1 哈尔滨理工大学 自动化学院，黑龙江哈尔滨50080
2 哈尔滨理工大学 黑龙江省复杂智能系统与集成重点实验室，黑龙江哈尔滨150040
压电陶瓷驱动器（PEAs）是一种多用于在精密仪器仪表中实现高速、高精度定位的智能驱动器。然而，其自身存在迟滞、蠕变等非线性，尤其是迟滞特性严重影响了压电驱动器的的控制精度。针对迟滞建模中的不对称和速率相关问题，提出一种多延时输入Prandtl-Ishlinskii（MDPI）模型，基于传统PI模型引入了一组延时输入来描述迟滞的率相关特性，随后加入了偏移系数用于改善模型的非对称性。最后，在压电微运动平台上采集了1~100 Hz的1 V正弦信号实验数据，并与率相关PI模型和动态延迟PI模型进行了模型精度对比。实验结果表明，相比另外两个动态PI模型，该模型能够更准确地描述PEAs的动态特性和迟滞特性。在50 Hz和100 Hz下，MDPI模型最大绝对误差（MAE）分别为0.081 5 μm和0.142 9 μm，均方根误差（RMSE）分别为0.009 5 μm，0.011 9 μm。相较二者该模型均方根误差精度分别平均提高了72.46%和64.21%。
压电驱动器 多延时输入 Prandtl-Ishlinskii 动态迟滞 piezoelectric actuator multiple delay-input Prandtl-Ishlinskii dynamic hysteresis 光学 精密工程
2023, 31(10): 1501
哈尔滨理工大学自动化学院, 黑龙江 哈尔滨 150080
Faster RCNN在小目标的检测方面准确度和鲁棒性性能不够理想。为此,提出一种改进Faster RCNN对马克杯缺陷进行检测,将Faster RCNN和特征金字塔网络(FPN)相结合,增加使用细节化的浅层特征,使其对小目标有更好的检测效果。分别使用改进前后的Faster RCNN在Caffe上进行仿真。结果表明,Faster RCNN检测马克杯缺陷的性能出色,但是遗漏了部分小目标;改进后的Faster RCNN对缺口和划痕缺陷的检测准确率最多提升2.485个百分点,并且在小目标识别方面也有更优异的表现。
机器视觉 深度学习 Faster RCNN 特征金字塔网络 缺陷检测 激光与光电子学进展
2020, 57(4): 041515
