针对Kinect V2深度相机采集的深度图像存在深度信息丢失(孔洞)问题,提出了一种融合超像素分割RGB图像和深度图像配准的深度图像修复方法。首先对RGB图像进行超像素分割;然后将分割后的RGB图像与原始深度图像配准;接着将孔洞像素按照所在区域划分为超像素区域内的孔洞像素和超像素边界上的孔洞像素两大类,并对不同类型的孔洞像素采用不同的方法完成深度图像的修复。最后进行了实验验证,结果表明,该方法与双边滤波算法、联合双边滤波算法相比,能够有效地修复深度图像中的孔洞,获得较高质量的深度图像。

针对复杂背景下无人机航拍图像中绝缘子的分割问题,提出一种基于果蝇优化的简单线性迭代算法(FSLIC)对绝缘子图像实现自适应的分割方法。为了使所提方法具有更高的分割精度,首先通过FSLIC将绝缘子从复杂背景中大致分割出来。传统的简单线性迭代聚类方法(SLIC)中的K值对分割效果有较大影响,故提出了一种自适应确定K值的FSLIC方法,消除人工选择K值造成的误差;然后为了剔除伪目标,对超像素区域内的颜色、纹理、形状特征进行特征融合,消除了由于特征选取不当造成的伪目标干扰问题;最后利用特征相似度的方法,构建出超像素区域间的相似度矩阵,通过对相似度矩阵使用复杂网络社区进行聚类得到分割后的绝缘子图像。

为了选择更好的单分子弹性理论模型描述高分子聚合物分子链的弹性行为,首先使用单分子力谱技术分别测试左旋聚乳酸(PLLA)和聚蛋白质(I278)的单个分子链的纯弹性行为,然后使用新发展的QM-FJC、QM-FRC以及QM-WLC 3种模型拟合实验曲线。发现描述偏柔性的高分子链(如含酯键的PLLA链)的弹性行为应选用QM-FJC模型与QM-FRC模型,而描述偏刚性的高分子链(如含酰胺键的解折叠蛋白质链)的弹性行为应选用QM-WLC模型。

针对滚动轴承故障特征难以提取和故障特征分类困难的问题,提出了一种基于多尺度模糊熵(MFE)与改进层次原型分类器(IHP)的故障诊断方法。首先,利用多尺度模糊熵从滚动轴承不同状态下的振动信号中提取20种故障特征。其次,引入线性判别分析(LDA)对Hierarchical Prototype进行改进,从而提高故障分类精度。最后,结合多尺度模糊熵与改进层次原型分类器对故障特征进行分类。实验证明,提出的MFE与IHP能有效提取滚动轴承的故障特征,并实现高精度分类。相比于其他故障识别分类器,所提方法有更高的识别精度,分类精度达到了99.29%。

介绍一种复合式高速转子动平衡装置在ADAMS和Matlab软件下的模糊控制动平衡仿真分析。主要介绍了动平衡装置系统模型的建立以及对虚拟样机的仿真分析，证明振动在10000r／min速度点附近减少了95％，平衡后转子达到动平衡品质标准。

本文研究了可燃药筒粘结质量的声脉冲诊断技术与系统.利用 Bayes 方法构造分类判别函数模型, 给出了实际粘结质量的分类验收结果.

影像测量仪在工业测量等领域中，尤其是精密平面类零件的高精度测量方面具有广泛的应用。目前，影像测量仪进行二维尺寸测量时主要采用LED背光源作为照明条件，光源强度的变化会引起图像边缘轮廓内缩或外扩，从而影响测量精度。文章以通用的影像测量仪为实验平台，在实验室条件下分别研究背光源强度对边缘位置的影响以及不同直径的标准圆测量精度的影响。实验结果表明，随光源强度的增强边缘位置发生内缩，测量误差逐渐增大，最大可达13μm。最后，提出一种误差补偿方法对测量误差进行补偿，实验证明该方法可以有效提高测量精度，使测量误差减小到0~3μm。

光学系统是在线高精度视觉测量系统的重要模块，其中远心镜头的引入导致对焦不准、系统复杂度和成本大大提高等问题。文章以实验室搭建的视觉测量系统为平台，采用平行背光源，分别用远心镜头和普通镜头对数控铣刀进行了直径测量。根据清晰度比率、灵敏度、局部极值因子等评价指标对两类镜头环境下的Tenengrad函数特性进行对比分析。结果显示，非远心镜头在灵敏度、分辨率和鲁棒性更占优势，高达35%左右，而远心镜头具有更好的曲线性，超出30%左右。考虑到该在线测量系统应用于复杂工业环境中，应选择分辨率、灵敏度和鲁棒性均占优势，且成本更低的非远心镜头。

为了提高某电机企业生产的综合效率,对该电机零部件磁极铁芯生产线进行优化,选用Petri网建立磁极铁芯生产线模型,Flexsim仿真生产线模型并找出瓶颈工序。同时从生产流程优化、生产能力平衡两个方面,结合工业工程中ECRSI原则设计优化方案,依照生产线平衡评价理论,最终选出最优方案,使生产线平滑性指数从570.29减少到135.93,生产线平衡率从28.13%提高到60.4%。结果表明,优化后的生产线达到了缩短瓶颈时间、提高生产效率的目的,为企业车间生产优化工作提供了借鉴,所使用的相关研究方法和结论对其他相类似的机械加工生产线也具有一定的参考价值。

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引人到局部均值分解(localmean decomposition,简称LMD)分解中,提出了一种基于EMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于EMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引人了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。