CN113325126B - 基于激光诱导爆燃对含能材料爆压的快速定量预测方法 - Google Patents

基于激光诱导爆燃对含能材料爆压的快速定量预测方法 Download PDF

Info

Publication number
CN113325126B
CN113325126B CN202110423144.8A CN202110423144A CN113325126B CN 113325126 B CN113325126 B CN 113325126B CN 202110423144 A CN202110423144 A CN 202110423144A CN 113325126 B CN113325126 B CN 113325126B
Authority
CN
China
Prior art keywords
detonation
laser
induced
energetic material
detonation pressure
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.)
Active
Application number
CN202110423144.8A
Other languages
English (en)
Other versions
CN113325126A (zh
Inventor
刘瑞斌
王宪双
李安
姚裕贵
束庆海
何雅格
王俊峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110423144.8A priority Critical patent/CN113325126B/zh
Publication of CN113325126A publication Critical patent/CN113325126A/zh
Application granted granted Critical
Publication of CN113325126B publication Critical patent/CN113325126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/14—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring the force of explosions; for measuring the energy of projectiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Combustion & Propulsion (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Laser Beam Processing (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明涉及一种基于激光诱导爆燃对含能材料爆压快速定量预测方法，属于含能材料爆压预测技术领域。获取已知爆压的含能材料的激光诱导爆燃随时间演化高速图像，并进行有数据降维、特征数据提取等图片预处理手段，基于毫秒时间尺度的激光诱导爆燃过程点火延时和宏观爆轰过程中爆压的负相关性，建立点火延时和爆压的一元线性回归模型，并通过k折交叉验证提升模型的稳定性、准确性和鲁棒性。从而对未知爆压的含能材料进行激光诱导爆燃测试，通过高速图像采集、数据降维、特征数据提取等预处理手段提取点火延时，带入爆压预测模型，即可获取其爆压值。本发明所述方法对样品消耗量极少，分析速度快，预测结果准确，具有很好的应用前景。

