Infrared Image Segmentation of Methane Leaks Incorporating Attentional Branching Features
-
摘要: 甲烷是现代化工业生产和社会生活的重要能源之一，实现其有效探测与分割对于及时发现甲烷泄漏事故并识别其扩散范围具有重要意义。针对红外成像条件下甲烷气体图像的轮廓模糊、泄漏的甲烷气体与背景对比度较低、形状易受大气流动因素影响等问题，本文提出一种融合注意力分支特征的红外图像分割网络（Attention Branch Feature Network，ABFNet）实现甲烷气体泄漏探测。首先，为增强模型对红外甲烷气体图像的特征提取能力，设计分支特征融合模块将残差模块1和残差模块2的输出特征与残差模块3以逐像素相加的方法融合，获取红外甲烷气体图像丰富细致的特征表达以提高模型识别精度。其次，为进一步加快模型的推理速度，将标准瓶颈单元中的3×3卷积替换为深度可分离卷积，大幅度减少参数量达到实时检测甲烷气体泄漏。最后，将scSE注意力机制嵌入到分支特征融合模块，更多地关注扩散区域边缘和中心语义信息以克服红外甲烷气体轮廓模糊对比度低等问题提高模型的泛化能力。实验结果表明，本文提出的ABFNet模型AP50@95、AP50、AP60定量分割精度分别达到38.23%、89.63%和75.33%，相比于原始YOLACT模型分割精度，分别提高4.66%、3.76%和7.04%，推理速度达到34.99帧/s，满足实时检测需求。实验结果验证了本文算法对红外甲烷泄漏检测的有效性和工程实用性。Abstract: Methane is an important energy source for modern industrial production and social life, and its effective detection and segmentation are important for the timely detection of methane leaks and identification of its diffusion range. To address image problems such as blurred contours of methane gas, low contrast between leaking methane gas and the background, and susceptibility of the shape to atmospheric flow factors under infrared imaging conditions, this study proposes an infrared image segmentation network (attention branch feature network (ABFNet)) incorporating attention branch features to achieve methane gas leak detection. First, to enhance the feature extraction capability of the model for IR methane gas images, a branch feature fusion module was designed to fuse the output features of residual modules 1 and 2 with residual module 3 in a pixel-by-pixel summing method to obtain rich and detailed feature expressions of IR methane gas images to improve the model's recognition accuracy. Second, to further accelerate the inference speed of the model, the 3×3 convolution in the standard bottleneck unit was replaced with a depth-separable convolution to significantly reduce the number of parameters required for real-time methane gas leak detection. Finally, scSE attention mechanisms were embedded in the branching feature fusion module to focus more on the edge and center semantic information of the diffusion region to overcome the problem of low contrast of the blurred IR methane gas contours and improve the generalization ability of the model. The experimental results showed that the quantitative segmentation accuracy of the proposed ABFNet models AP50@95, AP50, and AP60 reached 38.23%, 89.63%, and 75.33%, respectively, with improvements of 4.66%, 3.76%, and 7.04%, respectively, compared with the segmentation accuracy of the original YOLACT model. The inference speed reached 34.99 frames/s and met the demand of real-time detection. The experimental results verified the effectiveness and engineering practicality of the proposed algorithm for infrared methane leak detection.
-
0. 引言
快速反射镜（fast steering mirror, FSM）是一种通过控制反射镜的偏转角度调整光束传播方向，实现收发两端的光束精确对准的装置。由于这类装置具有响应速度快、控制精度高等优点，快速反射镜已经被广泛应用于自由空间通信、扫描共焦显微镜、大型天文望远镜等光学系统中[1-3]，成为光束指向控制系统中应用最广泛的核心器件。
快速反射镜的机械结构主要由驱动元件、支撑结构和负载组成[4]。驱动元件包括音圈电机（voice coil motor, VCM）和压电驱动器（piezoelectric actuators, PEAs），由音圈电机驱动的快速反射镜具有高驱动行程、高加速度等优势，然而音圈电机输出驱动力有限，因此为了保证足够的偏摆范围，快速反射镜的支撑结构偏摆刚度不能太大，这就造成其谐振频率相对较低[5]。例如，2020年Tadahiko Shinshi等人提出了一种由音圈电机驱动的快速反射镜，其尖端倾斜范围可达±20 mrad，轴向带宽仅为200 Hz[6]。
