旋转式木材等级分选装置

    公开(公告)号:CN111330861B

    公开(公告)日:2024-05-10

    申请号:CN202010268968.8

    申请日:2020-04-08

    Abstract: 本技术公开了一种旋转式木材等级分选装置,包括传送带机构、电动升降台和分选机构,传送带机构的后方设有电动升降台,传送带机构和电动升降台之间设有间隙,且间隙处上方和下方均设有相机一,分选机构位于电动升降台一侧;分选装置包括分选台、立柱、顶部结构和吸盘搬运结构,分选台的中部通过立柱与顶部结构连接,分选台的圆周方向上开设有多个收集槽,每个收集槽处均对应有一个收集筐,顶部结构的圆周方向上设有一圈圆形轨道,吸盘搬运结构与圆形轨道滑动连接。本技术可以机器自主识别并划分板材的等级,然后自主实现板材的分选。可以完全地由机械实现分选功能,将工人从重复繁琐的劳动中解放出来,还可以大大提高生产的效率。

    实木板材双面缺陷检测及智能加工坐标确定方法

    公开(公告)号:CN116309375A

    公开(公告)日:2023-06-23

    申请号:CN202310159967.3

    申请日:2023-02-23

    Abstract: 本发明公开一种实木板材双面缺陷检测及智能加工坐标确定方法,包括:采集N块实木板材样本双面图像,对图像进行预处理;对图像进行缺陷标注,并将其作为数据集用来训练实木板材缺陷检测深度学习离线网络模型;在线采集实木板材双面图像,并进行预处理,将实木板材双面图像按行对齐;将实木板材图像输入至训练好的模型内,获得实木板材缺陷坐标;优化实木板材缺陷坐标,获得实木板材图像上的加工位置坐标;将加工位置坐标从实木板材图像上转换至实际板材上。本发明通过集成双目视觉获取实木板材双面图像并进一步地进行缺陷检测,对检测到的双面缺陷坐标进行基于图像的工艺优化,实现实木板材的双面缺陷检测,并获取实际板材的加工坐标点。

    一种基于提升树的实木地板颜色的自动排序方法

    公开(公告)号:CN114817609B

    公开(公告)日:2022-11-25

    申请号:CN202210396144.8

    申请日:2022-04-15

    Abstract: 本发明公开了一种基于提升树的实木地板颜色的自动排序方法,包括:采集多张实木地板表面图像并预处理;对实木地板图像进行颜色空间变换;建立实木地板图像的颜色深浅序列;设定每张实木地板图像颜色深度值;提取实木地板图像的颜色特征向量;建立实木地板颜色回归树数学模型并对其参数进行调优;通过最优回归树数学模型计算得到待测实木地板图像的颜色深度值;根据实木地板图像的颜色深度值的大小将实木地板图像的颜色进行在线排序。本发明以初步建立实木地板颜色深浅序列为先验知识,提取实木地板颜色特征向量,然后使用梯度提升决策树对实木地板颜色特征向量进行回归,实现实木地板颜色的无级分类,同时,还能实现实木地板颜色深浅自动排序。

    基于增强型卷积神经网络的机械故障诊断方法和诊断系统

    公开(公告)号:CN115017945A

    公开(公告)日:2022-09-06

    申请号:CN202210567779.X

    申请日:2022-05-24

    Abstract: 本发明公开了一种基于增强型卷积神经网络的机械故障诊断方法和诊断系统,诊断方法包括如下步骤:采集机械设备不同故障类型的原始振动信号;对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练;否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。