Description

基于激光诱导爆燃对含能材料爆压的快速定量预测方法
技术领域
本发明涉及一种基于激光诱导爆燃对含能材料爆压的快速定量预测方法，属于含能材料爆压预测技术领域。
背景技术
爆轰压力即爆压，作为炸药的重要爆轰参数之一，也是评价炸药能量释放和做功能力的基本标志量之一，如何用实验方法准确测定爆压一直是爆炸力学研究和含能材料测试技术领域中十分重要的问题。半个多世纪以来，人们建立和发展了多种爆压测试方法，得到了大量的实验数据。爆压的测量方法从获取途径上可分为两类：直接法和间接法。所谓直接法就是通过直接测量爆轰产物内的相关参数得到爆压，包括压阻法、电磁法和脉冲X射线照相法；但由于爆轰过程是一个高温、高压及高破坏性过程，直接测量爆压非常困难。而间接法则是通过间接测量邻近介质中的冲击波参数，利用阻抗匹配原理反推爆轰压力，如自由表面速度法、水箱法、有机玻璃法等。基于高速摄影技术的水箱法是测量炸药爆压的一种常用方法，并列入美军军标中作为爆压的标准测量方法之一。但是传统水箱法使用高速摄影装置，受设备防护、实验室拍摄条件和爆炸洞许用爆炸当量等限制，对水的透明度、强光源、炸药起爆等均有特殊要求，且测试结果的精度很大程度受照相底片模糊度的影响。
可见，上述方法原理各异，测量结果具有一定的分散性，爆压测试方法近年来一直被研究人员不断完善，但尚未安全可控、操作简便、又快又准的测试方法和技术。
发明内容
针对现有技术中存在的问题，本发明提供一种基于激光诱导爆燃对含能材料爆压的快速定量预测方法，能解决目前爆压测量方法中操作复杂、测试条件苛刻等问题。
本发明的目的是通过以下技术方案实现的。
基于激光诱导爆燃对含能材料爆压快速定量预测方法，所述方法包括以下步骤：
(1)选取t种已知爆压的含能材料作为一组定标样品，取10mg～20mg含能材料均匀涂抹在长度为3cm，宽度为1.8cm的双面胶的一面，双面胶另一面粘贴在玻璃片上表面，并用玻璃片将样品压实在双面胶上，将载样玻璃片下表面置于激光诱导爆燃测试系统的样品台上，在开放空间将高能脉冲激光聚焦到含能材料表面，使其熔化、气化，产生激光诱导等离子体及激光诱导爆燃过程。每一种含能材料进行n次测试，并用高速摄像机采集n组激光诱导爆燃随时间演化彩色图像，每组有m张图片；
对每一次收集的m张爆燃时间演化图像，都有x×y个像素点，每个像素点上都有r，g，b三维数据；
进一步地，双面胶上含能材料的负载量优选1.8mg/cm2～2.8mg/cm2；
进一步地，高能脉冲激光经过聚焦透镜后的聚焦点优选位于载样玻璃片上表面下方0.5mm～2mm处；
进一步地，优选n≥10；
进一步地，优选m≥400；
进一步地，优选128≤x≤496；
进一步地，优选128≤y≤496；
(2)图片数据降维：多维图片数据量庞大，信息冗余，因此在分析前，先根据爆燃云团的大小，对每一张图片进行剪裁，将不携带激光诱导爆燃信息的部分去掉；再者，将目标彩色图片转化为黑白图片，即将每个像素点的r，g，b三维数据转化为一维灰度值；
(3)图片特征数据提取：提取每一张图片每一个像素点上的灰度值，得到随时间演化的灰度值特征矩阵Sxy(tm)；对于每一次测试得到的每一组图片，可以提取出m个特征矩阵；
再者，将每一个特征矩阵的灰度值取和作为每张图片像素积分强度；因此可以得到随时间演化的像素积分强度值；
(3)点火延时的定义及提取：以采集时刻为时间零点t0，以像素积分强度最小值所在的时刻ti为激光诱导爆燃起始时刻，则点火延时td可以定义为td＝ti-t0；
(4)模型建立与预测：通过相关性考察发现，激光诱导爆燃的点火延时与爆压有较强的负相关，相关性高达-0.97。因此可建立二者的一元线性回归模型，通过含能材料的点火延时来预测爆压。随机抽取70％～75％的样本数据作为训练集，建立预测模型，为保证模型的稳定性和鲁棒性，采用k折交叉验证建立多个模型，选取预测线性度
Figure BDA0003028466490000031
RMSEP小于所有预测模型均方根误差最小值的1.2倍的模型系数的平均值作为最终的回归系数。剩余的25～30％的样本数据作为预测集，来验证模型的准确度及可靠性；
进一步地，优选k＝4；
(5)参照步骤(1)采集爆压未知的含能材料的激光诱导爆燃时间演化图像，参照步骤(2)和(3)对所获取的原始图片数据进行降维和特征数据提取，然后带入(4)的预测模型，进行爆压值预测。
