课程文献中心 更多>>

关键词： 嵌入式系统   程序语义   自然语言处理   污点分析  

摘要： 嵌入式系统每天都在改变我们的生活,并且它们的复杂性随着应用程序的多样性和处理器架构的改进而增加。在各种嵌入式平台的应用程序中,有大量来自不可信第三方的应用程序,未经验证的第三方应用程序会造成系统或用户隐私泄露等安全问题。污点分析是检测嵌入式平台应用程序信息泄露的常用方法之一,通过对污点源的追踪以及污点传播分析,能够有效追踪嵌入式程序中的数据流,保证用户信息的安全性。传统的污点分析方法,忽略了程序语义,导致精度损失。此外,污点分析还依赖于人工配置的污点源和污点汇聚点,需要耗费大量的精力。因此需要提出高精确度的方法,实现对污点源和污点汇聚点的自动分类。针对嵌入式系统污点分析中精度损失和人工成本较大的问题,本文利用自然语言处理技术,研究基于语义信息的嵌入式程序污点分析方法,设计并实现了面向嵌入式系统语义安全分析原型系统,具体贡献如下:1)第三章在深入分析现有解决方案的基础上,针对嵌入式系统应用程序中的隐私泄露等安全问题,本文将自然语言处理技术融入到污点分析过程中,提出并设计了基于浅层语义的嵌入式程序污点分析方法。通过实验测试,与传统工具相比,此方法可以利用浅层语义特征有效地提高整体污点分析的准确率。2)第四章在现有的基于浅层语义的嵌入式程序污点分析方法的基础上,为解决语义信息提取不完全以及语义审查计算开销过大的问题,本文提出基于深层语义的嵌入式程序污点分析方法,结合深层语义作为分类特征,对敏感源和敏感汇进行自动分类,简化掉语义审查的步骤,减少相似度计算的开销。实验结果表明,此方法能够更高效,更准确地对嵌入式程序进行污点分析。3)第五章针对实际无人机与机载计算机通信场景,本文实现了嵌入式系统语义安全分析原型系统,并进行了实验测试。结果表明该系统完成了函数解析、句向量嵌入、语义特征提取和敏感源与敏感汇分类以及污点分析等功能,满足嵌入式系统通信场景中对信息泄露检测的基本需求。在以上研究内容及系统实现的基础上,本文研究的内容对我国嵌入式程序的信息流安全性的提高具有推动作用,为其标准制定和应用开发提供支撑。

关键词： 目标跟踪   目标检测   嵌入式系统   YOLO v4   DeepSORT  

摘要： 以目标跟踪为基础服务的智能交通对人们的生活起着越来越重要的作用,大量目标跟踪系统正逐步被部署到日常交通中。综合考虑成本、跟踪能力等因素,现有目标跟踪系统更多采用客户端-服务器-客户端的部署方式,嵌入式终端只进行数据的采集和结果的呈现,云端服务器则进行目标跟踪结果的解算。此种耦合度较大的系统无法适应实验敏感型业务的需求。因此,本文面向嵌入式终端,研究设计了一种基于Deep SORT的轻量级目标跟踪算法,并实现了一个实时的嵌入式目标跟踪系统。该系统脱离了云服务器和网络的束缚,使得所有流程都在嵌入式侧进行,提升了目标跟踪系统的实时性和效率。直接部署目标跟踪算法对性能较差的嵌入式终端是一个巨大的考验,因此本文的核心目标是以Deep SORT算法为主要跟踪手段,对该算法进行轻量化。首先,对Deep SORT算法的基础目标检测器进行优化,提出了基于YOLO v4的改进目标检测算法。参考了 MobileNet基本模块的结构,设计了一个轻量级网络,对原始YOLO v4的主干网络进行替换。同时,利用深度可分离卷积的思想对特征融合网络中的普通卷积进行优化,利用通道剪枝技术对整体网络进一步瘦身。最终,基于YOLO v4的改进算法在检测精度相当甚至略有提升的同时,检测速度得到了大幅度的提高。然后,在基础检测器轻量化的基础之上,本文还对Deep SORT算法流程进行了改进。第一步利用扩展卡尔曼滤波算法对检测框的预测过程进行改进,使得预测非线性场景下的检测框位置更加准确。第二步,使用广义交并比对算法流程中使用到的普通交并比度量方式进行替换,使得两个目标的相对位置衡量更加精准。紧接着,考虑到真实交通中行人和车辆的运动状态,本文提出了一种基于运动判断的自适应跟踪算法,结合目标的真实运动状态,改进了 Deep SORT的流程,减小了目标检测算法的调用频率,提升了跟踪算法的效率和速度。最后,本文以上述改进Deep SORT目标跟踪算法为基础,设计并实现了一个实时的嵌入式目标跟踪系统,该系统只由一个嵌入式终端组成,不需要服务器和网络的参与,使得对目标的信息采集、数据处理、跟踪以及后处理都在嵌入式终端中形成闭环。最终,通过实地测试表明,该系统的跟踪能力和处理速度在真实交通中都有着不错的表现。

