CN115078049A - 一种金相样品自动制样研磨方法及系统 - Google Patents
一种金相样品自动制样研磨方法及系统 Download PDFInfo
- Publication number
- CN115078049A CN115078049A CN202210997133.5A CN202210997133A CN115078049A CN 115078049 A CN115078049 A CN 115078049A CN 202210997133 A CN202210997133 A CN 202210997133A CN 115078049 A CN115078049 A CN 115078049A
- Authority
- CN
- China
- Prior art keywords
- sample
- grinding
- metallographic
- information
- metallographic sample
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/32—Polishing; Etching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- 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
- G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种金相样品自动制样研磨方法及系统,涉及人工智能技术领域,所述方法包括:根据待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息;按照预设时间段对待研磨金相样品的研磨过程进行三维扫描,获得金相样品三维图像信息;按照预设卷积特征对金相样品三维图像信息提取,获得金相样品平整度特征;根据研磨受力信息和金相样品平整度特征,获得第二样品研磨参数信息,并基于第二样品研磨参数信息进行样品研磨制备。达到通过人工智能学习确定样品研磨参数,并根据样品研磨检测情况对研磨参数及时调整,提高样品研磨参数准确性,降低研磨的时间成本和人工成本,进而提高金相样品自动制样效率的技术效果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种金相样品自动制样研磨方法及系统。
背景技术
金相分析是研究材料内部组织结构的重要方法,是指金属或合金的化学成分以及各种成分在合金内部的物理状态和化学状态,一般用来进行失效分析、质量控制、研发。而金相试样制备的目的是获得材料内部真实的组织结构,为了获得金属材料的真实显微组织并准确观察、测量和分析,合理有效的试样研磨制备是至关重要的。
然而,现有技术金相样品研磨的时间成本和人工成本较大,导致影响金相样品制样效率的技术问题。
发明内容
本申请通过提供一种金相样品自动制样研磨方法及系统,解决了现有技术金相样品研磨的时间成本和人工成本较大,导致影响金相样品制样效率的技术问题,达到通过人工智能学习确定样品研磨参数,并根据样品研磨检测情况对研磨参数及时调整,提高样品研磨参数准确性,降低研磨的时间成本和人工成本,进而提高金相样品自动制样效率的技术效果。
鉴于上述问题,本发明提供了一种金相样品自动制样研磨方法及系统。
第一方面,本申请提供了一种金相样品自动制样研磨方法,所述方法包括:获得待研磨金相样品;根据所述待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息;基于所述第一样品研磨参数信息,对所述待研磨金相样品进行研磨;通过六维力传感器采集获取所述待研磨金相样品的研磨受力信息;按照预设时间段对所述待研磨金相样品的研磨过程进行三维扫描,获得金相样品三维图像信息;按照预设卷积特征对所述金相样品三维图像信息提取,获得金相样品平整度特征;根据所述研磨受力信息和所述金相样品平整度特征,获得第二样品研磨参数信息,并基于所述第二样品研磨参数信息进行样品研磨制备。