有益效果：
(1)本发明所述方法通过对图片数据的处理，能够有效降低数据维度，快速提取图片特征信息，去除冗余信息；
(2)本发明所述方法将将毫秒时间尺度的微观放热反应与宏观爆轰建立联系，充分考虑了激光诱导爆燃过程和宏观爆轰过程的相似性和一致性，建立了点火延时和爆压建立相关性，模型和方法具有一定的物理内涵而不仅仅是依托于统计学算法；
(3)建立爆压预测模型时，在最终的回归系数选取中遵循预测线性度
Figure BDA0003028466490000032
最大化、RMSEP最小化，即满足
Figure BDA0003028466490000033
RMSEP小于所有抽取次数中预测集均方根误差最小值的1.2倍，保证爆压预测模型的准确性和鲁棒性；
(4)本发明所述方法对样品消耗量极少(微克～毫克)，分析速度快，预测结果准确，具有很好的应用前景。
附图说明
图1是激光诱导爆燃随时间演化图
图2是像素点积分强度随时间演化图(数据提取自高速图像)
图3是点火延时与爆压关系图
图4是训练集和预测集中爆压预测值与真值关系图
具体实施方式
下面结合附图和具体实施方式对本发明作进一步阐述，其中，所述方法如无特别说明均为常规方法，所述原材料如无特别说明均能从公开商业途径而得。
实施例1爆压值预测
(1)选取6种已知爆压值的含能材料作为一组定标样品，如表1所示；
表1
Figure BDA0003028466490000041
取15mg定标样品S1并均匀涂抹在30mm，宽度为18mm双面胶的一面(涂抹面密度为0.028mg/mm2)，双面胶另一面粘贴在玻璃片上表面，将载样玻璃片下表面置于激光诱导爆燃测试系统的样品台上，将高能脉冲激光经过聚焦透镜聚焦在载样玻璃片上表面下方1mm，使聚焦点处的含能材料瞬时熔化、气化产生等离子体和激光诱导爆燃云团，如图1所示；其中，对6种定标样品分别进行测试，利用高速相机采集激光诱导爆燃时间演化过程的高速图像，每一种定标样品进行10次并收集10组爆燃随时间演化图像，每组数据包含500张图片；本实施例中所用高速相机为彩色高速相机，有效像素1280×896，感光CMOS芯片1.14M像素，最小曝光时间1.1μs，选用最低2万帧/秒@480×480像素，用于纳秒到毫秒时间尺度的超快图像的采集。
(2)在对定标样品的爆燃时间演化图像进行模型训练前需要做如下预处理：
2.1)对收集的激光诱导爆燃时间演化图像数据进行数据降维：先根据爆燃云团的大小，对每一张图片进行剪裁，将不携带激光诱导爆燃信息的部分去掉，去除冗余信息；
再者，将目标彩色图片转化为黑白图片，即将每个像素点的r，g，b三维数据转化为一维灰度值；从而有效降低数据量，仅利用关健信息，提升分析速度；
2.2)对激光诱导爆燃图像数据进行有效的特征数据提取：提取每一张图片每一个像素点上的灰度值，得到随时间演化的灰度值特征矩阵Sxy(tm)；对于每一次测试得到的每一组图片，可以提取出m个特征矩阵；
再者，将每一个特征矩阵的灰度值取和作为每张图片像素积分强度；因此可以得到随时间演化的像素积分强度值,并可以将等离子体辐射和爆燃过程明显区分开来，如图2所示；
2.3)点火延时的定义及提取：以采集时刻为时间零点t0，以像素积分强度最小值所在的时刻ti为激光诱导爆燃起始时刻，则点火延时td可以定义为td＝ti-t0；，按照上述定义和方法，可提取出每一种样品每次测量的点火延时，10次测量取平均值作为最终模型的输入值；
(3)通过相关性考察发现，激光诱导爆燃的点火延时与爆压有较强的负相关，相关性高达-0.97，如图3所示。因此可建立二者的一元线性回归模型，通过含能材料的点火延时来预测爆压。随机抽取4个样本的高速图像数据作为训练集，按照上述方法进行数据降维、特征值提取、点火延时提取，建立一元线性回归预测模型，为保证模型的稳定性和鲁棒性，采用4折交叉验证建立4个预测模型，选取预测线性度
Figure BDA0003028466490000051
RMSEP小于所有预测模型均方根误差最小值的1.2倍的模型系数的平均值作为最终的回归系数。剩余的2个样本的高速图像数据作为预测集，来验证模型的准确度及可靠性；将待预测样本经过与训练集样本相同的预处理、特征数据提取后带入模型计算其预测值。图4为训练集和预测集中爆压预测值与真值关系图，模型拟合优度