关键词： 密码技术   RISC-V   密码协处理器   SCSF乘加器  

摘要： 随着人工智能物联网应用逐步兴起,密码技术作为保障物联通信的有力工具,愈发受到国内外研究人员和业界的重视,相应地对密码算法实现方案提出新的要求。然而,纯软件实现方案满足灵活性要求且硬件成本低,但算法执行速度慢,而专用集成电路实现方案极大提升算法性能同时也付出高昂硬件成本和灵活性低的代价,这两种常见的密码实现方案都未能兼顾灵活性、性能和成本。为此,本文提出基于RISC-V架构的密码协处理器实现方案,针对信息安全领域混合加密场景,整体加速分组密码、序列密码、公钥密码和散列算法,以折中的硬件成本提高密码计算效率和完善密码加速范围。主要研究内容如下:1)针对现有研究密码运算单元拓展难度大的问题,基于一款开源RISC-V处理器研究密码协处理器简易高效扩展方法。2)针对现有研究密码运算单元通用性不足,分析多种密码算法的实现流程和运算特点,从中提取出五种需要加速的耗时运算。硬化大数模乘、字节替换、置换、散列复合运算和串行异或五种计算密集型运算,针对运算特点设计10条密码专用指令。3)重点优化大数模乘实现方案,采用部分进位保留加法器思想改进高基Montgomery模乘算法,提出基于SCSF乘加器实现的高性能模乘器电路设计,着重提高公钥密码计算效率。在Xilinx Artix-7系列的Nexys Video FPGA开发板下,对密码协处理器进行验证测试。评估结果显示,与软件实现方案相比,本文设计的密码协处理器对AES、DES、SM4、SHA-1和A5-1算法加速比是2.94～26.8倍;与专用集成电路实现方案相比,仅用其15.18%的硬件资源能够实现其27.48%的RSA加密性能,充分说明本设计在算法灵活性、成本和性能三方面具备一定的综合优势。

关键词： 云测试   嵌入式系统   任务调度   有向无环图   遗传算法   蚁群算法  

摘要： 近年来信息技术的快速发展,使得嵌入式设备的种类和数量急剧增加,这对嵌入式软件的开发和测试技术提出了更高的要求。传统的测试方法不仅受地域和时间的限制,而且存在测试环境部署复杂和成本昂贵的问题。传统嵌入式系统测试与云计算技术的结合,可以整合分散的测试资源,为用户提供一种远程访问、方便高效的新型测试服务模式。嵌入式系统云测试环境中任务调度策略的性能影响测试云的效率、资源利用率和用户体验。而现有云环境中的任务调度方法缺乏对任务间依赖关系、调度效率和用户服务质量等因素的综合考虑。基于此,本文围绕嵌入式系统云测试任务调度方法展开研究,主要贡献包括:(1)针对嵌入式系统云测试环境中关联任务调度的场景,本文提出了基于用户期望的改进遗传算法(User Expectation Genetic Algorithm,UEGA)。该算法首先采用有向无环图对任务间依赖关系进行建模,然后在遗传算法的初始化阶段使用异构最早完成时间算法处理依赖关系形成多优先级队列,最后构造了适用于有向无环图调度场景的交叉和变异算子。同时在适应度函数中引入动态定价模型,根据用户的等待时间动态调整其实际支付的成本,以提高用户的服务质量。Cloud Sim云仿真平台上的对比实验显示,UEGA算法缩短了任务的完成时间并且提高了用户的满意度。(2)针对遗传算法后期存在局部收敛、反馈信息无法被有效利用的问题,本文进一步将UEGA算法与具有正反馈机制的蚁群算法结合,利用UEGA算法得到的较优解初始化蚁群算法的信息素,解决蚁群算法初期缺乏信息素导致的求解效率低的问题。改进的遗传蚁群调度算法中引入负载均衡因子,同时优化了蚁群算法中转移概率矩阵的计算方式和信息素的更新规则,以提高算法的性能和负载均衡度。与UEGA算法和蚁群算法对比,改进后的算法有效地减少了任务的完成时间和成本并提高了整体负载均衡度。(3)设计并实现了嵌入式系统云测试平台任务管理模块。首先,基于嵌入式系统云测试平台整体架构确定了任务管理模块的功能需求和研发技术路线。然后围绕模块架构、数据库、重要功能实现流程等方面对任务管理模块进行了设计与实现,将改进的调度策略应用到任务调度子模块中以提高云平台的调度效率。最后对任务管理模块的功能进行测试,结果符合任务管理模块的功能需求。

