基于阻尼减振材料下拖拉机车身轻量化设计

由于农业生产环境恶劣,拖拉机在使用过程中振动和车内噪声对驾驶员的舒适性和工作效率产生负面影响,而阻尼材料能够将振动能量转化为其他形式的能量,从而减少振动的幅度和传递,同时也可以在不减少机械结构强度和稳定性的前提下减少结构质量。为此,以拖拉机车身轻量化设计为研究对象,提出一种新兴液态可喷涂型阻尼隔音材料(Liquid Apply Sound Deadener,LASD),探讨了轻量化设计在减振性能和结构强度之间的平衡,并基于拖拉机车身静态刚度、动态刚度和侧面碰撞安全性能,采用近似模型优化方法进行轻量化设计。结果表明:采用阻尼减振材料可以显著降低拖拉机车身质量4.2%,显著降低拖拉机车身的振动幅度,并改善驾驶员的舒适性和工作效率。研究结果可为提高农业机械性能和驾驶员舒适性提供一种有效途径,具有实际应用前景。

电动拖拉机底盘轻量化设计

探讨了电动拖拉机底盘轻量化设计的方法和技术,并基于底盘轻量化的重要性论述了底盘轻量化的具体方法,包括选材、结构优化、工艺改进等方面。针对电动拖拉机的工作特点,提出了适合其底盘轻量化的具体措施,包括采用高强度轻质材料、减少焊接点及优化桥座结构等。最后,通过数值模拟和试验验证了轻量化设计的效果,证明了方法的可行性和有效性。研究成果对于提高电动拖拉机的性能和节能减排具有重要意义。

船舶与港口装备轻量化技术的研究现状与展望

水运是中国社会经济发展不可或缺、不可替代的交通方式。作为水运的主要载体和支点,船舶和港口的发展是水运贸易的重要支撑。面向新一代航运系统“绿色化、智能化、韧性化”的发展需求,轻量化技术已成为船舶与港口装备发展的重要方向。本文阐述了船舶与港口装备的构成、运行环境与结构特点;梳理了船舶与港口装备轻量化技术的发展现状,综合分析了材料轻量化与结构轻量化的技术特征及其应用现状;结合船舶与港口装备轻量化的发展需求,展望了船舶与港口装备轻量化技术的未来发展方向。

BIM轻量化技术在水利工程中的应用

为提高BIM轻量化技术在水利工程中应用的可行性和全面性,分析总结当下主流的BIM轻量化技术,以密云水库改造消隐工程为例,提出水利工程BIM轻量化技术应用路线,改善不同建设阶段BIM轻量化技术的应用效果。在设计阶段综合运用模型减面优化法、渲染优化法以及BIM轻量化协同设计平台,能大幅度提高三维模型设计效率;采用BIM轻量化引擎将BIM设计模型传递至施工阶段,建立BIM轻量化施工管理平台,能有效提高施工管理质量,保障工程按时按质完成。针对当下BIM轻量化技术现状,提出未来发展的建议:BIM轻量化技术应集成多种水利工程行业特色数据,完善BIM规范及标准,使BIM轻量化应用体系更加规范化、科学化。

某电动赛车车架轻量化设计与分析

在碳达峰碳中和的大背景下,汽车轻量化已成为汽车技术的核心价值和必然趋势。降低整车质量可以降低车体不必要的制造成本,减少运行中的能量消耗从而达到节省能源的目的[1]。新能源赛车轻量化竞赛要求选手使用符合大赛组委会规定技术要求的“三电”系统,选择合适的轻量化材料或配件,综合运用多种轻量化材料和制造工艺,在限定条件的范围内设计和制造出结构合理、性能优良、节能环保、安全可靠的轻量化新能源单座小车。

深度神经网络架构轻量化方法综述

当前,深度神经网络作为学术界和工业界最受关注的研究方向之一,倍受广大科研人员青睐,但是存在架构很复杂、参数量巨大、计算成本、存储成本过高的缺点。因此,如何在保证神经网络性能可接受的情况下对其去冗余、实现轻量化设计成为热点问题。当前,各种轻量化方法如雨后春笋般涌现,为给希望利用轻量化神经网络解决具体问题的研究人员建立对网络轻量化方法的整体认识、快速选择合适的解决方案,文中对具有代表性的架构轻量化方法进行介绍:剪枝、架构搜索、知识蒸馏以及轻量化卷积核设计,并从不同角度对比分析各种方法优劣,最后在宏观层面展望神经网络轻量化的未来发展方向。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

