摘要:水下游动机械臂（underwater swimming manipulator, USM）是一种由水下蛇形机器人和矢量推进器组成的新型水下机器人。USM系统具有高度非线性、强耦合以及不确定性等特点，其动力学模型难以精确建立。因此，实现USM的高精度镇定控制存在挑战。针对这一问题，本文基于反馈线性化和自适应径向基函数神经网络（radial basis function neural network, RBFNN），设计了一种动力学控制方案以实现USM的镇定控制。首先，介绍了USM平台结构，基于Lagrange方程给出了USM的动力学模型，并推导了USM的矢量推力系统模型。然后，设计了基于反馈线性化和RBFNN的动力学控制器，并通过反步法自适应更新RBFNN的权重。其中，权重自适应更新RBFNN用于实时估计系统未建模部分、参数误差以及外部扰动，从而对动力学控制器进行补偿。此外，为了将动力学控制器提供的广义力和力矩转换成各个执行器的控制输入，给出了推力分配策略。最后，进行了湖泊实验，分别对USM的I构型和C构型镇定控制，文章所提出的控制方案在两种构型下的稳态误差均小于0.08 m和10°，验证了所提出的USM六自由度镇定控制器的有效性。

摘要:针对霍尔效应式力传感器温度漂移的问题，提出了混沌自适应鲸鱼优化BP神经网络（CIWOA-BP）的温度补偿新模型。该模型通过Cubic映射作为初始鲸鱼种群生成方法，以提高种群的质量和分布均匀性。引入自适应权重调整鲸鱼的收缩包围机制，提高算法的全局搜索能力和收敛性。利用CIWOA算法对反向传播（back propagation, BP）神经网络的初始权值和阈值进行优化，使模型具有更好的测量精度和稳定性。研究结果表明，温度补偿以后霍尔效应式力传感器的灵敏度温度系数αs由5.08×10-3/℃减少至9.8×10-5/℃，减小了2个数量级，温度附加相对误差由补偿前的19.82%减小到了0.38%，减小了52倍以上，从而有效的减弱了温度对测量结果的影响。

摘要:大气偏振模式是一种稳定的自然属性，其在导航、探测等领域有广泛的应用，但由于自然环境以及周边建筑物遮挡的影响，在同一时刻获取的大气偏振信息是局部且不连续的，导致其在实际应用中受到影响。现有方法主要对大气偏振模式进行大范围图像的修复，对于高频信号的修复精度十分有限导致边缘模糊。针对该问题，本文采用软分割软合成的方法，对偏振信息进行冗余分割并合成，避免了高频信号的丢失，挖掘每个局部中的高频信号特征，并根据大气偏振模式时空连续性合理推测，保证重构的信息与真实信息维持一致，从而生成完整连续的大气偏振信息。实验结果证明，本方法能够很好地重构大气偏振模式中缺失的偏振信息，在云层干扰大于40%的实测重构实验中，本文方法的SSIM和PSNR得分相较于其他方法提高了26%和12%。

摘要:激光测量能够实现高效地非接触实时测量，被广泛应用于3D打印领域，但激光测量容易受测量条件、外部环境等多种因素的干扰，这些因素错综复杂，难以量化分析。为此，结合直射式激光三角测量原理，在分析测量精度影响因素的基础上，提出了一种基于融合自注意力和残差神经网络的3D打印在机测量误差修正方法。首先，将影响测量精度的因素作为输入变量，采集激光测量值，得到样本数据集；然后利用残差网络提取出样本数据的深层次特征，并引入自注意力机制建立影响因素之间的联系,得到带权重的提取特征；再通过全连接网络对带权重特征进行学习，得到测量误差的预测值，基于该预测值完成对测量误差的修正。自主搭建了一套激光在机测量系统，采用红、绿、紫3种同材质彩色卡纸进行实验验证。结果表明，所提的方法与卷积神经网络和自注意力神经网络相比，均方误差、均方根误差和平均绝对误差均最小，稳定性最好，修正结果最接近真实值；对激光测量结果进行校正后，使其误差由原来的 ±28 μm减小到 ±9 μm以下，显著提高了3D打印激光在机测量的精度和稳定性。