关键词： YOLOv4   零件检测   双目视觉   嵌入式系统   图像融合   抓取  

摘要： 目前在汽车零件工厂中,机器视觉技术仍是制约机器人分拣、装配等工作效率的重要技术。当下国内工业机器人,对非结构环境中复杂多样化的汽车零部件定位抓取研究,大部分仍停留在传统机器视觉方法上,导致存在检测速度慢、精度低、漏检误检严重的问题,极大影响了工业机器人装配、分拣等生产环节的工作效率。近年来,基于GPU计算机的深度学习目标检测算法在检测速度与精度上都有极大的提升,但是对硬件资源要求较高、网路参数较大且前向推断速度较慢,无法满足工业生产实时检测要求,同时也难以在低算力资源的计算机、嵌入式设备或移动端上运行,因此,有待研究出具有高检测精度和良好实时性的轻量级卷积神经网络。针对上述问题,本文提出一种基于YOLOv4网络改进的轻量化零件检测网络与全卷积网络进行融合设计的工业机器人抓取系统,该系统可在Jeston Xavier NX嵌入式设备上完成零件的分类、定位及抓取任务。本文的主要工作内容如下:1.根据目标识别与定位的实际需求,比对了当下主流目标检测算法的优缺点,选择了兼顾检测速度和精度,且开源性较好的YOLOv4算法作为基础算法。针对该算法在NX嵌入式设备中识别速度慢的问题,提出采用融合并行混合注意力模块和引入Inception模块的轻量化网络Mobile Netv2替换YOLOv4的特征提取网络CSP Darknet-53,同时使用自适应特征融合结构ASFF增强PANet检测网络的特征融合能力以及利用K-means++算法对聚类进行优化,最后通过Tensor RT推理引擎降低改进YOLOv4算法在嵌入式设备上检测耗时问题,并对比算法改进前后在NX嵌入式设备上的检测效果,实验表明改进后的网络检测速度更快,精度更高,定位边界框更贴近于零件。2.利用Open CV视觉库编写了基于张正友标定法的标定程序,并完成了双目相机标定实验,同时使用Matlab软件的标定结果作为验证,再通过手眼标定获得相机坐标系与机器人基座坐标系之间的映射关系。针对不规则零件定位不准的问题,设计了基于全卷积网络与改进YOLOv4网络的融合方法,对不规则零件进行像素级别分割以及图像处理,在满足检测精度的基础上,提高了不规则零件的定位精度,最后将识别到的零件类别和形心坐标通过立体匹配得到零件分类信息及抓取位姿。3.根据零件抓取流程和需求,搭建了基于NX嵌入式双目视觉的目标零件识别与抓取实验平台,通过模块化思想设计了识别与抓取硬软件系统,然后对NACHI小型机器人进行正逆运动学分析,并简单规划了工业机器人的运动轨迹,最后结合QT开发系统软件界面,并通过嵌入式实验平台实现了零件识别、分类与抓取任务。

