利用TensorFlow机器学习框架建立了前馈神经网络模型,以三个切削参数作为输入变量,分别是刀具切削深度ap、切削速度vc和进给量f,输出变量是表征工件表面粗糙度的三个指标,即轮廓算数平均偏差Ra、轮廓最大高度Ry或微观不平度十点高度Rz。利用数控车床加工数据对神经网络进行训练,训练好的网络可以用来预测工件的表面粗糙度。预测结果表明基于TensorFlow框架的表面粗糙度预测方法具有建模方便和精度高的特点,因此提出的方法对车削工艺的智能化编制有一定的参考价值。

图像的清晰与否直接影响后续的分析与识别,对图像清晰程度进行客观评价在图像质量评判中具有重要的意义。由于图像边缘信息是人眼关注到最显著的特征信息,根据清晰图像与模糊图像在边缘灰度变化程度不同,提出了一种基于灰度边缘坡度的图像清晰程度评价算法,并采用德克萨斯大学图像和视频工程实验室提供的live图像质量评价数据库进行了验证,结果表明,提出的评价方法和图像实际效果具有很好的一致性,在无参考型图像清晰程度评价中具有一定的应用价值。

针对化纤喷丝头微孔,提出一种基于机器视觉的检测方法并进行了验证。首先采用高分辨率工业相机对化纤喷丝头微孔进行实时图像采集,对图像进行灰度变换后,利用高斯-拉普拉斯算子增强图像边缘并通过Canny算子提取边缘信息,然后对微孔边缘进行圆拟合,从而检测出微孔的孔径和孔数。基于该方法,设计和开发了化纤喷丝头微孔检测系统,该系统由图像采像装置、喷丝头传送装置及检测软件组成。系统测试结果表明:该方法可以实现喷丝头微孔的非接触连续检测,检测精度可以达到微米级别。

盾构施工中,管片拼装机需要先完成一环的拼装,才能往前进行推进。目前管片拼装机工作效率较低,直接影响着掘进速度。为了提高管片拼装机的拼装效率,结合Hermite插值算法提出一种新的拼装轨迹规划方法,通过各动作始末两点进行Hermite插值,构造出五次多项式,通过加速度、功率等约束解出各具体解。选取用时最长的作为时间基准,重新构造其余五次多项式。在降低启动冲击的同时,将管片拼装机的拼装效率提升了近一倍。