摘要：飞机制造中,需要数控弯管模具弯制导管,模具设计任务繁重。为提高数控弯管模具的设计效率,解决弯管模具设计存在的问题,依据传统设计人员的经验和数控弯管模具设计准则,提出了零件之间存在的尺寸关联算法以及优化模具结构算法。基于CATIA开发出了相关的快速设计软件,实现了数控弯管模具的参数化快速设计及标准件的快速装配。该软件的设计效率比传统设计方式提高了20倍左右,为企业降低成本、提高效率提供了一种方法。

摘要：本文提出了一种新型的说话人识别方法——言语过滤识别。有别于传统的说话人识别方法的是,言语过滤识别方法分为四步:(1)提问式问答;(2)语义校验;(3)语料过滤;(4)声纹比对。言语过滤识别方法通过语音识别方法部分过滤了复杂背景的影响,提高了说话人识别的性能。此外,言语过滤识别在辨认“活体声纹”方面有先天性的优势,通过合理设计提问问题和对问题答案的校验,可有效防止冒用者。

摘要：电力数据规模庞大,数据格式多样,给数据利用造成了一定阻碍,可通过架构电力数据中心而辅助完成数据采集、处理、分析等工作。本文分析电力数据基础架构整体设计,从系统功能模块设计、异构数据库读写分离、大容量固态硬盘技术三个方面,分析某公司在架构电力数据中心时所运用的关键技术,并采用试运行方式对其功能进行检验。

摘要：在复杂背景下精确识别茶叶嫩芽,是实现高端茶叶智能化采摘的关键技术之一。为实现高端茶叶机械化精准采摘,设计一台基于视觉的采茶样机,根据蛛式机械手采摘茶叶的路径规划,将机械手末端的移动坐标问题转换成静平台3个电机转角问题。针对YOLOv3算法进行改进,采用EfficientNet网络替代DarkNet-53网络进行特征提取,并利用目标函数GIOU优化损失函数。试验结果表明:改进的YOLOv3算法在茶叶嫩芽识别方面,其准确率达到86.53%,单张图像平均识别时间为53 ms,相比传统的YOLOv3算法,性能实现明显的提升,可以达到预期目标,满足机器采摘需求。

摘要：针对联合收割机故障精准识别机制存在的诊断速度较慢以及多种故障场景下的诊断精确度低的问题,提出一种基于CART决策树的随机森林方法完成对联合收割机的故障诊断。此方法对联合收割机主要部件的故障数据集进行特征提取,针对不同故障情景将数据分为正常-异常二分类,建立多棵CART决策树,形成随机森林诊断模型,实现联合收割机故障的快速诊断。通过基于Labview数据采集系统采集的实际故障数据,验证该方法的有效性。同时,通过对随机森林中的重要参数的对比优化设计,得出该方法模型的最优设计结构。试验结果表明,该方法达到0.965的诊断准确率,并且具有预警速度快、操作方便、鲁棒性强的优点。

摘要：针对目前国内联合收割机缺乏含杂率在线检测的问题,提出一种基于改进Mask R-CNN的水稻茎秆杂质分割方法。依据茎秆杂质形状位置特征,对原始Mask R-CNN中网络层进行优化;引入图像增广技术对图像样本进行扩充,解决图像训练数据匮乏问题;利用训练后模型对验证集中图像进行分割,并与原始Mask R-CNN等算法进行对比。结果表明,改进后Mask R-CNN算法的综合评价指标F 1达到91.12%,优于其他模型,且分割时间可达到3.57 s,证明其可满足实时检测要求,为后续含杂率在线检测系统实现提供技术参考。

摘要：针对联合收割机工作状况远程监测需求,设计一种基于LabVIEW的远程作业数据采集系统。通过霍尔转速传感器和谷物损失量传感器分别对联合收割机主要工作部件转速(或频率)以及出草口处谷物损失量进行监测,同时通过车载GPS模块实时获取收割速度与位置,最后经GPRS模块将采集到的联合收割机工作数据传输到云端存储。运行数据表明,该系统可稳定远程监测联合收割机转速(或频率)以及损失量等。

摘要：为了解决串联机器人避障运动规划的难题,提出一种快速的碰撞检测方法。该算法基于RRT算法,并对其路径生成做出改进,采用双向生成路径提高效率,减少冗余路径生成;引入贪心算法减少机器人移动路径的长度。通过Matlab进行仿真实验验证,结果表明:该算法能够高效规划机器人的无碰路径,大幅减少中间节点的个数,减少了机器人运动路径长度,验证了算法的可行性。

摘要：为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder,SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode,DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。

摘要：[目的]为实现对田间麦穗的实时准确计数,本文提出一种基于改进YOLOv5s的麦穗检测计数方法。[方法]通过C2f模块获得更加丰富的梯度流,增强模型细粒度特征提取能力,并在网络关键部位引入CoordConv坐标卷积,加大对坐标信息关注程度,提升模型对麦穗位置的感知能力,同时考虑到麦穗检测任务中中小尺寸麦穗居多,采用Inner CIoU损失函数加快模型收敛速度。[结果]在公开数据集Global Wheat Head Detection(GWHD)上对上述方法进行试验,结果表明,本文改进模型的精确率、召回率、平均精度均值mAP0.5分别为93.5%、91.6%和95.9%,参数量、计算量、每秒帧数分别为12.4 MB、27.5 GFLOPs和34。[结论]本文改进模型在精确率、召回率、平均精度均值mAP0.5等指标上较原始YOLOv5s模型分别增加1.0、1.2和1.3百分点,并且优于YOLOv7-tiny、YOLOv8s等模型,可满足检测的实时性要求。同时改进后模型在处理遮挡、重叠等复杂情况时都比原始模型表现更优,具有良好的鲁棒性。