针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOL...

为了实现对裂纹型缺陷深度的定量识别,提高超声检测精度,引入小波分析和人工神经网络技术进行缺陷深度的智能识别.从超声检测的基本原理、缺陷深度表征量的确定、超声回波信号缺陷特征量的小波提取、神经网络的结构参数及训练和测试网络等方面,详细探讨了对裂纹型缺陷进行智能识别的方法,论证了运用神经网络进行缺陷智能定量识别的可行性,构造了智能识别实验系统,并利用该系统对所加工的含缺陷试样进行了定量识别试验与分析.结果表明,小渡分析和人工神经网络技术的引入能够为超声检测缺陷的定量识别提供行之有效的途径.

在超声导波管道检测中,不同的管道结构特征在信号上有不同的表现。为了实现管道超声导波检测数据分析的智能特征识别,采用相关系数的方法比较待识别信号与标准样本信号相似程度,从而实现对管道特征信号的智能分类。试验结果表明,基于相关的超声导波检测信号识别方法具有较高的识别精度,能够提高检测的效率和准确度。

为了精确测量分立元件的参数,介绍了一种由PIC单片机控制的RLC智能测量仪。该测量仪利用PIC单片机内置的A/D转换模块对信号进行采样,并采用正交采样算法对数据进行处理从而得出待测元件的参数值。测量结果表明,他具有较高的精度和分辨率,可广泛应用于对元器件参数进行精确测量与分选。与传统的仪表相比,该测量仪还具有智能识别、量程自动转换、在线测量等优点,因此他具有重要的实用价值。

采用智能视频分析技术的智能监控系统能够最大限度地减少人为干预,提高监控效率,减轻人的工作负担,并可对动态场景视频中的目标物体进行检测、分离、跟踪与有效识别。文中介绍了opencv中的运动模板检测方法,并给出了使用该检测方法来对运动目标进行检测、跟踪与智能判断的实验结果。

为了解决航空发动机液压管路系统中管路故障诊断困难的问题,提出了一种基于深度置信网络(Deep Belief Networks,DBN)的航空液压管路智能故障诊断方法。首先,将采集的液压管路振动数据进行处理,提取出时频域特征参数,其次,将时频域特征参数作为输入样本,输入到深度置信网络模型中,利用深度置信网络模型进行液压管路故障的识别;最后,将本方法应用于航空液压管路模拟故障实验数据中,同时将本文方法与BPNN和SVM等方法进行对比分析,结果表明:本方法对液压管路故障的总体准确率达到99.27%,平均AUC值达到0.9937,同时表明本文建立的分类模型不仅能够实现航空液压管路状态的准确分类,而且对于管路单一故障和多故障并发情况也能精准识别。

为了实现超声检测对缺陷的智能识别，引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解，提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络，该网络使用Levenberg—Marquardt算法。实验分析表明，小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。

使用PLC控制系统与广州数控工业机器人配合,研制集智能识别、视觉检测、分拣与码垛于一体的工业机器人工作站,完成控制系统的设计,并编制机器人程序。

在圆锯片基体外圆断续车削过程中,刀具磨损是影响机床工作效率的主要因素之一。通过Deform软件对圆锯片基体外圆的断续车削过程进行了仿真并提取出了切向力Fx、进给力Fy、背向力Fz及刀具温度随时间的变化信息,利用时域分析法和频域分析法分别对采集到的切向力Fx、进给力Fy、背向力Fz随时间的变化信息及刀具温度随时间的变化信息进行了相应的分析,并分别采用BP神经网络和RBF神经网络对能反映刀具磨损状态的时域、频域特征量进行了智能识别比较研究。结果显示,RBF神经网络性能表现要更好一些。