蝇蛆分离用多维振动筛运动学分析及仿真

针对蝇蛆养殖行业中,蛆料分离技术的落后、机械化程度低、自动化程度低等缺陷,提出了一种蝇蛆分离用1T2R并联式振动筛,能够实现沿z轴的平移、绕x轴的转动和绕y轴的转动,可以高效地实现蛆料的分离。首先对该机构进行运动学建模,并且给出了运动学的正解和反解,将建立的运动学数学模型导入Matlab中,得到理论运动曲线;并且在Pro/E中建立该振动筛的虚拟样机模型,利用Mech/Pro给虚拟样机添加运动副并导入到ADAMS软件中,添加驱动后得到仿真运动曲线。结果显示仿真曲线与理论曲线完全一致,从而验证运动学数学模型的正确性。     

采用深度学习和表面肌电信号的上肢动作识别

使用上肢表面肌电信号对上肢动作进行识别是实现康复机器人持续被动运动和主动辅助运动模式的重要方法。为了提高基于表面肌电信号(surface electromyography, sEMG)的上肢动作识别精度,分别采用了分段时域信号和拼接频谱图的两种肌电动作识别方法。分段时域信号方法采用融合卷积神经网络(convolutional neural network, CNN)、长短时记忆网络(Long Short-term Memory, LSTM)和注意力机制的自建网络对上肢动作进行识别;拼接频谱图方法将预处理后的时域信号通过短时傅里叶变换(Short-Time Fourier Transform, STFT)转换为对应频谱图,利用两种微调的预训练模型VGG16和Resnet50对所有通道竖直拼接的频谱图提取特征并将特征拼接,结合支持向量机对上肢动作进行识别。实验结果表明,所提出的两种方法在采集的受试者肌电信号数据集上均表现出90%以上的识别精度,可有效区分不同的上肢动作。