关键词： 飞机外观检测   深度学习   目标检测   双目测距   嵌入式系统  

摘要： 飞机作为一种快速便捷的交通工具在现代社会中发挥着重要作用。随着航空科技的不断发展,飞机部件的稳定性也不断提高,然而飞机安全检查工作仍然是一项重要的任务,其中起飞前的绕机检查作为飞行的最后一道保障措施具有极为重要的意义。该检查涉及对飞机若干重要部位外观的检查,不仅需要耗费大量的人力、物力,也会因为地勤人员的失误出现误判漏判。人工智能和计算机视觉技术的飞速发展,使得该问题可以引入智能化的方式解决。本文提出搭载于机场巡检机器人的飞机外观智能检测算法,该算法能够根据巡检机器人在绕机过程中利用相机采集到的画面对飞机各关键部位进行检测,找出安全故障并对故障进行定位与记录。算法主要包括目标检测算法与双目测距算法两大部分,为了能够搭载在巡检机器人上,本文最后将算法部署在NVIDIA嵌入式平台Jetson AGX Xavier上,并通过对算法改进与优化完成精准检测与实时运行的目标。在目标检测算法部分,针对传统一阶段目标检测模型对小目标检测精度较低的问题,本文以YOLOX网络为框架,使用Swin-Transformer结构改进了 YOLOX骨干网络部分,提高了骨干网络的特征提取能力;同时为了提高对难检测目标的检测能力,本文使用Focal Loss改进网络的损失函数,使模型更加专注于难样本。实验结果表明,在飞机外观检测数据集上本文改进网络达到86.24%的准确率,相比于YOLOX网络提升1.27%。在经过NVIDIA平台TensorRT加速后单帧运算速度达到7.03ms,保证了运行的实时性。在双目测距算法部分,针对传统双目测距算法实时性较差的问题,本文提出了一种基于感兴趣目标提取的快速测距算法,双目视觉中最常用的SGBM算法虽然精度较高,但在实时性方面无法满足本文的要求,本文改进算法基于SGBM算法改进而来,能够与目标检测算法的结果结合,在不丢失精度的情况下极大地减少匹配过程中的运算量。同时本文提出了 MAD-Census变换改进了 SGBM算法基于互信息的匹配代价计算方法,此方法不仅直接降低了计算复杂度,而且对多线程有很好的适配性,在应用过程中极大地提高了运算速度,距离测试实验表明,该算法的测距误差在10%以下。在公开数据集上的测试实验表明,以72.97%的速度提升相对于SGBM算法误匹配率仅提高了 7.58%。最后,本文根据此算法设计了飞机外观智能检测系统,并对系统各个模块的功能以及系统的实时性进行了测试,系统包括目标检测与测距模块、机器人运动控制模块、网络模块。测试结果表明各模块都能够正确地输出结果,在经过对各个模块算法的改进和多线程优化后,显著的提升了运行效率。系统单帧运算的耗时约为60ms,每秒可达16至17帧,处理时间能够满足实时性要求。

关键词： 计算机视觉   嵌入式系统   Webassembly   人工智能   自动化系统  

摘要： 白酒生产时的摘酒环节可以将不同品质酒液进行区分并分别存储,是生产关键环节。代代相传的传统摘酒工艺采用“看花摘酒”方法,酒液冲击接酒碗产生的气泡被称为酒花,通过人工观察酒花视觉特征（看花）,来将白酒分段（摘酒）。“看花摘酒”存在分段标准不一、严重依赖人工经验、后继乏人等缺点,不利于产品质量的稳定。以自动化摘酒来替代人工是酒厂发展的趋势,同时摘酒这样的视觉分类任务也非常适合计算机自动完成。由于嵌入式设备功耗小、性价比高且维护简便,使用嵌入式设备实现自动化摘酒系统能够进一步降低成本;但其计算性能一般、内存带宽及片上缓存较小,无法像高性能计算机那样轻松运行相关程序。为了突出嵌入式设备性价比高的优势,同时弥补其劣势,实现适合于嵌入式设备的视觉摘酒系统,本文进行了深入研究。本文在设计中采用更轻量的模型,更高效的计算策略,充分利用嵌入式平台资源,同时保持酒花分类较高准确度,最终达到扬长避短的效果,能够准确可靠、高效率、高性价比地在嵌入式设备上完成摘酒任务。本文工作具体包括:1)设计了“一套系统,两种模式”的嵌入式自动化摘酒系统,两种模式分别为常态运行模式、维护测试模式。常态运行模式下系统自动稳定地实现摘酒,一旦程序故障切换为维护测试模式,由人工看花摘酒而不影响生产,同时更新后的程序能迅速在实际硬件上部署、验证、测试。2)提出一种部署程序的特殊方法,该方法基于Webassembly实现。该方法将整个酒花分类程序编译为高效的Webassembly模块并由网页加载调用,将网页保存在上位机上,任意下位机通过浏览器访问网页即可获取该程序;系统维护测试模式使用了该特殊部署方法,能够通过修改上位机保存的程序,实现对任意下位机的迅速改动,使得更新后程序能够被快速测试和验证,减少维护阶段时间。3)实现基于视觉的酒花分类程序。程序中对相关文献所提出的前处理方法进行改进;设计了轻量级的酒花分类神经网络模型Wine Res6,Caffe模型大小仅655.4KB;同时设计了一种以状态机为基础的酒花分类后处理算法,避免只依靠网络模型结果产生的分类波动,同时有效提高分类正确率。最终在测试集上达到97.2%的分类正确率。4)实现了适合嵌入式设备推理神经网络模型的推理引擎ESNN。ESNN能够高效推理常见神经网络;以纯C++实现,跨平台能力强;功能精简、完整;无任何第三方库依赖。本文酒花分类程序使用ESNN加载并推理神经网络。ESNN的实现借鉴了其他推理引擎NCNN、框架Caffe等的设计思路,并作出独有的创新优化。

