解读TOP300＆TOP10s

“Wa300调查”是一项有关全球建筑设计公司的较全面的年度调查。主办者World Architecture杂志每年以问卷的方式向全球征集相关数据，并依此推出年度“TOP300”和“TOP10s”排名，截至2003年1月已是他们连续第十一个年头作此项调查了。今年的网上问卷主要涉及以下几方面内容。     

非结构环境空置域识别与放置点选取算法研究

为解决非结构环境下空置域识别和最优放置点的选取难题，基于三维点云信息设计一种空置域识别和最优放置点选取算法。利用机器视觉获得点云信息，通过对点云信息进行预处理、分割、平面拟合等操作获取无障碍平面区域，实现对空置区域的识别。利用alpha shapes边缘提取算法结合Kd-Tree半径邻域搜索算法，得到可放置区域。基于点云密度筛选出最佳放置点。在ROS系统中，对算法的可行性和合理性进行实验验证，结果表明：该算法可成功识别出空置域和最优放置点，且算法运行速度较快、鲁棒性好，具有较高的识别准确率。     

基于改进YOLOv5的皮革抓取点识别及定位

为实现机器人对皮革抓取点的精确定位,文章通过改进YOLOv5算法,引入coordinate attention注意力机制到Backbone层中,用Focal-EIOU Loss对CIOU Loss进行替换来设置不同梯度,从而实现了对皮革抓取点快速精准的识别和定位。利用目标边界框回归公式获取皮革抓点的定位坐标,经过坐标系转换获得待抓取点的三维坐标,采用Intel RealSense D435i深度相机对皮革抓取点进行定位实验。实验结果表明：与Faster R-CNN算法和原始YOLOv5算法对比,识别实验中改进YOLOv5算法的准确率分别提升了6.9%和2.63%,召回率分别提升了8.39%和2.63%,mAP分别提升了8.13%和0.21%;定位实验中改进YOLOv5算法的误差平均值分别下降了0.033 m和0.007 m,误差比平均值分别下降了2.233%和0.476%。     

解读TOP300 & TOP10s

一、"Wa300调查"简介 "Wa300调查"是一项有关全球建筑设计公司的较全面的年度调查.主办者World Architecture杂志每年以问卷的方式向全球征集相关数据,并依此推出年度″TOP300″和″TOP10s″排名.截至2003年1月已是他们连续第十一个年头作此项调查了.今年的网上问卷主要涉及以下几方面内容.     

双臂拉伸铺展皮革的方法设计与算法实现

为推动皮革工业的智能化发展，解决皮革加工过程中自动拉伸铺展的难题，提出了一种皮革拉伸铺展的方法，并设计出了检测抓取点的算法。该算法利用视觉识别技术获取皮革的图像信息，通过Harris角点检测算法确定抓取拉伸点后，使用双机械臂协同作业进行皮革的拉伸和铺展。视觉传感器获得皮革的图像信息后，首先利用边缘识别和角点检测算法获取皮革的两个角点，通过双机械臂抓取两个角点将皮革初步铺展在绷板上，然后根据皮革的颜色差异展开重叠的皮革，从而实现皮革的完全铺展。最后，通过实验验证所提出方法的有效性。     

基于TRIZ理论苹果采摘机器人的设计与分析

针对现阶段人工采摘苹果效率低、劳动强度大、采摘设备功能单一的问题，以TRIZ理论为基础，通过发明原理的启发，对苹果采摘机器人的末端执行器、运输装置、收集箱和其他结构进行了创新设计，设计出一款集采摘、收集、分拣功能于一体的机器人。建立采摘机械臂的D-H模型，运用Matlab对机器人的工作空间进行了分析；通过Adams对机器人采摘过程进行运动仿真，并制作1∶3实验样机，对各部分功能可行性进行了验证。结果表明，该机器人的各部分功能完善、设计合理、运行可靠、满足使用需求，为后续机器人的进一步研制和改进提供了理论支撑。     

吸盘式皮革抓取搬运机器人的设计与仿真分析

针对现阶段皮革生产行业各工序之间的皮革抓取搬运难题，为提高皮革生产效率，减轻工人劳动强度，本文设计出一款吸盘式皮革抓取搬运机器人。通过对皮革的物理特性和最佳抓取点分析后，利用负压吸盘原理设计出皮革抓取搬运专用末端执行器，通过对抓取过程受力分析后，合理选用负压吸盘尺寸。根据D-H法建立机械臂的运动学模型，求解末端执行器的位置方程，并借助Matlab利用蒙特卡洛法分析出机器人的工作空间云图。最后利用ROS系统搭建机器人仿真环境，对机器人在绷板干燥环节的作业情况进行仿真模拟。结果表明，所设计的吸盘式皮革抓取搬运机器人可完成对皮革的抓取搬运作业，且运行过程稳定可靠，对推进皮革行业的自动化发展具有积极意义。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。