CN114371210A - 一种基于静电探测技术的饮料瓶材质识别方法 - Google Patents

一种基于静电探测技术的饮料瓶材质识别方法 Download PDF

Info

Publication number
CN114371210A
CN114371210A CN202111543017.8A CN202111543017A CN114371210A CN 114371210 A CN114371210 A CN 114371210A CN 202111543017 A CN202111543017 A CN 202111543017A CN 114371210 A CN114371210 A CN 114371210A
Authority
CN
China
Prior art keywords
electrode plate
metal electrode
measured
beverage bottle
charge
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.)
Pending
Application number
CN202111543017.8A
Other languages
English (en)
Inventor
李彦旭
施芳菲
李星蓉
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202111543017.8A priority Critical patent/CN114371210A/zh
Publication of CN114371210A publication Critical patent/CN114371210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/60—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrostatic variables, e.g. electrographic flaw testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种基于静电探测技术的饮料瓶材质识别方法，首先建立Ansoft Maxwell 3D材质识别等效模型，对被测材质表面的电场分布情况进行仿真和分析，为通过感应电荷的方式测量材质表面电荷的方法奠定基础；接着构建金属电极板与被测材质之间的数学模型，推导出电极板上的感应电流公式；然后选择合适的参数代入公式进行信号的仿真，为实测信号提供依据；最后选取典型的饮料瓶材质，搭建实验平台，对实验采集的静电信号进行特征量提取以及材质的分类识别。所述的分类识别方法可应用于废弃饮料瓶的分类回收，对于目前人工回收、分拣效率低和环境污染等问题，能够提高废旧饮料瓶的回收效率、节约回收成本、促进能源的可再生利用以及保护环境。