摘要:现阶段，学生课堂学习状态的研究大多集中在单人的在线监测，对于多人且环境复杂的线下课堂的监测还处于探索阶段。该研究针对线下教育设计了学生课堂学习状态监测系统，对学生课堂出勤情况及学生面部出现的疲劳状态进行实时监测。首先，使用DSFD人脸检测算法结合ResNet深度残差网络对学生进行人脸识别，记录学生出勤情况；然后，使用ERT回归树集合算法结合头部姿态估计对打哈欠和低头瞌睡的疲劳行为进行检测；再使用加入CBAM模块改进的YOLOv5目标检测算法对学生闭眼行为进行检测；最后，形成一套完整的集合出勤、疲劳检测的学生课堂学习状态监测系统。该系统在实际课堂的测试环境下，可以准确的对学生的出勤进行统计，并且可以实时的监测学生面部出现的打哈欠、低头瞌睡、闭眼的疲劳状态，检测的准确率均超过90%，检测速度约为14.1 fps，证明该系统具有重要的使用价值。

摘要:微藻显微图像目标检测技术是生物学研究和环境监测等领域重要研究方向之一。电子显微镜采集到的微藻图像数据集存在长尾数据问题。传统的微藻检测方法需要大量人工操作，耗时长且结果容易受到操作人员技术经验的影响。结合解决长尾分布的方法，本文提出了一种基于延迟重采样和知识蒸馏相结合的目标检测算法（DDM-YOLO）。先对微藻显微图像进行数据增强，然后针对长尾分布数据，采用延迟重采样，并在二阶段采用反向采样，关注难以分类的少数类别样本，改善目标检测性能。设计了一种轻量级目标检测网络架构，通过知识蒸馏来减少模型复杂度和计算量。实验结果表明，DDM-YOLO算法的mAP@0.5/%为77.1%，与YOLOv5s相比提高了6.1%，模型参数量为3.88 MiB，减少了45.4%。所提出的方法在微藻显微图像数据上取得了显著的性能提升，同时在资源受限条件下实现了高效的目标检测，大大降低了检测人员的工作量。

摘要:深度学习在故障诊断取得了显著的进展，然而其多为端到端的智能诊断，在信号降噪方面的应用较少。本文提出了一种基于全卷积神经网络(fully convolutional network, FCN)的降噪方法。首先，模型整体采用了encoder-decoder架构，其中encoder部分由三层卷积层组成，decoder部分由四层反卷积层组成。其次，引入了残差连接对模型的学习目标进行了约束，使得模型在传播过程中更多地关注噪声信息。并且为了增强模型的特征提取能力，在encoder和decoder中引入了非局部块(non-local block, NLB)。然后，通过仿真信号对比实验选择网络的超参数，与目前主流的降噪方法进行对比，初步验证模型的降噪效果。最后，通过实际案例对所提方法的降噪效果进行对比验证，结果表明本文提出的方法在直观观察和降噪性能指标方面均取得了良好的应用效果，能够有效提高故障诊断的准确率。

摘要:在无人车领域，点云强度和地面约束对大范围环境下的建图和定位起着非常重要的作用。然而，现有的激光SLAM算法在构建地图时只考虑几何特征，而忽视点云强度信息和地面约束，导致建图细节模糊、在Z轴方向上易存在漂移，从而降低了SLAM系统的精度。为此，本文提出了一种基于点云强度和地面约束的激光SLAM优化算法。基于地面测量模型，提出构建局部条件性地面约束，不仅提高地面点提取的准确性，而且减少Z轴方向的漂移；引入点云强度信息来改善非地面点聚类的可靠性，进一步提高建图精度和定位稳定性。提出基于局部平滑度的特征提取方法，通过引入强度因子并对强度特征进行排序，优先选择具有一致强度信息的特征，增强特征提取的鲁棒性。引入球形强度图来构建强度残差，与几何残差共同优化估计位姿，有效解决里程计中地图细节处的模糊问题；基于特征投影的匹配距离以及强度差异被用来去除动态点云的干扰，进一步提高SLAM系统的鲁棒性。在公开数据集KITTI和真实场景下的实验表明，引入地面约束和点云强度信息后，本文提出的算法具有更高的建图和定位精度，相对优于传统LIO-SAM的LVI-SAM算法，本文算法的精度提升了54.5%，为无人车在大范围环境中的SLAM任务提供了可靠解决方案。