压电驱动器具有高驱动力、高频响、高分辨率等优势，然而受到输出位移量小（仅为驱动器自身长度的0.1%~0.15%）以及不能承受侧向或拉伸载荷等缺点的限制[7]。而快速反射镜的支撑结构——柔性机构具有无需装配、无摩擦、响应速度快等优点，将柔性机构作为预紧和位移放大机构与压电驱动器组成压电驱动快速反射镜[8-9]。此类系统兼具压电陶瓷与柔性机构的优点，因而被广泛地应用于精确激光束控制等超精密系统。2010年向思桦等人采用单级桥式放大构型设计的快速反射镜具有较高一阶固有频率，但放大比较小，导致快速反射镜偏转角度较小[10]。2015年袁刚等人采用单级桥式放大构型设计的快速反射镜具有较大的偏转角，然而由于该柔性铰链的刚度较小，导致构型固有频率较低，仅为180.4 Hz[11]。2018年邵恕宝等人提出的压电驱动快反镜采用一级杆式构型可实现两轴±7 mrad的倾斜范围，同时两轴带宽高于810 Hz[12]。2019年Kim等人和2021年谢永等人均采用两级杠杆放大机构，保证了构型有较大的放大比，但其频响较低[13-14]。
现有快速反射镜柔性机构通常采用多级单一放大构型以增加放大比。然而，由于缺乏针对不同级数、不同构型之间性能特征的定量分析，设计过程缺乏选型依据[15-16]，导致现有快速反射镜普遍存在偏转范围小、扫描频率低的共性问题。由于快速反射镜在运动时，会受到一些来自平台或者外界环境的干扰，导致快速反射镜的视轴稳定性下降，因此在控制快速反射镜运动需要能够对多源干扰准确估计和有效抑制的控制方法[17-18]。同时，压电陶瓷存在迟滞、蠕变特性，这种由驱动元件材料引起的非线性特性增加了控制方法设计的复杂程度[14]。
本研究针对柔性机构构型级数与放大比之间的关系开展了定量分析，得出了嵌套级数的选择依据。针对不同构型方案的固有频率和放大比进行仿真分析，得出了三级混合构型的设计方案。开展了柔性机构离散化处理，构建了柔性机构的通用动力刚度模型，得出柔性机构结构参数与快速反射镜偏转角度的映射关系。在此基础上，对快速反射镜柔性机构关键尺寸参数进行优化，以快速反射镜偏转角度最大化为优化目标，得到优化参数与偏转角度及固有频率的关系。为快速反射镜的设计以及柔性铰链等单元的参数优化提供了理论依据。与国内外同类研究相比，该机构可以在保证较高一阶固有频率的基础上实现100 mrad机械偏转角度。
1. 压电驱动快速反射镜的工作原理
快速反射镜通过PEAs驱动柔性机构引导平面反射镜快速摆动实现光束指向的精准调控，其工作原理如图 1所示。图 1(b)表示在驱动力±Fx和±Fy等距分布于反射镜底部，图 1(a)表示在驱动力作用下反射镜偏转α（即机械偏转角度），反射光线则由l1偏转至l2，偏转角为β（即光学偏转角度）。
2. 三级混合柔性机构构型设计
对快速反射镜输出偏转角和带宽影响最大的部分是支撑结构（柔性机构），其主要常见材料有钛合金（TC4）、镁合金（AZ91）、铝合金（AL7075）、低锰弹簧钢（65Mn）等。本文以上述材料为选材目标，以一级桥式放大机构为例，使用ANSYS Workbench软件对构型进行分析，设置柔性机构材料如表 1所示，逐一比较快速反射镜采用这些材料时的各项参数。
表 1 柔性机构材料各项参数Table 1. Material parameters of flexible mechanismMaterial Elastic modulus/GPa Ultimate strength /MPa Yield limit /MPa Magnificationratio (R) Natural frequency/Hz Titanium alloy(TC4) 117 902 824 1.943 739.66 Magnesium alloy(AZ91) 45 230 160 1.943 810.62 Aluminium alloy(AL7075) 71 572 503 1.944 813.73 Low manganese spring steel(65Mn) 197 980 785 1.945 827.33 如表 1所示，具有最大放大比的材料是低锰弹簧钢（65Mn），但是低锰弹簧钢加工前需要热处理，同时该材料在淬火后容易产生裂纹；钛合金（TC4）具有较大弹性模量，但是分析结果表明其固有频率较低；镁合金（AZ91）的弹性模量、强度极限和屈服极限这3项参数较低，不适合本文的柔性放大机构；与其它材料相比，铝合金具有高放大比、高带宽、高弹性模量和无需热处理的优势，因此本文采用铝合金（AL7075）加工快速反射镜支撑结构。
柔性铰链主要分为杆式构型和桥式构型，其中杆式构型的放大比受杠杆尺寸影响较大，单级杆式构型在保证其放大比前提下难以兼顾杠杆尺寸。与杠杆机构相比，桥式机构具有结构紧凑且无寄生位移的优势。由于单级构型可提供的放大比有限，在快速反射镜柔性机构设计过程中通常采用多级构型。然而，过多放大构型的多级嵌套组合会导致结构尺寸和输入刚度的增大，因此在设计过程中需要首先考虑嵌套级数和构型方式。
首先，开展柔性机构的级数分析。为保证结构紧凑，初步设定桥式构型与杆式构型的每一级构型的主要尺寸如表 2所示，其构型如图 2所示。
表 2 各级构型的主要参数Table 2. The main parameters of each configurationParameter Lever type configuration Bridge type configuration θ/° - 13.5 L/mm 15 18 H/mm 5 5 t/mm 0.8 0.8 h/mm 2.5 - PEAs驱动多级柔性机构过程中，动力源于PEAs逆压电作用产生的驱动力，在该驱动力作用下第一级机构（由PEAs直接驱动的柔性铰链）发生弹性形变输出位移，该位移使后一级机构产生弹性形变并逐级向后驱动。可以发现，前一级机构的输出力是后一级机构的驱动力，而前一级机构的输出位移受到后一级机构的阻滞。因此，多级柔性机构是单向耦合的。构建柔性机构阻滞模型需要完成精确的力学建模和复杂的积分运算，工作量巨大。因此在确定柔性机构级数时通常依赖于设计者的经验，缺乏级数与柔性机构输出性能之间的定量分析。如图 3所示，本文基于有限元理论，针对桥式构型和杆式构型级数与柔性机构输出放大比之间关系分别开展了定量分析。
![]()
图 3 两类构型多级放大比对比Figure 3. Comparison of multi-stage amplification ratios of two types of configurations如图 3所示，一级桥式构型放大比与一级杆式构型放大比较为接近（分别为3.9、3.5）；在两级构型中，桥式构型放大比到达峰值（8.6），杆式构型放大比（11.0）优于桥式构型。在三级构型中，桥式构型放大比产生较大衰减，杆式构型放大比到达峰值（12.3）；在四级及以上构型中，桥式构型和杆式构型放大比均出现持续衰减。因此，采用柔性机构嵌套级数为三级。
针对三级柔性机构四种构型方案的固有频率和放大比进行分析，分析结果如图 4所示。图 4(a)为三级杆式构型，该结构具有较高的固有频率和放大比。然而，纯杆式构型很难保证柔性机构的紧凑性。图 4(b)为一级桥式构型与两级杆式构型组合，其固有频率和放大比均低于方案(a)。图 4(c)为两级桥式构型与一级杆式构型相结合的设计方案，该方案为压电驱动器预留足够的安装空间且具有20.1倍的位移放大比和较高的一阶固有频率。图 4(d)为三级桥式构型，其一阶固有频率和放大比都很低。因此，本文采用了两级桥式构型与一级杆式构型相结合的设计方案。