Description

一种基于静电探测技术的饮料瓶材质识别方法
技术领域
本发明涉及利用静电探测进行材质识别的技术领域，具体涉及一种搭建结构简单、成本低、识别种类多和识别可靠的饮料瓶材质识别方法。
背景技术
随着工业水平和科学技术的快速发展，经济也随之迅速发展，人们的消费水平得到了大大的提升，与此同时，生活中的垃圾数量日益增多，其中废旧饮料瓶丢弃问题最为严重，造成了垃圾围城现象、资源浪费和环境污染等问题。
针对这些废旧饮料瓶，需要进行合理的处理和回收，降低资源浪费的同时，可以降低对环境的污染。因此设计了一种基于静电探测技术的饮料瓶材质识别方法，主要是对采集的不同饮料瓶材质的静电信号进行特征量提取以及分类识别回收。该方法与现有的利用激光技术扫描饮料瓶获取信息、利用弹簧判断饮料瓶的重量和机械结构判断饮料瓶的体积、利用射频识别模块扫描饮料瓶条形码等识别回收方法相比，具有结构简单、成本低、识别种类多和识别可靠等特点。
发明内容
鉴于上述问题，本发明提出了一种基于静电探测技术的饮料瓶材质识别方法，目的在于提供一种结构简单、成本低、识别种类多和识别可靠的饮料瓶材质识别方法，来提高废旧饮料瓶的回收效率、节约回收成本、促进能源的可再生利用以及保护环境。
步骤1：建立Ansoft Maxwell 3D材质识别等效模型，对被测材质表面的电场分布情况进行仿真和分析；
1.1)选择求解器类型为：Maxwell>Solution Type>Electric>Electrostatic，创建金属电极板、被测材质、绝缘层、铝板和空气柱模块，创建计算区域；
1.2)设置金属电极板和被测材质模块的激励，设置计算参数和自适应计算参数，仿真被测材质表面的电场情况；
1.3)在金属电极板上设置一个测量点，该点随着金属电极板的运动过程每一个步长测一次电压，通过运行得到电压随距离变化的信号图，为后期通过检测感应电流来识别材质的方式奠定基础。
步骤2：构建金属电极板与被测材质之间的数学模型，推导出电极板的感应电流公式；
2.1)建立材质识别模型的空间坐标系，设置参数。假设被测材质表面电荷均匀分布，电荷量为Q(C)，被测材质等效面积为S(cm2)，材质表面电荷密度为
Figure BDA0003414858800000021
金属电极等效面积为s(cm2)，假设被测材质表面上有一点电荷为p，金属电极板中心为o’，p点到o’的距离为r(cm)，po，与oo，之间的夹角为θ，金属电极板与被测材质之间的距离为d(cm)，当金属电极板接触-远离被测材质时，两者之间最大的距离为D(cm)。若金属电极板与被测材质不发生接触，那么两者之间最小的距离为D0(cm)，金属电极板运动的频率为f(HZ)，金属电极板与被测材质靠近时的电荷衰减因子为
Figure BDA0003414858800000026
金属电极板与被测材质接触时的电荷泄放因子为α，金属电极板与被测材质接触次数为n，静电常量为k，被测材质介电常数为ε，真空中的介电常数为ε0。
2.2)根据设置的参数对感应电流公式进行推导，得出点电荷p在金属极板中心位置处形成的场强为
Figure BDA0003414858800000027
o’的总电场强度为
Figure BDA0003414858800000022
其中x，y分别为p点电荷在x轴和y轴方向上的位置所对应的值。
金属电极上的感应电荷为
Figure BDA0003414858800000023
靠近-远离和接触-远离的感应电流分别为
Figure BDA0003414858800000024
Figure BDA0003414858800000025
步骤3：选择合适的参数代入公式进行信号的仿真。
仿真选定的参数分别为s＝2cm2，S＝25cm2，f＝2Hz，Q＝10-7C，D＝5cm，D0＝2cm，ε＝2.5，利用Matlab对公式进行仿真，得到靠近-远离以及接触-远离的感应电流随时间变化的信号图，根据仿真信号波形的差异性，表明可以对不同材质静电信号的差异性进行分析，从而提取出能够代表信号的特征量，和选取分类算法对信号进行区分，进而识别材质的种类。并且仿真的信号波形为实测波形的幅值和衰减趋势提供一定的依据。
步骤4：选取典型的饮料瓶材质，搭建实验平台，对实验采集的静电信号进行特征量提取以及材质的分类识别。
对实验采集的不同饮料瓶材质各50组静电信号进行特征量分析，采用时域频域结合的方法，选取了时域的电荷泄方因子、3秒内正峰值个数和频域的前两最大值均值这三种特征量；选择合适的分类识别算法对其进行分类识别。
所述步骤1中创建材质识别等效3D模型，创建计算区域，设置金属电极板和被测材质模块的激励，设置计算参数和自适应计算参数，仿真和分析被测材质表面电场情况和金属电极板上由于运动产生的电压变化图，具体包括：