摘要:针对带未知时变参数的非线性多智能体系统的编队问题，提出一种分布式自适应迭代学习控制策略。首先，通过傅里叶级数对系统的不确定参数进行展开，采用一个收敛级数序列处理傅里叶级数展开产生的截断误差，结合多智能体运行过程中的编队误差推导自适应迭代学习控制律和参数更新律；其次，针对领导者动态对大部分智能体都是未知的情况，设计新的辅助控制来补偿未知动态和避免未知有界干扰；然后，基于李亚普诺夫能量函数证明了在所设计控制律作用下多智能体系统编队误差随着迭代次数的增加在有限时间内趋于0；最后，将该控制策略运用到多无人机编队系统中，并通过搭建半物理实验平台，验证了控制方法的有效性。实验结果表明该控制方法可以确保多智能体快速形成所需编队，并且每个智能体在有限时间内可以精确跟踪期望轨迹。所提方法充分考虑了多智能体系统的参数不确定性以及抗干扰的能力，为实际应用中复杂多智能体系统的精确控制提供了有效的方法。

摘要:针对Buck型变换器在复杂环境下发生负载波动时输出电压受扰的问题，提出了一种复合自适应预设性能控制方案以提升其控制效果。首先，利用自适应律对模型中包含负载项的非线性函数进行预测估计，同时通过在自适应律更新过程中构建并行估计模型获取预测误差，并将预测误差和跟踪误差融合以设计自适应参数更新律。然后，采用广义比例积分观测器来对剩余不确定性和外部扰动进行估计，并在控制律中进行补偿。最后，结合指令滤波反步控制和指定时间预设性能控制技术，提出了Buck型变换器复合自适应预设性能控制方案。所提出的方案保证了对负载波动的高精度预测，避免了在突发情况下输出电压超出预设函数范围，此外还证明了闭环控制系统中的信号收敛性。实验结果表明，复合自适应预设性能控制在负载突然减小的情况下系统最大偏离电压为0.376 V，相比于传统自适应反步控制的1.773 V减少了78.7%，验证了所提方案的有效性以及优越性。

摘要:针对图像平滑过程中无法保留细节的问题，提出了基于局部高斯均差变分的保边图像平滑算法。首先，通过统计学分析建立局部高斯均差变分算子。其可以衡量局部梯度与高斯滤波处理后的梯度差异，区分结构和纹理。其次，构建局部高斯均差变分平滑模型，由稀疏求解得到初始平滑图像。最后，针对复杂纹理图像存在纹理残留的问题，提出孤立噪声去除模型。模型通过自适应窗口设定像素值，在不影响结构的前提下去除初始平滑图像中的纹理残留。通过主观、客观实验，与经典的算法对比，证明该算法有更高质量的平滑结果。评价指标整体提升了0.7%。通过压缩伪影去除、HDR色调映射、图像去雾和拉普拉斯金字塔加速的扩展实验，验证该算法在不同视觉任务上的适用性和效率可提升性。

摘要:针对当前钢材表面缺陷检测效率低、检测精度差的问题，提出了一个模型，命名为ECC-YOLO，基于YOLOv7的钢材表面缺陷检测。首先，为了提高主干网络特征图信息表征能力，引入了特征增强模块ConvNeXt，通过融合深度可分离卷积、大核卷积，增强模型对细小裂缝的特征提取能力，其次设计了C2fFB模块，在增强目标特征信息的提取能力同时，显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块，削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后，广泛的实验结果表明，ECC-YOLO在NEU-DET数据集上，该模型的mAP达到77.2%，相较于YOLOv7，ECC-YOLO的检测精度提高了10.1%，模型参数量减9.3%，该模型在钢表面缺陷检测中具有较好的综合性能。

