基于PaddlePaddle的杂草模型量化部署与结构优化研究

针对农业中广泛应用的无人机等终端除草设备的计算资源少、存储资源有限等问题,文章通过对模型分别采取量化部署和更改模型注意力机制模块的方法来得到轻量模型。试验结果表明,移动端模型的推理时间只有服务器端模型的1/10左右,部署在树莓派3B+上的杂草分类推理速度是6fps左右,而且量化后的杂草分类模型规模有40%以上的减少,证明了量化对模型规模减少的有效性。同时基于CBAM注意力机制的MobileNet＿CBAM杂草分类模型相比基于SE-Net注意力机制的MobileNetV3＿Large模型在准确率上损失了0.3%,但模型参数规模降低了24.7%,整体性能更加均衡。本研究可为杂草模型的小型化落地应用提供理论基础和技术支持。     

基于同步提取变换的旋转机械振动信号时频分析北大核心

为提升工业现场采集摩擦故障振动信号时频分辨率,采用小波变换、短时傅里叶变换、同步挤压变换和同步提取变换(SET)4种时频分析算法对多分量仿真信号和旋转机械的摩擦故障振动信号进行时频分析,并对同步提取变换算法原理进行详细介绍。通过实验与其他3种算法Renyi熵值进行比较。结果表明:针对多分量仿真信号,利用SET算法可有效去除能量发散现象、混叠和端点效应,与原始多分量仿真信号的真实时频谱一致,在时间分辨率和频率分辨率上均实现了最优;针对现场摩擦故障振动信号,利用SET可以很好地抑制摩擦故障信号中的背景噪声,得到的时频图时频聚焦性较好,同时能量发散情况得到极大改善,在时频图中可以清晰地看出摩擦故障信号对应的频率。     

复杂工况下旋转机组齿轮箱的故障诊断方法

旋转机组日益趋向于自动化、大型化、高速化,其组成与结构变得越来越复杂。然而,通常在负载大、转速高等复杂工况下,以及长时间运行的过程中极易造成齿轮箱关键零部件的损坏。在复杂工况下及时发现故障、预测故障的发展趋势是旋转机组故障诊断的关键。针对旋转机组齿轮箱在复杂工况下面临的诊断难题,提出一种多传感器与D-S证据理论相结合的故障诊断方法。实例表明该方法可以有效解决齿轮箱存在的故障问题,确保旋转机组安全、可靠、正常地运行,减少安全事故的发生。     

基于机器视觉的红枣双面检测分级装置设计

基于新疆干制骏枣的外形尺寸、滑动摩擦角等物料特性,将骏枣人为定义成A、B两面;提出采用分步检测的分级机理利用两次检测实现红枣双面检测,并对其关键机构的结构设计依据进行简要阐述;指出利用物料本身滑动摩擦力结合吸振能力较好的材料,采用分步检测的机理,能够实现红枣及其他椭球形水果的单体化喂入、全表面呈现等功能。