A1)建立Ansoft Maxwell 3D材质识别等效模型，该模型包括金属电极板、被测材质、绝缘层、铝板和空气柱模块，其中金属电极板用于感应靠近和接触被测材质时产生的电流；绝缘层的作用是将被测材质与大地隔离，可以有效减缓导体上的电荷泄放；铝板起接地作用；空气柱的作用是更细化的剖分计算区域，使计算结果更精确，通过仿真得到被测材质表面的电场能量分布情况；
A2)设置金属电极板和被测材质模块的激励，设置计算参数和自适应计算参数；
A3)在金属电极板上设置一个测试点，同时设置该点的测量步长，该点随着金属电极板接触-远离被测材质的过程每一个步长测量一次电压，通过仿真得到电压变化图。
所述步骤2中为了使仿真信号与实测信号更相近，引入了一个参数来表示电极板靠近被测材质过程中的衰减情况，即电荷衰减因子
Figure BDA0003414858800000031
并为了突出不同材质表面的电荷泄放特点，引入了一个参数来表示电荷泄放的速度，即电荷泄放因子a。因此在金属电极板接触被测材质过程中，用α来表示电荷的泄放比例。
所述步骤4中为了提高饮料瓶材质识别的准确率，在特征量提取时采用时域频域结合的方式。
本发明的有益效果为：
本发明可以应用于废弃饮料瓶的分类回收，对于目前人工回收、分拣效率低和环境污染等问题，能够提高废旧饮料瓶的回收效率、节约回收成本、促进能源的可再生利用以及保护环境。这种应用于饮料瓶材质的识别方法和现有技术相比具有结构简单、成本低、识别种类多和识别可靠等特点。
附图说明
图1为本发明流程图；
图2为Ansoft Maxwell 3D材质识别等效模型图；
图3为材质识别等效模型能量仿真图；
图4为电极板靠近被测材质的电压变化图；
图5为感应电流测量模型图；
图6为靠近-远离过程感应电流仿真信号图；
图7为接触-远离过程感应电流仿真信号图；
图8为选取的四种典型饮料瓶材质图；
图9为静电信号测量实验平台图；
图10为四种典型饮料瓶材质(塑料、玻璃、纸质和金属)50组静电信号叠放效果图；
图11为基于四类饮料瓶材质静电信号三个特征量的空间分布效果图；
图12为SVM分类识别结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
参阅附图1，本发明的材质识别模型的建立具体包括下述步骤：
步骤1：建立Ansoft Maxwell 3D材质识别等效模型，对被测材质表面的电场分布情况进行仿真和分析；
步骤2：构建金属电极板与被测材质之间的数学模型，推导出电极板的感应电流公式；
步骤3：选择合适的参数代入公式进行信号的仿真，为后续的实测波形提供分类依据。
步骤4：选取典型的饮料瓶材质，搭建实验平台，对实验采集的静电信号进行特征量提取以及材质的分类识别。
参阅附图2-4，所述步骤1中建立分析Ansoft Maxwell 3D材质识别等效模型，具体包括以下步骤：
S111)建立Ansoft Maxwell 3D材质识别等效模型，选择求解器类型为：Maxwell>Solution Type>Electric>Electrostatic，创建金属电极板、被测材质、绝缘层、铝板和空气柱模块，其中被测材料面积为25cm2，电极板面积为0.25cm2，空气柱高度为2cm，创建计算区域，具体见图2；
S112)设置金属电极板和被测材质模块的激励，设置计算参数和自适应计算参数，仿真被测材质表面的电场情况，具体见图3。可以看出材质表面电荷仅仅在离它很短的距离内形成静电场，且离被测材质越远，电场强度越小；
S113)在金属电极板上设置一个测试点，同时设置该点的测量步长(0.1mm)，该点随着金属电极板接触-远离被测材质的过程每一个步长测量一次电压，通过仿真得到电压变化图，具体见图4。可以看出随着电极板远离被测材质，电压从9.1μv慢慢降低，说明金属电极快速的远离或者接触被测材质表面时，由于电场强度的变化，金属电极上将会感应出电荷。电荷的变化将产生电流，所以使用这种靠近-远离或者接触-远离的方式，能够对被测材质表面的电荷情况进行检测，进而实现材质识别。
参阅附图5，所述步骤2中构建金属电极板与被测材质之间的数学模型，推导出电极板上的感应电流公式，具体包括以下步骤：
S211)建立材质识别模型的空间坐标系，设置参数。假设被测材质表面电荷均匀分布，电荷量为Q(C)，被测材质等效面积为S(cm2)，材质表面电荷密度为
Figure BDA0003414858800000053
金属电极等效面积为s(cm2)，假设被测材质表面上有一点电荷为p，被测材质中心点为o，金属电极板中心为o’，p点到o’的距离为r(cm)，po’与oo’之间的夹角为θ，金属电极板与被测材质之间的距离为d(cm)，当金属电极板接触-远离被测材质时，两者之间最大的距离为D(cm)。若金属电极板与被测材质不发生接触，那么两者之间最小的距离为D0(cm)，金属电极板运动的频率为f(HZ)，金属电极板与被测材质靠近时的电荷衰减因子为
Figure BDA0003414858800000054
金属电极板与被测材质接触时的电荷泄放因子为α，金属电极板与被测材质接触次数为n，静电常量为k，被测材质介电常数为ε，真空中的介电常数为ε0。