摘要:串联型电弧故障主要由电路中电气接触点接触不良引起，是引发电动汽车电气火灾的主要原因之一，直接威胁着车内人员的生命安全。为对其进行研究，论文搭建了电动汽车直流串联型电弧故障实验平台，获取了系统处于不同工作状态下的电源端电压信号，分析了电弧故障对电源端电压的影响。在构建检测模型时，论文使用了卷积神经网络，引入轻量型的卷积操作并考虑了其在实际应用中的局限性。将常规卷积和轻量化卷积操作结合，构建了电弧故障检测的初步模型。接着以网络的规模和准确率为评估指标，通过具有精英保留策略的遗传算法对模型的外部结构和内部参数进行搜索。最终建立了适合电动汽车的电弧故障检测（arc fault detection，AFD）的检测模型AFDNet。该模型的检测准确率达到93.73%，在嵌入式设备Jetson Nano（JN）中的运行时间为10.82 ms。模型建立后，论文在网络的规模、准确性及实时性方面，将搜索算法的搜索结果与其他的网络结构进行比较，验证了搜索算法所得结果的合理性。并通过与其他检测方法对比，证明了电动汽车电弧故障检测模型AFDNet性能的优越。

摘要:针对轴承剩余寿命（remaining useful life, RUL）预测中故障始发时刻（first predicting time, FPT）基于人为主观选择以及预测滞后带来的维护风险的问题，提出了一种基于融合特征和随机配置网络（stochastic configuration networks, SCNs）的轴承剩余寿命预测方法。首先，采用互补集合经验模态分解（complementary ensemble empirical mode decomposition, CEEMD）对原始轴承水平振动信号进行分解，再提取其时域、频域信号，构建融合特征。最后，使用小波聚类划分健康状态，找到合适的FPT，并结合能反应轴承退化的特征构建健康数据集，通过SCNs网络离线建模进行预测，并根据拟合曲线的斜率以及RMSE指标对预测结果进行校正。通过实验分析，所提方法的综合得分高达0.83，误差百分比的平均绝对误差（mean absolute deviation, MAD）和标准偏差（standard deviation, SD）分别为5.26和3.38；与其他预测方法相比，本文所提方法有较高的预测精度。

摘要:针对单一强度图像缺少偏振信息，在恶劣天气条件下无法提供充足场景信息的问题，本文提出了一种基于双重注意力机制生成对抗网络用于强度图像和偏振度图像进行融合。算法网络由一个包含编码器、融合模块和解码器的生成器和一个鉴别器组成。首先源图像输入到生成器的编码器中，经过一个卷积层和密集块进行特征提取，然后通过含有注意力机制的纹理增强融合模块中进行特征融合，最后通过解码器得到融合图像。鉴别器主要由两个卷积模块和两个注意力模块组成，在网络训练过程中，通过不断博弈，迭代优化生成器网络参数，使生成器输出既保留偏振度图像的稀疏特征又不损失强度图像信息的高质量融合图像。实验表明，该方法得到的融合图像在主观上纹理信息更丰富，更符合人眼的视觉感受，并且在客观评价指标中SD提升约18.5%，VIF提升约22.4%。

摘要:吊弦线夹螺栓是铁路接触网供电线路的重要器件，其状态会影响电力机车受流质量，于是对SSD算法进行改进：首先引入一种轻量级神经网络MobileNetV3用于前端特征提取，降低模型复杂度，以提高检测速度；其次采用CA注意力机制替换反向残差结构线性瓶颈层的SE模块,使位置信息沿空间两个方向聚合，调整后的特征层能够捕获全局远程特征信息；最后设计了特征融合模块以重构特征层,优化小目标检测层以提高对小目标的识别效果。还用CycleGAN等方法扩充训练样本，解决数据集不足的问题。实验结果表明，改进算法的模型复杂度下降，mAP@0.5和FPS分别达到95.5%和81 fps，该研究有助于接触网检测仪器向小型移动嵌入式设备转变。

摘要:为了降低基于超宽带（UWB）测距中的非视距（NLoS）误差的影响，引入了一种基于遗传算法反向传播神经网络（GA-BP）的UWB测距误差识别与优化方法，能够识别NLoS传播链路下的数据，对NLoS传播链路下测距误差和系统偏差进行校正，最后对测距结果使用卡尔曼滤波（KF）优化。在此基础上，针对测距误差导致的多边定位无交点或多交点问题，提出了一种加权同心圆聚类定位（WCCGT）方法，通过加权同心圆生成（WCCG）解决无交点问题，再采用均值漂移聚类定位方法实现定位解算，以提高定位精度。实验结果表明，改进的测距优化方法有效减小了NLoS传播链路下的测距误差，基于UWB的测距精度提升了60%以上；通过静态定位实验和动态实验分析，将WCCGT方法定位结果与最小二乘（LS）方法进行了比较，本文方法能够在NLoS环境下达到10.78 cm的定位精度，定位性能提升了17.32%。

