CN109800516A - 一种基于dcgan的多孔质材料内流场模型构建方法 - Google Patents
一种基于dcgan的多孔质材料内流场模型构建方法 Download PDFInfo
- Publication number
- CN109800516A CN109800516A CN201910068291.0A CN201910068291A CN109800516A CN 109800516 A CN109800516 A CN 109800516A CN 201910068291 A CN201910068291 A CN 201910068291A CN 109800516 A CN109800516 A CN 109800516A
- Authority
- CN
- China
- Prior art keywords
- image
- dcgan
- porous material
- flow field
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000011148 porous material Substances 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008676 import Effects 0.000 claims abstract 3
- 239000000463 material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 7
- 239000007787 solid Substances 0.000 claims description 7
- 241000512668 Eunectes Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 238000001000 micrograph Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 17
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 5
- 238000012876 topography Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- -1 bioengineering Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Image Generation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于DCGAN的多孔质材料内流场模型构建方法,包括以下步骤:S1、对选用的多孔质材料进行SEM扫描获得表面图像;S2、对获得的图像进行预处理;S3、将预处理好的图像导入DCGAN网络进行对抗生成训练;S4、由生成网络所生成的图像进行三维重构,得到多孔质模型;S5、由重构的多孔质模型计算内流场。本发明基于SEM电镜图像,结合DCGAN进行三维重构,并利用重构的三维模型通过仿真软件得到多孔质材料内流场模型,所生成的多孔质材料内流场模型更加接近实体,可以很好的用于各项如微流动方向等的研究,同时还具有价格低廉、方法简便、使用快速等特点。
Description
技术领域
本发明属于材料科学领域,特别涉及一种基于深度卷积对抗神经网络(DCGAN)的多孔质材料内流场模型构建方法。
背景技术
多孔质气体静压轴承与传统的机械接触式轴承相比具有高精度、低振动、无污染及寿命长等特点,且近年来航空、半导体、生物工程、复合材料等工业的飞速发展的同时也对承载材料做超精密加工的轴承提出了更高的要求。而多孔质静压轴承恰能满足时代的要求,甚至被誉为21世纪最具发展前景的新型轴承。
多孔质气体静压轴承作为超精密机床的重要组成部分,其静动态特性一直是研究关注的重点。多孔质材料表面有成千上万个微小节流孔,使其在保证高刚度、高承载的同时还具有较高的稳定性,但孔的大数量及其不规则的分布也大大掣肘着学者对其理论模型的构造、结构和作用规律的研究。以往对于多孔质材料性能的研究过程中,我们往往将多孔质材料理想化成一个均质材料,忽略材料本身不均匀性导致的渗透率分布不均匀以及所体现出来的气膜间隙压力分布不均匀。因此,为了进一步探究多孔质气体静压轴承静、动态特性以及在超精密加工时的流场运动,我们必须将多孔质材料的真实特性考虑到仿真计算当中,以取代以往的理想化模型,从而获得更接近实际情况的模型与数据。
