基于ANSYS Workbench的停车顶检测车底架优化设计

运用三维设计软件SolidWorks建立了停车顶检测车底架的参数化模型,利用ANSYS Workbench软件对原有底架进行了静力学分析和形状优化设计,然后建立尺寸优化设计数学模型,对底架进行了响应面分析和灵敏度分析,运用多目标遗传算法(MOGA)对形状优化后的模型进行了尺寸优化设计,两次优化设计后的底架,质量降低了34%,实现了检测车底架结构的轻量化设计,节约了搬运过程中的人力物力,降低了工程造价,同时为以后类似结构的设计提供了参考依据。

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。