摘要:为了满足易燃易爆环境的声纹识别需求，设计了直线型萨格奈克干涉光纤声音传感系统，利用维纳滤波算法对语音数据进行了降噪，通过三电平削波法获取了基音周期特征，采用动态时间规整算法筛选了说话人样本，并提取了梅尔频率倒谱系数特征，运用高斯混合模型期望最大化算法开展了声纹识别实验研究，同时探究了光纤声音传感系统的频率响应特性与声纹特征，研究了采集语音幅值对声纹识别结果的影响。实验结果表明，系统可实现300~3 500 Hz频率段的声音信号感知，声音幅值从0.9 V降至0.15 V时最大与次大对数似然值之差由35.5降至10.9，识别结果从成功变为失败。重复性实验表明，在10 km的传感光纤上，距声源2 m位置处，传感系统可对400段时长为3~5 s之间的文本无关语音段实现准确检测，且综合识别准确率为94.75％。本系统有望为易燃易爆环境中的设备故障、应急救援、渗漏监测等领域提供声纹识别的解决方案。

摘要:行人重识别在交通管理、寻找走失人口等范畴用途较广。现有算法难以处理人体姿势改变、遮挡和特征不对齐的问题，提出一种姿势引导和特征融合的行人重识别算法。所提出的算法包括3个分支，包括全局分支、基于姿势估计引导的全局分支、局部对齐分支。全局分支提取行人的全局特征，可以捕捉行人的粗粒度信息以及整体的上下文关系。基于姿势估计引导的全局分支利用姿势估计网络引导模型关注行人的全局可见区域，降低遮挡物对行人识别的干扰。局部对齐分支利用姿势估计算法构成对齐的局部特征，同时区分可见的局部区域，以降低遮挡以及姿势变化的影响。通过多分支结构，将局部特征和全局特征融合，以加强特征的多元化，增强模型的鲁棒性。最终，利用交叉熵和软边界三元损失进行模型训练。Market-1501和DukeMTMC-ReID数据集上的测试结果效验了所提算法的可行性，其间，DukeMTMC-ReID数据集的Rank-1、mAP各达成了91.2%、81.8%，具有较佳的实用性。

摘要:为了解决传统层流流量计（LFM）线性度不佳、长径比较大、加工使用不便和结构易受流体影响等诸多问题，受双锥流量计的启发，提出了一种环形间隙式层流元件结构，介绍了测量原理和流道内非线性压力损失来源。保持该结构外套筒体和圆柱锥体同轴心，其流道截面为同心圆环，通过CFD仿真确定了锥形导流结构的合理锥形角度，确定了层流元件的尺寸参数。将取压孔设置在流道中充分发展的层流段，理论上消除了传统毛细管式LFM进出口处流动局部损失和层流发展段的动能损失。制作3种不同间隙大小的试件并进行试验，结果显示，当测量流量值小于53 mL/min时，层流元件的测量误差在3%以内；当测量流量值在（130~6 189）mL/min时，测量误差在±2%以内；层流元件的压差和流量之间具有优秀的线性关系。说明环形间隙式层流元件结构可有效克服传统LFM的非线性影响，同时测量流量范围可随间隙大小变化而改变。

摘要:针对永磁同步电机(permanent magnet synchronous motor, PMSM)匝间短路故障振动信号易受噪声干扰导致故障特征难以准确提取的问题，提出一种改进鲸鱼优化算法(improved whale optimization algorithm, IWOA)优化变分模态分解(variational mode decomposition, VMD)，并将其应用于PMSM匝间短路故障振动信号去噪。首先在传统鲸鱼优化算法中引入非线性收敛因子、自适应权重和柯西算子，利用IWOA算法对VMD参数进行寻优来实现信号的自适应分解。然后根据多尺度排列熵-方差贡献率最优模态分量选取原则将信号分量分为噪声主导分量和有效信号分量，对噪声主导分量进行非局部均值滤波(non-local mean filtering, NLM)去噪。最后将去噪分量与有效信号分量重构为去噪信号。使用ANSYS有限元软件建立了电机短路故障模型，并搭建了短路故障实验平台，利用该方法对仿真与实测信号进行去噪处理，并与小波阈值去噪等去噪方法进行对比分析，得出仿真信号的信噪比从8 dB提升至20.273 8 dB，实测信号的信噪比相较于小波阈值去噪提高了77.01%，验证了所提方法的有效性和实用性。

