针对柔性薄壁轴承故障特征频率提取的问题,提出了主成分分析(PCA)与多点最优调整的最小熵解卷积(MOMEDA)相结合的特征频率提取算法。算法中用PCA对原始信号作降噪处理,获得重构信号,利用多点峭度(MKurt)提取重构信号中的周期性冲击信号的周期,对理论周期进行修正,进而得到精确的解卷积周期,通过MOMEDA对重构信号进行增强,突出其周期性冲击,可以更有效地提取特征频率。将此方法应用到柔性薄壁轴承的故障特征频率提取上,并与最大相关峭度解卷积(MCKD)算法作对比。结果表明,该方法可将轴承故障冲击与因轴承长短轴交替而产生的周期性冲击分离,消除这种正常的周期性冲击的干扰,有效提取信号中的故障特征频率,效果优于最大相关峭度解卷积算法。

针对柔性薄壁轴承在发生故障时产生的非平稳、非线性信号,采用希尔伯特-黄变换方法对其进行分析,同时针对噪声信号会污染整个希尔伯特谱的问题,提出基于SVR谱的PCA降噪算法。通过仿真分析和柔性薄壁轴承故障实验,从轴承内、外圈故障仿真信号和实际信号的希尔伯特谱中,均能够得出外圈故障信号频率的变化率为轴承转频的两倍、而内圈故障信号频率的变化率与轴承转频一致的结论。该结论可为工程实际应用提供理论指导。

在移动机器人的视觉环境探索研发中,在视觉定位不精确的条件下,如何保证移动机器人可靠地运动,是目前移动机器人视觉环境探索与视觉导航中有待解决的问题。提出一种基于单帧图像语义分割的运动控制算法,利用深度卷积神经网络高鲁棒性的语义分割结果,在图像像素空间进行运动目标点规划。仅以当前观测图像为基础,以最大化探索可能运动方向为规划代价函数,在脱离全局视觉定位结果的情况下,实现移动机器人在视觉环境探索中的可靠运动控制以及避障。实验和仿真结果表明:所提出方法可满足环境探索问题中对环境覆盖以及避障的运动控制需要。

在机器视觉中,经常由于工件表面上的喷漆、镀膜、玻璃、包装膜或其他反光材质的影响,工业相机无法顺利采集到高质量的图像。因图像的对比度较低或者关键特征无法完整呈现,经常会导致机器视觉系统中误检、误判、精度低、不稳定等现象的发生,甚至输出错误的数据。针对以上问题,以电容表面字符缺陷检测和覆有透明包装膜的键盘表面字符检测实验为例,通过利用光的偏振特性,将起偏、检偏两个偏振片集成在一起,采用改进的偏振光源有效地消除了机器视觉中的强反光现象,获得了字符特征清晰的图像。