方向性纹理织物疵点检测方法研究

通过分析方向性织物纹理的特点,提出了一种织物疵点检测新的方法。首先根据正常纹理Hough变换确定织物纹理的纹路方向;然后采用方向性小波对织物纹理图像进行方向性的分解,并在此基础上从分解后的各细节子图中提取子窗口的特征;最后通过BP神经网络进行织物疵点识别。实验结果表明了该方法的有效性。     

绳驱动纱筒抓取仿生机械手设计

针对纱筒上下料对人力过度依赖的问题,在研究仿生学手指基础上,构建面向智能制造的纱筒抓取仿生机械手。首先,采取模块化设计思想,设计适合纱筒抓取的仿生机械手结构模型,并选择绳索传动作为驱动方式;其次,详细分析仿生机械手的组成及其抓取原理,运用D-H坐标法,实现机械手指坐标系和手指基座坐标系之间变换,推导机械手末端位置方程,得到最优抓取姿态;最后,利用有限元软件,建立三维欠驱动仿生机械手模型并对其进行虚拟装配与运动仿真分析,以验证机械手抓取纱筒的可行性和稳定性,形成机器人智能抓取仿生机械手的关键技术。     

多尺寸纱筒柔性落纱机械手设计及其优化

为实现混色纱线拼接过程中多尺寸纱筒的柔性抓取及落纱任务,提出一种仿生学自适应性机械手设计优化方法。首先,分析落纱过程人体手指的抓取姿态,以此建立仿生学机械手多指节结构模型。在此基础上,以多尺寸短向量标准建立三维粒子群模型,以MatLab对机械手结构参数进行抓取优化。最后,在有限元软件中进行虚拟样机装配及动力学仿真对比验证。实验结果表明:设计的新型机械手可平稳实现30~80mm多尺寸柔性自动落纱。     

刀具裂纹检测技术在数控加工中心上的应用

文章提出了数控加工中心是一种高效率的机床,阐述了刀具监控对加工质量的重要影响.作者认为相对于渗透检测、射线检测、超声波检测、红外线成像技术、涡流检测等无损检测技术,涡流检测属于非接触性测量,检测速度快,容易实现与加工中心的连接.文章将涡流技术中的脉冲涡流检测技术认定为刀具裂纹的测量技术.另外还对测量装置在机床上的安装位置进行探讨.提出利用加工中心中CNC装置的计算机功能加入检测模块以完成检测.     

基于改进 YOLOv4 的工业棒料识别算法

针对工业棒料存在遮挡干扰时难以快速有效识别的问题,提出了一种基于改进 YOLOv4 的棒料识别算法。首先对 YOLOv4 进行轻量化改进,将改进的 Mobilenetv3 作为 YOLOv4 的主干网络,以减少模型参数量,提高算法的检测速度。然后提出在 YOLOv4 原损失函数基础上串联 Repulsion 损失函数,此新增损失函数包含 2 部分: RepGT 损失和 RepBox 损失,RepGT 损失函数计算目标预测框与相邻真实框所产生的损失值,用来减少棒料误检;RepBox 损失函数计算目标预测框与相邻的其他目标预测框所产生的损失值,用来减少棒料漏检。实验结果表明,改进算法的检测速度为 63 帧/ s ,比原 YOLOv4 算法提升了20 帧/ s ;识别准确率达到 97.85% ,比原 YOLOv4 算法提升了 1.62% 。     

新型涡流传感器的设计

介绍新型涡流传感器的设计原理、方法及应用。     

基于视觉引导的工业棒材上料系统研究

为了提高生产效率,设计一种基于视觉引导的工业棒材上料系统。首先,为了实现视觉引导进行工业棒材上料,设计了工业棒材上料总体方案,并对上料机械结构模型进行选型设计。然后,为了实现棒材的自动识别和位姿检测,提出了一种基于改进YOLOv5的旋转目标识别与定位算法。该方法在YOLOv5主干特征网络上,添加高效ECA通道注意力机制模块,利用其避免降维,并通过适当跨通道交互策略提高特征提取能力;为了增强不同尺度的特征信息融合,将原特征增强网络替换成BiFPN加权双向特征金字塔网络,进行自上而下和自下而上的多尺度特征融合,提高棒材识别准确率并获取平面位置信息;在此基础上,采用双目视觉进行立体匹配获取棒材的深度位置信息,最终实现棒材立体位姿检测。对所提上料系统进行实验验证,棒材识别的平均精度为99.4%,抓取棒材成功率达到90%及以上。     

织物表面纹理疵点自动检测

根据织物纹理和疵点频谱的不同分布,提出织物疵点检测的新方法。在织物纹理和疵点分类的基础上,通过傅里叶变换获得频谱图。设计频域滤波器抑制正常纹理频谱信息,通过重构对灰度图像进行分割,实现疵点与正常织物纹理的分离。实验结果表明该方法是有效的。     

基于小波提升格式的织物疵点检测

为了满足织物疵点检测快速而准确的要求,提出了一种基于小波提升格式疵点检测的新方法。首先根据已知滤波器,通过提高消失矩阶次构造与织物纹理相匹配的小波。在此基础上,对构造小波的滤波器进行提升和对偶提升,来获得不同的提升算子和对偶提升算子,从而实现小波的提升分解。最后提取小波分解后的高频子图细节特征,通过与正常织物高频子图细节特征相比较,从而实现疵点检测。实验证明了该方法是可行有效的,检测准确率达到92.5%以上。     

基于图像预处理的神经网络带钢缺陷检测

针对带钢表面缺陷的特点,提出了1种基于图像预处理消除光照不均等的干扰且用神经网络进行缺陷识别的检测方法.带钢缺陷的检测分为3步:首先,对采集的图像进行预处理,通过图像零均值化以消除光照对检测的影响,分别利用维纳滤波和sobel算子对图像进行滤波除噪和锐化处理;其次,通过最大类间方差法进行图像分割以及计算面积来判断是否存在缺陷;最后,在提取图像特征的基础上,通过设计人工神经网络识别带钢缺陷类型.实验表明,采用的方法能够有效抑制图像背景干扰,能够有效地实现带钢缺陷的快速检测.