零件表面粗糙度的在线检测方法研究

根据零件表面粗糙度形成的复杂性，建立了基于具有结构和参数学习的模糊神经网络逻辑系统，通过该模糊神经网络搜索最优推理规则，并且通过最优模糊推量规则来在线检测零件表面粗糙度。该检测方法可在线检测零件的附加表面粗糙度。     

基于多源异构数据的数控铣削表面粗糙度预测方法

针对传统数控铣削表面粗糙度预测模型泛化性差、精度较低等问题,提出了一种基于多源异构数据的数控铣削表面粗糙度预测方法.获取变工艺条件下数控铣削的工艺参数、刀具直径及工件材料等静态数据和振动信号、力信号及功率信号等动态数据;采用粒子群优化算法(PSO)优化卷积神经网络(CNN)的网络结构参数得到PSO-CNN;运用PSO-...     

基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

基于深度学习的遥感图像舰船目标检测算法综述

海面舰船目标检测是遥感图像处理和模式识别领域备受关注的重点研究方向,对舰船目标的自动检测在民用和军用方面都具有重大意义。梳理和分析了典型基于深度学习的目标检测算法的优缺点,并进行了对比和总结;归纳了基于深度学习的舰船目标检测的技术现状,并从多尺度检测、多角度检测、小目标检测、模型轻量化和大幅宽遥感图像舰船目标检测等方面对技术现状进行了详细的介绍。最后,介绍了舰船目标识别算法常用的评价标准和现有的舰船图像数据集,探讨了遥感图像舰船目标检测算法现在所面临的问题和未来的发展趋势。     

基于同态滤波和深度卷积模型的低照度工件表面粗糙度等级识别

为解决低照度下工件表面粗糙度等级识别正确率低的问题,提出一种基于同态滤波和深度卷积模型的低照度工件表面粗糙度等级识别的方法。该方法通过对不同照度下工件表面粗糙度图像进行等级识别,确定了同态滤波器的最优参数值,再将图像从RGB空间转换到HSV空间,在对V（亮度）分量进行同态滤波处理后,再将图像转回RGB空间并通过设计好的...     

基于图像处理技术的表面粗糙度检测系统模型

阐述了基于图像处理技术的检测识别系统,针对图像处理在表面粗糙度检测上的应用,提出了相应的检测系统模型。     

磨削加工实时检测及工艺参数智能选择的研究

分析了磨削加工过程中众多影响加工质量的因素,认为磨削温度、磨削力是影响加工质量的关键因素,在此基础上,提出了实时检测磨削温度、磨削力,从而构造控制磨削速度、磨削量、工件进给速度的人工神经网络的构造,经样本学习后,人工神经网络达到实时控制磨削加工质量的目的。     

动态试验机数据实时采集及峰谷值检测

本文介绍了傅立叶变换数字滤波的方法及实际应用。     

基于三维形貌重建的镗加工表面粗糙度检测

以计算机显微视觉为检测手段,采用明暗恢复形状方法重建加工表面微观形貌,进而检测加工表面粗糙度.根据微观金属表面反射特性,采用基于Torrance-Sparrow光照模型的明暗恢复形状算法,完成了镗加工表面图像三维形貌重构与表面粗糙度参数检测.     

基于深度学习的多物体抓取检测技术研究

针对非结构化的抓取场景,提出一种并列式架构的卷积神经网络检测模型。该模型使用单物体抓取数据集训练,可以对多物体进行抓取检测。基于机器人操作系统（Robot Operating System,ROS）平台进行抓取仿真试验,验证抓取检测结果的有效性。试验结果表明,该方法针对密集多物体的仿真抓取成功率达到80.8%。     

电解、磨粒、超声复合加工技术及其加工表面粗糙度的预测方法

介绍了电解、磨粒、超声复合加工的基本原理,分析了各主要加工参数对加工表面粗糙度的影响规律,并在此基础上应用神经网络理论中的遗传ＢＰ算法在线预测复合加工工件的表面粗糙度。     

基于FPGA的高速实时光斑质心检测系统的设计

光斑质心检测是自由空间通信APT精跟踪子系统的关键技术之一,对此本文提出了基于FPGA的图像处理算法,主要采用3×3窗口模块和自适应阈值模块,先对CCD输入数据进行处理,判断光斑的范围,然后再运用光斑的质心算法对光斑所占的像元进行运算,得出光斑位置的脱靶量,最后通过串口送至总控单元处理。实验达到了3000帧／s的脱靶量帧速,精度为2urad的技术指标,实现了高速率、高精度的精跟踪要求。     

