相较于大中等目标, 像素点小于32×32的小目标由于存在特征信息少、像素低等问题, 检测精度较差, 导致水下机器人、无人机等设施对小目标物体的分类与定位精度低。为了提高相关设施对小目标的检测精度, 分析了通用的深度学习目标检测算法现状, 阐述了阻碍小目标检测技术发展的问题, 对提升小目标检测精度的数据增强、特征融合、分辨率提升、上下文信息等多种类型算法进行了重点分析, 最后归纳总结了各算法在MS COCO数据集上的AP与APs性能, 并对小目标检测的未来发展方向进行了展望。
小目标检测 深度学习 特征融合 数据增强 上下文信息 small target detection deep learning feature fusion data augmentation context information
1 青岛理工大学 自动化工程学院，山东 青岛 266033
2 山东大学 电气工程学院，山东 济南 250061
3 山东大学 控制科学与工程学院，山东 济南 250061
4 泰山学院 物理与电子工程系，山东 泰安 271021
建立了压电工作台的神经网络在线辨识模型并设计了相应的自适应控制器以抑制压电工作台迟滞特性、蠕变特性及动态特性对其微定位精度的影响。采用双Sigmoid激活函数对神经网络激活函数进行了改进，同时分析了改进激活函数的神经网络模型与PI迟滞模型在迟滞建模上的异同。设计了基于改进激活函数的3层BP神经网络作为压电工作台的在线辨识模型，推导了网络权值、阈值及激活函数阈值修正公式。最后，基于神经网络模型设计了压电工作台的自适应控制方案，该控制方案利用另外一个神经网络来完成对PID控制器参数的自适应调整。实验结果表明：提出的神经网络在线辨识模型平均误差为0.095 μm，最大误差为0.32 μm；自适应控制方案跟踪三角波的平均误差为0.070 μm，最大误差为0.100 μm；跟踪复频波的平均误差为0.80 μm，最大误差为0.105 μm。实验数据显示压电工作台的定位精度得到了有效提高。
压电工作台 神经网络 迟滞 自适应控制 piezo-stage neural network hysteresis adaptive control