目前针对多孔质材料三维重构的研究有很多,大致可以分为三类,一类是基于拟合模型的分布,将多孔质材料用均匀分布的球、柱来拟合。这种重构方法实施起来简单,但是与真实情况差别大,在研究微流动方向等时无法使用该模型。而第二类方法则是基于概率的随机分布,采用随机分布的小球或柱体来拟合模型。相比第一种方法,此方法重构后的模型特征更加丰富,也具有一定的各向异性,但仍然与真实孔隙分布情况有较大差异。第三类则是基于CT扫描的方法,采用高精度微纳米CT对材料进行直接扫描并建立三维模型。因为多孔质材料自身特性,孔隙在1-10μm,因此这种方法对于设备要求太高,因此价格太高,重建一次的成本与实验要求严重不符。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于SEM电镜图像,结合深度卷积神经网络对抗神经网络进行三维重构,并利用重构的三维模型通过仿真软件得到多孔质材料内流场模型,所生成的多孔质材料内流场模型更加接近实体的基于DCGAN的多孔质材料内流场模型构建方法。
本发明的目的是通过以下技术方案来实现的:一种基于DCGAN的多孔质材料内流场模型构建方法,包括以下步骤:
S1、对选用的多孔质材料进行SEM扫描获得表面图像;
S2、对获得的图像进行预处理;
S3、将预处理好的图像导入DCGAN网络进行对抗生成训练;
S4、由生成网络所生成的图像进行三维重构,得到多孔质模型;
S5、由重构的多孔质模型计算内流场。
进一步地,所述步骤S1包括以下子步骤:
S11、用SEM对选用的多孔质材料表面进行扫描拍照,获得材料表面图像,并将其保存为带有明暗信息的TIFF格式;
S12、使用精密磨削方式,对扫描区域进行磨削,每磨削一定深度后利用步骤S11的方法进行扫描拍照,获得多层材料表面图像,建立训练数据库。
进一步地,所述步骤S2包括以下子步骤:
S21、对步骤S1获得的图像进行分割,以图像中心为原点建立坐标系,在任一象限中选取64像素的局部图像进行切割;
S22、对所切割的局部图像进行二值化处理,使图像中材料实体部分与孔隙部分分离,二值化处理的阈值为图像的亮度最大值与最小值的平均值;
S23、对二值化处理后的图像进行Sigma滤波去噪,在去除噪声的同时保存孔隙边界的不规则形状。
进一步地,所述步骤S3包括以下子步骤:
S31、根据DCGAN所需要的训练环境进行训练环境配置,在anaconda以及服务器上配置python3.6、pip、hdf5环境,使用独立显卡进行训练需要安装配置CUDA安装包;
S32、在anaconda中调用DCGAN的main函数并进行参数的设置,imagesize根据之前图像预处理设置为64,batchsize选用128,niter设置为1000,学习率设置为0.00001,生成网络中feature数目为64,识别网络中feature数目为16,初始噪音向量大小为512,设置好参数之后运行main函数进行训练生成;
S33、生成训练结束之后,生成器会在指定的生成目录下生成hdf5过渡文件,用后处理程序对生成图像进行格式转化为TIFF文件,获得层与层之间的插值拟合图像。
进一步地,所述步骤S4包括以下子步骤:
S41、对第一层与第二层之间的生成图像按照深度信息自上而下进行排序,将中间层图像逐层拔模,形成一个有厚度的立体;所述拔模距离为扫面间距与生成图像数量的比值;
S42、对步骤S41形成的立体依次堆叠,再一次进行层与层间的布尔运算,使体与体之间形成一个整体;
S43、对其它所有间隙层重复步骤S41~S42的操作,最终实现多孔质材料三维重构。
进一步地,所述步骤S5包括以下子步骤:
S51、将重构模型导入到流场分析软件中,设置边界条件,然后使用软件进行仿真;
S52、对步骤S51得到的仿真结果进行如下处理:提取流速分布信息,根据流速与孔径的大小分布计算压力分布,得到给定边界条件下的重构模型内流场模型。
本发明的有益效果是:本发明采用基于特征的重构方法,基于SEM电镜图像,结合深度卷积神经网络对抗神经网络(DCGAN),进行三维重构,并利用重构的三维模型通过仿真软件得到多孔质材料内流场模型。相比传统方法,本发明生成的多孔质材料内流场模型更加接近实体,可以很好的用于各项如微流动方向等的研究,同时还具有价格低廉、方法简便、使用快速等特点。
附图说明
图1为本发明的基于DCGAN的多孔质材料内流场模型构建方法的流程图;
图2为本实施例获取的扫描图像;
图3为本实施例的训练生成的中间层;
图4为本本实施例得到的三维重构模型图;
图5为本实施例得到的内流场模型图。
具体实施方式
本发明采用基于特征的重构方法,基于SEM电镜图像,结合深度卷积神经网络对抗神经网络(DCGAN),进行三维重构。相比传统方法,人工智能生成的模型更加接近实体,可很好的用于各项如微流动方向等的研究,同时还具有价格低廉、方法简便、使用快速等特点。
DCGAN(Deep Convolutional Generative Adversarial Networks),即深度卷积生成对抗网络。其实是在GAN的原理基础上做的一系列优化和改进。首先对GAN的原理进行说明——GAN是由Ian Goodfellow于2014年在其论文中提出的,模型包括两个神经网络,G(Generator,生成)网络和D(Discriminator,判别)网络。当输入为图片时,G网络实质上是一个生成图片的网络,它接收一个随机的噪声信号z,通过这个噪声生成图片,即G(z);D则是一个判别网络,它的作用是判别一张图片是否“真实”,判断输入源自真实样本图像还是源自G网络。GAN最终输出实质上是G网络生成的,成功欺骗了D网络的“伪图像”。在用GAN进行训练的过程中,生成网络的目的是尽量生成真实的图片欺骗判别网络,而判别网络的目的则是尽量把G生成的图片和真实的图片分辨出来。这样,G和D构成了一个互相影响、互相对抗,直至收敛的一个闭环过程。