另一方面,本申请还提供了一种金相样品自动制样研磨系统,所述系统包括:第一获得单元,所述第一获得单元用于获得待研磨金相样品;第一确定单元,所述第一确定单元用于根据所述待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息;第一处理单元,所述第一处理单元用于基于所述第一样品研磨参数信息,对所述待研磨金相样品进行研磨;第二获得单元,所述第二获得单元用于通过六维力传感器采集获取所述待研磨金相样品的研磨受力信息;第三获得单元,所述第三获得单元用于按照预设时间段对所述待研磨金相样品的研磨过程进行三维扫描,获得金相样品三维图像信息;第四获得单元,所述第四获得单元用于按照预设卷积特征对所述金相样品三维图像信息提取,获得金相样品平整度特征;第二处理单元,所述第二处理单元用于根据所述研磨受力信息和所述金相样品平整度特征,获得第二样品研磨参数信息,并基于所述第二样品研磨参数信息进行样品研磨制备。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息,再基于第一样品研磨参数信息对待研磨金相样品进行研磨,同时通过六维力传感器采集获取待研磨金相样品的研磨受力信息,并按照预设时间段对待研磨金相样品的研磨过程进行三维扫描,获得对应的金相样品三维图像信息,然后按照预设卷积特征对金相样品三维图像信息提取,确定金相样品平整度特征,根据研磨受力信息和金相样品平整度特征,对第一样品研磨参数信息进行修正,并基于修正后的第二样品研磨参数信息进行样品研磨制备的技术方案。进而达到通过人工智能学习确定样品研磨参数,并根据样品研磨检测情况对研磨参数及时调整,提高样品研磨参数准确性,降低研磨的时间成本和人工成本,进而提高金相样品自动制样效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种金相样品自动制样研磨方法的流程示意图;
图2为本申请一种金相样品自动制样研磨方法中获得待研磨金相样品的流程示意图;
图3为本申请一种金相样品自动制样研磨方法中获得第二金相嵌样的流程示意图;
图4为本申请一种金相样品自动制样研磨系统的结构示意图;
图5为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一确定单元12,第一处理单元13,第二获得单元14,第三获得单元15,第四获得单元16,第二处理单元17,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种金相样品自动制样研磨方法,所述方法包括:
步骤S100:获得待研磨金相样品;
如图2所示,进一步而言,所述获得待研磨金相样品,本申请步骤S100还包括:
步骤S110:对待处理样品进行三维扫描,获得样品三维图像信息;
步骤S120:根据所述样品三维图像信息,确定样品外观尺寸和样品观察点;
步骤S130:基于所述样品外观尺寸和样品观察点对所述待处理样品进行灌封固化,获得第一金相嵌样;
步骤S140:对所述第一金相嵌样进行二次三维扫描,获得所述待处理样品在所述第一金相嵌样中的相对位置;
步骤S150:使用激光对所述相对位置蚀刻定位标记,获得所述待研磨金相样品。
具体而言,金相分析是研究材料内部组织结构的重要方法,是指金属或合金的化学成分以及各种成分在合金内部的物理状态和化学状态,一般用来进行失效分析、质量控制、研发。而金相试样制备的目的是获得材料内部真实的组织结构,为获得金属材料的真实显微组织并准确观察、测量和分析,合理有效的试样研磨制备是至关重要的。
首先对待处理样品进行三维扫描,所述待处理样品是用来进行金相检测的材料样品,例如热轧普碳钢材、低合金钢高强度热轧钢材、合金结构钢、铸铁、铸钢、有色金属等。获得三维扫描样品三维图像信息,包括材料结构、尺寸、颜色、形貌等信息,根据所述样品三维图像信息,确定样品外观尺寸和样品观察点,即样品金相检验分析的观测点,用以观测样品组织结构、形态、晶粒等。
在实际检测工作中,由于被检测试样的大小和形状各异,往往难以切成符合金相试样的尺寸要求,为了便于机械研磨,需将金相试样镶嵌成标准尺寸大小。因此根据材料的性能和应用要求选择对应的镶嵌方案,包括热镶嵌和冷镶嵌,基于所述样品外观尺寸和样品观察点对所述待处理样品进行灌封固化,获得处理后的第一金相嵌样。并对所述第一金相嵌样进行二次三维扫描,获得所述待处理样品在所述第一金相嵌样中的相对位置。同时使用激光对所述相对位置蚀刻定位标记,便于后续研磨参数的确定,获得所述待研磨金相样品,所述待研磨金相样品为预处理后的待研磨金相样品。通过对待研磨金相样品进行预先扫描镶嵌等预处理,保证金相样品制备标准性,进而提高金相样品研磨处理参数准确性。
步骤S200:根据所述待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息;
步骤S300:基于所述第一样品研磨参数信息,对所述待研磨金相样品进行研磨;
具体而言,所述待研磨金相样品的基本信息包括样品材料类别、材料尺寸结构、材料特性等,所述预定样品制备要求包括试样表面平整度要求以及测试表面要求等。根据所述待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息,所述第一样品研磨参数信息包括金相耗材类型、研磨轨迹、磨料粒径、冷却润滑液、样品负载压力、研磨时间、研磨角度、磨盘转速、相对转向等。基于所述第一样品研磨参数信息,对所述待研磨金相样品进行研磨,包括粗磨、快速研磨和精细研磨等阶段,确保样品研磨符合制备要求。