Figure BDA0003028466490000052
均方根误差RMSE＝0.75，平均相对误差ARE＝2.48％；
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于激光诱导爆燃对含能材料爆压预测方法，其特征及所述方法包括以下步骤：
(1)选取t种已知爆压的含能材料作为一组定标样品，取10mg～20mg含能材料均匀涂抹在长度为3cm，宽度为1.8cm的双面胶的一面，双面胶另一面粘贴在玻璃片上表面，并用玻璃片将样品压实在双面胶上，将载样玻璃片下表面置于激光诱导爆燃测试系统的样品台上，在开放空间将高能脉冲激光聚焦到含能材料表面，使其熔化、气化，产生激光诱导等离子体及激光诱导爆燃云团；每一种含能材料进行n次测试，并用高速摄像机采集n组激光诱导爆燃随时间演化彩色图像，每组有m张图片；
对每一次收集的m张爆燃时间演化图像，都有x×y个像素点，每个像素点上都有r，g，b三维数据；
(2)图片数据降维：多维图片数据量庞大，信息冗余，因此在分析前，先根据爆燃云团的大小，对每一张图片进行剪裁，将不携带激光诱导爆燃信息的部分去掉；再者，将目标彩色图片转化为黑白图片，即将每个像素点的r，g，b三维数据转化为一维灰度值；
(3)图片特征数据提取：提取每一张图片每一个像素点上的灰度值，得到随时间演化的灰度值特征矩阵Sxy(tm)；对于每一次测试得到的每一组图片，可以提取出m个特征矩阵；
再者，将每一个特征矩阵的灰度值取和作为每张图片像素积分强度；因此可以得到随时间演化的像素积分强度值；
(4)点火延时的定义及提取：以采集时刻为时间零点t0，以像素积分强度最小值所在的时刻ti为激光诱导爆燃起始时刻，则点火延时td可以定义为td＝ti-t0；
(5)模型建立与预测：通过相关性考察发现，激光诱导爆燃的点火延时与爆压有较强的负相关，相关性高达-0.97；因此可建立二者的一元线性回归模型，通过含能材料的点火延时来预测爆压；随机抽取70％～75％的样本数据作为训练集，建立预测模型，为保证模型的稳定性和鲁棒性，采用k折交叉验证建立多个模型，选取预测线性度>0.95、RMSEP小于所有预测模型均方根误差最小值的1.2倍的模型系数的平均值作为最终的回归系数；剩余的25～30％的样本数据作为验证集，来验证模型的准确度及可靠性；
(6)参照步骤(1)采集爆压未知的含能材料的激光诱导爆燃时间演化图像，参照步骤(2)和(3)对所获取的原始图片数据进行降维和特征数据提取，并根据步骤(4)进行点火延时提取，然后带入(5)的预测模型，进行爆压值预测。
2.根据权利要求1所述的基于激光诱导爆燃对含能材料爆压预测方法，其特征在于：步骤(1)中t≥6。
3.根据权利要求1所述的基于激光诱导爆燃对含能材料爆压预测方法，其特征在于：步骤(1)中双面胶上含能材料的负载量为1.8mg/cm2～2.8mg/cm2。
4.根据权利要求1所述的基于激光诱导爆燃对含能材料爆压预测方法，其特征在于：步骤(1)中n≥10。
5.根据权利要求1所述的基于激光诱导爆燃对含能材料爆压预测方法，其特征在于：步骤(1)中m≥400。
6.根据权利要求1所述的基于激光诱导爆燃对含能材料爆压预测方法，其特征在于：步骤(1)中128≤x≤496。
7.根据权利要求1所述的基于激光诱导爆燃对含能材料爆压预测方法，其特征在于：步骤(1)中128≤y≤496。
8.根据权利要求1所述的基于激光诱导爆燃对含能材料爆压预测方法，其特征在于：步骤(5)中k≥4。
CN202110423144.8A 2021-04-20 2021-04-20 基于激光诱导爆燃对含能材料爆压的快速定量预测方法 Active CN113325126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110423144.8A CN113325126B (zh) 2021-04-20 2021-04-20 基于激光诱导爆燃对含能材料爆压的快速定量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110423144.8A CN113325126B (zh) 2021-04-20 2021-04-20 基于激光诱导爆燃对含能材料爆压的快速定量预测方法

