应用于视觉环境探索的移动机器人反应式控制器设计

在移动机器人的视觉环境探索研发中,在视觉定位不精确的条件下,如何保证移动机器人可靠地运动,是目前移动机器人视觉环境探索与视觉导航中有待解决的问题。提出一种基于单帧图像语义分割的运动控制算法,利用深度卷积神经网络高鲁棒性的语义分割结果,在图像像素空间进行运动目标点规划。仅以当前观测图像为基础,以最大化探索可能运动方向为规划代价函数,在脱离全局视觉定位结果的情况下,实现移动机器人在视觉环境探索中的可靠运动控制以及避障。实验和仿真结果表明:所提出方法可满足环境探索问题中对环境覆盖以及避障的运动控制需要。     

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

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系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

动态场景下移动机器人视觉SLAM

为实现动态场景下移动机器人自主定位和建图,解决传统视觉里程计方法跟踪效果差及累积误差问题,提升闭环检测的准确性和鲁棒性,提出融合深度学习的同时定位与地图构建方法。采用四叉树算法均匀化特征分布,解决动态场景特征聚集问题;通过优化的目标检测网络识别场景动态语义信息,剔除动态物体对位姿估计的干扰;充分提取场景空间结构信息,结合点特征和线特征实现位姿跟踪及回环检测,构建全局一致的环境地图。TUM数据集和真实场景实验结果表明：改进方法提升了移动机器人定位和建图的准确性和鲁棒性。     

基于语义ORB-SLAM2算法的移动机器人自主导航方法研究

提出了一种基于单目视觉和激光雷达的同步定位与制图融合语义信息的新方法,该方法利用从单目视觉中提取的特征和在激光雷达深度地图中的对应关系来获得相对于关键帧的姿态数据,同时对图像进行语义分割;通过从深度卷积神经网络CNN获得的语义特征来细化语义信息,地图中的每个点都与一个语义特征相关联,以执行语义引导的本地和全局姿态优化。提出的语义标记和SLAM的耦合具有更好的鲁棒性和准确性。在室内环境中对装备单目视觉和激光雷达的移动机器人进行验证实验,实验结果表明:该方法可以提高机器人导航精度,实现机器人智能自主导航,同时也可以提供语义信息的图像数据。     

加筋板智能导波损伤识别与评估

建立了基于卷积神经网络算法的智能导波损伤检测方法,可实现加筋板中脱黏损伤的高效识别和精准定位.在数值模拟和试验研究T型筋加筋板中导波传播特性的基础上,通过单点激发多点接收的方法获取不同损伤样本的兰姆波响应,经预处理之后组成融合数据库.利用卷积神经网络(CNN)深度学习检测算法,抓取和学习融合数据库中与损伤相关的特征,并...     

基于深度卷积神经网络的轴承故障诊断技术研究

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。     

基于改进YOLOv4的移动机器人障碍物检测北大核心

为满足移动机器人障碍物检测精度与实时性的需求,解决识别网络复杂度高、体积大的问题,提出一种基于改进YOLOv4的移动机器人障碍物检测识别方法。首先,使用MobileNetv3代替原主干特征提取网络,同时使用深度可分离卷积块代替加强特征提取网络中的普通卷积块;其次,使用CDIoU提高对障碍物区域的检测能力;最后,基于移动机器人平台进行障碍物检测实验。实验结果表明,改进的模型可以达到90.2的mAP和42.04的FPS,与其他目标检测模型相比,参数量减少了40%,检测速度得到了大幅度的提升,所提障碍物检测算法具有检测精度高、检测速度快的优点,可以满足移动机器人障碍物检测的实时性和准确性要求。     

基于深度学习方法的N5/NiCrAlY涂层图像识别的研究

利用深度学习方法,将图像处理技术运用于NiCrAlY涂层/Ni基高温合金服役过程中微观形貌的图像特征信息识别和检索。以NiCrAlY涂层/N5合金为研究对象,基于获取的3600张64×64像素的截面特征图像数据集,采用深度学习技术搭建对基体的TCP相、基体与涂层的界面、氧化层这三类特征进行分类识别。分别训练有二、三层卷积层的卷积神经网络实现这三类特征的分类识别与滑动窗口检索定位。选用RMSProp优化器,配合二、三层卷积层的神经网络的测试集识别准确率分别为98%、90.67%。利用Adam优化器训练三层卷积层的卷积神经网络的测试集识别准确率为99.17%,并且此网络在检索1024×943像素图像的三大特征时表现最佳,检索正确率达到100%。     

