为提高自动化专业智能控制课程的本科教学质量,针对目前智能控制课程的教学内容理论性过强、学生仿真能力低、教学实践少的问题,提出基于OBE(Outcome Based Education)理念的智能控制课程教学改革方法。分析了智能控制课程的特点、教学...为提高自动化专业智能控制课程的本科教学质量,针对目前智能控制课程的教学内容理论性过强、学生仿真能力低、教学实践少的问题,提出基于OBE(Outcome Based Education)理念的智能控制课程教学改革方法。分析了智能控制课程的特点、教学现状以及存在的问题,根据自动化专业发展趋势并结合智能控制应用于机电系统的具体实例,基于OBE理念设计理论、仿真与实验相互融合的教学内容,通过任务驱动式方法和问题启发式方法改革授课方式,采用自主式、探索式、团队式相互融合的方法改革实验教学,探讨提升复杂工程问题解决能力的理论与实践相结合的考核方式。该课程改革深度融合OBE理念,将提高智能控制课程学生的学习积极性、理论与工程实践融合的能力以及解决复杂工程问题的能力。展开更多
布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕...布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕疵的特征,加大布匹瑕疵检测难度.本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network,ITF-DCNN),首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取;其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network,F-FPN)对特征图中的背景特征进行过滤,增强其中瑕疵特征的语义信息;最后构造针对瑕疵数量进行加权的MFL(Multi focal loss)损失函数,减轻数据集不平衡对模型的影响,降低模型对于少数类瑕疵的不敏感性.通过实验对比,提出的方法能有效提升布匹瑕疵检测的准确率及定位精度,同时降低了布匹瑕疵检测的误检率和漏检率,明显优于当前主流的布匹瑕疵检测算法.展开更多
文摘以自主开发的车载高光蓝牙产品为例,研究高光注射成型(Rapid heat cycle molding,RHCM)工艺优化技术。以中心复合试验法(Center composite design,CCD)进行试验规划,采用成型试验与数值模拟并重之方法获取试验样本数据,通过人为引入干扰因子的方法以实现仿真结果可以更真实地反映实际成型状态;引入熵值权重法(Entropy-based weight,EBW)确定各品质指标对制品综合品质影响权重,并结合顺序偏好法(Technique for order preference by similarity ideal solution,TOPSIS)等数据处理技术,从数理角度处理试验数据使之能更客观反应制品最终成型品质状况;引入响应曲面法(Response surface methodology,RSM),结合方差分析(Analysis of variance,ANOVA)与误差统计分析,建立高光注射成型制品综合品质预测模型;针对传统遗传算法的不足之处提出改进算法(Improved genetic algorithm,IGA),实现品质预测模型的寻优过程;并经生产验证该优化技术具有很好的适用性。
文摘为提高自动化专业智能控制课程的本科教学质量,针对目前智能控制课程的教学内容理论性过强、学生仿真能力低、教学实践少的问题,提出基于OBE(Outcome Based Education)理念的智能控制课程教学改革方法。分析了智能控制课程的特点、教学现状以及存在的问题,根据自动化专业发展趋势并结合智能控制应用于机电系统的具体实例,基于OBE理念设计理论、仿真与实验相互融合的教学内容,通过任务驱动式方法和问题启发式方法改革授课方式,采用自主式、探索式、团队式相互融合的方法改革实验教学,探讨提升复杂工程问题解决能力的理论与实践相结合的考核方式。该课程改革深度融合OBE理念,将提高智能控制课程学生的学习积极性、理论与工程实践融合的能力以及解决复杂工程问题的能力。
文摘布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕疵的特征,加大布匹瑕疵检测难度.本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network,ITF-DCNN),首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取;其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network,F-FPN)对特征图中的背景特征进行过滤,增强其中瑕疵特征的语义信息;最后构造针对瑕疵数量进行加权的MFL(Multi focal loss)损失函数,减轻数据集不平衡对模型的影响,降低模型对于少数类瑕疵的不敏感性.通过实验对比,提出的方法能有效提升布匹瑕疵检测的准确率及定位精度,同时降低了布匹瑕疵检测的误检率和漏检率,明显优于当前主流的布匹瑕疵检测算法.
