基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题,提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法,算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节,以充分利用模型中的低层特征,增加细节信息;改进模型的区域生成网络,加入多种滑动窗口,从而优化了模型锚点的长宽比设置,提高检测能力。实验表明,改进Faster RCNN模型取得最优的缺陷检测结果,对于小缺陷目标仍取得较好的检测精度,从而验证了算法的有效性。     

数字图像技术在草莓氮素营养诊断中的应用研究

为了探讨利用数字图像处理技术进行草莓氮素营养诊断的可行性,通过6个水平的氮肥田间试验,采用数码相机获取草莓冠层图像,分析了不同供氮水平下草莓冠层图像色彩参数与施氮量、土壤无机氮和植株氮素营养指标之间的关系.研究表明:数字图像技术应用于监测草莓的氮素供应状况是可行的.其中,不同氮素处理下G/B值与G/(R+G+B)值的决定系数较高,G/(R+G+B)值与土壤无机氮、叶片硝酸盐及植株全氮之间的决定系数最高,利用G/(R+G+B)值的范围得出草莓开花期与结果期的氮肥推荐用量,从而反馈草莓氮素营养状况,进行氮素营养诊断.     

基于摄影测量技术的航天发动机装配过程几何参数测量方法研究

当前我国航天发动机装配过程几何参数的测量方法为专业人员操作激光跟踪仪或全站仪逐点位进行测量,此类方法存在测量效率低的缺点。针对此问题,提出了一种高效的基于摄影测量技术的航天发动机装配过程几何参数测量方法,对该测量方法的测量原理进行了介绍,详细说明了这一方法各测量环节实现的测量目的,最后通过实测数据计算工业数字摄影测量技术在此类应用中的系统准确度,证明了该测量方法的可行性。     

基于位置信息的HMIPv6快速切换方案

针对RSVP在HMIPv6下域间(inter-handover)切换延时过大,不能满足实时业务的要求。本文提出一种基于位置信息的HMIPv6快速切换方案,即移动节点进行域间切换时,根据移动节点的运动轨迹预测即将去往的接入路由器,从而提前注册及预留资源。     

基于商空间理论的模糊控制在航空相机中的应用

针对航空相机快速返回定位问题,应用商空间理论提出了一种快速无超调定位模糊控制算法。将位置偏差量模糊化．并根据模糊等价关系合并正规峰集,从而得到了不同粒度下的控制规则．系统通过不断改变粒度,采用粗拉度粗调,细粒度细调的方法,实现快速无超调定位。在模拟相机平台上采用3个粒度层,通过模糊规则调整模糊输出和PID控制器的积分时间实现最速控制、模糊控制和PID控制在不同粒度下的转换．实验结果表明此算法具有定位快、稳定精度高以及无超调等优点．     

基于遗传算法的无传感器永磁同步电机控制优化

基于实数编码遗传算法．实现对无传感器永磁同步电机(PMSM)控制器参数的选取和优化．速度的估计采用扩展卡尔曼滤波(EKF)方法,以PMSM转子速度的测量值与估计值的偏差信号作为遗传算法自适应度求取的依据,实现协方差矩阵中参数的在线调整,节约了系统协方差参数的求取时间,提高了估计器的估计精度。基于dSPACE的快速控制原型工具验证了该方法的有效性。     

提高电铸局部电沉积速率试验研究

电铸成型是采用离子沉积的方法制造复制件，具有很好的复制精度，因此电铸技术得到了广泛的应用。但由于受极限电流密度等多方面因素的影响，电铸速率一直是制约电铸技术发展的一个瓶颈，许多学者为此做了大量的理论和试验研究，但对如何提高极限电流密度还没有提供一个比较满意的答案，为提高电铸局部电沉积速率，本文在前人工作的基础上，讨论了影响电铸速率的因素，提出了一种新型的电铸方法－喷射式电铸，并通过两组试验分析了局部电沉积速率怀电铸液流量的关系以及局部铸速率与喷嘴口径的关系，试验结果表明，采用喷射式电铸可以大大提高局部极限电流密度，从而使电铸局部电沉积速率有一个较大范围的提高，为将电铸与快速成型结合奠定了试验基础。     

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来,卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性,已被认为是最有前途的CNN硬件加速器,但是受FPGA计算能力、存储资源的限制,基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先,研究了适用于三维运算的Winograd算法一维展开过程;然后,通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法,优化算法每个卷积层的时钟周期数减少了7倍左右,相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究,证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度,并改善在FPGA运行CNN的性能。