摘要:目前，我国尚未公开呼吸机检测仪的国家校准规范，导致呼吸机检测仪各参数的计量溯源难以展开。一些自编的校准方法在气体流量校准上存在流量校准点受柱塞大小影响的问题，进而限制了流量校准范围。为解决这一问题，本文提出了基于标准表法和柱塞法分别对静态流量和潮气量进行校准的方法，并集成了两套管路、设计了校准系统。介绍了呼吸机检测仪流量测量的基本原理，根据该原理提出了校准方法并实际搭建了装置，对装置进行了测试。测试结果表明本系统静态流量测量范围为5~200 SLPM，扩展不确定度Ur(Qv)=0.602% (k=2)；潮气量测量范围为0~2 000 mL，扩展不确定度Ur(V)=0.174% (k=2)，相对误差满足技术指标。本系统可实现对呼吸机检测仪流量参数的校准。该校准系统的设计为呼吸机检测仪校准装置的研发奠定了基础，并为呼吸机检测仪校准规范的建立提供了一定的借鉴意义。

摘要:蒸汽发生器传热管作为高温气冷堆核电站一回路压力边界的关键部件，承担着热交换及辐射屏障的重要作用，其结构完整性严重影响核电安全运行。针对该类特殊结构传热管的在役检查难题，设计了专用的电磁超声导波自动化检测系统，研制了内置单点检测式的磁场增强型电磁超声导波探头，开发了采用模块化组件的五轴联动多自由度自动运载装置，提出了基于机器视觉的管孔动态定位方法，建立了蒸汽发生器全尺寸模拟体试验平台并开展了定位精度测试与缺陷检测试验。试验结果表明所设计的自动化检测系统可实现任意位置目标管孔的高精度定位及自动行走，可识别模拟体上异种钢焊缝处与距离检测端约60 m处的刻槽缺陷，有效检测范围覆盖传热管全长，有望为高温气冷堆核电站蒸汽发生器特殊结构传热管的质量健康评价提供技术支撑。

摘要:本文提出并制备了一种基于法布里珀罗干涉计（FPI）和迈克尔逊干涉计（MI）并联的全光纤温度传感器，该传感器由单模光纤依次错位熔接一段悬浮芯光纤和一段单模光纤而成，熔接和切割形成的反射面构成了FPI干涉计和MI干涉计，且MI干涉计的光程约为FPI干涉计光程的2倍（略大于2倍），从而，两干涉计产生了一阶谐波游标效应。实验结果表明，该传感器干涉谱中出现了具有明显一阶谐波游标效应特征的双包络，且随着温度的升高，干涉谱双包络逐渐红移，红移量远大于单个MI干涉计；在20 ℃~120 ℃的温度范围内，该传感器的温度灵敏度为208 pm/℃，约为单个MI干涉计的20.8倍，约为单个FPI干涉计的245倍；升降温实验以及同一温度多次测量实验均表明，该传感器具有良好的重复性和稳定性。该传感器在同一根光纤内实现了FPI和MI并联，其传感头总长度仅约为584.4 μm，且为全光纤尖端结构，因此，特别适合于小空间环境高温检测。

摘要:多尺度特征金字塔可以缓解语义分割在复杂交通场景下通常存在漏分割、错误分割、边界分割不清晰等问题，但现有的多尺度特征金字塔在获取丰富的语义信息时，不得不下采样特征图，牺牲空间细节信息，而这导致了最终的分割结果仍然精度受限。针对该问题，本文提出了特征强化模块，使得有利于正确分类像素的相似特征在下采样过程之前得到基于不同矢量间余弦相似度的进一步加强，降低下采样带来的负面影响。另外，结合空洞卷积和条带卷积原理，本文对大卷积核进行了改造，并构建新的多尺度特征金字塔模块，以获取尺度不同且具备更大感受野的语义信息。该分割方法实时高效，能够满足自动驾驶语义分割要求，在VOC2012数据集上的实验表明，所提出的方法分割结果mIoU达到了74.36%，FPS达到了43，优于目前的主流语义分割方法。