快速反射镜整体机构如图 5所示，在两级桥式放大机构之间放置PEAs，由PEAs直接输出位移，两级桥式放大构型与杆式构型相连，经杆式机构放大，在光学反射镜底部实现输出。由于快速反射镜驱动组件在装置底部通过柔性铰链相连，所以当快速反射镜发生偏转时，可能存在交叉耦合现象。采取如图 5所示沿圆周方向均布柔性机构的方式减小交叉耦合现象。
3. 快速反射镜柔性机构建模及动力学分析
如图 5所示，三级混合柔性机构通过柔性直梁与反射镜底座相连，组成一个多自由度复杂机构。针对这类复杂机构的动态响应分析，首先需要对机构进行离散化处理，建立每个柔性铰链和刚体的动力学模型，最后建立整个机构的动力学模型。
将构型离散化后可知构型由柔性直梁、集中质量和刚体组成，进一步将构型的柔性直梁进行顺序编号从(1)~(44)，固定端编号为(0)，而所有的柔性直梁是由1到25个节点连接，其中节点3、4、9、10、15、16、21和22为质量为m1的集中质量，节点6、12、18和24为质量为m2的刚体，节点25为质量为m3的刚体。如图 6所示，将第一组柔性放大机构与输出平台离散化为柔性直梁、刚体和集中质量，其余3组柔性放大机构离散化类同于第一组。
3.1 柔性直梁动力学分析
对柔性机构的动态分析中首先需要对柔性铰链进行分析，而本文构型所包含的柔性铰链均为柔性直梁。如图 7所示，柔性直梁的两个节点j和k包含6个自由度，分别是$ x_j^{\rm{e}}(\omega ) = \left[ {{u_j};{v_j};{w_j};{\alpha _j};} \right.{\beta _j};\left. {{\gamma _j}} \right] $；和$ x_k^{\text{e}}(\omega ) = \left[ {{u_k};{v_k};{w_k};{\alpha _k};{\beta _k};{\gamma _k}} \right] $，$ \left[ {{u_j};} \right.{v_j};\left. {{w_j}} \right] $和$\left[ {{u_k};{v_k};{w_k}} \right]$表示沿坐标轴方向的位移，$\left[ {{\alpha _j};} \right.{\beta _j};\left. {{\gamma _j}} \right]$和$\left[ {{\alpha _k};{\beta _k};{\gamma _k}} \right]$表示垂直于坐标轴方向的转角。
基于矩阵位移法，柔性单元的节点力$F_j^{\text{e}}(\omega ) = \left[ {{F_{xj}};{F_{yj}};{F_{zj}};{M_{xj}};{M_{yj}};{M_{zj}}} \right] \text{，}F_k^{\text{e}}(\omega ) = \left[ {{F_{xk}};{F_{yk}};} \right.{F_{kj}};{M_{kj}};{M_{kj}};$$\left. {{M_{kj}}} \right]$和节点位移$x_j^{\text{e}}(\omega ), x_k^{\text{e}}(\omega )$满足广义胡克定律，即：
$$ \left\{ {\begin{array}{*{20}{c}} {F_j^{\text{e}}\left( \omega \right)} \\ {F_k^{\text{e}}\left( \omega \right)} \end{array}} \right\} = {{\boldsymbol{D}}^{\text{e}}}\left( \omega \right) \cdot \left\{ {\begin{array}{*{20}{c}} {x_j^{\text{e}}\left( \omega \right)} \\ {x_k^{\text{e}}\left( \omega \right)} \end{array}} \right\} $$ (1) 式(1)中：De(ω)为一个柔性单元的动力刚度矩阵。
进一步分析该柔性单元的动力刚度矩阵，即：
$$ {{\boldsymbol{D}}^{\text{e}}}\left( \omega \right) = \left[ {\begin{array}{*{20}{c}} {{d_1}}&0&0&0&0&0&{{d_5}}&0&0&0&0&0 \\ {}&{{d_2}\left( {{I_z}} \right)}&0&0&0&{{d_3}\left( {{I_z}} \right)}&0&{{d_6}\left( {{I_z}} \right)}&0&0&0&{{d_7}\left( {{I_z}} \right)} \\ {}&{}&{{d_2}\left( {{I_y}} \right)}&0&{ - {d_3}\left( {{I_y}} \right)}&0&0&0&{{d_6}\left( {{I_y}} \right)}&0&{ - {d_7}\left( {{I_y}} \right)}&0 \\ {}&{}&{}&{{d_9}}&0&0&0&0&0&{{d_{10}}}&0&0 \\ {}&{}&{}&{}&{{d_4}\left( {{I_y}} \right)}&0&0&0&{{d_7}\left( {{I_y}} \right)}&0&{{d_8}\left( {{I_y}} \right)}&0 \\ {}&{}&{}&{}&{}&{{d_4}\left( {{I_z}} \right)}&0&{ - {d_7}\left( {{I_z}} \right)}&0&0&0&{{d_8}\left( {{I_z}} \right)} \\ {}&{}&{}&{}&{}&{}&{{d_1}}&0&0&0&0&0 \\ {}&{}&{}&{}&{}&{}&{}&{{d_2}\left( {{I_z}} \right)}&0&0&0&{ - {d_3}\left( {{I_z}} \right)} \\ {}&{}&{}&{}&{{\rm{sym}}}&{}&{}&{}&{{d_2}\left( {{I_y}} \right)}&0&{{d_3}\left( {{I_y}} \right)}&0 \\ {}&{}&{}&{}&{}&{}&{}&{}&{}&{{d_9}}&0&0 \\ {}&{}&{}&{}&{}&{}&{}&{}&{}&{}&{{d_4}\left( {{I_y}} \right)}&0 \\ {}&{}&{}&{}&{}&{}&{}&{}&{}&{}&{}&{{d_4}\left( {{I_z}} \right)} \end{array}} \right] $$ (2) 式(2)中：dq(q＝1, 2, …, 10)是De(ω)的系数；dq（Iy or Iz）表示该系数是和惯性矩相对于y轴或z轴的惯性矩（Iy＝(t3h)/12或Iz＝(t3h)/12）相关的函数。对于dq(q＝1, 2, …, 10)选取二阶泰勒展开式计算，即：
