针对人工核药效率低的问题, 提出了一种改进MobilenetV3-Small网络结构的药片定位识别方法。将获取的原始图片转换到LAB颜色空间, 对LAB颜色空间下的L通道进行Canny边缘分割、形态学处理、图像填充、单一药片图像框选, 实现对单一药片的定位; 通过加载预训练权重, 使用K-means聚类算法优化输入尺寸, 根据特征图修改网络层等方法改进MobilenetV3-Small网络结构; 结合图像处理的定位方法和改进MobilenetV3-Small网络的识别方法, 实现对药片的快速准确检测。最终在处理得到的523张单一药片图像上, 药片识别算法最终Loss值为0.000035, 验证了算法的有效性。

在风力机叶片表面排列编码目标,基于双目立体成像原理和图像特征匹配与跟踪方法,可以动态、实时地获得编码目标的空间运动信息。针对噪声污染影响模态辨识的问题,通过奇异值分解(SVD)和Cadzow算法构造了无噪声污染的Hankel矩阵,有效减少由噪声引起的虚假模态。针对模态定阶过程容易出现虚假模态的问题,提出一种改进的特征系统实现算法(ERA)。相比于传统的ERA模态辨识方法,该方法在固有频率的识别上提高了3.6%的精度,获取了更清晰的稳定图。

针对接触式测量方法易受传感器采集通道限制与附加质量的问题,提出了一种基于三维振动信息融合的卷积神经网络风力机叶片裂纹诊断方法。首先,在双目摄影测量原理的基础上,提出一种三维振动信息融合的多通道样本构造方法,该方法可以集成叶片表面空间分布的多测点运动信息,得到更丰富的信号,且能极大地减少附加质量的干扰。其次,为了获取裂纹多层次的语义信息,提出一种新的多尺度卷积神经网络。选用某型1.5 kW的风力机叶片开展裂纹诊断实验,建立不同裂纹状态样本数据库,预测精度达到了93.4%,验证了所提方法的有效性。通过与经典的LeNet-5和VGG-11网络对比分析表明,改进的卷积神经网络具有更高的识别精度和更快的收敛速度,多通道样本在风力机叶片裂纹故障诊断中具有较好的应用效果。

针对大视场双目相机标定中的精度低和非线性畸变问题, 提出了一种结合BP神经网络的大尺寸虚拟靶标标定技术。鉴于单角点棋盘格具有易制作、高精度的特性, 构建大尺寸虚拟靶标; 利用神经网络的非线性映射能力直接建立角点的像素坐标和世界坐标映射关系; 用建立的映射网络对测试样本进行三维重建, 并与传统的线性标定方法进行对比实验。结果表明, 该方法操作简单, 且重建距离相对误差为0.92%, 优于传统的线性标定方法, 可用于大视场双目相机标定。