S212)根据设置的参数对感应电流公式进行推导，得出点电荷p在金属极板中心位置处形成的场强为
Figure BDA0003414858800000051
o’的总电场强度为
Figure BDA0003414858800000052
其中x，y分别为p点电荷在x轴和y轴方向上的位置所对应的值。
金属电极上的感应电荷为
Figure BDA0003414858800000061
靠近-远离和接触-远离的感应电流分别为
Figure BDA0003414858800000062
Figure BDA0003414858800000063
参阅附图6、7，所述步骤3中选择合适的参数代入公式进行信号的仿真，具体包括以下步骤：
S311)选定参数分别为s＝2cm2，S＝25cm2，f＝2Hz，Q＝10-7C，D＝5cm，D0＝2cm，ε＝2.5，代入推导的公式(D)中；
S312)利用Matlab对公式进行仿真，得到靠近-远离以及接触-远离的感应电流随时间变化的信号图，根据仿真信号波形的差异性，表明可以对不同材质静电信号的差异性进行分析，从而提取出能够代表信号的特征量，选取分类算法，通过学习不同静电信号的差异性对信号进行区分，进而识别材质的种类。并且仿真的信号波形为实测波形的幅值和衰减趋势提供一定的依据。
波形具体见图6和图7，可以看出金属电极板接触-远离被测材质和靠近-远离被测材质相比，有比较明显的感应电荷泄放的过程，且对于具有不同电荷泄放因子的不同材质其泄放趋势有明显的差别，利于对不同材质的识别。
参考附录8-12，所述步骤4中选取典型的饮料瓶材质，搭建实验平台，对实验采集的静电信号进行特征量提取以及材质的分类识别，具体包括以下步骤：
S411)选取典型饮料瓶材质，主要包括塑料、玻璃、纸质和金属，具体见图8；
S412)搭建实验平台，主要包括接触分离装置、金属电极板、被测材质、示波器、静电探测电路和电源，整个实验结构为在高绝缘性能的材质上放置一张具有一定厚度且电荷分布均匀的正方形被测材质，其中绝缘材质的作用是使被测材质与地面进行隔离。在绝缘材质下方放置一张正方形铝板，起接地作用。通过机械接触-分离装置使金属电极板与被测材质进行反复的接触-远离操作。其中静电感应信号检测电路主要包括金属电极板、电流-电压转换电路、放大电路和低通滤波器电路。
整个被测材质的静电感应信号检测原理为：机械接触-分离装置将金属电极板反复接触-远离被测材质，从而产生静电感应电流；接着通过电流-电压转换电路使检测的静电感应电流信号转换成电压信号；然后通过放大电路使电压信号放大，利于后端电路获取；最后通过低通滤波器电路得到实测的材质表面静电泄放信号，该信号波形呈现在示波器中。具体见图9；
S413)对采集的饮料瓶的静电信号进行特征量分析和提取，采用时域频域结合的方式，最后选取时域的电荷泄方因子、3秒内正峰值个数和频域内波形前两峰值的均值这三种特征量，并绘制特征量的空间分布图，具体见图10、11。
S414)选择分类识别算法为SVM，将所有静电信号的特征量数据存入一个文档，并导入Matlab分类器中，将种类数据列设置为输出响应(response)，其他数据列设置为predictor，，得出识别率为98.5％，具体见图12。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，包括如下步骤：
步骤1：建立Ansoft Maxwell 3D材质识别等效模型，对被测材质表面的电场分布情况进行仿真和分析；
步骤2：构建金属电极板与被测材质之间的数学模型，推导出电极板的感应电流公式；
步骤3：选择合适的参数代入公式进行仿真，为后续的实测波形提供依据；
步骤4：选取饮料瓶材质，对采集的静电信号进行特征量提取以及材质的分类识别。
2.根据权利要求1所述的一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，所述步骤1的实现包括：
1.1)选择求解器类型为：Maxwell>Solution Type>Electric>Electrostatic，创建金属电极板、被测材质、绝缘层、铝板和空气柱模块，创建计算区域；其中金属电极板用于感应靠近和接触被测材质时产生的电流；绝缘层的作用是将被测材质与大地隔离，可以有效减缓导体上的电荷泄放；铝板起接地作用；空气柱的作用是更细化的剖分计算区域，使计算结果更精确，通过仿真得到被测材质表面的电场能量分布情况；
1.2)设置金属电极板和被测材质模块的激励，设置计算参数和自适应计算参数，仿真被测材质表面的电场情况；
1.3)在金属电极板上设置一个测量点，该点随着金属电极板的运动过程每一个步长测一次电压，通过运行得到电压随距离变化的信号图，为后期通过检测感应电流来识别材质的方式奠定基础。
3.根据权利要求2所述的一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，所述被测材料面积为25cm2，电极板面积为0.25cm2，空气柱高度为2cm。