$$ {d_1}{\text{ = }}\frac{{EA}}{l}\left( {1 - \frac{1}{3}{\alpha ^2} - \frac{1}{{45}}{\alpha ^4} - \cdots } \right) $$ (3) $$ {d_2}{\text{ = }}\frac{{EI}}{{{l^3}}}\left( {12 - \frac{{13}}{{35}}{\beta ^4} - \frac{{59}}{{161700}}{\beta ^8} - \cdots } \right) $$ (4) $$ {d_3}{\text{ = }}\frac{{EI}}{{{l^2}}}\left( {6 - \frac{{11}}{{210}}{\beta ^4} - \frac{{223}}{{2910600}}{\beta ^8} - \cdots } \right) $$ (5) $$ {d_4}{\text{ = }}\frac{{EI}}{l}\left( {4 - \frac{1}{{105}}{\beta ^4} - \frac{{71}}{{4365900}}{\beta ^8} - \cdots } \right) $$ (6) $$ {d_5}{\text{ = }} - \frac{{EA}}{l}\left( {1 + \frac{1}{6}{\alpha ^2} + \frac{7}{{360}}{\alpha ^4} + \cdots } \right) $$ (7) $$ {d_6}{\text{ = }} - \frac{{EI}}{{{l^3}}}\left( {12 + \frac{9}{{70}}{\beta ^4} + \frac{{1279}}{{3880800}}{\beta ^8} + \cdots } \right) $$ (8) $$ {d_7}{\text{ = }}\frac{{EI}}{{{l^2}}}\left( {6 + \frac{{13}}{{420}}{\beta ^4} + \frac{{1681}}{{23284800}} + \cdots } \right) $$ (9) $$ {d_8}{\text{ = }}\frac{{EI}}{l}\left( {2 + \frac{1}{{140}}{\beta ^4} + \frac{{1097}}{{69854400}}{\beta ^8} + \cdots } \right) $$ (10) $$ {d_9}{\text{ = }}\frac{{G{I_x}}}{l}\left( {1 - \frac{1}{3}{\gamma ^2} - \frac{1}{{45}}{\gamma ^4} - \cdots } \right) $$ (11) $$ {d_{10}}{\text{ = }} - \frac{{G{I_x}}}{l}\left( {1 + \frac{1}{6}{\gamma ^2} + \frac{7}{{360}}{\gamma ^4} + \cdots } \right) $$ (12) 式(3)~式(12)中：α2＝ω2l2ρ/E；β4＝ω2l4ρA/EI；γ2＝ω2l2ρ/G。其中E为杨氏模量；G为剪切模量；ρ表示密度；A为横截面积；ω表示频率。
式(2)是在其局部坐标系下的动力刚度矩阵，但在动力学分析中需要将其转换到参考坐标系中。对于第i(i＝1, 2, …, 44)个柔性直梁其坐标变换分析如下：
$$ {{\boldsymbol{D}}_i}\left( \omega \right) = {\boldsymbol{R}}_i^{\rm{T}} \cdot {{\boldsymbol{D}}^{\text{e}}}\left( \omega \right) \cdot {{\boldsymbol{R}}_i} $$ (13) $$ {{\boldsymbol{R}}_i} = \left[ {\begin{array}{*{20}{c}} {{{\boldsymbol{\lambda}} _i}}&{{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{O}}_{3 \times 3}}} \\ {{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{\lambda}} _i}}&{{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{O}}_{3 \times 3}}} \\ {{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{\lambda}} _i}}&{{{\boldsymbol{O}}_{3 \times 3}}} \\ {{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{\lambda}} _i}} \end{array}} \right] $$ (14) $$ {{\boldsymbol{\lambda}} _i} = \left[ {\begin{array}{*{20}{c}} {\cos \left( {{x_i}, x} \right)}&{\cos \left( {{x_i}, y} \right)}&{\cos \left( {{x_i}, z} \right)} \\ {\cos \left( {{y_i}, x} \right)}&{\cos \left( {{y_i}, y} \right)}&{\cos \left( {{y_i}, z} \right)} \\ {\cos \left( {{z_i}, x} \right)}&{\cos \left( {{z_i}, y} \right)}&{\cos \left( {{z_i}, z} \right)} \end{array}} \right] $$ (15) 式(14)中：O3×3是维度为3×3的0矩阵。式(15)矩阵中每一项为第i个柔性直梁局部坐标系与参考坐标系各坐标轴之间的余弦值。
第i个柔性直梁经过坐标变换，在参考坐标系中的力与位移的关系可表示为式(16)：
$$ \left\{ {\begin{array}{*{20}{c}} {{F_{i, j}}} \\ {{F_{i, k}}} \end{array}} \right\} = {{\boldsymbol{D}}_i} \cdot \left\{ {\begin{array}{*{20}{c}} {{x_{i, j}}} \\ {{x_{i, k}}} \end{array}} \right\} = \left[ {\begin{array}{*{20}{c}} {{k_{i, 1}}}&{{k_{i, 2}}} \\ {{k_{i, 3}}}&{{k_{i, 4}}} \end{array}} \right] \cdot \left\{ {\begin{array}{*{20}{c}} {{x_{i, j}}} \\ {{x_{i, k}}} \end{array}} \right\} $$ (16) 式中：$ \left\{ {{F_{i, j}}, {F_{i, k}}} \right\} $和$ \left\{ {{x_{i, j}}, {x_{i, k}}} \right\} $是参考坐标系下第i个柔性直梁的节点力和节点位移。ki, 1、ki, 2、ki, 3和ki, 4是动力刚度矩阵Di的子矩阵。