步骤S400:通过六维力传感器采集获取所述待研磨金相样品的研磨受力信息;
进一步而言,所述获得研磨受力信息,本申请步骤S400还包括:
步骤S410:通过六维力传感器采集获取所述待研磨金相样品的多维度研磨受力信息集合,其中,所述多维度研磨受力信息集合包括三轴研磨力信息集合和三轴研磨力矩信息集合;
步骤S420:对所述多维度研磨受力信息集合进行融合降维,获得所述研磨受力信息。
具体而言,通过六维力传感器对所述待研磨金相样品的研磨受力信息进行采集获取,获得样品研磨在三维空间内的多维度研磨受力信息集合,所述多维度研磨受力信息集合包括三轴研磨力信息集合和三轴研磨力矩信息集合。由于上述采集到的信息集合为多维度数据,对于受力信息的描述具有较高的空间复杂度,因此,为了降低信息维度,采用融合降维方法对所述多维度研磨受力信息集合进行融合降维,获得金相样品在研磨过程中的所述研磨受力信息。
通过融合降维方法可以对所述多维度研磨受力信息进行多次降维,如分别先对三轴研磨力信息集合和三轴研磨力矩信息集合进行降维,然后获得三个降维的数据集合,再进行二次的降维,降维方法可使用主成分分析法。通过主成分分析法对所述多维度姿态信息集合进行降维处理,达到了在保证足够信息量的前提下进行数据降维,能够保证最小数据损失,提高数据运算的速度。
步骤S500:按照预设时间段对所述待研磨金相样品的研磨过程进行三维扫描,获得金相样品三维图像信息;
具体而言,按照预设时间段对所述待研磨金相样品的研磨过程进行三维扫描,即在研磨过程中定期对样品进行三维扫描,例如30s扫描一次,获得扫描获取的金相样品三维图像信息,以确保实时监测样品的研磨质量,以便及时调整研磨参数。
步骤S600:按照预设卷积特征对所述金相样品三维图像信息提取,获得金相样品平整度特征;
进一步而言,所述获得金相样品平整度特征,本申请步骤S600还包括:
步骤S610:根据所述预定样品制备要求,获得预设卷积特征;
步骤S620:将所述金相样品三维图像信息作为输入信息输入深度卷积神经网络进行特征提取;
步骤S620:获得所述深度卷积神经网络的输出信息,所述输出信息包括符合所述预设卷积特征的所述金相样品平整度特征。
具体而言,根据所述预定样品制备要求,获得预设卷积特征,所述预设卷积特征是金相样品测试要求的表面平整度。将要求的平整度特征作为预设卷积特征,即卷积核就是图像处理时,给定输入图像,输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素,其中权值由一个函数定义,这个函数称为卷积核,相当于提取图像特征值。将所述金相样品三维图像信息作为输入信息输入深度卷积神经网络,深度卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络,在图像和视频分析领域,比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果。
卷积神经网络包括两个部分:卷积+神经网络。其中,卷积就是特征提取器,而神经网络,可以看作分类器。训练一个卷积神经网络,就是同时训练了特征提取器 (卷积) 和后面的分类器 (神经网络)。获得所述卷积神经网络的输出结果信息,所述输出信息包括符合所述预设卷积特征的所述金相样品平整度特征。达到通过卷积神经网络的方式对金相样品三维图像信息进行匹配分析,使得金相样品平整度特征匹配结果更加准确,进而提高金相样品平整度获取准确性的技术效果。
步骤S700:根据所述研磨受力信息和所述金相样品平整度特征,获得第二样品研磨参数信息,并基于所述第二样品研磨参数信息进行样品研磨制备。
具体而言,根据所述研磨受力信息和所述金相样品平整度特征,对金相样品进行研磨实时监测,确定样品研磨面水平度,以此进行参数的适时调整,例如增大研磨力度参数、研磨时间参数、增加研磨速度参数等。获得对所述第一样品研磨参数信息进行调整优化后的第二样品研磨参数信息,并基于所述第二样品研磨参数信息进行样品研磨制备。达到提高样品研磨参数准确性,降低研磨的时间成本和人工成本,进而提高金相样品自动制样效率的技术效果。
如图3所示,进一步而言,本申请步骤S130还包括:
步骤S131:对所述金相嵌样进行质量检测,获得嵌样质量检测结果;
步骤S132:如果所述嵌样质量检测结果存在缺陷,对嵌样缺陷进行类型判断,获得嵌样缺陷类型;
步骤S133:根据所述嵌样缺陷类型,制定嵌样缺陷解决方案;
步骤S134:基于所述嵌样缺陷解决方案,获得第二金相嵌样。