Publications (2)

Publication Number Publication Date
CN113325126A CN113325126A (zh) 2021-08-31
CN113325126B true CN113325126B (zh) 2022-05-27

Family

ID=77414796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110423144.8A Active CN113325126B (zh) 2021-04-20 2021-04-20 基于激光诱导爆燃对含能材料爆压的快速定量预测方法

Country Status (1)

Country Link
CN (1) CN113325126B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102361317B1 (ko) * 2018-10-25 2022-02-10 주식회사 엘지에너지솔루션 중대형 셀 모듈의 폭발 압력 예측 시스템 및 이를 이용한 중대형 셀 모듈의 폭발 압력 예측 방법
CN114839311B (zh) * 2022-03-29 2024-09-06 殷柳 测试铝粉反应活性的激光点火装置及方法
CN117969490A (zh) * 2023-12-12 2024-05-03 西南科技大学 一种基于激光诱导的含能材料响应特性检测装置及方法
CN117647616A (zh) * 2024-01-30 2024-03-05 北京理工大学 一种固体含能材料装药快速反应的热安全参数测量装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4793179A (en) * 1988-02-10 1988-12-27 Honeywell Inc. Apparatus and method for pressure burst testing of a vessel
CN202994729U (zh) * 2012-12-23 2013-06-12 西安电子工程研究所 脉冲高电压下炸药爆轰性能测试系统
CN104280421A (zh) * 2014-10-20 2015-01-14 中国人民解放军总后勤部油料研究所 一种燃料爆炸性能测定系统及燃料爆炸性能的测定方法
CN105043634A (zh) * 2015-07-09 2015-11-11 大连理工大学 一种炮孔内炸药爆轰压力的测量方法
CN105651742A (zh) * 2016-01-11 2016-06-08 北京理工大学 基于激光诱导击穿光谱的爆炸物实时远距离检测方法
CN107703323A (zh) * 2017-09-20 2018-02-16 鞍钢矿业爆破有限公司 一种在装药孔内现场测试炸药爆速和爆压的装置及方法
CN110058039A (zh) * 2019-04-29 2019-07-26 中国矿业大学(北京) 一种基于数字图像相关性的导爆管爆速测量方法
CN111684646A (zh) * 2018-10-25 2020-09-18 株式会社Lg化学 用于中大型单体模块的爆炸压力预测系统以及用于预测中大型单体模块的爆炸压力的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9551692B2 (en) * 2014-09-25 2017-01-24 The United States Of America As Represented By The Secretary Of The Army Method for estimating detonation performance of materials
KR101740620B1 (ko) * 2015-02-27 2017-05-26 부산대학교 산학협력단 광학 점화에 의한 폭발 특성을 갖는 나노고에너지 물질 복합체 및 그의 제조 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4793179A (en) * 1988-02-10 1988-12-27 Honeywell Inc. Apparatus and method for pressure burst testing of a vessel
CN202994729U (zh) * 2012-12-23 2013-06-12 西安电子工程研究所 脉冲高电压下炸药爆轰性能测试系统
CN104280421A (zh) * 2014-10-20 2015-01-14 中国人民解放军总后勤部油料研究所 一种燃料爆炸性能测定系统及燃料爆炸性能的测定方法
CN105043634A (zh) * 2015-07-09 2015-11-11 大连理工大学 一种炮孔内炸药爆轰压力的测量方法
CN105651742A (zh) * 2016-01-11 2016-06-08 北京理工大学 基于激光诱导击穿光谱的爆炸物实时远距离检测方法
CN107703323A (zh) * 2017-09-20 2018-02-16 鞍钢矿业爆破有限公司 一种在装药孔内现场测试炸药爆速和爆压的装置及方法
CN111684646A (zh) * 2018-10-25 2020-09-18 株式会社Lg化学 用于中大型单体模块的爆炸压力预测系统以及用于预测中大型单体模块的爆炸压力的方法
CN110058039A (zh) * 2019-04-29 2019-07-26 中国矿业大学(北京) 一种基于数字图像相关性的导爆管爆速测量方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The high-accuracy prediction of carbon content in semi-coke by laer-induced breakdown spectroscopy;Xiangjun Xu etal;《Journal of Analytical Atomic Spetrometry》;20200501;984-992页 *
基于激光诱导击穿光谱和拉曼光谱对四唑类化合物的快速识别和分类实验研究;王宪双等;《中国光学》;20190831;第12卷(第4期);第889-896页 *
基于连续压导探针的水箱法测量爆压;李科斌等;《高压物理学报》;20190430;第33卷(第2期);第1-7页 *

Also Published As

Publication number Publication date
CN113325126A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113325126B (zh) 基于激光诱导爆燃对含能材料爆压的快速定量预测方法
CN102253016B (zh) 油气包裹体的芳烃组份显微荧光鉴别方法
Weaver et al. LeafMachine: Using machine learning to automate leaf trait extraction from digitized herbarium specimens
Fang et al. Automatic defect detection in infrared thermography by deep learning algorithm
US20240062356A1 (en) Data-driven prediction and identification of failure modes based on wafer-level analysis and root cause analysis for semiconductor processing
CN108680559A (zh) 激光诱导击穿光谱iccd时间分辨测量方法和系统
Demirci et al. Defective PV cell detection using deep transfer learning and EL imaging
CN117058065A (zh) 基于高速微爆图像的含能材料五爆参数快速定量诊断新方法
Lei et al. Multiscale convolution-based probabilistic classification for detecting bare PCB defects
Zhang et al. Application of image sensing system in mineral/rock identification: Sensing mode and information process
CN110196247A (zh) 一种基于激光诱导击穿光谱的粉煤分类方法
CN116973344A (zh) 一种基于图神经网络模型的古陶瓷检测方法及装置
CN113624745B (zh) 一种基于光斑改善激光诱导击穿光谱长期稳定性的方法
CN109612686A (zh) 一种基于神经网络的色散共焦测量装置标定方法
Vreugdenhil et al. A highly automated apparatus for ultra-fast laser ablation studies
CN114641726B (zh) 集成式多工具光罩检验
Ordabayev et al. Bayesian machine learning analysis of single-molecule fluorescence colocalization images
Lin et al. Optical time‐stretch imaging flow cytometry in the compressed domain
CN112150432A (zh) 一种基于生成对抗网络的光激励红外无损检测方法
US11808760B1 (en) System and methods for in vitro structural toxicity testing
CN115219436B (zh) 一种偏振光学散射测量装置及气溶胶分类识别方法
CN116482077A (zh) 激光加载的含能结构材料反应动力学特征快速测量方法
CN113340875B (zh) 基于激光诱导击穿光谱对含能材料撞击感度和摩擦感度快速定量预测方法
Zhao et al. Application of hyperspectral imaging in measurement real-time of seeds
Lo et al. Robust Quantitative Phase Imaging Cytometry with Transfer Learning

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