3.2 刚性体和集中质量动力学分析
刚性体（输出平台和杠杆放大机构的刚性梁）和集中质量（两级桥式放大构型的连接部分）也是分析构型动力学的重要组成单元，对于第n（n＝3、4、6、9、10、12、15、16、18、21、22、24、25）个节点为刚体或集中质量的分析如式(17)、(18)和(19)所示：
$$ {{\boldsymbol{M}}_n}\left( \omega \right) = - {\omega ^2} \cdot \left[ {\begin{array}{*{20}{c}} {{{\boldsymbol{M}}_{3 \times 3}}}&{{{\boldsymbol{O}}_{3 \times 3}}} \\ {{{\boldsymbol{O}}_{3 \times 3}}}&{{{\boldsymbol{J}}_{n, 3 \times 3}}} \end{array}} \right] $$ (17) $$ {{\boldsymbol{M}}_{3 \times 3}} = \left[ {\begin{array}{*{20}{c}} m&0&0 \\ 0&m&0 \\ 0&0&m \end{array}} \right] $$ (18) $$ {{\boldsymbol{J}}_{n, 3 \times 3}} = {\boldsymbol{\lambda}} _n^{\rm{T}} \cdot \left[ {\begin{array}{*{20}{c}} {{J_x}}&0&0 \\ 0&{{J_y}}&0 \\ 0&0&{{J_z}} \end{array}} \right] \cdot {{\boldsymbol{\lambda}} _n} $$ (19) 式(17)、(18)和(19)中：Mn(ω)表示第n个节点为刚性体或集中质量的动力刚度矩阵；m是该单元的质量，Jx、Jy、Jz是该单元相对于质心的惯性矩。式(19)中坐标变换矩阵λn与式(15)λi计算方法一致。
3.3 柔性机构的动态响应模型
已完成在参考坐标系下所有柔性直梁、集中质量和刚体的动力刚度矩阵，进一步建立所有节点力的平衡方程组，表示为节点位移的形式，如式(20)所示：
$$ \left\{ {\begin{array}{*{20}{c}} { - {f_{{\rm{in}}, 1}} = \left( {{k_{1, 1}} + {k_{2, 1}}} \right) \cdot {x_1} + {k_{1, 2}} \cdot {x_3} + {k_{2, 2}} \cdot {x_4}} \\ {{f_{{\rm{in}}, 1}} = \left( {{k_{3, 4}} + {k_{4, 4}}} \right) \cdot {x_2} + {k_{3, 3}} \cdot {x_3} + {k_{4, 3}} \cdot {x_4}} \\ {0 = {k_{1, 3}} \cdot {x_1} + {k_{3, 2}} \cdot {x_2} + \left( {{k_{1, 4}} + {k_{3, 1}} + {k_{5, 1}} + {k_{8, 1}} + {M_3}} \right) \cdot {x_3} + {k_{5, 2}} \cdot {x_5}} \\ {0 = {k_{2, 3}} \cdot {x_1} + {k_{4, 2}} \cdot {x_2} + \left( {{k_{2, 4}} + {k_{4, 1}} + {k_{6, 4}} + {k_{7, 4}} + {M_4}} \right) \cdot {x_4} + {k_{6, 3}} \cdot {x_5}} \\ {0 = {k_{5, 3}} \cdot {x_3} + {k_{6, 2}} \cdot {x_4} + \left( {{k_{5, 4}} + {k_{6, 1}} + {k_{9, 1}}} \right) \cdot {x_5} + {k_{9, 2}} \cdot {x_6}} \\ {0 = {k_{9, 3}} \cdot {x_5} + \left( {{k_{9, 4}} + {k_{10, 4}} + {k_{41, 1}} + {M_6}} \right) \cdot {x_6} + {k_{41, 2}} \cdot {x_{25}}} \\ { \cdots \cdots } \\ {{f_{\rm{o}}}\left( \omega \right) = {k_{41, 3}} \cdot {x_6} + {k_{42, 3}} \cdot {x_{12}} + {k_{43, 3}} \cdot {x_{18}} + {k_{44, 3}} \cdot {x_{24}} + \left( {{k_{41, 4}} + {k_{42, 4}} + {k_{43, 4}} + {k_{44, 4}}} \right) \cdot {x_{25}}} \end{array}} \right. $$ (20) 由于构型中压电陶瓷驱动器输入力均沿x轴方向，所以式(20)中$ {f_{in, s}}\left( \omega \right) = \left[ {{f_{in, s}};0;0;0;0;0} \right] $(s＝1, 2, 3, 4), Mn已由式(18)求出，$ \left\{ {{F_{i, j}}, {F_{i, k}}} \right\} $已由式(16)求出。fo(ω)是输出平台的虚拟力，只有在求输出刚度时不为0。
柔性机构的通用动力刚度模型统一表示为：
$$ \left\{ {F\left( \omega \right)} \right\} = \left[ {{\boldsymbol{D}}\left( \omega \right)} \right] \cdot \left\{ {X\left( \omega \right)} \right\} $$ (21) 进一步将式(21)表示为柔性机构的通用动力刚度模型，即式(22)：
$$ \left\{ {\begin{array}{*{20}{c}} { - {f_{in, 1}}} \\ {{f_{in, 1}}} \\ 0 \\ \vdots \\ {{f_{\rm{o}}}\left( \omega \right)} \end{array}} \right\} = \left[ {\begin{array}{*{20}{c}} {{k_{1, 1}} + {k_{2, 1}}}&0&{{k_{1, 2}}}&{{k_{2, 2}}}&0& \cdots &0 \\ 0&{{k_{3, 4}} + {k_{4, 4}}}&{{k_{3, 3}}}&{{k_{4, 3}}}&0& \cdots &0 \\ {{k_{1, 3}}}&{{k_{3, 2}}}&{{k_{1, 4}} + {k_{3, 1}} + {k_{5, 1}} + {k_{8, 1}} + {M_3}}&0&{{k_{5, 2}}}& \cdots &0 \\ \vdots & \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\ 