关键词： 人脸跟踪   嵌入式系统   实时性   NEON指令集  

摘要： 人脸跟踪作为目标跟踪领域中一个经典的跟踪问题,无论是在安防领域还是在公共社交场合都有重要的应用。嵌入式设备是工业生产领域中应用广泛的硬件设备,人脸跟踪算法与之结合具有重要的应用前景。然而现阶段性能较优的人脸跟踪算法大多基于深度卷积神经网络进行设计,该类算法存在模型量大、算力大、设备性能需求高等问题。目前有关解决算力大、模型量大类算法在嵌入式设备上移植和应用的主要方法有制定特定芯片、云端数据处理+嵌入式设备数据采集:制定特定芯片虽然单个设备价格便宜但是不具灵活性和循环利用性;云端数据处理+嵌入式设备数据采集需同时依托高性能硬件设备和网络,实时性较差。基于该问题我们提出一种性价比高的快速人脸跟踪算法,从人脸跟踪算法的速度和精度两个方面进行权衡,选择精度较优、速度较快的孪生网络进行人脸跟踪算法设计。为突出算法的实用价值,选择rk3288开发板作为人脸跟踪算法移植和测试的嵌入式设备。本文对嵌入式系统中快速人脸跟踪算法的研究内容主要包括以下几个方面:(1)本文设计适合于嵌入式设备的模型量小、算力小、精度较优的主干网络。在主干网络中主要引入Dense＿Block结构,Dense＿Block结构在特征提取时具有特征分流、扩大感受野、轻量化网络等优势;(2)为保证人脸跟踪精度且维持实时的在线人脸跟踪速度,本文提出级联人脸定位搜索策略。选择浅层特征进行目标人脸初定位,基于特征响应最大的区域作为深度特征人脸重定位的指导区域进行目标人脸重定位。通过卷积互相关计算方法进行初定位响应特征图求解,在目标人脸重定位中通过余弦相似互相关方法进行响应特征图求解。该策略有效提升在线人脸跟踪精度的同时缩减算法推理时间;(3)为保证算法在嵌入式设备上的实时人脸跟踪效果,我们通过模型剪枝、模型蒸馏、NEON指令集优化等方法进一步优化人脸跟踪算法的推理速度。人脸跟踪网络模型经过剪枝和蒸馏优化后推理速度、平均跟踪成功率、平均跟踪面积重叠率分别提升91.92%、0.90%、1.10%;经NEON指令集优化后人脸跟踪网络的数据预处理和卷积部分的耗时分别减少约3.60%、15.30%;(4)为验证嵌入式系统中的快速人脸跟踪算法的性能,本文在rk3288开发板上进行性能的实验比较。在rk3288开发板上的平均跟踪成功率和平均跟踪面积重叠率分别为0.769和0.579时推理速度为101FPS。实验结果显示我们的人脸跟踪算法能在嵌入式设备上完成快速的人脸跟踪,满足实际应用需求。