CFRP在汽车轻量化与安全中的应用进展

碳纤维复合材料(Carbon Fiber Reinforced Polymer,CFRP)具有比强度高、吸能性好等优点,在汽车结构安全及轻量化中的应用优势明显,前景广阔。本文综述了CFRP在汽车轻量化及安全性中应用的研究进展,从汽车车身、底盘以及配件等方面阐述了CFRP在汽车轻量化的应用,从安全性的角度分析了CFRP在汽车安全部件的优势,指出了制约CFRP应用的结构设计理论及异质连接工艺等难点,并展望了未来CFRP在汽车领域的应用前景。旨在拓展CFRP在汽车轻量化与安全中的应用范围,为其在汽车工业发展及轻量化中的广泛应用提供参考。

钢-铝混合驾驶室材料-结构轻量化设计

为了得到更为完善的商用车驾驶室轻量化设计,提出了钢-铝混合驾驶室材料-结构一体化轻量化方法。首先基于灵敏度分析、等刚度近似理论与等强度理论建立了性能驱动的材料选择方法,并针对钢制驾驶室初步设计了钢-铝混合材料方案。然后通过折衷规划法的拓扑优化识别了驾驶室关键传力路径,并加强了相关结构。其次考虑驾驶室零件厚度、截面尺寸设计参数,建立了驾驶室质量、刚度及模态性能的径向基函数的代理模型,并采用多目标粒子群优化方法对驾驶室进行多目标优化设计。优化结果表明,在满足驾驶室刚度、模态和碰撞性能的要求下,驾驶室质量减轻了12.8%。该方法对钢-铝混合驾驶室轻量化有实际的工程指导价值。

基于安全、轻量化、可靠性多目标的新能源汽车电池包壳体开发

电池包作为新能源汽车的动力源,是新能源汽车最重要的部件之一,而电池包壳体对电池包乃至整车起重要保护作用,是新能源汽车的关键部件。电池包壳体质量占整车的2%~6%,电池包壳体对汽车轻量化同样起到重要作用。基于全球汽车产业的节能减排发展目标,从安全性、轻量化、可靠性3个角度出发,论述了新能源汽车电池包壳体开发的行业发展现状,展望其未来的发展趋势,同时针对这一领域存在的共性关键技术问题进行了讨论。

基于轻量化PointNet网络的林果园喷雾作业靶标实时识别方法

为了进一步提高喷雾机器人靶标检测的精准性、实时性和应用部署的实用性,该研究提出一种基于轻量化PointNet网络的林果园喷雾作业靶标实时识别方法。首先通过区域提取降采样、地面分割和改进DBSCAN聚类等点云预处理方法提取原始点云中的靶标;然后通过移动最小二乘上采样将靶标点云转化为满足点云识别网络输入要求的点云数据;最终通过在PointNet网络中引入残差模块和改进循环剪枝算法轻量化PointNet网络,完成林果树靶标的实时识别。试验结果表明,在ModelNet40数据集上,轻量化PointNet网络可达89.7%的准确率;在实际苗圃环境的试验中,该研究方法对靶标的识别准确率可达92.49%,同时误识率与拒识率分别为13.4%和6.47%,相较PointNet网络识别准确率提升了4.38个百分点,误识率和拒识率分别降低了7.2和4.07个百分点;轻量化PointNet网络识别准确率仅比PointNet++网络低1.14个百分点,误识率和拒识率分别高了0.9和1.12个百分点。但是轻量化PointNet网络的模型参数量较PointNet网络和PointNet++网络的模型参数量显著减少,仅为PointNet网络的11.5%,PointNet++网络的27.02%;运算量相较PointNet网络、PointNet++网络分别减少13.3和76.79个百分点。该研究提出的轻量化PointNet网络具有较高的实时性、精确性和鲁棒性,能够满足林果园喷雾作业的靶标识别需求,可为林果园喷雾作业靶标实时识别提供参考。