0&0&0&0&0& \ldots &{{k_{41, 4}} + {k_{42, 4}} + {k_{43, 4}} + {k_{44, 4}}} \end{array}} \right] \cdot \\ \left\{ {\begin{array}{*{20}{c}} {{x_1}} \\ {{x_2}} \\ {{x_3}} \\ \vdots \\ {{x_{25}}} \end{array}} \right\} $$ (22) 由式(22)可知输入$ \left\{ {F\left( \omega \right)} \right\} $时，输出位移为$ \left\{ {X\left( \omega \right)} \right\} $，$ \left\{ {X\left( \omega \right)} \right\} $包括输出平台的输出位移$ {x_{25}} = \left[ {{u_{25}};{v_{25}};{w_{25}};{\alpha _{25}};{\beta _{25}};{\gamma _{25}}} \right] $。构型固有频率为机构整体动力刚度矩阵$ \left[ {{\boldsymbol{D}}\left( \omega \right)} \right] $行列式为0的根。如图 8所示，纵坐标表示动力刚度矩阵$ \left[ {{\boldsymbol{D}}\left( \omega \right)} \right] $参数，横坐标表示柔性机构固有频率。当$ \left[ {{\boldsymbol{D}}\left( \omega \right)} \right] = 0 $时，一阶固有频率为309 Hz，与有限元分析结果315.49 Hz的误差为1.9%，二阶固有频率为322 Hz，与有限元分析结果315.73 Hz的误差为2.22%。
3.4 快速反射镜偏转角度
由于输出平台沿x轴、y轴方向位移和绕z轴偏转角可忽略不计，所以输出平台偏转角只与输出平台绕x轴的偏转角α25，绕y轴的偏转角β25，沿z轴的位移ω25相关，由此可以得到，偏转后输出平台平面上有三点p1＝(0; cosα25; 0; sinα25+w25)，p2＝(cosβ25; 0; sinβ25+w25)，p3＝(0; 0; w25)，则偏转后平台的一个法向量$ \overrightarrow {{{\boldsymbol{n}}_1}} $为：
$$ \overrightarrow {{{\boldsymbol{n}}_1}} = {\left[ \begin{gathered} - \cos {\alpha _{25}} \cdot \sin {\beta _{25}} \hfill \\ - \cos {\beta _{25}} \cdot \sin {\alpha _{25}} \hfill \\ \cos {\beta _{25}} \cdot \left( {\sin {\alpha _{25}} + {w_{25}}} \right) \hfill \\ \end{gathered} \right]^{\rm T}} $$ (23) 若平台未偏转，只沿z轴位移w25，则平台的一个法向量为$ \overrightarrow {{{\boldsymbol{n}}_2}} = \left[ {0, 0, c} \right] $，c是常数，进一步可得出偏转后平台偏转角αp为：
$$ {\alpha _p} = \arccos \frac{{\left| {{{\vec {\boldsymbol{n}}}_1} \cdot {{\vec {\boldsymbol{n}}}_2}} \right|}}{{\left| {{{\vec {\boldsymbol{n}}}_1}} \right| \cdot \left| {{{\vec {\boldsymbol{n}}}_2}} \right|}} $$ (24) 4. 三级混合柔性机构关键尺寸参数优化设计
在此基础上对快速反射镜柔性机构关键尺寸参数进行优化，选择桥式放大机构柔性臂的夹角θ，长度l，宽度t和高度h为待优化参数，以快速反射镜偏转角度最大化为优化目标，得到优化参数与偏转角度和固有频率的关系如图 9~图 12所示。
![]()
图 9 柔性臂的夹角与固有频率和偏转角之间的关系Figure 9. The relationship between θ and ω, deflection angle of flexible mechanism![]()
图 10 柔性臂的长度与固有频率和偏转角之间的关系Figure 10. The relationship between l and ω, deflection angle of flexible mechanism![]()
图 11 柔性臂的厚度与固有频率和偏转角之间的关系Figure 11. The relationship between t and ω, deflection angle of flexible mechanism![]()
图 12 柔性臂的高度与固有频率和偏转角之间的关系Figure 12. The relationship between h and ω, deflection angle of flexible mechanism如图 9所示，柔性臂的夹角变化范围为11°~25°，其他参数固定不变。红色曲线表示柔性臂夹角与快速反射镜偏转角之间的关系，随着柔性臂夹角增加，快速反射镜偏转角呈现先增后减趋势，当夹角θ＝18°时，快速反射镜偏转角度到达最大值。黑色曲线表示柔性臂夹角与柔性机构固有频率之间的关系。随着柔性臂夹角增加，固有频率呈现先减后增趋势，当夹角θ＝20°时，固有频率到达峰值最小值。
如图 10~图 12所示，分别对柔性臂长度l，宽度t和高度h与快速反射镜偏转角之间的关系进行分析。可以发现，随着控制变量参数值增加，快速反射镜偏转角都呈现出先增后减的趋势。结合上述分析，选取参数应靠近最佳参数，同时考虑到结构的固有频率ω不宜过低、结构紧凑等因素，本文最终选取优化结果为：θ＝18°、l＝20 mm、t＝0.9 mm、h＝6.5 mm、ω＝336 Hz、αp＝50 mrad。
对快速反射镜进行仿真分析，设PEAs输出最大位移为16 μm，则柔性机构位移仿真结果如图 13所示，根据输出位移最大值，可以求出最大偏转角αp为100.8 mrad。模态仿真分析如图 14所示，一阶固有频率为336.4 Hz，二阶固有频率为336.63 Hz。
如表 3所示，将国内外同类研究与本研究成果进行对比可知，本文设计的压电驱动快速反射镜具有结构紧凑、偏转角度大的优势。
表 3 快速反射镜关键参数对比Table 3. Comparison of key parameters of fast steering mirrorReference Piezoelectric actuator length /mm Number of deflection degrees of freedom Mechanical deflection range around x axis/mrad Mechanical deflection range around y axis /mrad First natural frequency /Hz Ref. [10] - 1 - 24 1872 Ref. [11] - 1 - 52.3 180 Ref. [16] - 2 4.8 4.8 6700 Ref. [13] - 2 21 21 349 Ref. [14] 72 2 52.93 55.41 105.45 This paper 36 2 100 100 336 5. 总结与展望