关键词： 斑点检测   阈值分割   深度学习   Yolox   嵌入式系统  

摘要： 金刚线是硅片、太阳能板等硬脆材料的切割工具,由于生产条件苛刻,在生产过程中往往对其采取非接触的检测手段。检测强光下金刚线反射的光斑点是检测金刚线是否断裂的有效方法之一。斑点检测是机器视觉应用领域的重要课题之一。本文对基于传统图像处理技术和基于深度学习的斑点检测方法进行了研究,并设计嵌入式检测系统,实现了金刚线线上光斑点的实时检测。本课题主要完成的工作如下:(1)研究基于传统图像处理的亮斑点检测算法。针对传统阈值分割算法分割斑点效果不佳及背景干扰导致斑点误检的问题,提出一种改进的局部自适应的光斑点阈值分割方法以解决斑点亮度不均引起的斑点漏检问题。同时结合斑点轮廓的几何形状和线性分布的规律,采用图像形态学操作和RANSAC算法,提出一种多约束的目标轮廓检测方法,减少了对背景干扰斑点的误检。(2)针对传统图像检测方法易受环境光照影响的问题,研究基于深度学习的光斑点目标检测算法。利用传统图像算法辅助人工进行数据集样本标定,减少了人工标定成本。针对模型复杂度较高的问题,提出了一种轻量化改进模型,该改进模型利用Mobile Net V3轻量化网络、深度可分离卷积和倒残差结构,对Yolox模型进行改进,同时添加了坐标注意力机制以提高模型检测精度。实验结果表明,与Yolox模型相比,改进后模型的运算量减小了2/3,与Yolox-Tiny模型相比,改进后模型的检测精度提高了1%。(3)结合Tensor RT软件优化库对改进的模型进行优化加速,并将改进后的模型部署于嵌入式平台。随后设计、搭建了设备外围电路,并开发了图像操作界面。在实际生产工况下嵌入式检测系统完成了斑点实时检测,验证了本文提出算法的有效性和检测系统的稳定性。最终通过以太网搭建了检测系统与主控PLC之间的通讯。本文设计的光斑点检测系统有效解决了金刚线生产领域的非接触检测难题。针对光斑点检测问题,提出了一种检测准确率更高的轻量化检测模型。设计的亮斑点视觉检测系统检测精度高,实时性好,为工业领域智能化检测系统的设计提供了一套参考方案。

关键词： 药柱   嵌入式系统   老化试验   有限元分析  

摘要： 药柱是弹药最重要的部件之一,在药柱长贮存过程中,受温度的影响,药柱会长期受到热应力作用而导致寿命性能的退化。在这一过程中,温度和热应力应变是影响药柱寿命性能最重要的两个参数。本文基于上述背景,从项目实际出发,以某型号药柱为研究对象,研究药柱在老化试验中温度、应变采集的关键技术,设计了一套药柱老化试验中性能退化参数的监测系统,该系统包含性能参数采集系统、控制台系统和工控机软件系统。该系统实现了药柱在老化试验的条件下对其进行多点温度和多点应变的采集功能,通过热敏电阻对内部温度场进行采集,通过光纤布拉格光栅对应变进行采集,并实现了基于工控机数据库的存储、分析功能。具体研究内容如下:首先,根据课题的实际需求,设计了一套可用于温度和应变监测的下位机系统,硬件设计的部分包含温度采集系统和控制台系统两大部分,以STM8和STM32为主控芯片分别对两个系统进行硬件的设计和调试;然后,设计硬件系统配套的嵌入式软件系统,通过数据库实现数据的存储、显示和分析,并实现工控机软件多种格式数据导出等功能;其次,实现热敏电阻和光纤布拉格光栅的标定和补偿,并进行系统的软硬件联调,通过石蜡模拟药柱进行温度场和应变场的采集测试;最后,通过有限元分析软件ABAQUS对上述测试工况进行仿真,验证了监测系统的可行性,为下一步对材料参数未知的药柱监测提供可行性支撑。经过测试,本系统可以实现在老化试验条件下对药柱温度和应变参数的采集监测功能,满足设计指标要求。系统配套的工控机软件通过数据库可有效将采集到的数据进行存储、分析,并可以根据需求导出多种格式数据,以备后续进一步研究使用。该系统可以为构建寿命与温度、应变之间的关系模型和计算机数值模拟提供真实可靠的数据支持,这对于保障弹药质量和使用安全性、可靠性具有重要意义。