基于电学测量的智能手势识别方法研究

随着计算机的广泛应用和可穿戴电子设备的发展,将人机交互和可穿戴设备相结合逐渐成为研究热点,其中手势识别技术在人机交互领域扮演着重要的角色。主要提出基于电学测量的智能手势识别方法,利用传感器设备采集手腕边界电压数据,同时利用深度神经网络将采集到的电压数据进行分类,最终实现手势识别的目的。实验验证了通过电学测量数据对手势分类的可行性,将深度神经网络加入到手势识别系统中后,手势正确识别率达到90%以上,从而证明了系统具有较好的便携性、稳定性和实时性,为智能手势识别系统的设计提供了新思路。     

复杂机械结构非线性运行特征分析

提出一种适用于工程实测ICP振动加速度计信号的积分方法,该方法可由振动加速度信号得到较精确的振动速度和位移信号,实现了基于振动信号的相空间分析,有效识别了复杂机械结构的非线性时域运行特征.为了解复杂机械结构的非线性频域运行特征,还提出一种基于神经网络辨识模型的频域分析方法,该方法可用于大型振动筛的非线性运行特征分析.     

基于深度学习的刀具磨损监测方法

为监测制造车间机械加工设备刀具的磨损程度,提出应用深度学习方法实施刀具的磨损监测。深度学习理论作为人工智能领域的最新研究成果,以其中的深度卷积神经网络构建刀具磨损监测的模型,给出刀具磨损监测的流程,采用微型铣床与无线三轴加速度计搭建了数据采集实验平台。实验结果表明,与其他两种常用深度神经网络以及传统神经网络模型相比较,所提基于深度学习方法监测过程简单,不仅具有较高的准确度与较低的损失函数值,还实现了刀具磨损程度分类。     

可穿戴上肢机械臂可用性设计与研究

基于可用性设计技术,对可穿戴上肢机械臂的设备特征与用户特征进行了分析,提出了可穿戴上肢机械臂产品的设计目标与原则,并给出了设计实例,可为同类产品的可用性设计与研究提供参考。     

指端可穿戴式力触觉交互装置设计与评估

可穿戴式力触觉交互技术作为力触觉交互技术的一个分支,可以为操作者提供更为真实、自然的人机交互体验。设计了一种指端可穿戴式力触觉交互装置,装置由穿戴于腕部的控制盒以及穿戴于指尖的部分组成,穿戴于指尖的部分重约30 g,尺寸为38 mm×31 mm×50 mm。装置采用连杆机构,可实现三自由度的力触觉反馈。装置使用蓝牙通信,具有小型轻便、穿戴方便的特点。通过方向感知与识别实验证明,装置可在指腹面产生8个有效的方向性信息,而且每个方向都可以为人所正确感知。此外,虚拟环境交互实验证明,装置可帮助人在虚拟环境中控制交互力的大小,并提高人机交互的效率。     

可穿戴设备打造未来新生活

随着现代电子技术和信息技术的不断发展,智能设备越来越多地进入到人们的日常生活之中。近几年,尤其是可穿戴智能产品,不断更新换代,科技感和实用性越来越强。可直接穿戴在人身上或整合进衣物中的智能移动设备被称为可穿戴设备,例如现在的智能手表、智能手环、智能眼镜等,理想的智能穿戴设备尺寸小、能联网、功能众多,是人们的贴身生活助理。本文从智能穿戴的概念讲起,总结了智能穿戴的分类、技术和发展,最后对智能穿戴的未来做出一定的展望。     

基于穿戴设备的人体运动数据采集系统设计

本文设计一个基于穿戴设备的人体运动数据采集系统,该系统结合了运动人体科学、生物力学及人因工程学等多学科交叉知识.系统通过可穿戴采集设备Neuron与视觉识别设备Kienct完成对人体骨骼数据的获取,通过Visual Studio开发平台搭建系统框架,利用C#完成系统界面的设计,通过编写程序完成Neu-ron和Kinec...     

一种基于单通道 sEMG 分解与 LSTM 神经网络 相结合的手势识别方法

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。     

基于双目视觉方法的可穿戴式导盲机器人研究

针对现有导盲方式的不足,设计一种基于双目视觉方法的可穿戴式导盲机器人。该机器人借助左右两个图像传感器实现障碍物定位和场景三维重建,并将提取出的信息以振动和语音形式反馈给穿戴者。从硬件和软件角度分析了可穿戴式导盲机器人的技术路线,介绍了双目视觉的原理与算法基本步骤,分析了基于神经网络法的多传感器信息融合算法,最后建立了人机适应性的评价指标体系,为该可穿戴机器人的实际设计奠定了基础。     

可穿戴设备在健康医疗领域的应用研究

随着人口老龄化的加剧,各种慢性疾病的发病率日益升高,人们也越来越重视自己的健康问题。这促使了可穿戴技术的快速发展,在医疗领域有着巨大的发展潜力。论文首先阐述了可穿戴医疗设备的定义,然后介绍了老年人可穿戴设备的设计要点,最后探讨了可穿戴设备在健康医疗领域面临的发展挑战,以期为可穿戴设备的发展提供有效依据。     

磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态。铁谱的计算机图像分析技术是近年来研究的热点。基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本都对网络进行训练,取得了较好的识别效果。     

基于BP神经网络的铆接位置识别方法设计

为完成某大型设备铆接位置的判断,设计了一种基于BP神经网络的铆接位置图像识别方法,包括工厂作业图像采集程序设计、位置图像特征提取及储存入库、3层BP神经网络系统设计训练及测试三个部分。通过使用LABVIEW软件设计程序,对铆接过程中含位置信息的图像进行采集,获取和量化图像的总体灰度平均值和质心,将每幅图像循环写入Microsoft Access的数据库中。在MATLAB软件平台下,将图像特征数据转化成训练样本输入离线网络进行训练,最后利用除训练样本外的图像特征数据输入在线识别程序验证网络的识别能力。试验结果表明,该方法能较准确地识别出该大型设备制动杠杆在组装过程中铆枪铆接时的位置,准确率达到100%,可有效判断出漏铆问题的发生,保证设备的生产质量。     

磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态.铁谱的计算机图像分析技术是近年来研究的热点.基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本对网络进行训练,取得了较好的识别效果.     

基于可穿戴计算的现场作业辅助模式

为满足移动作业的维护类工程技术人员各种动态的复杂作业辅助需求,将可穿戴计算机和无线传感技术引入制造业设备维护作业现场,介绍了针对现场作业辅助用途设计的可穿戴计算系统,提出基于可穿戴计算的现场作业辅助创新模式.分析了该模式实现在应用结构创建方面所面临的挑战.围绕这一核心问题,提出了扩展有色Petri网形式及领域本体设计方法,描述应用功能模块;提出了领域结构分析和Petri网映射方法,生成应用相关的分层有色Petri网;实现了基于本体推理和变迁替代的辅助应用结构创建过程.最后,给出了应用实例及分析.     

多源数据融合的可穿戴设备体质健康监测模型研究

随着传感、物互联、大数据等新兴技术的发展,各种智能化穿戴设备不断应用到各个领域,智能穿戴设备是一种对日常穿戴进行智能化设计和开发的可穿戴设备,包括手表、眼镜、服饰等,智能穿戴设备是时代智能化的体现,利用智能穿戴设备,不仅可以快速获取人类自身或外部信息,还可以提升处理信息的效率.针对当前可穿戴设备体质健康监测模型由于数据处理能力较差导致健康预警误报率过高的问题,设计基于多源数据融合的可穿戴设备体质健康监测模型.通过优化数据采集方式,获取体质原始数据.使用数据清洗以及数据转化等方式,完成数据预处理.应用马尔科夫链构建体质健康监测模型,及时发出健康预警.至此,基于多源数据融合的可穿戴设备体质健康监测模型构建完成.经实验结果证实:多源数据监测模型使用后可有效降低健康预警误报率,多源数据融合技术应用在监测模型中可有效提升模型的数据处理与分析能力.     

基于神经网络的水果智能分级系统研究

由于目前国内外有关计算机图像处理技术的水果分级研究都是针对苹果、柑桔等大型水果,而对于小型水果(如樱桃、荔枝等)的分级还要依靠人工进行,因此提出了一种基于颜色空间的分割识别与基于BP神经网络分级相结合的水果识别分级法。该算法根据成熟水果所特有的颜色作为特征描述值进行分割识别出成熟的水果,并在该基础上以水果目标的色度均值和色度均方差为特征进行BP神经网络分级,从而提高了成熟水果分拣和分级的效率。实验结果表明:该算法对成熟水果的识别准确率达93.16%,平均分级正确率为93.3%,可满足实际水果识别分级的作业要求。     

批量微加速度计翻滚实验平台设计

针对目前微加速度计重力场翻滚实验设备一次只能对一只加速度计进行测试,基于SolidWorks软件平台设计了一种可一次对多只微加速度计进行翻滚实验,并且微加速度计夹具能与翻滚驱动装置自动结合与分离的新型翻滚实验平台。通过对用该平台测试的加速度计参数和现有设备测试的加速度计参数的对比表明,该平台一次可准确的对4只加速度计进行测试。     

神经网络与遗传算法在拉延筋参数反求中的应用

以某车型前地板角支撑板的拉延工序为例,讨论BP神经网络技术与遗传算法在拉延筋几何参数反求中的综合应用问题,建立能描述反映成形效果的三个参数与半圆形拉延筋几何参数之间非线性映射关系的神经网络模型,并运用遗传算法对神经网络结构进行了优化。提出逐次局部密化样本点的样本点设计方法。该方法有助于加快神经网络的设计进程,提高神经网络的模拟精度。当训练样本数据可通过有限元法自动获得时,使用该方案则更为便利。     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

分层隐Markov模型在设备状态识别中的应用研究

与传统的隐Markov模型（HMM）相比较而言,应用分层隐Markov模型（HHMM）对设备进行状态识别有诸多优点,而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络这一新的方法,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,所以将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法;以齿轮箱全寿命实验为依据,对该模型实现状态识别的基本框架和计算过程进行了研究,研究结果为复杂设备的状态识别提供了新的思路。