【摘 要】
：
针对战车车队行军时反复停车测底盘的温度和压力影响行军速度和安全问题,以及充分采集利用仪表盘信息的需求,研制基于数据实时采集、监测的辅助系统.通过加装传感器和电路采
【机 构】
：
中国人民解放军91980部队 烟台264000;海军航空大学岸防兵学院 烟台264000
论文部分内容阅读
针对战车车队行军时反复停车测底盘的温度和压力影响行军速度和安全问题,以及充分采集利用仪表盘信息的需求,研制基于数据实时采集、监测的辅助系统.通过加装传感器和电路采集战车底盘重要数据,建立监测系统总体架构,优化监测参数及监测手段选择,完成采集调理电路硬件设计.并开发了底盘监测仪和驾驶室操作终端软件,系统数据库可实现监测数据存储和回放.数据存储回放利于底盘维修分析,系统可实时给出车速建议和底盘报警信息,既可发挥装备潜能又提高了车队行军安全性.
其他文献
针对甚高频数据交换系统(VDES)中的16QAM调制信号的频偏估计问题,在M&M算法基础上,结合滑动窗口去相偏的算法思想,并利用信号帧结构中Reed Muller码的良好的纠错能力,提出了
针对基于卷积神经网络的高压线异物检测算法模型过大和对硬件设备算力要求较高,使其在资源受限的嵌入式设备中部署难的问题,提出了一种轻量化的高压线异物检测算法.使用轻量
视频序列中的运动目标检测通常是作为更高级别图像分析与应用的基础。大多数目标检测算法是基于背景减法的,通过对含有历史背景像素值的背景模型进行分析来完成检测,但在动态场景中存在误检的问题,如风摇动树和流动河流。为了提高运动目标检测的精确性和降低误检率,提出了一种融合时空特征的自适应运动目标检测方法。该方法融合颜色与纹理特征进行时空建模,通过分析视频序列来检测动态背景的复杂度及动态背景区域,基于像素级反
无论是在智能驾驶系统中,还是在智能导盲系统中,道路标线的检测都是一项重要内容。针对传统斑马线识别方法精度低、速度慢的问题,提出了利用深度可分离卷积网络改进SegNet模型的语义分割方法,通过网络爬虫以及手动数据标注,经过Tensorflow深度学习框架训练,其模拟检测达到了较好的结果。试验结果表明,由自行构建的斑马线数据集,训练后的模型每帧运算速度在59 ms内,对斑马线区域分割的像素精度达98.