华为自主研发CMOS传感器，彰显自信与创新力

正文：

近期，华为宣布自主研发手机CMOS传感器的消息震动了整个科技界。这一决定引发了广泛关注，背后的原因是索尼断供华为拍照传感器CMOS的事件。华为选择自主研发CMOS传感器被外媒视为这场风波的激化，然而，这一决策的背后蕴含着更多的意义，不仅是对外界制裁的回应，更是华为积极自主创新的重要举措。

自从美国对华为实施全面制裁以来，华为一直保持着自研能力的高度自信。在多个领域取得的突破让华为展现出了强大的创新实力。例如，在蓝牙方面，华为推出的星闪技术取代了传统的蓝牙通信，实现了更快速、更稳定的无线通信。这一技术的问世，不仅提升了用户体验，也为华为在全球市场上赢得了更多的赞誉。

此外，在玻璃材质方面，华为也展现了自己的独特之处。华为自主研发的昆仑玻璃取代了被禁用的康宁大猩猩玻璃，成为一项重要的突破。昆仑玻璃不仅具备更高的硬度和更好的耐磨性，还能够提供更出色的光学性能，为华为手机的显示效果带来了质的飞跃。

同时，在芯片领域，华为自主研发的麒麟9000S芯片也取得了巨大的成功。这款芯片采用了先进的制程工艺和创新的架构设计，为华为手机提供了卓越的性能和出色的能效。麒麟9000S芯片的问世，不仅推动了华为手机的技术进步，也向世人展示了华为在芯片领域的强大实力。

华为自主研发CMOS传感器的决定，再次彰显了华为的自信与创新力。面对外部封锁和制裁，华为始终坚持自主创新的道路，不断寻求突破和进步。这一举措不仅证明了华为在技术领域的领先地位，也为整个中国科技产业树立了榜样。

总结起来，华为自主研发CMOS传感器的决定，既是对外界制裁的回应，更是华为积极自主创新的重要举措。华为在蓝牙、玻璃材质和芯片领域的突破，为其自主研发CMOS传感器奠定了坚实的基础。华为的自信与创新力将继续引领科技行业的发展，给全球用户带来更多惊喜与震撼。

DSST计算机视觉算法支持风力机叶片？它的动力有何特性？

文/小野传说

编辑/小野传说

前言

风力发电作为风能转换为电能的主要形式之一，得到业界广泛关注和应用，叶片作为风力机捕获风能的主要元件，对风力机结构的发电效率和安全性起着至关重要的作用。

由于风力发电场一般建设在环境较恶劣的区域，叶片极易受到损伤，如不及时发现和处理会发生重大安全事故和严重经济损失。

风力机叶片的监测在国内外得到广泛关注，目前应用最广泛的方式为人工检测，如高倍望远镜检测法、高空绕行下降目测法、基于声发射信号检测法等。

由于上述方法大幅依赖于人工经验，且监测设备价格高昂，在现实中耗时费力，故此迫切需要一种成本低且可靠度高的风力机叶片监测方法。

在土木工程应用中，结构的位移监测传统上是通过接触式传感器进行的，不但安装耗时、造价昂贵、布置线路繁琐，且监测数据获取依赖于传感器数量，因此采用接触式传感器的方式获得结构监测数据有很大局限性。

此外，高耸结构无法在所需监测点合理布置接触式传感器，导致无法准确监测，因此对于在沙尘、极寒等恶劣环境下运行的风力机布置接触式传感器显然不是一个很好的选择。

实验过程

在叶片表面无附加任何标志物的情况下，识别风力机叶片的动态位移，基于视觉方法识别风力机叶片的动态数据对叶片结构进行评估，并与传统监测手段分析结果进行试验对比。

图像捕捉的视觉信息与人眼检查获得的信息类似，因此图像可以非接触的方式对整个视场的信息进行编码，潜在地解决了使用接触式传感器进行监测的挑战，视频是一系列图像，以时间为维度检查各图像信息来获得结构所需的监测数据。

根据不同场景、不同结构，监测结构位移方式和方法各有不同，但基于计算机视觉监测结构位移总体可分为相机标定、特征提取、目标跟踪和位移计算4个步骤。

实验模型中：s——比例因子；(x，y，1)T——图像坐标；(X，Y，Z，1)T——世界坐标；K——从三维真实世界到二维图像的投影变换的相机内部参数；在本征参数中，fx和fy——相机在水平方向和垂直方向上的焦距。

cx和xy——光轴在水平和垂直方向上的偏移量；γ——倾斜因子；R和t——相机的外部参数，表示从三维真实世界坐标到三维相机坐标的刚性旋转和平移；rij和ti——R和t的元素。

在土木工程领域的位移监测中，一维的位移监测通常使用简化后的相机标定，即采用尺度因子法，在实际监测过程中，由于各种外界因素限制无法使相机光轴垂直于目标移动方向，此时被测物体的实际位移和相机成像会形成夹角θ。