DCGAN采用GAN的原理,只是用了两个CNN(Convolutional Neutral Network,卷积神经网络)来替代GAN中的G网络和D网络,相比GAN而言极大的提升了新联的稳定性及生成结果质量。DCGAN对于GAN的改变在于:
(1)取消所有的池化层,生成器G网络中使用反卷积层进行上采样,识别器D网络中加入带步幅(Strided convolutions)的卷积代替池化层(Pooling);
(2)生成器G和识别器D中均使用批量归一化(Batch normalization);
(3)去掉全连接层,使网络变为全卷积网络;
(4)生成器G网络中使用ReLU(Rectified linear unit)作为激活函数,最后一层使用双切正切函数(Tanh);
(5)识别器D网络中使用Leaky ReLU(Leaky rectified linear unit)作为激活函数,最后一层使用Softmax。
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种基于DCGAN的多孔质材料内流场模型构建方法,包括以下步骤:
S1、对选用的多孔质材料进行SEM扫描获得表面图像;具体包括以下子步骤:
S11、用SEM对选用的多孔质材料表面进行扫描拍照,获得材料表面图像,并将其保存为带有明暗信息的TIFF格式;
S12、使用精密磨削方式,对扫描区域进行磨削,每磨削一定深度后(例如1mm,磨削深度可由操作人员自行定义)利用步骤S11的方法进行扫描拍照,获得多层材料表面图像,如图2所示,然后建立训练数据库。
S2、对获得的图像进行预处理,包括图像切割、二值化、去噪;具体包括以下子步骤:
S21、对步骤S1获得的图像进行分割,以图像中心为原点建立坐标系,在任一象限中选取64像素的局部图像进行切割;
S22、对所切割的局部图像进行二值化处理,使图像中材料实体部分与孔隙部分分离,二值化处理的阈值为图像的亮度最大值与最小值的平均值;
S23、对二值化处理后的图像进行Sigma滤波去噪,在去除噪声的同时保存孔隙边界的不规则形状。
S3、将预处理好的图像导入DCGAN网络进行对抗生成训练;包括以下子步骤:
S31、根据DCGAN所需要的训练环境进行训练环境配置,在anaconda以及服务器上配置python3.6、pip、hdf5环境,使用独立显卡进行训练需要安装配置CUDA安装包;
S32、在anaconda中调用DCGAN的main函数并进行参数的设置,imagesize根据之前图像预处理设置为64,batchsize选用128,niter设置为1000,学习率设置为0.00001,生成网络中feature数目为64,识别网络中feature数目为16,初始噪音向量大小为512,设置好参数之后运行main函数进行训练生成;
S33、生成训练结束之后,生成器会在指定的生成目录下生成hdf5过渡文件,用后处理程序对生成图像进行格式转化为TIFF文件,获得层与层之间的插值拟合图像,如图3所示。
S4、由生成网络所生成的图像进行三维重构;包括以下子步骤:
S41、对第一层与第二层之间的生成图像按照深度信息自上而下进行排序,将中间层图像逐层拔模,形成一个有厚度的立体;所述拔模距离为扫面间距与生成图像数量的比值;
S42、对步骤S41形成的立体依次堆叠,再一次进行层与层间的布尔运算,使体与体之间形成一个整体;
S43、对其它所有间隙层重复步骤S41~S42的操作,最终实现多孔质材料三维重构。
图4为本实施例得到的重构模型,其中,图4(a)为拔模后实体与切片图模型,图4(b)为X-Y面拔模后得到的实体;图4(c)Y-Z面拔模厚度h;图4(d)最终得到的实体。
S5、由三维重构模型构建多孔质材料的内流场模型,包括以下子步骤:
S51、将重构模型导入到流场分析软件avizo中,设置边界条件(包括输入气压大小、输出气压大小和气压流动方向),然后使用软件进行仿真;
S52、对步骤S51得到的仿真结果进行如下处理:提取流速分布信息,根据流速与孔径的大小分布计算压力分布(由流场分析软件自动计算),得到给定边界条件下的重构模型内流场模型。
本实施例设置输出气压为标准大气压,输入气压为0.5MPa,气压流动方向为Z方向,得到的模型如图5所示。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于DCGAN的多孔质材料内流场模型构建方法,其特征在于,包括以下步骤:
S1、对选用的多孔质材料进行SEM扫描获得表面图像;
S2、对获得的图像进行预处理;
S3、将预处理好的图像导入DCGAN网络进行对抗生成训练;
S4、由生成网络所生成的图像进行三维重构,得到多孔质模型;
S5、由重构的多孔质模型计算内流场。
2.根据权利要求1所述的基于DCGAN的多孔质材料内流场模型构建方法,其特征在于,所述步骤S1包括以下子步骤:
S11、用SEM对选用的多孔质材料表面进行扫描拍照,获得材料表面图像,并将其保存为带有明暗信息的TIFF格式;
S12、使用精密磨削方式,对扫描区域进行磨削,每磨削一定深度后利用步骤S11的方法进行扫描拍照,获得多层材料表面图像,建立训练数据库。
3.根据权利要求1所述的基于DCGAN的多孔质材料内流场模型构建方法,其特征在于,所述步骤S2包括以下子步骤:
S21、对步骤S1获得的图像进行分割,以图像中心为原点建立坐标系,在任一象限中选取64像素的局部图像进行切割;
S22、对所切割的局部图像进行二值化处理,使图像中材料实体部分与孔隙部分分离,二值化处理的阈值为图像的亮度最大值与最小值的平均值;
S23、对二值化处理后的图像进行Sigma滤波去噪,在去除噪声的同时保存孔隙边界的不规则形状。
4.根据权利要求1所述的基于DCGAN的多孔质材料内流场模型构建方法,其特征在于,所述步骤S3包括以下子步骤:
S31、根据DCGAN所需要的训练环境进行训练环境配置,在anaconda以及服务器上配置python3.6、pip、hdf5环境,使用独立显卡进行训练需要安装配置CUDA安装包;
S32、在anaconda中调用DCGAN的main函数并进行参数的设置,imagesize根据之前图像预处理设置为64,batchsize选用128,niter设置为1000,学习率设置为0.00001,生成网络中feature数目为64,识别网络中feature数目为16,初始噪音向量大小为512,设置好参数之后运行main函数进行训练生成;
S33、生成训练结束之后,生成器会在指定的生成目录下生成hdf5过渡文件,用后处理程序对生成图像进行格式转化为TIFF文件,获得层与层之间的插值拟合图像。
5.根据权利要求1所述的基于DCGAN的多孔质材料内流场模型构建方法,其特征在于,所述步骤S4包括以下子步骤:
S41、对第一层与第二层之间的生成图像按照深度信息自上而下进行排序,将中间层图像逐层拔模,形成一个有厚度的立体;所述拔模距离为扫面间距与生成图像数量的比值;
S42、对步骤S41形成的立体依次堆叠,再一次进行层与层间的布尔运算,使体与体之间形成一个整体;
S43、对其它所有间隙层重复步骤S41~S42的操作,最终实现多孔质材料三维重构。
6.根据权利要求1所述的基于DCGAN的多孔质材料内流场模型构建方法,其特征在于,所述步骤S5包括以下子步骤:
S51、将重构模型导入到流场分析软件中,设置边界条件,然后使用软件进行仿真;
S52、对步骤S51得到的仿真结果进行如下处理:提取流速分布信息,根据流速与孔径的大小分布计算压力分布,得到给定边界条件下的重构模型内流场模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068291.0A CN109800516B (zh) | 2019-01-24 | 2019-01-24 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068291.0A CN109800516B (zh) | 2019-01-24 | 2019-01-24 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800516A true CN109800516A (zh) | 2019-05-24 |
CN109800516B CN109800516B (zh) | 2021-01-26 |
Family
ID=66560277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910068291.0A Active CN109800516B (zh) | 2019-01-24 | 2019-01-24 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800516B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348059A (zh) * | 2019-06-12 | 2019-10-18 | 西安交通大学 | 一种基于结构化网格的通道内流场重构方法 |
CN111754627A (zh) * | 2020-05-30 | 2020-10-09 | 上海电力大学 | 一种结合卷积神经网络和页岩软数据的页岩重构方法 |
CN115455838A (zh) * | 2022-09-26 | 2022-12-09 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862665A (zh) * | 2017-11-22 | 2018-03-30 | 北京医拍智能科技有限公司 | Ct图像序列的增强方法及装置 |
CN108604389A (zh) * | 2016-05-16 | 2018-09-28 | 谷歌有限责任公司 | 连续深度排序图像合成 |
-
