基于Dim env-YOLO算法的昏暗场景车辆多目标检测

低照度的夜间路况复杂，现有夜间车辆识别相关研究较少，且存在识别方法实时性不高、过多占用硬件资源等不足。针对夜间场景车辆识别干扰因素较多、检测效果不佳的问题，提出一种基于YOLOv4的Dim env-YOLO车辆目标检测算法。利用MobileNetV3网络替换原始YOLOv4中的主干网络，以减少模型参数量。在改进的YOLOv4模型上使用图像暗光增强方法 ，提高车辆目标在昏暗环境中的可识别性。在此基础上，引入注意力机制加强特征信息选择，同时利用深度可分离卷积降低网络计算量。选取北京部分道路的夜间场景图片自制数据集并进行实验验证，结果表明，在存在高斯噪声、模糊扰动、雨雾夜晚等情况下，Dim env-YOLO算法的测试结果较稳定，对于照度低于30 lx的昏暗条件下的车流，其检测mAP值达到90.49%，对于最常见的轿车类别，mAP值达到96%以上，优于Faster-RCNN、YOLOv3、YOLOv4等网络模型在昏暗光照条件下的检测效果。     

基于增材制造技术的电枢结构优化与试验研究

基于拓扑结构设计技术，以C型电枢为例，依据发射过程中电枢受力及内部电流分布，用点阵结构拓扑优化电枢内部，设计并通过增材制造加工出半拓扑和全拓扑结构两种电枢，优化后的电枢较原电枢分别减质量37%和47%。通过发射试验，在峰值电流约550 kA时全拓扑结构电枢解体，半拓扑结构电枢在800 kA电流时仍可正常发射。结果表明：同样输入能量下，半拓扑优化电枢在发射电流为550、650、750、800 kA时，炮口速度分别提高了13.3%、11.3%、9.0%、5.0%，增材制造技术可为电枢轻量化设计提供新技术。