采用深度学习方法对棉花中的异性纤维进行分类识别。首先建立异性纤维数据集,针对异性纤维尺寸和形状多样性的特点,采用基于Faster RCNN的目标识别框架,以RseNet-50代替原始的VGG16作为异性纤维分类模型的特征提取网络,并采用k-means++聚类算法对候选框生成尺寸进行改进;然后对模型进行训练,实现棉花中异性纤维的分类和定位。训练后的模型在验证集上的准确率达到94.24%,精度为98.16%,召回率为95.93%,精确率和召回率的调和平均数(F1分数)为0.970。对比改进前、后模型对异性纤维的识别效果,改进后的模型在小尺寸、大长宽比和密集出现的情况具有更好的识别效果,相对于原始模型,其准确率、精度、召回率和F1分数分别提高了3.21%、0.90%、2.51%和0.017。

空间光学载荷在飞行任务期间受复杂热环境的影响,部分关键部件如光学镜体及其内部支撑结构由于温度变化带来的热变形会对载荷整体性能产生重要影响。精确模拟空间外热流作用下的载荷飞行和关键部件在给定温度场下的结构变形,可为其热设计、结构设计提供科学依据和有效支撑。以某空间光学载荷为例,基于Sinda/Fluint和Patran仿真分析软件,通过仿真流程开发,提出了基于同一有限元网格的机热联合仿真方法。经过与现有方法的比较,前者能够实现温度场参数在软件间的无误差传递,能较为准确地得出预示温度下全场热变形结果,保证了空间光学载荷的热变形仿真精度,提高了计算效率。