提高巴喀产能建设外输管线焊接质量的措施

在焊接工艺中,焊缝缺陷的产生与控制是生产工艺中常见的问题。本文通过对巴喀产能建设外输管线焊接缺陷进行分析,并采取相应的控制措施,有效的降低了焊缝缺陷的产生,从而提高了管线焊接的质量。     

基于结构光视觉的螺旋焊缝跟踪系统研究

目前,螺旋板式换热器焊接存在焊缝跟踪困难,焊接所导致的偏差存在的缺陷。本文设计和研发了一套基于主动光视觉技术的螺旋焊缝实时跟踪焊接系统,通过焊接前的焊缝特征点提取,焊接时核相关滤波目标跟踪算法进行焊缝的识别和自动跟踪,实验测试表明该方法能够达到螺旋板式换热器的全自动焊接跟踪精度要求。     

基于卷积神经网络的管道井缺陷识别研究

管道井与人类社会生活息息相关,而由于管道井盖丢失、破损造成交通事故频发,危害人类财产生命安全。本文提出利用计算机视觉技术检测识别管道井缺陷,然后通过标记报警功能来实时抢修,可以避免更多事故的发生。本文通过构建深度神经网络模型,利用卷积神经网络模型自动提取图像中每种管道井缺陷的特征,通过对管道井的六种缺陷现象进行训练、测试,得到最终识别结果。实验结果表明,卷积神经网络对管道井缺陷图像的识别达到来预期的效果,并在缺陷检测中优于传统的分类模型。     

基于视觉的焊接工件在线识别与分类算法研究

为提高焊接机器人的生产效率,设计了eye-in-hand焊接机器人视觉系统,提出了基于机器视觉的焊接工件自动化识别与分类算法。根据工件特征,提取区域面积、凸性、圆度、小孔数目、外接圆面积比等几何特征和几何距作为分类器的训练数据输入量,完成分类器的训练。设计高斯混合模型、多层感知神经网络和支持向量机分类器,完成对不同焊接工件的分类和识别。实验结果表明,该算法响应速度快,且当工件位置、大小、角度都存在变化时,仍能快速准确地对工件进行分类,满足生产线上对实时性的要求。     

基于Sigmoid学习率BP神经网络的非特定人语音识别算法研究

本课题基于非特定人语音识别的原理和过程,结合BP神经网络的建模理论及特点,主要研究了BP神经网络模型在语音模式识别中的应用问题。同时针对标准BP神经网络训练收敛速度慢及容易陷入局部最小的缺点,提出了Sigmoid学习率BP神经网络训练算法,并通过仿真计算,得出在非特定人语音识别应用方面Sigmoid学习率BP神经网络算法的收敛速度要优于标准BP神经网络算法且识别率更高。     

基于支持向量机的交通信息融合算法研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在结构风险最小化原理的基础上,具有很高的泛化性能。此方法能解决小样本、非线性及高维模式识别中的问题。本文以高速公路上的交通流参数为研究对象,提出了一种基于支持向量机的信息融合算法,并利用事件和非事件条件下的模拟数据对支持向量机进行了训练和测试。同时将该算法与多层前向神经网络(MLF)算法进行了性能比较,仿真实验结果表明该算法具有更好的分类效果,更高的检测率和更低的误报率,可以明显改善检测效果。     

改进BP神经网络的研究及应用

人工神经网络具有强大的非线性映射能力,已经被应用于模式识别、智能控制、图像处理以及时间序列分析等各种领域。本文针对BP算法的不足,提出了BP算法的启发式改进,通过对遗传神经网络模型及其算法进行分析和研究,针对遗传算法的主要缺陷介绍了一种常用的改进类型。     

火电站高温联箱焊缝缺陷修复技术

本文介绍了火电站高温联箱焊缝中发现缺陷并进行修复的全过程,包括焊缝缺陷修复的施工步骤、焊接坡口的切割尺寸、焊材种类、焊接参数、焊后热处理参数、焊接质量检验方法等,为其它火电机组设备焊缝消缺工作提供技术参考。     

船体结构焊接常见缺陷及其对策

本文对船舶建造中,船体结构焊接所存在的焊缝缺陷进行汇总,从理论上分析了这些缺陷的成因,并提出了防范和纠正措施。     

从统计学习理论到应用领域与模型拓展：KNN综合探究

文章探讨统计理论学习中KNN(K-近邻算法)及其在深度学习领域的拓展形式,即ANN（人工神经网络）和CNN（卷积神经网络）算法,对这些算法的原理、应用领域及最新研究成果进行荟萃分析（Meta-Analysis,Meta）与系统性分析,给出基于英文数据库（Web of Science）的有关KNN研究的检索流程、文章摘要高频词、时间序列特征等相关统计分析;通过分析相关文献,强调相关算法在数据分类、图像识别和模式识别等领域的重要性与实用意义;最后提出对未来研究的展望,以期相关算法在各种应用中得到进一步的完善和优化。