本文针对柔性机构构型级数与放大比之间的关系开展了定量分析，得出了嵌套级数的选择依据。针对不同构型方案的固有频率和放大比进行仿真分析，得出了三级混合构型的设计方案。进一步将整体构型离散化为柔性铰链、刚性体和集中质量等基本单元，并计算各单元在参考坐标系中的刚度矩阵。结合矩阵位移法，建立了整个柔性机构的动态响应模型，为柔性铰链、刚性体等单元的参数优化提供了理论依据。最后，对柔性机构开展了模态分析，验证了动态响应模型的能够较为准确地描述快速反射镜的动态行为。与国内外同类研究相比，该机构可以在保证较高一阶固有频率的基础上实现100 mrad机械偏转角度。本文侧重于大转角快速反射镜柔性机构的优化设计与动态分析，针对压电驱动快速反射镜的控制方法研究将在后续工作中开展。
-
表 1 FLIR GF-320红外热像仪技术参数
Table 1 Infrared thermal imaging camera technical parameters
Parameter name Parameter value Model number FLIR GF320 Resolution 320×240 Thermal sensitivity ＜10 mK Detector type Refrigeration type indium antimonide Wavelength range 3.2-3.4 μm 
下载: 导出CSV
表 2 超参数配置
Table 2 Hyperparameter configuration
Hyperparameters Parameter value Initial learning rate 0.001 Weight_decay 1e-3 Learning rate decay strategy steps_with_decay Decay_steps (35000, 75000, 85000) Gamma 0.1 Number of warm-up iterations 500 Warm-up iteration strategy Liner Total number of iterations 110000
下载: 导出CSV
表 3 分支特征融合模块实验
Table 3 Experiment of branch feature fusion module
Models AP50@95/% AP50/% AP60 /% Inference speed/FPS Yolact 33.57 85.87 68.29 36.18 Yolact-ABF 35.11 87.69 72.22 33.75
下载: 导出CSV
表 4 深度可分离卷积实验
Table 4 Depthwise separable convolution experiments
Models AP50@95/% AP50/% AP60/% Inference speed/FPS Params/M Yolact-ABF 35.11 87.69 72.22 33.75 23.50 Yolact-ABF-DWConv 35.42 87.30 69.81 37.26 13.48
下载: 导出CSV
表 5 scSE意力机制对比
Table 5 Comparison of scSE intentional force mechanisms
Embed position AP50@95/% AP50/% AP60% Inference speed/FPS Layer1+2 35.90 87.61 71.86 35.84 Layer1+3 38.23 89.63 75.33 34.99 Layer1+4 36.67 87.80 74.76 35.19 Layer2+3 36.03 86.58 70.16 35.21 Layer2+4 35.28 84.25 73.58 34.87 Layer3+4 36.43 87.31 71.24 35.64 Layer1+2+3+4 34.13 85.61 70.12 30.15
下载: 导出CSV
表 6 消融实验
Table 6 Ablation experiments
Models Branch feature fusion DWConv convolution Attention AP50@95/% AP50/% AP60/% Inference speed/FPS YOLACT 33.57 85.87 68.29 36.18 YOLACT -ABF √ 35.11 87.69 72.22 33.75 YOLACT -DWConv √ 34.43 85.95 71.68 40.57 YOLACT -scSE √ 37.20 87.30 71.87 34.12 YOLACT -ABF- DWConv √ √ 36.64 87.72 71.24 37.26 YOLACT -ABF- scSE √ √ 35.45 86.56 67.96 34.05 YOLACT -DWConv-scSE √ √ 36.93 87.74 71.92 39.62 ABFNet √ √ √ 38.23 89.63 75.33 34.99
下载: 导出CSV
表 7 不同算法对比
Table 7 Comparison of different algorithms
Models AP50@95/% AP50/% AP60/% Inference speed/FPS Yolact 33.57 85.87 68.29 36.18 YolactEdge 32.79 85.30 67.45 37.35 Mask R-CNN 32.60 85.20 69.37 31.23 ABFNet 38.23 89.63 75.33 34.99
下载: 导出CSV
-
[1] 朱亮, 高少华, 丁德武, 等. 光学气体成像技术在泄漏检测与维修中的应用研究[J]. 安全、健康和环境, 2014, 14(4): 14-16. https://www.cnki.com.cn/Article/CJFDTOTAL-SAFE201404004.htm ZHU L, GAO S H, DING D W, et al. Study on the application of optical gas imaging technology in leak detection and repair[J]. Safety, Health and Environment, 2014, 14(4): 14-16. https://www.cnki.com.cn/Article/CJFDTOTAL-SAFE201404004.htm
[2] 屈姣. 甲烷和煤尘爆炸特性实验研究[D]. 西安: 西安科技大学, 2015. QU J. Experimental study on the explosion characteristics of methane and coal dust[D]. Xi'an: Xian University of Science and Technology, 2015.