4.根据权利要求1所述的一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，所述步骤2的实现包括：
2.1)建立材质识别模型的空间坐标系，设置参数；假设被测材质表面电荷均匀分布，电荷量为Q(C)，被测材质等效面积为S(cm2)，材质表面电荷密度为
Figure FDA0003414858790000011
金属电极等效面积为s(cm2)，假设被测材质表面上有一点电荷为p，金属电极板中心为o’，p点到o’的距离为r(cm)，po’与oo’之间的夹角为θ，金属电极板与被测材质之间的距离为d(cm)，当金属电极板接触-远离被测材质时，两者之间最大的距离为D(cm)。若金属电极板与被测材质不发生接触，那么两者之间最小的距离为D0(cm)，金属电极板运动的频率为f(HZ)，金属电极板与被测材质靠近时的电荷衰减因子为
Figure FDA0003414858790000021
金属电极板与被测材质接触时的电荷泄放因子为α，金属电极板与被测材质接触次数为n，静电常量为k，被测材质介电常数为ε，真空中的介电常数为ε0；
2.2)根据设置的参数对感应电流进行推导，得出点电荷p在金属极板中心位置处形成的场强为
Figure FDA0003414858790000022
o’的总电场强度为
Figure FDA0003414858790000023
其中x，y分别为p点电荷在x轴和y轴方向上的位置所对应的值。
金属电极上的感应电荷为
Figure FDA0003414858790000024
靠近-远离和接触-远离的感应电流分别为
Figure FDA0003414858790000025
Figure FDA0003414858790000026
5.根据权利要求1所述的一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，所述步骤3中的仿真选定的参数分别为s＝2cm2，S＝25cm2，f＝2Hz，Q＝10-7C，D＝5cm，D0＝2cm，ε＝2.5，利用Matlab对步骤2仿真，得到靠近-远离以及接触-远离的感应电流随时间变化的信号图，根据仿真信号波形的差异性，表明可以对不同材质静电信号的差异性进行分析，从而提取出能够代表信号的特征量，和选取分类算法对信号进行区分，进而识别材质的种类。并且仿真的信号波形为实测波形的幅值和衰减趋势提供一定的依据。
6.根据权利要求1所述的一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，所述步骤4是实现包括：
采集不同的饮料瓶材质各50组，根据静电信号进行特征量分析，采用时域频域结合的方法，选取了时域的电荷泄方因子、3秒内正峰值个数和频域的前两个最大值均值这三种特征量；选择分类识别算法对其进行分类识别。
7.根据权利要求6所述的一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，所述分类识别算法包括SVM算法。
8.根据权利要求1所述的一种基于静电探测技术的饮料瓶材质识别方法，其特征在于，所述步骤4的实现还包括搭建实验平台，用于采集待测饮料瓶静电信号；实验平台包括：接触-分离装置、金属电极板、被测材质、示波器、静电探测电路和电源；具体构造：整个实验结构为在高绝缘性能的材质上放置一张具有一定厚度且电荷分布均匀的正方形被测材质，其中绝缘材质的作用是使被测材质与地面进行隔离；在绝缘材质下方放置一张正方形铝板，起接地作用，通过接触-分离装置使金属电极板与被测材质进行反复的接触-远离操作；其中静电感应信号检测电路主要包括金属电极板、电流-电压转换电路、放大电路和低通滤波器电路；
整个被测材质的静电感应信号检测方法为：接触-分离装置将金属电极板反复接触-远离被测材质，从而产生静电感应电流；接着通过电流-电压转换电路使检测的静电感应电流信号转换成电压信号；然后通过放大电路使电压信号放大，利于后端电路获取；最后通过低通滤波器电路得到实测的材质表面静电泄放信号，该信号波形呈现在示波器中。
CN202111543017.8A 2021-12-16 2021-12-16 一种基于静电探测技术的饮料瓶材质识别方法 Pending CN114371210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111543017.8A CN114371210A (zh) 2021-12-16 2021-12-16 一种基于静电探测技术的饮料瓶材质识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111543017.8A CN114371210A (zh) 2021-12-16 2021-12-16 一种基于静电探测技术的饮料瓶材质识别方法

