对《机械工程材料综合实验》课程后期的金相组织图像处理,以深度学习代替人眼观察进行自动识别分类。通过建立金相组织图像库,分析各类材料金相组织的不同形态特征,结合Alexnet神经网络模型,研究面向不同组织金相识别的Alexnet迁移学习方法,实现金相图像的自动识别。在4类不同的金相组织图像样本库上进行图像识别实验,准确率达到99.63%,能够快速地实现不同材料的区分。与通过人眼观察的方法对比,可大大减少人工操作的工作量,且方法迅速准确。

玻璃管液位计是一种直读式液位测量仪表,其结构简单、测量准确,常用于一般贮液设备中的液体位置的现场检测,但在现代船舶机舱等无人值守的场合,工作人员往往无法及时、有效地跟踪监测液位计信息。文中提出一种基于嵌入式视觉识别的透明液体液位实时检测方法。该方法首先应用激光照射来增强液位区域的视觉效果,然后构建高效、轻量级的深度神经网络Mobile Nets用于提取图像特征信息,最后使用多尺度特征融合的方法来实现液位位置目标检测。实验结果表明,该方法能够实时、高效地识别透明液体液位位置。该研究结果对玻璃管液位计所在无人场景的数字化转型应用具有重要意义。

目前我国对于智能化垃圾分类回收仍处于完善推广阶段。文中应用重构优化后的YOLOv5神经网络模型,搭配YOLOv5.s权重,TensorRT加速等手段能取得良好的智能垃圾分类识别效果,在其自建数据集准确率达95.23%以上,移动端部署识别速度达120 fps以上,同时搭配多级分类机构和物联网云平台等手段,能较好地实现智能垃圾分类系统社区化部署。有望解决日常生活中生活垃圾的自动分类问题,进一步缓解了日益增加的垃圾种类多、分类困难的问题,促进了垃圾分类的普及。

提出了一种基于深度学习的翼型气动系数预测方法,有效克服了以往方法依赖翼型设计参数以及算法复杂度随预测精度的提高呈指数级增长等缺点。首先,介绍了卷积神经网络(CNN)的基本原理、网络机构以及训练方法,给出了训练样本数、批量大小、批次数量、迭代次数、循环次数的关系;其次,设计了针对翼型图像处理的CNN结构,随机选择6000个样本对该网络进行了训练;最后,对561个翼型的法向力系数进行了预测,并与部分参数法方法的预测结果进行了比较。仿真结果表明,提出的图形化预测方法具有很高的预测精度。

作为电梯安全最后保护装置的电梯液压缓冲器,其质量检测非常重要,目前在位现场检测采用人工检测方法,准确度低,存在人身危险。该文提出一种电梯液压缓冲器隐患识别方法总体框架,重点研究基于长短时记忆(long short term memory,LSTM)网络的关键点识别、缓冲器压缩复位特征提取与模式识别技术,以及训练LSTM运动状态识别网络方法。最后,在昱奥GeN2乘客电梯及底坑安装的液压式缓冲器上搭建检测系统进行测试。结果表明:该方法对电梯液压缓冲器常见隐患识别率可达100%,有助于提高检测效率、准确度。

为避免液压油缸泄露给液压系统带来的速度放缓和压力不足等问题,研究基于深度学习的液压油缸泄露故障自动诊断方法。深入分析液压油缸泄露故障机理,依据液压油缸泄露量,将泄露故障划分为正常、轻微、中度以及严重泄露四种状态,使用压力传感器采集各状态下的压力信号,利用小波包变换提取压力信号的小波包能谱熵特征,将其作为输入量,运用深度置信网络实现液压油缸泄露故障高精度自动诊断。实验结果表明:该方法能清晰呈现不同液压油缸泄露状态下的压力信号特点,且所得信号质量较高;利用压力信号的小波包能量谱自动诊断液压油缸泄露故障具有较高的可行性;该方法在准确诊断液压油缸泄露故障状态的同时,还能判断液压油缸泄露故障的形式。

针对传统故障诊断方法易受振动传感器安装位置的影响、故障诊断准确性不高的问题,提出一种基于注意力机制的数控机床进给轴深度学习故障诊断方法(AM-CNN-GRU)。该方法以数控机床进给轴的电流、电压与温度等相关数据作为输入数据,针对采集的进给轴数据中蕴含大量的时空特征信息,为了提取数据中的时空信息以提高故障诊断准确性,设计一种由CNN与GRU并联组成的时空特征提取结构。为验证所提方法的准确性,利用FANUC数控提供的FOCAS数据开发包编写数控机

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明:改进后的识别平均精确度比原有识别

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题,提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取,基于同一含噪声的液压管路振动实测数据,输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后,为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力,利用t-SNE降维算法进行液压管路特征可视化。结果表明:基于Bi-GRU航空故

针对传统工件识别算法特征提取困难、通用性差、工件的平移、旋转和光照变化对识别效果影响较大、识别准确率不高等问题,提出了一种基于卷积神经网络的工件识别算法。卷积神经网络由4层网络构成,包括2层卷积层和2层全连接层。实验任意选取了10种工件进行识别。在神经网络训练阶段对这10种工件共采集1万张图片,其中9000张图片作为训练集,剩下1000张图片作为验证集。训练时采用在卷积层加入批归一化层和在全连接层使用随机失活的方法,使网络能够得到更好的训练效果。当迭代次数达到10万次时基本得到理想的训练效果。测试时通过摄像机采集图像,对采集到的图像进行预处理,然后将预处理后的图像送入网络进行识别。在光源稳定室内环境下进行实验,实验结果表明基于卷积神经网络的工件识别平均所需时间为0.169s,平均识别准确率为98.3%,准确率...