深度级联CNN下机械手故障残差阈值超范围判定

全驱动机械手的结构采用PC机为上位机,大量的串联结构导致精准传动难度较大,适应负载能力较差。相比之下,欠驱动机械手结构更简单,可实现多于控制输入的自由度,但是,当连杆式欠驱动机械手出现故障时会产生自振,故障特征难以获取,信号残差阈值超出范围时无法精准判定。为此,研究一种连杆式欠驱动机械手故障残差阈值超范围判定方法。构建深度级联卷积神经网络,提取每组故障信号深层意义特征,计算故障信号残差值。利用连接层降维转换,使信号归一化处理。通过插值层提取机械手形状和点级别,输出故障信号预测标签。设计深度级联卷积神经网络信号观测器,跟随机械手运行实时更新数据,设置特征点残差阈值,以此为依据判定该特征点是否为故障点。实验测试结果证明:研究方法能够精准根据故障残差信号的输出判断连杆式驱动机械手的故障位置,且收敛速度较快、误差较小。

基于深度超分辨率重建的监控图像人脸识别

针对当前视频监控中人脸分辨率低、识别难度大的问题,提出一种深度超分辨率的监控图像人脸识别框架。通过级联2个深度卷积神经网络模块,首先对获取的低分辨率人脸图像进行超分辨率重建,其次利用第2个卷积神将网络模块提取重构后的高分辨率人脸特征,提出一种结构优化的深度卷积神经网络,并将深度卷积神经网络学习到的特征送入SOFTMAX对人脸进行分类识别。在FERET数据集上进行验证,实验结果显示,研究提出的框架与传统方法相比,大幅提高低分辨率情况下的监控图像人脸识别精度。