    一种基于图像超分辨率重建网络的竹集成材裂纹检测方法

    公开(公告)号:CN114972332A

    公开(公告)日:2022-08-30

    申请号:CN202210833979.5

    申请日:2022-07-15

    Abstract: 本发明公开了一种基于图像超分辨率重建网络的竹集成材裂纹检测方法,包括:连续采集竹集成材受三点加载作用力产生扩展尖端裂纹的原始高清图像,去黑边裁剪得到与原始高清图像相对应的原始高分辨率图像;对原始高分辨率图像进行处理,得到低分辨率图像;将改进残差网络模型作为生成器,将生成器和判别器组合得到生成对抗网络模型;训练生成对抗网络模型;本发明克服了超分辨率图像重建中的细节信息丢失和边缘模糊;提高了竹集成材超分辨率图像重建的真实性;提高了网络性能;重建后的图像精度高,真实性高;利用从生成器生成出的超分辨率图像中提取出的信息对生成器模型进行二次检验,该检验方法从客观角度评价了生成器的性能。

    基于参数自适应特征模态分解故障诊断方法和系统

    公开(公告)号:CN114742111A

    公开(公告)日:2022-07-12

    申请号:CN202210571899.7

    申请日:2022-05-24

    Abstract: 本发明公开了一种基于参数自适应特征模态分解故障诊断方法和系统,故障诊断方法包括如下步骤:采集机械设备的故障振动信号;基于最大信号循环峭噪比的群智能优化方法自动地确定特征模态分解的模态个数和滤波器长度,并采用参数优化的特征模态分解将采集的振动信号划分为一系列模态分量;计算各模态分量的平方包络谱特征能量比,并选取具有最大平方包络谱特征能量比的模态分量作为主模态分量;通过从主模态分量的平方包络谱中提取故障特征频率,实现机械故障识别。该诊断方法继承了特征模态分解强鲁棒性和高运算效率的优点,能够从强噪声背景下提取出有用的周期性故障特征信息,实现设备故障的高效检测。

    一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统

    公开(公告)号:CN116484172A

    公开(公告)日:2023-07-25

    申请号:CN202310063113.5

    申请日:2023-01-19

    Abstract: 本发明公开了一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统,故障诊断方法包括如下步骤:获取机械设备不同健康状态下的原始振动信号;对原始振动信号进行归一化处理,并将归一化后的数据以相同的采样点数划分出训练集和测试集;构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型;将训练集输入到强鲁棒性多尺度网络模型中训练,并采用QHAdam优化器优化强鲁棒性多尺度网络模型;将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。该方法能够有效的提高故障诊断的精度,充分利用振动信号多尺度的性质,尤其在样本量不平衡和强噪声干扰情况下也能高效地提取故障特征,实现不同故障状态的智能诊断。

    基于深度残差变分自编码器的故障诊断方法和诊断系统

    公开(公告)号:CN114912480A

    公开(公告)日:2022-08-16

    申请号:CN202210359430.7

    申请日:2022-04-07

    Abstract: 本发明公开了一种基于深度残差变分自编码器的故障诊断方法和诊断系统,所述诊断方法包括如下步骤:S10:获取机械设备在不同故障下的振动加速度信号X;S20:将所采集到的振动加速度信号X通过小波包分解并重构,获得小波包重构信号作为特征样本集,将所述特征样本集按一定比例随机划分为训练集和测试集;S30:通过将残差自编码模块和变分自编码器模块进行前后堆叠连接,构建形成深度残差变分自编码器网络模型;S40:将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练,获得具有故障判别能力的深度网络模型;S50:将测试集输入至已训练好的深度网络模型中,自动识别机械故障的类型。

    基于深度学习的螺栓松动小角度检测方法

    公开(公告)号:CN112837284A

    公开(公告)日:2021-05-25

    申请号:CN202110115987.1

    申请日:2021-01-27

    Abstract: 本发明公开了一种基于深度学习的螺栓松动小角度检测方法,包括以下步骤:(1)、采集不同螺栓旋转角度图片,将不同螺栓旋转角度图片作为训练集数据;(2)、采用训练集数据对Single Shot MultiBox Detector(SSD)深度学习网络进行训练,得到SSD训练模型;(3)、通过SSD训练模型对待测螺栓的图片进行检测,识别出螺栓的松动角度。本发明能够有效地解决螺栓连接结构的松动角度识别检测问题。松动角度检测准确,研究表明,本发明方法在实施成本和识别角度精度上都有比较良好的表现。

Patent Agency Ranking