论轿车白车身轻量化的表征参量和评价方法

对轿车白车身轻量化的内涵、表征方法、评价参量进行了综合评述,提出了一种评价轻量化工作成效的指标——轻量化指数,探讨了轻量化设计的实施方法,并论述了汽车零部件的性能和材料性能参量之间的关系。

基于MQTT协议的轻量化文本信息分发技术研究

随着卫星通信网络的发展,基于卫星通信网络实现手机、平板电脑等移动通信设备之间的通信成为研究的热点。由于其采用无线电波进行信号传输,且需要经过多个中继站进行信号的转发和处理,导致存在网络延时大、丢包率高以及信道狭窄等问题。针对文本信息在卫星通信网络下的分发过程存在效率低下、可靠性不高的问题,设计一种基于MQTT(Message Queuing Telemetry Transport)协议的轻量化文本信息分发技术。该技术使用MQTT协议作为消息传输协议,在文本信息分发前对MQTT协议进行主题设计、发布订阅机制设计、设备连接设计以及设备心跳设计,确保设备之间的连通性;在文本信息的分发过程中,设计数据校验加密算法、文本信息轻量化处理方法和离线消息存储机制,保证文本信息分发的安全性、可靠性。实验结果表明:相较于传统的基于JSON数据的文本信息分发技术,该技术在提高文本信息分发效率的同时,可确保信息分发的安全性、完整性和稳定性。

基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×10^(7),平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×10^(8),与FasterNet、GhostNet、ShuffleNetV2和MobileNetV34种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于改进YOLOv8的地铁列车焊缝缺陷轻量化检测方法

针对现有的地铁列车车体焊接质量检测技术存在检测模型较大、检测精度和效率较低的问题,提出一种基于改进YOLOv8的焊缝缺陷轻量化检测方法。首先,利用相控阵超声波检测仪采集对接焊缝内部缺陷图像,通过图像预处理制作成焊缝缺陷数据集。然后,在YOLOv8模型基础上,利用Inner-SIoU优化原有损失函数、采用C2f-PConv替换C2f模块、引入大型可分离核注意力(LSKA)模块和挤压激励(SE)注意力机制,建立了基于改进YOLOv8的地铁列车车体焊缝缺陷质量检测模型,以提高焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOv8模型对焊缝缺陷数据集进行训练和测试。结果表明,改进的YOLOv8模型大小为7.91 M,对于焊缝缺陷的检测精度达到98.30%,检测速度达到138.9帧/s,与YOLOv8原始模型相比,模型更小,检测精度更高。

IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法

YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-YOLOv7(IDD-YOLOv7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。

基于改进ShuffleNet v2的轻量化番茄叶片病害识别

番茄大面积种植导致叶片部位被病虫害侵蚀面积不一、侵蚀种类多样化等问题,为了满足在资源有限的硬件设备上实现对番茄叶片病害准确识别,提出改进ShuffleNet v2模型。首先对基本单元进行改进,提出SA-stage模块,使模型密切关注叶片相关特征信息的同时减小了参数量和计算量;其次提出LFN轻量化特征融合模块,实现浅层和深层网络的上下文信息交互;接着引入RFB-s轻量化特征增强模块,增强小目标病害的特征提取;最后将SPD-Conv代替普通卷积和最大池化层,降低图像分辨率的同时保留了番茄叶片病害小目标的细粒度信息。试验结果表明,改进ShuffleNet v2模型在10种番茄叶片病害图像上进行测试,准确率和平均召回率分别达到了96.55%、96.40%,较原模型分别提高了4.44、3.70百分点;参数量和计算量分别为348154、38.75 MB,较原模型分别减少3888、3.88 MB。相比于其他分类模型AlexNet、ResNet50、MobileNet v3等,改进ShuffleNet v2模型不仅准确率最高、参数量和计算量最小,而且权重最小,仅为1.51 MB。该研究提出的改进ShuffleNet v2模型具备在资源有限的移动设备上部署的条件,满足实时、准确地识别番茄叶片病害。

基于对抗生成的轻量化红外图像增强网络

目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。