基于工件纹理和卷积神经网络的刀具磨损检测

文章在现有刀具磨损检测算法的研究基础上,针对铣削刀具磨损检测提出了一种基于卷积神经网络的刀具磨损检测算法。对原始的AlexNet卷积神经网络参数以及训练算法进行了优化,同时搭建了实验平台,进行了机床切削实验并采集了大量的工件纹理图片,使用这些图片样本对所改进的方法进行验证并与其他算法进行了对比研究。结果表明,改进后的AlexNet卷积神经网络算法能够更好地对刀具磨损程度进行判断。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断北大核心

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。     

基于卷积神经网络的网络节点异常数据检测方法

异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题,提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据,并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数,构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征,解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试,结果表明该方法具有很好的检测性能和较高的可靠性     

基于卷积神经网络X射线环焊缝缺陷检测

针对工业X射线焊缝图像对比度低、缺陷模糊且相对面积较小及难以识别的问题,设计了结合卷积神经网络的识别框架。根据缺陷图像特点,设计了对应的神经网络结构、卷积模板及池化模板的大小。在分析确定神经网络结构的基础上,卷积神经网络的灵敏度和训练算法也在文中一并给出。通过实例对神经网络结构进行了有效性的验证,缺陷检测准确率达97%,误报率仅为3%。同时,对适用于卷积神经网络进行识别的X射线焊缝图像进行了分析,发现灰度直方图有效信息跨度范围在50之上的卷积神经网络可以有效识别。文中所设计的神经络对X射线焊缝缺陷图像的识别可行、有效。     

基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进。改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积。决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征。实验验证表明,改进的分割网络模型应用到工件表面缺陷准确率达到了99.4%,比目前工件表面缺陷检测技术DeepLabv3、U-Net的准确率有所提高。     

焊接缺陷识别中的多模态注意力方法

提出了一种多模态焊接缺陷识别方法，构建了包含3个分支的卷积神经网络,以分别对焊接熔池图片、电弧声、焊接电流和电弧电压进行处理。并在图像分支网络中加入了通道注意力模块和空间注意力模块，以聚焦焊接熔池图片的重要区域。为了验证文中模型的稳定性和可靠性，在自构建的包含10种焊接缺陷的数据集上进行了试验。试验结果表明，双通道注意力机制嵌入到卷积神经网络的浅层效果优于深层。同时，相比于不加注意力机制，双通道注意力机制识别结果的F值得到了明显的提升，为焊接实时分类识别提供参考，有助于焊接质量评定。 创新点： (1)提出了多模态卷积神经网络自动提取焊接熔池图像、焊接电流、电弧电压、电弧声的显著特征。 (2)在图像网络分支加入了注意力机制，帮助模型捕获缺陷显著区域，并验证了在卷积浅层引入注意力效果优于深层。     

基于Faster R-CNN算法的列车轴承表面缺陷检测研究

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测。建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较。试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03%、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73%、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求。     

基于机器视觉的环状零件表面字符检测

针对传统环形零件表面字符检测过程中出现的零件定位不准确、字符分割难度高、字符识别精度低等问题,提出了一种基于极坐标变换展开图片和卷积算法分割、识别字符的方法。首先对待检测的照片进行零件定位,分割出包含检测目标的最小区域。接着对该区域进行极坐标变换,展开环状区域,并将区域进行卷积运算,确定待检测区域。再根据特定卷积核运算结果,得出区域的像素分布特征,分割待检测区域。最后根据卷积神经网络和SVM对所分割的字符进行分类识别。实验结果表明,该方法字符定位分割精度高、抗干扰性强、识别准确率高,对复杂环境下环形零件表面字符检测具有一定的指导意义。     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

面向海量机械故障数据的胶囊网络算法研究

针对卷积神经网络算法在大规模故障数据集检测中出现的故障敏感度低、部分特征丢失等问题,提出一种基于优化胶囊网络算法的机械故障检测方案。胶囊网络算法采用多神经元封装的胶囊体结构设计,且包含多个胶囊层,具有更强的故障数据处理能力和泛化能力;经过squash函数挤压后的胶囊矢量可以更准确地提取和描述故障特征;升维胶囊矢量,基于特征编码和归一化的处理方式,可得到更准确的故障分类结果。实验结果显示:优化胶囊网络算法具有更强的故障特征聚类性能和迭代运算性能,故障集检测精度值高于经典卷积神经网络算法。