摘要：在竹条表面缺陷检测中,竹条表面缺陷形状各异,成像环境脏乱,现有基于卷积神经网络(CNN)的目标检测模型面对这样特定的数据时并不能很好地发挥神经网络的优势;而且竹条来源复杂且有其他条件限制,因此没办法采集所有类型的数据,导致竹条表面缺陷数据量少到CNN不能充分学习。针对这些问题,提出一种专门针对竹条表面缺陷的检测网络。该网络的基础框架为CenterNet,而且为提高CenterNet在较少的竹条表面缺陷数据中的检测性能,设计了一种基于从零开始训练的辅助检测模块:在网络开始训练时,冻结采用预训练模型的CenterNet部分,并针对竹条的缺陷特点从零开始训练辅助检测模块;待辅助检测模块损失趋于稳定时,通过一种注意力机制的连接方式将该模块与采用预训练的主干部分进行融合。将所提检测网络与CenterNet以及目前常用于工业检测的YOLO v3在相同训练测试集上进行训练和测试。实验结果表明,所提检测网络的平均精度均值(mAP)在竹条表面缺陷检测数据集上比YOLO v3和CenterNet的mAP分别提高了16.45和9.96个百分点。所提方法能够针对形状各异的竹条表面缺陷进行有效检测,且没有增加过多的时耗,在实际工业运用中具有很好的效果。

摘要：在复杂作业环境下草坪修剪机的切割刀易发生变形磨损。针对该问题,先用SolidWorks软件建立切割刀三维模型,再利用ANSYS Workbench软件对切割刀进行应力和变形分析。同时,通过设计以刀刃长度和刀片厚度为二因素的二因素三水平正交试验,研究切割刀关键结构参数对其受力变形的影响,优化切割刀结构参数,并对此参数下切割刀进行模态分析,验证该修剪机的安全性能,达到减阻提效的目的。结果表明,切割刀最大承受应力的关键参数影响力排名依次为刀片厚度、刀刃长度;对实际参数组合与理论参数组合对比分析分别取最优组,得最优参数组合皆为6 mm的刀片厚度,60 mm的刀刃长度和25°的刀刃倾角。最优参数组下的切割刀避开了固有频率,设计合理。