Publications (1)

Publication Number Publication Date
CN114371210A true CN114371210A (zh) 2022-04-19

Family

ID=81139928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111543017.8A Pending CN114371210A (zh) 2021-12-16 2021-12-16 一种基于静电探测技术的饮料瓶材质识别方法

Country Status (1)

Country Link
CN (1) CN114371210A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167509A (zh) * 2017-01-21 2017-09-15 北京理工大学 一种用于机器人自主环境感知的介质材料识别方法
CN107918682A (zh) * 2016-10-08 2018-04-17 深圳指瑞威科技有限公司 基于Ansoft Maxwell的手指电容建模的方法
CN109856228A (zh) * 2019-01-16 2019-06-07 清华大学 材料识别和分类方法及其系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918682A (zh) * 2016-10-08 2018-04-17 深圳指瑞威科技有限公司 基于Ansoft Maxwell的手指电容建模的方法
CN107167509A (zh) * 2017-01-21 2017-09-15 北京理工大学 一种用于机器人自主环境感知的介质材料识别方法
CN109856228A (zh) * 2019-01-16 2019-06-07 清华大学 材料识别和分类方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱里程: "基于静电测量的材料识别方法及其应用", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 3, pages 15 - 21 *

Similar Documents

Publication Publication Date Title
CN105425118B (zh) 一种多信息融合故障电弧检测方法及装置
CN112255538B (zh) 一种多特征优化融合的高压断路器故障诊断方法
CN110675712B (zh) 一种电力电缆振荡波局部放电检测实操培训系统
CN106022528B (zh) 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
CN102445640B (zh) 基于向量机和人工鱼群优化的gis设备智能识别方法
CN109540978A (zh) 气味识别设备
CN107167509B (zh) 一种用于机器人自主环境感知的介质材料识别方法
CN103954913A (zh) 电动汽车动力电池寿命预测方法
CN107345927B (zh) 一种用于机器人自主环境感知的介质材料识别装置
CN109359693A (zh) 一种电能质量扰动分类方法
CN104155585A (zh) 基于gk模糊聚类的gis局部放电类型识别方法
CN104136930A (zh) 测量方法和测量设备
Jia et al. Non-intrusive load identification using reconstructed voltage–current images
Mas’ud et al. An investigative study into the sensitivity of different partial discharge φ-qn pattern resolution sizes on statistical neural network pattern classification
CN110147760A (zh) 一种高效电能质量扰动图像特征提取与识别新方法
CN109061426A (zh) 变压器局部放电故障诊断方法及在线监测装置
Kirchner et al. Capacitive sensor for object ranging and material type identification
Ibrahim et al. Realization of partial discharge signals in transformer oils utilizing advanced computational techniques
CN105608437A (zh) 一种混合式指纹采集的芯片及采集方法
CN114371210A (zh) 一种基于静电探测技术的饮料瓶材质识别方法
CN108961223A (zh) 一种介电功能梯度绝缘双模态无损检测方法
Kuo Artificial identification system for transformer insulation aging
Wang et al. Research of GIS partial discharge type evaluation based on convolutional neural network
CN107974696A (zh) 铝电解槽生产过程中阳极效应预报方法
Zhao et al. Skip-YOLO: Domestic garbage detection using deep learning method in complex multi-scenes

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