预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113606993A(43)申请公布日2021.11.05(21)申请号202110979602.6(22)申请日2021.08.25(71)申请人湖南华南光电(集团)有限责任公司地址415007湖南省常德市武陵区芙蓉街道华南社区华南路88号(72)发明人李继泉龙炎张磊胡春松姜立伟黄泽菁胡婷张凯荣周熙林张雪娇(74)专利代理机构常德市长城专利事务所(普通合伙)43204代理人游先春(51)Int.Cl.F41G1/14(2006.01)F41G3/06(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种反伪装智能光电跟踪瞄准镜(57)摘要本发明公开了一种反伪装智能光电跟踪瞄准镜,包括物镜、镜体等,所述镜体内部安装有偏振电视、激光测距机模块、主控板、电池组件、气压温度传感器和OLED组件,所述主控板包括接口模块、存储模块和核心处理模块,偏振电视输出端、激光测距机模块输出端、OLED组件输入端和外触发线缆信号端均通过接口模块连接在主控板上;存储模块用于储存识别、跟踪算法、分划信息、射表信息,系统运算与控制单元集成在核心处理模块上。本发明瞄准镜采用偏振电视得到目标的多个角度的偏振信息,结合后端的图像处理算法,实现了小型化、轻量化、高效化、低功耗的目标,有较强的应用价值。CN113606993ACN113606993A权利要求书1/2页1.一种反伪装智能光电跟踪瞄准镜,包括物镜(1)、激光保护玻璃(2)、镜体(3)、按键开关组件(4)、目镜组(5)、旋转操作组件(8);所述物镜(1)、激光保护玻璃(2)位于镜体(3)前端,所述按键开关组件(4)、旋转操作组件(8)位于镜体(3)上端,所述目镜组(5)位于镜体(3)后端,其特征在于,所述镜体(3)内部安装有偏振电视(6)、激光测距机模块(7)、主控板(9)、电池组件(10)、气压温度传感器(11)和OLED组件(12);所述主控板(9)包括接口模块、存储模块和核心处理模块,偏振电视(6)输出端、激光测距机模块(7)输出端、OLED组件(12)输入端和外触发线缆(15)信号端均通过接口模块连接在主控板上;存储模块用于储存识别、跟踪算法、分划信息、射表信息,系统运算与控制单元集成在核心处理模块上。2.如权利要求1所述的反伪装智能光电跟踪瞄准镜,其特征在于,所述分划信息包括曲线和数字,通过比对视场内的目标大小,进行简单测距,读取目标距离数据。3.如权利要求1或2所述的反伪装智能光电跟踪瞄准镜,其特征在于,所述射表信息包括距离数据、温度数据和气压数据,系统通过激光测距机模块(7)、气压温度传感器(11)获取实时数据,结合射表信息进行自动装定射表。4.如权利要求3所述的反伪装智能光电跟踪瞄准镜,其特征在于,所述反伪装智能光电跟踪瞄准镜包括一个简易火控系统,该简易火控系统包括一个激光测距机模块(7)和一个气压温度传感器(11),通过获取目标距离信息,结合环境温度、气压数据,然后根据弹道信息计算出装表位置,并通过成像系统叠加显示于OLED组件(12)的显示屏上。5.如权利要求4所述的反伪装智能光电跟踪瞄准镜,其特征在于,所述核心处理模块上的系统运算包括目标识别和轮廓提取算法,该算法实现过程包括以下步骤:Step1:输入的一帧图像,利用YOLO的CNN网络将图像分割成N*N的网络单元,然后每个单元格负责去检测那些中心点落在该格子内的目标;Step2:输入图像在网格中进行处理,每个网络单元格会预测B个边框,包括每个边框是目标的置信度,以及每个边框区域在多个类别上的概率;所述置信度包含两个方面:一是边界框含有目标的可能性大小,二是这个边界框的准确度;前者记为Pr(object),当边界框为背景无目标时,Pr(object)=0;当该边界框包括目标时,Pr(object)=1;而后者边界框的准确度可以用预测框与实际框的交并比IOU(intersectionoverunion)来表征,记为因此置信度可以定义为边界框的大小和位置可以用4个值来表征:(x,y,w,h),其中(x,y)是边界框的中心坐标,而w和h是边界框的宽与高;中心坐标的预测值(x,y)是相对于每个单元格左上角坐标点的偏移值,而边界框的w和h预测值是相对于整个图片的宽与高的比例,这样理论上4个元素的大小应该在[0,1]范围;这样每个边界框的预测值实际上包含5个元素,即(x,y,w,h,c),其中前4个表征边界框的大小与位置,而最后一个值是置信度;每网络单元格还会预测出各个类别的概率值,其表征的是由该单元格负责预测的边界框其目标属于各个类别的概率,这些概率是在各个边框置信度下的条件概率,即Pr(classi|object);Step3:根据Step2可以预