排序方式: 共有33条查询结果,搜索用时 31 毫秒
1.
针对射线实时成像检测中精密铸件微小缺陷自动定位的需要,提出一种基于深度学习特征匹配的铸件缺陷三维定位方法。模拟选择注意机制的中央-周边差算法,提出以视觉显著度为尺度,从射线图像复杂背景中检测出微小缺陷及其区域,以定义的区域中央点为待匹配点;然后,提出构造深度卷积神经网络自动提取微小缺陷区域的深度学习特征,通过深度学习特征矢量的相似度,实现在不同视角下投影图像中的同一微小缺陷点的自动匹配;最后,基于平移视差测距原理计算缺陷匹配点的三维空间坐标。实验表明,基于深度学习特征匹配的方法能够正确搜索平移前后投影图像中的同一缺陷点,以此为基础,利用视差测距原理实现了微小缺陷匹配点的自动准确定位,深度定位误差小于5.52%,能够满足对精密铸件微小缺陷智能评判的需要。 相似文献
2.
针对传统迭代最近点(ICP)算法在点云存在重叠或部分重叠时,配准误差大且适应性差的问题,提出一种基于匹配点对加权优化的改进配准算法。首先,提出一种改进体素降采样算法对点云进行采样,减少数据量的同时提高算法对噪声的鲁棒性;然后,采用改进Sigmoid函数赋予参与配准的匹配点对不同的权重,克服传统算法忽视距离较小的匹配点对中仍具有错误点对的缺点,同时提高了配准精度和收敛速度;最后,提出一种采用奇异值分解法(SVD)求解配准参数的方法,进一步提高配准精度。设计了不同重叠度的配准实验和噪声实验,并结合曲轴三维点云重建对本文算法进行验证。实验结果表明:本文算法误差较Tr-ICP算法减少了约34.1%,较AA-ICP算法减少了约29%,配准时间较TrICP算法缩短了约16.1%。最终表明本文算法具有更高配准精度的同时,具有更好的适用性和鲁棒性。 相似文献
3.
为了快速准确地识别数控机床误差因素,提出了一种基于深度学习框架的运动误差智能溯因方法。首先,建立数控机床圆运动误差轨迹基准圆模型,生成理论样本解决深度学习大数据训练问题;然后,基于深度学习目标检测框架,提出数控机床运动误差溯因模型,构建深度卷积网络层自动提取圆运动轨迹特征,改进候选区域生成机制实现轨迹判别及区域生成;最后,模型的区域识别层准确识别误差轨迹类型,通过圆运动轨迹与误差源的映射关系实现对运动误差快速准确智能溯因。实验表明,本文方法可行且适应性好,识别溯源准确,正确率超过96%。 相似文献
4.
为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测。实验结果表明:该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题,将热误差预测的均方根误差降低到2.5 μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考。 相似文献
5.
6.
7.
8.
9.
10.