具体而言,对所述金相嵌样进行质量检测,包括嵌样外形结构和嵌样材料特性检测,获得对应的嵌样质量检测结果。如果所述嵌样质量检测结果存在缺陷,对嵌样缺陷进行类型判断,示例性的,嵌样缺陷类型包括中心开裂、棱边收缩、圆周开裂、胀裂、未溶化、气泡等。根据所述嵌样缺陷类型,制定嵌样缺陷解决方案,举例而言,嵌样中心开裂,是因在给定型腔面积中,切片太大试样有尖角,可以增大型腔尺寸,缩小试样尺寸;嵌样棱边收缩,是因塑料收缩过大,脱离试样,可以降低成型温度,脱模前稍微冷却模具;嵌样气泡,是因搅合树脂和硬化剂时搅拌力度过大,可以缓慢搅拌防止空气进入,抽真空。基于所述嵌样缺陷解决方案对生成的所述第一金相嵌样进行缺陷解决修正,获得修正后的第二金相嵌样。通过及时对金相嵌样缺陷进行解决修正,保证嵌样制备质量,进而确保后续金相样品研磨质量。
进一步而言,所述确定第一样品研磨参数信息,本申请步骤S200还包括:
步骤S210:构建金相样品研磨参数分析模型库;
步骤S220:根据所述待研磨金相样品的基本信息,获得第一金相样品类型信息;
步骤S230:根据所述第一金相样品类型信息,从所述金相样品研磨参数分析模型库中调用第一金相样品研磨参数分析模型;
步骤S240:将所述待研磨金相样品的基本信息和所述预定样品制备要求输入所述第一金相样品研磨参数分析模型中,获得所述第一样品研磨参数信息。
具体而言,构建金相样品研磨参数分析模型库,所述金相样品研磨参数分析模型库包括各类型金相样品的研磨参数分析模型集合。根据所述待研磨金相样品的基本信息,确定第一金相样品类型信息,例如铸铁、铸钢、有色金属等类型。不同的金相样品材料类型,对应的金相样品研磨参数分析模型也不同,根据所述第一金相样品类型信息,从所述金相样品研磨参数分析模型库中调用对应的第一金相样品研磨参数分析模型,所述第一金相样品研磨参数分析模型为神经网络模型,用于对所述待研磨金相样品进行研磨参数分析确定。
将所述待研磨金相样品的基本信息和所述预定样品制备要求输入所述第一金相样品研磨参数分析模型中,获得所述模型的训练输出结果即所述第一样品研磨参数信息。通过待研磨金相样品的材料类型匹配相应的金相样品研磨参数分析模型,保证模型的个性化和针对性,进而保证输出样品研磨参数信息的准确性。
进一步而言,所述构建金相样品研磨参数分析模型库,本申请步骤S210还包括:
步骤S211:获得历史金相样品数据信息,所述历史金相样品数据信息包括历史金相样品的基本信息和预定样品制备要求;
步骤S212:对所述历史金相样品数据库的样品类型进行分类,获得金相样品类型信息;
步骤S213:将所述历史金相样品数据信息按照所述金相样品类型信息分别输入神经网络模型,获得与金相样品类型相对应的金相样品研磨参数分析模型集合;
步骤S214:根据所述金相样品研磨参数分析模型集合,构建所述金相样品研磨参数分析模型库。
具体而言,为构建金相样品研磨参数分析模型库,首先采集获得历史金相样品数据信息,所述历史金相样品数据信息包括历史金相样品的基本信息和预定样品制备要求,保证模型训练数据量。对所述历史金相样品数据库的样品类型进行分类,获得对应的各金相样品类型信息。将所述历史金相样品数据信息按照所述金相样品类型信息分别输入神经网络模型进行训练,获得与金相样品类型相对应的金相样品研磨参数分析模型集合。
根据所述金相样品研磨参数分析模型集合,构建所述金相样品研磨参数分析模型库,所述金相样品研磨参数分析模型库包括各类型金相样品的研磨参数分析模型集合。通过历史金相样品数据信息训练构建金相样品研磨参数分析模型库,保证模型的训练数据量以及个性化和针对性,进而保证输出样品研磨参数信息的准确性。
综上所述,本申请所提供的一种金相样品自动制样研磨方法及系统具有如下技术效果:
由于采用了根据待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息,再基于第一样品研磨参数信息对待研磨金相样品进行研磨,同时通过六维力传感器采集获取待研磨金相样品的研磨受力信息,并按照预设时间段对待研磨金相样品的研磨过程进行三维扫描,获得对应的金相样品三维图像信息,然后按照预设卷积特征对金相样品三维图像信息提取,确定金相样品平整度特征,根据研磨受力信息和金相样品平整度特征,对第一样品研磨参数信息进行修正,并基于修正后的第二样品研磨参数信息进行样品研磨制备的技术方案。进而达到通过人工智能学习确定样品研磨参数,并根据样品研磨检测情况对研磨参数及时调整,提高样品研磨参数准确性,降低研磨的时间成本和人工成本,进而提高金相样品自动制样效率的技术效果。
实施例二
基于与前述实施例中一种金相样品自动制样研磨方法同样发明构思,本发明还提供了一种金相样品自动制样研磨系统,如图4所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得待研磨金相样品;
