-
题名基于机器视觉的钢包头检测系统设计
被引量：5
- 1
-
-
作者
郭杰
雷刚
陈健生
向守兵
-
机构
四川工程职业技术学院电气系
清华大学电子工程系
-
出处
《液晶与显示》
CAS
CSCD
北大核心
2013年第5期770-775,共6页
-
基金
国家自然科学基金(No.61101152)
-
文摘
为了降低工人劳动强度,提高检测速度和检测准确度,将机器视觉引入到钢包头在线检测,并设计了检测样机。首先分析钢包头变形特点,提出了基于8个变形敏感区域14项重要指标的检测模型和流程,重点介绍了具体图形算法,最后基于halcon软件编程测试了系统性能,并分析了运动对测量的影响、误差来源及其消除方法。实验结果表明:在线检测的最大误差小于0.2 mm,漏检率0‰,检测精度远高于人工检测,平均视觉检测时间为213.71 ms,整体检测速度约是人工检测的3.5倍,所设计系统可以满足流水线检测需要。
-
关键词
机器视觉
钢包头
在线检测
图像处理
-
Keywords
machine vision
steel toecaps
on-line inspecting
image processing
-
分类号
TP274.3
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名嵌入式邻域图像并行处理机的液晶显示系统设计
被引量：6
- 2
-
-
作者
吉倩倩
苏光大
向守兵
-
机构
清华大学电子工程系
四川工程职业技术学院电气信息工程系
-
出处
《液晶与显示》
CAS
CSCD
北大核心
2011年第6期768-773,共6页
-
基金
国家重点基础研究发展计划(973)项目(No.2007CB310600)
-
文摘
介绍了嵌入式邻域图像并行处理机(Neighborhood Image Parallel Computer,NIPC-3e)的液晶显示系统设计。该系统可以显示实景图像或者是经过邻域图像并行处理机处理后的结果图像。文章给出了一种基于FPGA、SRAM、CPLD和SDRAM的液晶显示控制设计方案,详细介绍了CPLD与NIPC-3e的接口设计、基于CPLD的LCD时序驱动设计和基于CPLD的SDRAM时序控制逻辑设计。该系统已成功地应用在NIPC-3e上,可以实现人脸检测和手势识别等功能。
-
关键词
邻域图像并行处理机
CPLD
SDRAM
液晶显示
-
Keywords
neighborbord image parallel computer
CPLD
SDRAM
LCD display
-
分类号
TN79
[电子电信—电路与系统]
TN27
[电子电信—物理电子学]
-
-
题名大数据背景下基于特征学习的机械设备剩余寿命预测
被引量：16
- 3
-
-
作者
郭亮
李长根
高宏力
董勋
向守兵
-
机构
西南交通大学机械工程学院
-
出处
《西南交通大学学报》
EI
CSCD
北大核心
2021年第4期730-735,768,共7页
-
基金
国家自然科学基金(51905452)
中央引导地方科技发展专项资金(2020ZYD012)。
-
文摘
传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标,而在大数据背景下,手动提取特征需要特定专家知识并耗费大量人力,为解决该问题,提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法(AFLRULP).该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题,并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态;根据失效阈值可以计算出机械设备的剩余寿命;采样轴承全寿命周期数据集合对提出的AFLRULP进行验证,并且与传统基于手动提取特征的方法进行寿命预测准确性的对比.研究结果表明:AFLRULP不需要人工提取特征,可从原始监测数据映射为机械设备的性能状态与剩余寿命,相对于现有的基于手动提取特征的寿命预测方法,提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.
-
关键词
工业大数据
剩余寿命预测
卷积神经网络
轴承
-
Keywords
industrial big data
remaining useful life prediction
convolution neural network
bearing
-
分类号
TH878
[机械工程—精密仪器及机械]
TG115.28
[金属学及工艺—物理冶金]
-
-
题名智能化滚珠丝杠副退化状态的评估方法
被引量：2
- 4
-
-
作者
张江泉
高宏力
向守兵
郭亮
谭咏文
-
机构
西南交通大学机械工程学院
国防科技大学装备综合保障技术重点实验室
-
出处
《西南交通大学学报》
EI
CSCD
北大核心
2022年第4期813-820,共8页
-
基金
国家自然科学基金(51775452)。
-
文摘
现有滚珠丝杠副退化状态评估方法通常假设已有充足且带标签的数据集,但实际工程应用中故障成本过高、获取标签难度过大,难以在特定工况下获得大量带标签数据集.针对上述问题,提出一种基于多尺度对抗域对抗学习的智能化状态评估方法,结合注意力卷积神经网络模块和域对抗学习模块,利用不同工况下采集的传感器信号建立深度学习模型,从而自适应地学习域不变特征并实现高效的知识复用和特征迁移;利用多工况下采集的滚珠丝杠副退化信号构建试验数据集来验证方法的有效性.研究结果表明:本文方法在6个标签缺失跨工况条件下的滚珠丝杠副退化状态识别子任务中均取得了高于89.02%的识别准确率;能够充分迁移带标签数据的关键特征,实现了标签样本缺失条件下目标工况退化状态识别.
-
关键词
滚珠丝杠副
退化状态评估
深度学习
域对抗学习
-
Keywords
ball screw
degradation state evaluation
deep learning
domain adversarial learning
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
TH117.1
[机械工程—机械设计及理论]
-