2019
- 2019-01-24 CN CN201910068291.0A patent/CN109800516B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108604389A (zh) * | 2016-05-16 | 2018-09-28 | 谷歌有限责任公司 | 连续深度排序图像合成 |
CN107862665A (zh) * | 2017-11-22 | 2018-03-30 | 北京医拍智能科技有限公司 | Ct图像序列的增强方法及装置 |
Non-Patent Citations (2)
Title |
---|
周刚,邱磊,王家远: "基于显微CT技术的低压瓦斯渗流特性模拟分析", 《煤炭科学技术》 * |
马勇等: "聚集离子束扫描电镜(FIB-SEM)在页岩纳米级孔隙结构研究中的应用", 《电子显微学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348059A (zh) * | 2019-06-12 | 2019-10-18 | 西安交通大学 | 一种基于结构化网格的通道内流场重构方法 |
CN110348059B (zh) * | 2019-06-12 | 2021-03-12 | 西安交通大学 | 一种基于结构化网格的通道内流场重构方法 |
CN111754627A (zh) * | 2020-05-30 | 2020-10-09 | 上海电力大学 | 一种结合卷积神经网络和页岩软数据的页岩重构方法 |
CN115455838A (zh) * | 2022-09-26 | 2022-12-09 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
CN115455838B (zh) * | 2022-09-26 | 2023-09-01 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109800516B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801375A (zh) | 基于深度卷积对抗神经网络的多孔质材料三维重构方法 | |
CN110827213B (zh) | 一种基于生成式对抗网络的超分辨率图像修复方法 | |
CN111968053B (zh) | 基于门控卷积生成对抗网络的图像修复方法 | |
CN109800516A (zh) | 一种基于dcgan的多孔质材料内流场模型构建方法 | |
CN111368825B (zh) | 一种基于语义分割的指针定位方法 | |
CN101980298B (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
CN107709699B (zh) | 生成多孔岩石样本的三维微型模型 | |
CN101413792B (zh) | 一种多孔材料孔隙边界提取和数值化方法 | |
CN109389552A (zh) | 一种基于上下文相关多任务深度学习的图像超分辨算法 | |
CN109829903A (zh) | 一种基于卷积去噪自编码器的芯片表面缺陷检测方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN112132965B (zh) | 一种岩土体孔裂隙结构多尺度表征方法 | |
CN110766786A (zh) | 基于生成对抗网络的草图到浅浮雕模型生成的方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN107240136A (zh) | 一种基于深度学习模型的静态图像压缩方法 | |
CN105935772A (zh) | 一种具有仿生表面结构的金属3d打印制备方法 | |
CN111060428B (zh) | 一种多层级岩心结构的数字重构方法 | |
CN114897781A (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
CN107507168A (zh) | 一种用于岩体节理裂隙模型检验的迹线图相似度判别方法 | |
CN115908742A (zh) | 基于生成对抗神经网络的滩涂砂颗粒随机生成与精细化建模方法 | |
CN108061697A (zh) | 土体三维孔隙率计算方法 | |
CN112634428A (zh) | 一种基于双向循环生成网络的多孔介质三维图像重建方法 | |
CN115481665A (zh) | 一种用于不同规格滚动轴承故障诊断的联邦模型迁移学习方法及系统 | |
CN117021435B (zh) | 修边机的修边控制系统及其方法 | |
CN113466102B (zh) | 一种2.n维油藏芯片及其制作方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |