【摘 要】
：
由于齿轮副啮合接触和内封装等特点，其疲劳强度的检测存在较大限制，尤其是对疲劳裂纹、轮齿折断等疲劳失效状态的监测大多采取间隔停机并拆解后检视的方式。整个过程耗时耗力，容易因人工主观判断和经验差异造成观测误差，而且无法感知齿轮早期疲劳阶段的微动疲劳特征。为此，本文基于双目视觉技术和数字图像相关理论提出了一种面向齿轮疲劳强度试验的非接触式检测方法，通过双电机对拖驱动的方式搭建包含双目摄像头的减速机试验台
论文部分内容阅读
由于齿轮副啮合接触和内封装等特点，其疲劳强度的检测存在较大限制，尤其是对疲劳裂纹、轮齿折断等疲劳失效状态的监测大多采取间隔停机并拆解后检视的方式。整个过程耗时耗力，容易因人工主观判断和经验差异造成观测误差，而且无法感知齿轮早期疲劳阶段的微动疲劳特征。为此，本文基于双目视觉技术和数字图像相关理论提出了一种面向齿轮疲劳强度试验的非接触式检测方法，通过双电机对拖驱动的方式搭建包含双目摄像头的减速机试验台，在齿轮上预制作高质量散斑进行疲劳试验，应用双目视觉方法对全寿命周期的疲劳特征图像进行采集。通过图像匹配
其他文献
为探究水氮条件对玉米（Zea mays L.）产量及农田土壤碳氮的影响，试验在广西一年两季玉米种植区，于2018年春玉米和秋玉米生长季进行。品种为万川1306，种植密度为52500 株/hm~(2)，行株距为60 cm × 28 cm，小区面积为16.8 m~(2)。试验采用裂区试验设计，主处理水分条件分别为雨养和灌溉，副处理施氮量分别为0 kg/hm~(2)（N0）、150 kg/hm~(2)（
模糊图像的超分辨率重建具有挑战性并且有重要的实用价值。本文提出了一种基于模糊核估计的图像盲超分辨率神经网络，主要包括两部分：模糊核估计子网络和模糊核自适应的图像重建子网络。给定任意低分辨率图像，该网络首先利用模糊核估计子网络从输入图像估计出实际的模糊核，然后根据估计到的模糊核，该网络利用模糊核自适应的图像重建子网络完成输入图像的超分辨率重建。与其他图像盲超分辨率方法不同，本文提出的模糊核估计子网络
聚球藻是一类分布广泛、数量巨大的微微型浮游植物，作为蓝藻的代表类群之一，广泛分布于海洋以及河口区域，并且具有丰富的色素多样性和遗传多样性。聚球藻根据盐度适应能力可划分为严格海洋型聚球藻和广盐型聚球藻。本研究对分离自珠江口的聚球藻K1和南海寡营养海域的聚球藻YX02-1在不同盐度条件下的生长进行了对比，并根据rop C1标记基因分析K1和YX02-1的分类地位，发现K1为广盐型聚球藻，其在不同盐度下
本文基于IoU网络提出了一种IT-AWCR(IoU network tracking with adaptive weighted characteristic responses)目标跟踪算法.首先,根据目标运动速度设计了目标搜索区域确定策略,通过理论分析使用ResNet50的Block3、Block4卷积块的输出分别作为目标的浅层和深层特征表示;其次,以目标定位准确度和滤波模型抗干扰能力为评价
针对目标在遮挡、背景杂乱时跟踪定位不准确的问题，提出通道可靠局部秩变换的目标跟踪算法。使用局部秩变换特征结合Lab三通道图像构成16维特征通道，从中选择有效的特征通道进行融合，增强算法对目标特征的表达能力。实验表明，相比于利用可靠性系数选择得到的特征通道，利用经验选择的局部秩变换特征通道在特定场景的跟踪效果更好，对目标的位置估计更加准确。与其他算法进行对比，经验选择方法在特定场景测试上平均速度达到
域泛化的行人再识别能够在源数据集训练并在目标数据集进行测试，具有更广泛的实际应用意义。现有域泛化模型往往由于专注解决光照和色彩变化问题而忽略对细节信息的有效利用，导致识别率较低。为了解决上述问题，本文提出了一种融合注意力机制的域泛化行人再识别模型。该模型首先通过叠加卷积层的瓶颈层(Bottleneck Layer)设计提取出包含不同视野域的多尺度特征，并利用特征融合注意力模块对多尺度特征进行加权动
混凝土内部损伤破坏形态具有明显的离散性和随机性，内部损伤特征检测是混凝土细观研究的重要内容，针对已有混凝土结构内部损伤特征检测模型精度低的问题，本文提出一种特征共享双头Cascade R-CNN模型对混凝土CT图像的损伤特征进行检测。首先为了有效识别损伤特征的空间信息，构建具有空间敏感性的fchead(fully connected head)和空间相关性的conv-head(convolutio
复杂场景分割是自动驾驶领域智能感知的重要任务,对稳定性和高效性都有较高的要求.由于一般的场景分割方法主要针对可见光图像,分割效果非常依赖于图像获取时的光线与气候条件,且大多数方法只关注分割性能,忽略了计算资源.本文提出一种基于可见光与红外热图像的轻量级双模分割网络(DMSNet),通过提取并融合两种模态图像的特征得到最终分割结果.考虑到不同模态特征空间存在较大差异,直接融合将降低对特征的利用率,本
多图像域人脸属性迁移是当前图像和视觉领域的研究热点。为了解决基于生成对抗网络的人脸属性迁移中离散形式标签造成图像域表达形式单一、下采样的卷积操作和判别器准确度不足造成图像域迁移细节失真的问题，结合选择性传输单元和铰链损失提出一种多图像域人脸属性迁移方法。首先，在生成器中引入域控制器，利用自适应实例归一化融合图像的内容信息与生成的样式信息，增加图像域表达方式的多样性，同时引入选择性传输单元，将下采样
若获取到的人脸图像分辨率较低，通常会丢失人脸原本的皱纹等特征信息，从而降低年龄识别的性能。为了更好地解决此问题，提出了一种基于低分辨率输入图像的年龄识别方法：首先使用CGAN（Conditional Generative Adversarial Nets，条件生成对抗网络）对输入的低分辨人脸图像进行重构，再采用深度学习方法进行年龄识别。首先进行了关于图像重构的对比实验，然后在不同的人脸图像数据集上