六轴IMU补偿的磁力计动态稳定校准

磁力计是用于确定机器人姿态的常用传感器之一,在使用过程中极易受到周围环境磁场和量测噪声的干扰。传统的椭球拟合能够校准环境磁场的影响,但是不能抑制量测噪声,且不能实时运行,最新的陀螺仪补偿算法弥补了这些缺点,但是由于陀螺仪存在漂移,所以也会使得磁力计数据发生漂移。文中提出一种使用六轴IMU来补偿校准磁力计的方法,首先通过互补滤波使用加速度修正陀螺仪数据,然后使用修正后的陀螺仪数据对磁力计数据进行旋转以对其进行预测,接着使用扩展卡尔曼滤波融合预测值和磁力计量测值,实现磁力计的动态校准。实验表明,相比于传统的椭球拟合算法,文中算法可以降低磁力计数据的噪声波动,二者的噪声波动分别为2μT和0.5μT;相较于最新的陀螺仪补偿算法,由于加速度计具有长期稳定性,可以抑制磁力计数据的漂移现象,磁力计数据的漂移距离由19.56μT降低到了1.67μT。最终实现了一种稳定、高精度的实时磁力计校准。     

采用GB／T12576计算法提高监测手段促进产品开发

提出了应用GB／T12576计算法，为我厂液化石油气销售、内部增效提供准确数据，同时通过气分塔1底、塔3底重烃有关数据的分析，为调合优质车用液化气创造条件。     

小样本条件下轴承故障的DCGAN诊断方法

针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络（deep convolutional generative adversarial networks, 简称DCGAN）的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应,设计上采样卷积（up-sampling convolution, 简称USCONV）层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本。该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性。实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性。     

基于改进YOLOv4的苹果检测与果径估测方法

为实现自然场景下苹果快速、精确检测与果实生长状态监测,提出基于改进的YOLOv4苹果检测模型与果径估测方法.针对自然场景下背景杂乱、目标较小等问题,在特征提取网络中引入注意力机制使模型更关注于果实区域,并在路径聚合网络中使用DO-Conv卷积以丰富网络提取的特征信息,提高模型检测性能.将检测后的目标区域进行CIELAB...     

硅钼蓝分光光度法测定磷矿石中的二氧化硅

对硅钼蓝分光光度法测定磷矿石中的二氧化硅进行了研究。研究了硅钼黄的显色条件及干扰因素,在本方法试验控制Ｈ２ＳＯ４浓度范围内硅与钼酸钠生成硅钼黄,经ＦｅＳＯ４还原成硅钼蓝,ＳｉＯ２含量在０～６００μｇ／１００ｍｌ范围内服从比耳定律。操作简便,重现性好,结果准确,测定磷矿石中的二氧化硅含量,结果满意。     

改进YOLOv5的苹果花生长状态检测方法

针对现有目标检测算法难以在果园复杂环境下对苹果花朵生长状态进行高精度检测的问题,提出一种改进YOLOv5的苹果花朵生长状态检测方法,对花蕾、半开、全开、凋落四类苹果树开花期花朵生长状态进行检测。该方法对跨阶段局部网络模块进行改进,并调整模块数量,结合协同注意力模块设计主干网络,提高模型检测性能并减少参数。结合新的检测尺度与基于拆分的卷积运算设计特征融合网络,提升网络特征融合能力。选用CIoU作为边框回归的损失函数实现高精度的定位。将改进算法与原始YOLOv5算法在自建数据集上进行对比实验,结果表明,改进算法mAP达到0.922,比YOLOv5提高5.4个百分点,与其他主流算法相比检测精度有较大提升,证明了算法的有效性。     

基于卷积神经网络和贝叶斯分类器的句子分类模型

针对传统句子分类模型存在特征提取过程复杂且分类准确率较低等不足,利用当下流行的基于深度学习模型的卷积神经网络在特征提取上的优势,结合传统句子分类方法提出一种基于卷积神经网络和贝叶斯分类器的句子分类模型。该模型首先利用卷积神经网络提取文本特征,其次利用主成分分析法对文本特征进行降维,最后利用贝叶斯分类器进行句子分类。实验结果表明在康奈尔大学公开的影评数据集和斯坦福大学情感分类数据集上,所提出的方法优于只使用深度学习的模型或传统句子分类模型。