第一确定单元12,所述第一确定单元12用于根据所述待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息;
第一处理单元13,所述第一处理单元13用于基于所述第一样品研磨参数信息,对所述待研磨金相样品进行研磨;
第二获得单元14,所述第二获得单元14用于通过六维力传感器采集获取所述待研磨金相样品的研磨受力信息;
第三获得单元15,所述第三获得单元15用于按照预设时间段对所述待研磨金相样品的研磨过程进行三维扫描,获得金相样品三维图像信息;
第四获得单元16,所述第四获得单元16用于按照预设卷积特征对所述金相样品三维图像信息提取,获得金相样品平整度特征;
第二处理单元17,所述第二处理单元17用于根据所述研磨受力信息和所述金相样品平整度特征,获得第二样品研磨参数信息,并基于所述第二样品研磨参数信息进行样品研磨制备。
进一步的,所述系统还包括:
第五获得单元,所述第五获得单元用于对待处理样品进行三维扫描,获得样品三维图像信息;
第二确定单元,所述第二确定单元用于根据所述样品三维图像信息,确定样品外观尺寸和样品观察点;
第六获得单元,所述第六获得单元用于基于所述样品外观尺寸和样品观察点对所述待处理样品进行灌封固化,获得第一金相嵌样;
第七获得单元,所述第七获得单元用于对所述第一金相嵌样进行二次三维扫描,获得所述待处理样品在所述第一金相嵌样中的相对位置;
第八获得单元,所述第八获得单元用于使用激光对所述相对位置蚀刻定位标记,获得所述待研磨金相样品。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于对所述金相嵌样进行质量检测,获得嵌样质量检测结果;
第十获得单元,所述第十获得单元用于如果所述嵌样质量检测结果存在缺陷,对嵌样缺陷进行类型判断,获得嵌样缺陷类型;
第一制定单元,所述第一制定单元用于根据所述嵌样缺陷类型,制定嵌样缺陷解决方案;
第十一获得单元,所述第十一获得单元用于基于所述嵌样缺陷解决方案,获得第二金相嵌样。
进一步的,所述系统还包括:
第一构建单元,所述第一构建单元用于构建金相样品研磨参数分析模型库;
第十二获得单元,所述第十二获得单元用于根据所述待研磨金相样品的基本信息,获得第一金相样品类型信息;
第一调用单元,所述第一调用单元用于根据所述第一金相样品类型信息,从所述金相样品研磨参数分析模型库中调用第一金相样品研磨参数分析模型;
第十三获得单元,所述第十三获得单元用于将所述待研磨金相样品的基本信息和所述预定样品制备要求输入所述第一金相样品研磨参数分析模型中,获得所述第一样品研磨参数信息。
进一步的,所述系统还包括:
第十四获得单元,所述第十四获得单元用于获得历史金相样品数据信息,所述历史金相样品数据信息包括历史金相样品的基本信息和预定样品制备要求;
第十五获得单元,所述第十五获得单元用于对所述历史金相样品数据库的样品类型进行分类,获得金相样品类型信息;
第十六获得单元,所述第十六获得单元用于将所述历史金相样品数据信息按照所述金相样品类型信息分别输入神经网络模型,获得与金相样品类型相对应的金相样品研磨参数分析模型集合;
第二构建单元,所述第二构建单元用于根据所述金相样品研磨参数分析模型集合,构建所述金相样品研磨参数分析模型库。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于根据所述预定样品制备要求,获得预设卷积特征;
第一提取单元,所述第一提取单元用于将所述金相样品三维图像信息作为输入信息输入深度卷积神经网络进行特征提取;
第十八获得单元,所述第十八获得单元用于获得所述深度卷积神经网络的输出信息,所述输出信息包括符合所述预设卷积特征的所述金相样品平整度特征。
进一步的,所述系统还包括:
第十九获得单元,所述第十九获得单元用于通过六维力传感器采集获取所述待研磨金相样品的多维度研磨受力信息集合,其中,所述多维度研磨受力信息集合包括三轴研磨力信息集合和三轴研磨力矩信息集合;
第二十获得单元,所述第二十获得单元用于对所述多维度研磨受力信息集合进行融合降维,获得所述研磨受力信息。
前述图1实施例一中的一种金相样品自动制样研磨方法的各种变化方式和具体实例同样适用于本实施例的一种金相样品自动制样研磨系统,通过前述对一种金相样品自动制样研磨方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种金相样品自动制样研磨系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图5所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种金相样品自动制样研磨方法,其特征在于,所述方法包括:
获得待研磨金相样品;
根据所述待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息;
基于所述第一样品研磨参数信息,对所述待研磨金相样品进行研磨;
通过六维力传感器采集获取所述待研磨金相样品的研磨受力信息;
按照预设时间段对所述待研磨金相样品的研磨过程进行三维扫描,获得金相样品三维图像信息;
按照预设卷积特征对所述金相样品三维图像信息提取,获得金相样品平整度特征;
根据所述研磨受力信息和所述金相样品平整度特征,获得第二样品研磨参数信息,并基于所述第二样品研磨参数信息进行样品研磨制备。
2.如权利要求1所述的方法,其特征在于,所述获得待研磨金相样品,包括:
对待处理样品进行三维扫描,获得样品三维图像信息;
根据所述样品三维图像信息,确定样品外观尺寸和样品观察点;
基于所述样品外观尺寸和样品观察点对所述待处理样品进行灌封固化,获得第一金相嵌样;
对所述第一金相嵌样进行二次三维扫描,获得所述待处理样品在所述第一金相嵌样中的相对位置;
使用激光对所述相对位置蚀刻定位标记,获得所述待研磨金相样品。
3.如权利要求2所述的方法,其特征在于,获得第一金相嵌样之后还包括:
对所述金相嵌样进行质量检测,获得嵌样质量检测结果;
如果所述嵌样质量检测结果存在缺陷,对嵌样缺陷进行类型判断,获得嵌样缺陷类型;
根据所述嵌样缺陷类型,制定嵌样缺陷解决方案;
基于所述嵌样缺陷解决方案,获得第二金相嵌样。
4.如权利要求1所述的方法,其特征在于,所述确定第一样品研磨参数信息,包括:
构建金相样品研磨参数分析模型库;
根据所述待研磨金相样品的基本信息,获得第一金相样品类型信息;
根据所述第一金相样品类型信息,从所述金相样品研磨参数分析模型库中调用第一金相样品研磨参数分析模型;
将所述待研磨金相样品的基本信息和所述预定样品制备要求输入所述第一金相样品研磨参数分析模型中,获得所述第一样品研磨参数信息。
5.如权利要求4所述的方法,其特征在于,所述构建金相样品研磨参数分析模型库,包括:
获得历史金相样品数据信息,所述历史金相样品数据信息包括历史金相样品的基本信息和预定样品制备要求;
对所述历史金相样品数据库的样品类型进行分类,获得金相样品类型信息;
将所述历史金相样品数据信息按照所述金相样品类型信息分别输入神经网络模型,获得与金相样品类型相对应的金相样品研磨参数分析模型集合;
根据所述金相样品研磨参数分析模型集合,构建所述金相样品研磨参数分析模型库。
6.如权利要求1所述的方法,其特征在于,所述获得金相样品平整度特征,包括:
根据所述预定样品制备要求,获得预设卷积特征;
将所述金相样品三维图像信息作为输入信息输入深度卷积神经网络进行特征提取;
获得所述深度卷积神经网络的输出信息,所述输出信息包括符合所述预设卷积特征的所述金相样品平整度特征。
7.如权利要求1所述的方法,其特征在于,所述通过六维力传感器采集获取所述待研磨金相样品的研磨受力信息,包括:
通过六维力传感器采集获取所述待研磨金相样品的多维度研磨受力信息集合,其中,所述多维度研磨受力信息集合包括三轴研磨力信息集合和三轴研磨力矩信息集合;
对所述多维度研磨受力信息集合进行融合降维,获得所述研磨受力信息。
8.一种金相样品自动制样研磨系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于获得待研磨金相样品;
第一确定单元,所述第一确定单元用于根据所述待研磨金相样品的基本信息和预定样品制备要求,确定第一样品研磨参数信息;
第一处理单元,所述第一处理单元用于基于所述第一样品研磨参数信息,对所述待研磨金相样品进行研磨;
第二获得单元,所述第二获得单元用于通过六维力传感器采集获取所述待研磨金相样品的研磨受力信息;
第三获得单元,所述第三获得单元用于按照预设时间段对所述待研磨金相样品的研磨过程进行三维扫描,获得金相样品三维图像信息;
第四获得单元,所述第四获得单元用于按照预设卷积特征对所述金相样品三维图像信息提取,获得金相样品平整度特征;
第二处理单元,所述第二处理单元用于根据所述研磨受力信息和所述金相样品平整度特征,获得第二样品研磨参数信息,并基于所述第二样品研磨参数信息进行样品研磨制备。
9.一种金相样品自动制样研磨电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210997133.5A CN115078049B (zh) | 2022-08-19 | 2022-08-19 | 一种金相样品自动制样研磨方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210997133.5A CN115078049B (zh) | 2022-08-19 | 2022-08-19 | 一种金相样品自动制样研磨方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115078049A true CN115078049A (zh) | 2022-09-20 |