表面粗糙度光纤传感器检测装置的研究

一、引言在CIMS 中,表面粗糙度是监控加工过程和工件质量的最重要的参数之一。虽然目前的轮廓仪可以精确地检测表面粗糙度,但它不适用于自动制造中的在线测量和控制,而且对于超精加工而言,往往不允许进行具有破坏性的接触式测量。为此,人们一直试图开发非接触式的光电方法和装置来检测表面粗糙度。虽然强度型光纤传感器具有结构简单和价格低廉等优点,但光源光强的漂移以及某些干扰光对传感器的信号稳定性有极大的影响。如果能够有效消除这种影响,使测量信号足够稳定,则这种传感器应用的前景将是十分广阔的。采用强度型光纤传感器检测表面粗糙度是基于散射的原理,所以测量结果不仅与工件的加工质量有关,而且也与工件表面的清洁程度直接有关。因此,在采用光电法检测表面粗糙度时,工件表面的清洁处理必须规范化,这对于确保测量重复性至关重要。     

纹理图像分析技术在表面粗糙度测量中的应用

以MATLAB软件为设计平台,构建了零件表面粗糙度的检测系统。采用同态滤波等图像处理技术,对零件表面图像进行预处理,选取图像灰度直方图参数为表征纹理的像元特征值,灰度共生矩阵参数为表征纹理结构的区域特征值,建立了BP神经网络,实现了对零件表面粗糙度参数的测量,并对测试结果与电动轮廓仪的测量结果进行了对比和分析,验证了系统的可行性。     

基于极深超分辨率卷积神经网络的单一图像超分辨率研究（英文）

单一图像超分辨率（Sing image super-resolution,SISR）是一个具有挑战性的问题,从根本上说,低分辨率图像可以对应于一组高分辨率图像,但是其困难在于大多数不可预期。深度学习为单一图像超分辨率研究提供了有效途径,通过构造极深超分辨卷积神经网络（Very deep super-resolution conventional neural network,VDSRCNN）,可以将低分辨率图像优化为高分辨率图像。本研究主要实现了两个目标：图像超分辨率（Image super-resolution,ISR）和应用极深超分辨率卷积神经网络使图像更清晰。首先,在分析ISR的基础上,对不同的训练参数进行改良,以测试VDSRCNN的性能;其次,通过在训练集中加入运动模糊图像来优化VDSRCNN的结构参数;最后,利用图像质量指数评价了传统方法和VDSRCNN方法的图像差异。结果表明,本文提出的方法可以有效改良VDSRCNN的结构,更好地从低分辨率图像生成高分辨率图像。     

基于RBF神经网络的难加工材料高速铣削粗糙度预报研究

表面粗糙度的预报是切削加工质量分析的重要研究方向。本文运用RBF神经网络建立了粗糙度预测模型,将预报结果与试验真值以及由经验公式的处理结果进行对比验证,结果表明此方法可行,为切削参数优化和数据库研制提供了依据。     

基于卷积神经网络对磨削表面粗糙度声发射智能预测

表面粗糙度是衡量加工零件表面质量的主要指标,为提高球墨铸铁磨削表面粗糙度预测的精度,在球墨铸铁磨削表面粗糙度声发射预测实验基础上,使用深度学习卷积神经网络CNN自动提取磨削声发射信号特征值,使用卷积神经网络对球墨铸铁磨削的表面粗糙度声发射智能预测,准确度较BP神经网络高。     

基于光纤传感器的表面粗糙度在线检测研究

介绍一种基于光纤传感器的表面粗糙度在线检测系统，给出了一系列试验结果；讨论了在线检测仪的设计要点以及在线检测存在的问题，如光纤探头的结构、传感器的装夹与定位、仪器的元器件选择、仪器的标定、切削液和测量距离变化的影响等，提出了解决或改进的办法。研究结果表明，该检测系统具有结构简单、工作效率高、抗干扰能力强等特点，适用于静态条件下的快速检测和动态条件下的实时监测，有利于提高机械加工质量和生产效率。     

机床齿轮齿面粗糙度检测方法的研究

研究了机床齿轮齿面粗糙度，渐开线仪器测量法的适用性及轮廓仪测量法的可行性，还提出了齿面粗糙度检测的有关问题。