的運轉(zhuǎn)。優(yōu)先級依次為：測試視頻記錄功能、軟件前端渲染功能、實時視頻播放功能、實時數(shù)據(jù)曲線繪制、圖像識別算法、數(shù)據(jù)輔助判讀。

2)模塊多線程處理：將不同功能按模塊劃分，并進(jìn)行最低程度的交互以降低相互之間的影響，各模塊擁有至少一個屬于自己的線程，以達(dá)到單個模塊崩潰不影響整體運行的效果。

4 火箭噴管自動化識別實驗結(jié)果

4.1 噴管極性識別結(jié)果

在運載火箭發(fā)射前所進(jìn)行的發(fā)動機噴管極性地面測試中，控制中心會向各級發(fā)動機的各個噴管施加激勵電壓信號，由電壓信號驅(qū)動噴管發(fā)生相應(yīng)擺動。每一輪的擺動都會產(chǎn)生相應(yīng)的極性動作，根據(jù)火箭姿態(tài)調(diào)整方式，這些動作被區(qū)分為俯仰、偏航、滾轉(zhuǎn)，并以正負(fù)表示每種動作的方向。

以長征系列某型號火箭某發(fā)次的地面極性測試視頻、數(shù)據(jù)等為實驗基礎(chǔ)，通過算法分析得出噴管極性自動化識別結(jié)果。以一級發(fā)動機中4個噴管為例，極性識別結(jié)果如表2所示。

表2 一級發(fā)動機測試結(jié)果

每次完整的火箭發(fā)動機極性測試過程中，通過電壓驅(qū)動，每一級噴管都會完成正負(fù)俯仰、正負(fù)偏航、正負(fù)滾轉(zhuǎn)的6次姿態(tài)動作。同時每一次的姿態(tài)動作之后都會進(jìn)行一次反方向運動，以確保噴管回歸零位。因此極性自動識別算法識別出12輪的動作，并且根據(jù)當(dāng)前噴管所處位置判斷出該輪的具體動作。經(jīng)過測試，通過本文提出的噴管極性自動化識別算法，能夠準(zhǔn)確識別出一二三級的噴管運動情況，極性識別準(zhǔn)確率達(dá)到100%。

為了進(jìn)一步確定噴管極性自動化判別結(jié)果的準(zhǔn)確性，借助控制系統(tǒng)所施加的電壓數(shù)據(jù)進(jìn)行輔助判別。由于光流算法存在一定識別誤差，在噴管每次歸零時還會產(chǎn)生相應(yīng)的零漂誤差，這種誤差不斷積累，導(dǎo)致光流累加值不斷產(chǎn)生偏離原始零位。經(jīng)過測算，零漂誤差經(jīng)過累加后，誤差值最大能達(dá)到最大擺角的36.8%，這將會給后續(xù)模擬角計算帶來極大誤差。

因此，在進(jìn)行噴管每次回歸零位時，算法將會對光流累加值進(jìn)行修正，從而避免零漂誤差的產(chǎn)生。零漂誤差產(chǎn)生于修正結(jié)果如圖8所示。

圖8 光流累加值零漂修正

將算法所處理的光流值與電壓數(shù)據(jù)變化對比，結(jié)果如圖9所示。

圖9 光流值與電壓數(shù)據(jù)對比情況

由圖9可以得出，算法所識別的噴管運動方向變化趨勢與電壓數(shù)據(jù)的變化一致。同時由于滾轉(zhuǎn)動作的動作幅度小，因此算法在該組動作上進(jìn)行了一定程度的信號放大，能夠有效輔助地面測試人員的判別。

在實際測試中，為了能夠?qū)崟r觀測到光流累加值與電壓數(shù)據(jù)的對比情況，將修正后的光流累加值和電壓值進(jìn)行歸一化，形成模擬角與模擬電壓數(shù)據(jù)，一級發(fā)動機的4個噴管模擬角與模擬電壓對比情況如圖10所示。

圖10 模擬角與模擬電壓數(shù)據(jù)對比

4.2 噴管自動化識別效率

在火箭發(fā)動機極性自動化識別系統(tǒng)中，考慮到系統(tǒng)的安全性與識別的高效性，至少需要有8路攝像頭參與算法實時檢測之中，同時又要求每一路視頻流每秒處理不少于12幀的視頻流。為了進(jìn)一步提高算法計算效率，本研究中采用了GPU代替CPU處理器進(jìn)行光流計算，使得視頻流的處理效率有效提高。CPU與GPU光流運算時間對比如表3所示。

表3 CPU與GPU光流運算時間對比

由表3可以得出，經(jīng)過GPU加速運算之后，光流計算速度提升為CPU運算的21.12倍。一路攝像頭每秒的最大處理幀數(shù)也由3.49幀提高為22.29幀，是原來算法處理速度的6.4倍。

同時，噴管自動化識別系統(tǒng)在多個方面進(jìn)行改進(jìn)：

1)運用并行技術(shù)降低攝像頭視頻流傳輸延時，將視頻傳輸延時由原來大于20 s，降低至5 s以內(nèi)；

2)采用視頻流壓縮技術(shù)降低網(wǎng)絡(luò)傳輸壓力，服務(wù)端與客戶端之間的傳輸視頻流壓縮50%的數(shù)據(jù)量，使得主交換機中的數(shù)據(jù)傳輸量由8.6 Mbit/s降低至4.8 Mbit/s，有效減輕網(wǎng)絡(luò)負(fù)載情況。

5 結(jié)論

本文通過計算機視覺中的目標(biāo)識別技術(shù)和運動檢測技術(shù)，首次實現(xiàn)了火箭發(fā)動機噴管極性地面測試的自動化。整體系統(tǒng)在完成設(shè)備部署之后，便可代替地面測試人員進(jìn)行極性測試監(jiān)控，具有高穩(wěn)定性、低延遲性等特點。同時集成開發(fā)了一體化系統(tǒng)，使得極性測試過程數(shù)據(jù)得到清晰記錄，提高檢測效率的同時便于問題追溯。整體系統(tǒng)能夠?qū)崿F(xiàn)8攝像頭同時運行，并且檢測效率不低于20 幀/s，同時具備極性測試可追溯、可復(fù)現(xiàn)等功能。

整體系統(tǒng)已在長征系列某型號火箭上進(jìn)行搭載測試，結(jié)果表明，該系統(tǒng)能夠高效準(zhǔn)確地完成極性判別任務(wù)，極性判別有效率達(dá)到100%，并以驅(qū)動電壓數(shù)據(jù)作為輔助完成輔助判別，促進(jìn)了火箭型號測試向無人值守邁進(jìn)。

在后續(xù)研究過程中，一方面將重點關(guān)注系統(tǒng)的可移植性問題，擴展噴管目標(biāo)識別神經(jīng)網(wǎng)絡(luò)模型的增強學(xué)習(xí)能力，使其能夠輕松適應(yīng)不同火箭型號的測試任務(wù);另一方面結(jié)合人工智能技術(shù)的發(fā)展，以適應(yīng)性更強、檢測效率更高的深度光流神經(jīng)網(wǎng)絡(luò)代替原有光流運動檢測方法，提高算法識別準(zhǔn)確性，由定性的極性檢測提升為更精細(xì)的噴管角度定量測量。