[3] 张旭, 金伟其, 李力, 等. 天然气泄漏被动式红外成像检测技术及系统性能评价研究进展[J]. 红外与激光工程, 2019, 48(S2): 53-65. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2019S2008.htm ZHANG X, JIN W Q, LI L, et al. Research progress on passive infrared imaging detection technology and system performance evaluation for natural gas leakage[J]. Infrared and Laser Engineering, 2019, 48(S2): 53-65. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2019S2008.htm
[4] 孟宗. 透射式光纤甲烷气体监测系统的研究[J]. 仪器仪表学报, 2005(S1): 49-50. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB2005S1019.htm MENG Z. Research on transmission type fiber optic methane gas monitoring system[J]. Journal of Instrumentation, 2005(S1): 49-50. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB2005S1019.htm
[5] HU L, ZHENG C, ZHANG M, et al. Long-distance in-situ methane detection using near-infrared light-induced thermo-elastic spectroscopy[J]. Photoacoustics, 2020, 21: 100230.
[6] 苑彬, 陈书立. 红外吸收光谱型城市路网尾气浓度检测传感器[J]. 电子器件, 2020, 43(2): 471-476. DOI: 10.3969/j.issn.1005-9490.2020.02.042 YUAN B, CHENG S L. Infrared absorption spectroscopy-based urban road network exhaust concentration detection sensor[J]. Electronic Devices, 2020, 43(2): 471-476. DOI: 10.3969/j.issn.1005-9490.2020.02.042
[7] 迟晓铭, 肖安山, 朱亮, 等. 石化企业气体泄漏红外成像检测技术研究进展[J]. 安全、健康和环境, 2021, 21(2): 1-5. https://www.cnki.com.cn/Article/CJFDTOTAL-SAFE202102001.htm CHI X Q, XIAO AN S, ZHU L, et al. Research progress of infrared imaging detection technology for gas leakage in petrochemical enterprises[J]. Safety, Health and Environment, 2021, 21(2): 1-5. https://www.cnki.com.cn/Article/CJFDTOTAL-SAFE202102001.htm
[8] 洪少壮. 基于视觉的红外气体泄漏检测算法研究[D]. 大连: 大连海事大学, 2020. HONG S Z. Research on Infrared Gas Leak Detection Algorithm Based on Vision[D]. Dalian: Dalian Maritime University, 2020.
[9] 熊仕富. 红外热成像甲烷气体探测与识别系统关键技术研究[D]. 长春: 长春理工大学, 2018. XIONG S F. Research on Key Technologies of Infrared Thermal Imaging Methane Gas Detection and Identification System[D]. Changchun: Changchun University of Science and Technology, 2018.
[10] 王云云. 基于红外多光谱的有毒有害气体被动遥测方法研究[D]. 合肥: 中国科学技术大学, 2021. WANG Y Y. Research on Passive Telemetry of Toxic and Hazardous Gases Based on Infrared Multispectrum[D]. Hefei: University of Science and Technology of China, 2021.
[11] 方鹏, 郝宏运, 李腾飞, 等. 基于注意力机制和可变形卷积的鸡只图像实例分割提取[J]. 农业机械学报, 2021, 52(4): 257-265. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202104027.htm FANG P, HAO H Y, LI T F, et al. Extraction of chicken image instance segmentation based on attention mechanism and deformable convolution[J]. Journal of Agricultural Machinery, 2021, 52(4): 257-265. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202104027.htm
[12] 林云. 基于深度学习的有害气体红外图像处理研究[D]. 杭州: 浙江工商大学, 2018. LIN Y. Research on infrared image processing of harmful gases based on deep learning[D]. Hangzhou: Zhejiang University of Technology and Industry, 2018.
[13] ZENG J, LIN Z, QI C, et al. An improved object detection method based on deep convolution neural network for smoke detection[C]// International Conference on Machine Learning and Cybernetics (ICMLC), 2018: 184-189.
[14] Bolya D, Zhou C, Xiao F, et al. Yolact: Real-time instance segmentation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019: 9157-9166.
[15] XIE S, Girshick R, Dollár P, et al. Aggregated residual transformations for deep neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 1492-1500.
[16] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[J]. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016: 770-778.
[17] 韩明, 王景芹, 王敬涛, 等. 级联特征融合孪生网络目标跟踪算法研究[J]. 计算机工程与应用, 2022, 58(6): 11. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202206021.htm HAN M, WANG J J, WANG J T, et al. Research on cascaded feature fusion twin network target tracking algorithm[J]. Computer Engineering and Applications, 2022, 58(6): 11. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202206021.htm
[18] 何自芬, 黄俊璇, 刘强, 等. 基于非对称混洗卷积神经网络的苹果叶部病害分割[J]. 农业机械学报, 2021, 52(8): 221-230. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202108022.htm HE Z F, HUANG J X, LIU Q, et al. Apple leaf disease segmentation based on asymmetric mixed wash convolutional neural network[J]. Journal of Agricultural Machinery, 2021, 52(8): 221-230. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202108022.htm
[19] Chollet F. Xception: Deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 1251-1258.
[20] Roy A G, Navab N, Wachinger C. Concurrent spatial and channel 'squeeze & excitation' in fully convolutional networks[C]//Medical Image Computing and Computer Assisted Intervention-MICCAI, 2018: 421-429.
[21] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 7132-7141.
[22] WANG J, Tchapmi L P, Ravikumar A P, et al. Machine vision for natural gas methane emissions detection using an infrared camera[J]. Applied Energy, 2020, 257: 113998.
[23] LIU H, Soto R A R, Xiao F, et al. YOLACT edge: Real-time instance segmentation on the edge[C]//IEEE International Conference on Robotics and Automation (ICRA), 2021: 9579-9585.
[24] HE K, Gkioxari G, Dollár P, et al. Mask R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision, 2017: 2961-2969.
计量
- 文章访问数: 167
- HTML全文浏览量: 183
- PDF下载量: 67
