超声相控阵全聚焦成像优化算法有限元仿真研究

先进的后处理成像算法能够极大地推动超声无损检测在工业检测中的应用。以Acrylic模型中二维分布的圆孔缺陷为检测对象,使用PZFlex有限元软件建模,MATLAB编写后处理算法程序,研究全聚焦算法、1/2矩阵算法和时域拓扑能量算法,比较图像重建质量、成像效率以及分辨率,并结合网格重构、插值算法和-6dB处理法进一步优化全聚焦算法的图像重建质量和成像效率。结果显示,改进后的全聚焦成像算法比TFM算法的成像效率和分辨率分别提高50%和42.8%,具有很大的应用潜力。     

基于ANSYS的AGV小车底盘优化设计

通过ANSYS对AGV小车建立三维模型,初步设计简化的底盘结构,对其进行静力学分析,得到底盘vonMises应力分布和变形的状况。在施加相同约束条件和载荷下,分别采用变密度法和水平集法对结构进行拓扑优化分析,以保留质量的30%为优化目标,得到底盘的拓扑结构模型。根据优化结果简化修复三维模型并以相同的约束条件进行静力学分析。结果表明,2个新模型结构都满足承载及刚度设计要求,实现AGV小车轻量化,减少材料消耗。     

基于深度学习与多尺度特征融合的烤烟烟叶分级方法

为实现烤烟等级的快速准确识别,降低人工分级中主观因素对分级结果的影响,提高烟叶分级的准确性和一致性,提出一种基于烤烟RGB图像和深度学习的多尺度特征融合的烟叶图像等级分类方法,采用ResNet50提取烟叶图像特征,并引入基于注意力机制的SE模块(压缩激发模块),增强不同通道特征的重要程度;同时,采用FPN(特征金字塔网络)对提取的由浅及深不同层级的烟叶特征进行融合,以实现烟叶多尺度特征的表达。采集皖南地区6068个烤烟的正面和背面图像用于建模和分析。结果表明,提出的烟叶分级方法的分级正确率比经典CNN(卷积神经网络)高出5.21%,分级模型在新批次7个等级烟叶上的分级正确率为80.14%,相邻等级的分级正确率为91.50%。因此,采用RGB图像结合深度学习技术可实现烤烟烟叶等级的良好识别,可为烤烟烟叶收购等级评价提供一种新方法。     

基于图像消冗与CenterNet的稻飞虱识别分类方法

为了实现对不同稻飞虱的快速准确识别,同时防止同一姿态下的同一只昆虫被重复计数,提出一种将图像消冗与CenterNet网络相结合的识别分类方法。首先利用自主设计的田间昆虫采集装置,自动获取昆虫图像并制作数据集。其次,将CenterNet算法与图像消冗算法相结合,选用深层特征融合网络(Deep layer aggregation, DLA)作为主干网络来提取昆虫的特征,并进行识别分类。将本文方法与经典机器学习和深度学习模型进行对比,实验结果表明,对于田间昆虫采集装置获取到的相似度较高的活体图像,本文方法不仅能够快速处理昆虫图像,而且能够成功解决昆虫重复检测的问题,平均精度均值为88.1%,检测速率为42.9f/s,无论是精度还是处理速度本文方法都具有较明显优势。该研究有效地完成了对3种主要稻飞虱的识别分类,对不同时间段采集到的昆虫表现出良好的泛化能力,可用于后期水稻害虫暴发的智能预警和测报。     

可变径管道机器人结构及控制系统设计

分析管道运输在当今社会生活中的重要性,提出了一种轮式可变径管道机器人机械结构和控制系统总体方案,能够适应机器人对120～220 mm管径变化的需求.设计了管道机器人驱动装置和自适应调节机构,同时设计了管道机器人的控制系统.该控制系统上采用了上、下位机控制方式,下位机以Arduino单片机为中央控制器,上位机使用LabV...     

基于改进YOLO v4的玉米种子外观品质检测方法

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling, SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4-MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。     

冗余以太网在东深供水改造工程中的应用

通过对双星型和双环网络结构进行比较分析，双星网络结构适合于控制中心集中、网络结构要求扩展性高的系统，双环网络结构适用于系统安全稳定性高，控制中心可分散，扩展要求低的系统，基于以上分析，采用了双星型网络结构，该网络结构具有高可靠性、多层网络冗余、先进的容错技术、高度的网络内部安全性等特点。     

基于粒子群算法优化光谱指数的甜菜叶片氮含量估测研究

为对甜菜叶片氮含量进行快速估测,利用高光谱成像仪获取甜菜冠层叶片高光谱图像数据,通过凯氏定氮法测定叶片氮含量。基于精细采样法在全波段范围内构建归一化光谱指数(Normalized difference spectral index,NDSI)和土壤调节光谱指数(Soil-adjusted spectral index,SASI),并提出了基于粒子群算法的植被冠层调节参数L优化方法,探寻任意波段组合下SASI的最佳L值及其变化规律。在筛选出特征光谱指数基础上,开展甜菜叶片氮含量的定量估测和可视化研究。结果表明,各生育期SASI对甜菜冠层叶片氮含量(Canopy leaf nitrogen content,CLNC)的敏感度高于NDSI,尤其在NDSI易发生饱和现象的近红外区域。相比常规光谱指数,叶丛快速生长期基于SASI1(R430. 20,R896. 76)和SASI2(R433. 03,R896. 01)建立的CLNC估测模型预测效果最优,2015年验证集R~2为0. 78,RMSE为2. 48 g/kg,RE为4. 18%;糖分增长期以SASI3(R952. 09,R946. 11)和SASI4(R760. 37,R803. 48)的建模效果最佳,2015年验证集R~2为0. 67,RMSE为2. 71 g/kg,RE为4. 72%;糖分积累期的最优建模参数为SASI5(R883. 30,R887. 79),2015年模型R~2为0. 72,RMSE为2. 54 g/kg,RE为4. 49%。为直观显示甜菜CLNC在时间和空间尺度上的变化规律,基于上述估测模型计算并生成甜菜CLNC的预测分布图,实现了甜菜CLNC的可视化。研究结果表明,提出的甜菜CLNC估测方法具有可行性,可为及时了解作物长势及营养估测提供技术支持。