CN115078049B CN115078049B (zh) | 2022-11-04 |
Family
ID=83244371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210997133.5A Active CN115078049B (zh) | 2022-08-19 | 2022-08-19 | 一种金相样品自动制样研磨方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115078049B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1293226A (fr) * | 1961-05-13 | 1962-05-11 | Procédé pour la préparation d'échantillons métallographiques | |
DK180586D0 (da) * | 1986-04-18 | 1986-04-18 | Struers As | Apparat til slibning eller polering af emner |
US6533641B1 (en) * | 2000-09-21 | 2003-03-18 | Advanced Micro Devices, Inc. | Grinding arrangement and method for real-time viewing of samples during cross-sectioning |
EP1042103B1 (en) * | 1997-10-27 | 2004-12-29 | Siemens Westinghouse Power Corporation | Method of bonding cast superalloys |
CN101413899A (zh) * | 2008-11-28 | 2009-04-22 | 广东正业科技有限公司 | 一种金相图像信息的处理方法 |
CN203443837U (zh) * | 2013-09-03 | 2014-02-19 | 广东生益科技股份有限公司 | 可视化金相切片研磨装置 |
CN106217217A (zh) * | 2016-08-10 | 2016-12-14 | 江苏大学 | 一种恒压力并自动校正消除划痕的精密金相研磨抛光装置 |
CN205834988U (zh) * | 2016-05-16 | 2016-12-28 | 华南理工大学 | 一种金相试样自动研磨抛光机 |
CN206990295U (zh) * | 2017-06-30 | 2018-02-09 | 西安思源学院 | 一种智能金相试验一体机 |
US20190301983A1 (en) * | 2018-03-28 | 2019-10-03 | Ford Global Technologies, Llc | Quality control process to assess the aluminized coating characteristics of hot stamped parts |
CN211305946U (zh) * | 2019-12-28 | 2020-08-21 | 广东火炬检测有限公司 | 一种金相试样磨制辅助工具 |
CN111707513A (zh) * | 2020-06-17 | 2020-09-25 | 宁波江丰电子材料股份有限公司 | 一种NiV合金金相试样的制备方法 |
CN212539277U (zh) * | 2020-08-18 | 2021-02-12 | 阿萨蒙特微创(北京)科技有限公司 | 一种全自动金相检测仪 |
JP2021128093A (ja) * | 2020-02-14 | 2021-09-02 | 陳斯明 | Pcb金属組織試験片操作システム及び方法 |
CN113406074A (zh) * | 2021-06-04 | 2021-09-17 | 中国航发北京航空材料研究院 | 一种消除金相检验观察面倾转误差的小孔轮廓特征还原方法 |
CN113681014A (zh) * | 2021-10-22 | 2021-11-23 | 南通豪派金属制品有限公司 | 一种金属粉末加工设备的智能调控方法及系统 |