尺度滤波器是先利用2维的位置相关滤波器来确定目标的新位置，再利用1维的尺度相关滤波器以当前中心位置为中心点，获取不同尺度的候选区域，从而找到最匹配的尺度。

在视频流中选定目标，再由此目标选择追踪器进行位置跟踪和尺度变换，第一帧选定的追踪器提取目标的尺度样本得到当前尺度并完成当前帧的训练，之后检测下一帧的目标尺度以完成目标跟踪，每一帧的目标尺度经训练后返回追踪框的中心坐标。

现常用的基于颜色匹配算法、模板匹配算法和DSST算法的主要差异在于需预设相应颜色阈值与模板进行匹配，因无训练过程无法增强图像特征，故而需预设颜色标志物或特征较强的模板进行跟踪。

DSST算法在跟踪目标时对其特征进行训练，可对结构角点、边缘等特征进行良好的跟踪，无需标志物或强健特征进行跟踪，适用于实际结构监测环境需求。

通过目标追踪得出目标历时每帧的像素坐标（xn，yn），历时每一帧像素坐标（xn，yn）和第一帧像素坐标（x0，y0）作差即可得到像素位移dpixel，之后像素位移和尺度因子相乘得到物理坐标下的真实位移。

本次试验采用佳能5D4相机，相机加装24~105mm变焦镜头，设置视频分辨率为1080P，帧率为50帧/s，模拟停机状态下的缩尺风力机模型、光源、三脚架等，为验证计算机视觉监测结构位移的准确性，使用Banner250U的激光位移传感器，采样频率为50Hz，采用INV9812型加速度传感器，采样频率为50Hz。

在监测过程中，叶尖处产生初始激励，引起叶片振动，之后使其自由衰减，通过3种算法跟踪叶尖处监测相应位移并与激光位移传感器监测数据进行比较，为了量化精度，采用归一化均方根误差（rootmeansquareerror，RMSE）进行误差分析。

实验数据中，ERMS——归一化均方根误差；n——监测数据总数；xi和yi——由视觉监测和激光位移传感器的ti时刻的第i个位移数据；ymax=max(yi)；ymin=min(yi)。

在叶尖给定一连续激励，使其自由振动，同时激光位移传感器捕捉实际位移进行验证，在尺度因子为0.715mm/pixel下进行换算，3种算法跟踪与激光位移传感器位移时程和频域进行对比，模板匹配算法在跟踪时有明显的滞后。

其中叶片振动视频80s共4000帧，模板匹配跟踪结果共3630帧，丢失370帧，丢帧率为10.19%。

颜色匹配算法和DSST算法均未发生丢帧现象且与激光位移传感器监测数据匹配较好，基于模板匹配算法跟踪的位移时程曲线相位与其他算法相位不一致，产生严重滞。

为验证基于计算机视觉对风力机叶片的位移监测，在频域对比光照变化条件下，颜色匹配和DSST算法与激光位移计位移对比。

由于光照变化导致颜色匹配算法无法准确计算位移，故此频域曲线出现紊乱，与激光位移传感器无法比较。

DSST算法在频域内与激光位移传感器数据吻合较好，测得前两阶自振频率均一致且误差在3%以内。

叶尖处用灯光分别在8.30~8.70s（415~435帧）、12.40~12.70s（620~635帧）和15.52~15.96s（776~780帧）进行照射模拟光照变化，使用颜色匹配算法和DSST算法跟踪叶尖处所得监测数据与激光位移传感器监测数据进行对比。

颜色匹配算法在光照变化条件下无法跟踪目标，其原因为光照变化改变了图像颜色阈值，使它超出预设阈值范围，第780帧具有颜色的人工标志物捕捉较第1、420、630帧不一致，主要是源于光照向标志物靠近引于DSST算法监测复杂背景下的结构位移监测的可行性。

上述试验均为背景单一条件下做的试验验证，但实际工程往往有复杂的背景，因此在复杂背景下准确监测结构位移是一个重要问题。

在复杂背景条件下对DSST算法和颜色匹配算法在叶尖处进行位移监测，用激光位移传感器数据作为对比，DSST算法在P1（角点处）和P2、P3（边缘处）均跟踪效果较好，而颜色匹配算法识别特征时出现无法识别和错误识别的现象。

背景颜色与目标颜色相差较大时颜色匹配算法可准确识别，但目标和背景颜色相近则会出现无法识别和错误识别现象，故颜色匹配算法在复杂背景下颜色匹配算法无法准确监测，在复杂背景下基于DSST算法的视觉传感器位移监测。

研究利用3种算法（颜色匹配算法、模板匹配算法和DSST算法）针对不同的目标特征（颜色、图像模板和固有角点或轮廓）进行目标跟踪。

在试验中颜色匹配算法与模板匹配算法因需设置人工标志物且在实际工程背景下监测效果不理想，因此不适用于大型风力机叶片结构健康监测，DSST算法可在模拟实际监测环境下有较强的鲁棒性。

针对实际工程情况，基于计算机视觉的位移监测很难保证相机光轴和被测目标移动方向一定垂直，因此角度对监测引起的误差是不可忽视的，本次试验通过对比0°、5°和10°与激光位移传感器的位移时程及频域对比，采用DSST算法对风力机叶片P1处进行视觉监测且用激光位移传感器进行验证。

风力机叶片的主要振动形式为摆振、挥舞和扭转，由于叶片扭转变形微小，故一般情况下不考虑叶片扭转变形，由于前文试验均为摆振方向，故而本试验仅展示挥舞方向的位移时程及频域信息，在P1处于挥舞方向施加激励，使用DSST算法跟踪挥舞方向的风力机叶片。

计算得到的尺度因子随角度增加误差变大，进而时域内位移时程数据的误差随着角度增大而增大。

但在10°内的时域和频域误差均未超过4%，可满足实际工程需求，证明了即使在实际监测过程中相机与监测目标不垂直时，基于DSST算法的计算机视觉技术监测结构位移的可行性。

传统传感器监测会受到传感器数量限制，对于视觉传感叶片上3个点自由衰减趋势规律一致，展示了3个点在自由振动时时域与频域最大峰值。

在时域和频域内峰值均以P1、P2和P3处依次减小，符合风力机叶片对应叶尖、叶中和叶根振动特性，证明了多点监测的可行性，解决了传统监测中一个设备只能监测一个点的限制。

因DSST算法受当前帧训练尺度的影响，位移越小时监测结果出现位移漂移现象，因此适用于在激励作用下振动时的叶片动力特性识别。

视觉监测挥舞振动和激光位移传感器监测的趋势与幅值非常接近，它的位移时程数据的均方根误差由式计算，为2.63%，频域自振频率误差最大为0.187%，由此可知基于计算机视觉的位移监测在挥舞方向同样可以准确监测。

由试验可得风力机叶片的摆振和挥舞的自振频率，表5为风力机摆振和挥舞的自振频率识别结果，在叶片设置5个视觉监测点，3个加速度传感器监测点进行验证，在摆振与挥舞方向进行监测，最后根据相关计算得出结构。

以位移传感器为基准，使用视觉监测不论在摆振还是挥舞识别的自振频率精度可达99%，可满足实际工程需求，由图11可知，视觉可多点同时监测不受传感器限制，故而得到的振型较加速度传感器更平滑，更利于实际结构监测。

结论

研究通过对比3种计算机视觉算法提出一种基于DSST计算机视觉算法的风力机叶片动力特性监测方法，在实验室模拟光照变化、复杂背景和角度变化的实际工程效果，验证了基于DSST算法对风力机叶片动力特性监测的鲁棒性。

基于计算机视觉技术监测风力机叶片动力特性具有可行性，使用DSST算法可在光照变化、复杂背景等具有实际工程情况的场景精确跟踪。

对于相机光轴与目标振动平面不垂直的情况进行试验验证，误差随着角度的增大而增大，偏移角度在10°以内DSST算法监测结构位移可满足实际工程需求。

根据风力机叶片边缘或角点可实现多点同时精确监测的需求，实现无附加标记的情况下计算机视觉技术对叶片的全场监测。

针对风力机叶片的特殊性，使用DSST算法进行摆振和挥舞方向的振动视觉测试，可精确识别摆振和挥舞方向的自振频率，且由于不受传感器数量限制，得到的振型更平滑。

由于DSST受当前帧训练尺度的影响，对叶片振动最大幅值处和仅在环境激励下的位移监测仍有偏差，适用于在激励作用下振动时的叶片动力特性识别。

相关问答

[回答]我遇到你一样的问题,你问题是怎么解决的?速回谢谢!

[回答]汽车出现抖动的原因:1、积碳过多如果发动机缸内积碳严重,会造成火花塞堵塞、气门堵塞的情况,这就直接导致了汽车在怠速的时候出现抖动。如果车子加...

[回答]我同意这个,我昨天就这样的

[回答]确实,但是清理之后还会堵,还会亮

“SUV”翻译过来的意思是“运动型轿车”,这种车多依托轿车平台打造而来,更适合在铺装道路上行驶,比轿车强的点在于,遇到“小沟小坎小泥泞”应对起来更从容。...

[回答]现在让我来为你提供关于“北京现代索9在哪里调远光?”的相关内容,请看以下相关内容:北京现代索9这款车调整远光的方法:1、转向灯那个竿顶端可以扭...

[回答]我车子出现这个问题已经解决了,点火线圈和火花塞全换,必须是原厂的,我的是这样解决的,和你的问题是一模一样,我的方法供你参考参考。我车子出现这...

回复4回复小野回复A王子(福建渊博:我的3gs最近想出了,有兴趣吗?有用(0)回复APP查看更多回复(4)mj5b90350c经过官方多次预热,我们已经大改了解了小米MI...

小小小小野1天前扩展回答1热水器电磁阀价格是多少正常维修部电磁阀一个进价是18元,加维修费大概要40元。2能率热水器电磁阀伐不动怎么办解决方法如下:...

小小小小野1天前扩展回答1蒙杰西家具质量如何用了蒙杰西家整套的家具,我用...煤气报装置包括传感器、处理器、和通风设施。当传感器探测到屋内煤气含量超...