CN113740129A (zh) * | 2021-08-27 | 2021-12-03 | 中铝材料应用研究院有限公司 | 一种铝合金的金相制样方法 |
CN113933126A (zh) * | 2021-10-15 | 2022-01-14 | 南京理工大学 | 一种用于金相和透射电镜薄膜样品高精密制备的机械研磨装置 |
-
2022
- 2022-08-19 CN CN202210997133.5A patent/CN115078049B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1293226A (fr) * | 1961-05-13 | 1962-05-11 | Procédé pour la préparation d'échantillons métallographiques | |
DK180586D0 (da) * | 1986-04-18 | 1986-04-18 | Struers As | Apparat til slibning eller polering af emner |
EP1042103B1 (en) * | 1997-10-27 | 2004-12-29 | Siemens Westinghouse Power Corporation | Method of bonding cast superalloys |
US6533641B1 (en) * | 2000-09-21 | 2003-03-18 | Advanced Micro Devices, Inc. | Grinding arrangement and method for real-time viewing of samples during cross-sectioning |
TW528650B (en) * | 2000-09-21 | 2003-04-21 | Advanced Micro Devices Inc | Grinding arrangement and method for real time viewing of samples during cross sectioning |
CN101413899A (zh) * | 2008-11-28 | 2009-04-22 | 广东正业科技有限公司 | 一种金相图像信息的处理方法 |
CN203443837U (zh) * | 2013-09-03 | 2014-02-19 | 广东生益科技股份有限公司 | 可视化金相切片研磨装置 |
CN205834988U (zh) * | 2016-05-16 | 2016-12-28 | 华南理工大学 | 一种金相试样自动研磨抛光机 |
CN106217217A (zh) * | 2016-08-10 | 2016-12-14 | 江苏大学 | 一种恒压力并自动校正消除划痕的精密金相研磨抛光装置 |
CN206990295U (zh) * | 2017-06-30 | 2018-02-09 | 西安思源学院 | 一种智能金相试验一体机 |
US20190301983A1 (en) * | 2018-03-28 | 2019-10-03 | Ford Global Technologies, Llc | Quality control process to assess the aluminized coating characteristics of hot stamped parts |
CN211305946U (zh) * | 2019-12-28 | 2020-08-21 | 广东火炬检测有限公司 | 一种金相试样磨制辅助工具 |
JP2021128093A (ja) * | 2020-02-14 | 2021-09-02 | 陳斯明 | Pcb金属組織試験片操作システム及び方法 |
CN111707513A (zh) * | 2020-06-17 | 2020-09-25 | 宁波江丰电子材料股份有限公司 | 一种NiV合金金相试样的制备方法 |
CN212539277U (zh) * | 2020-08-18 | 2021-02-12 | 阿萨蒙特微创(北京)科技有限公司 | 一种全自动金相检测仪 |
CN113406074A (zh) * | 2021-06-04 | 2021-09-17 | 中国航发北京航空材料研究院 | 一种消除金相检验观察面倾转误差的小孔轮廓特征还原方法 |
CN113740129A (zh) * | 2021-08-27 | 2021-12-03 | 中铝材料应用研究院有限公司 | 一种铝合金的金相制样方法 |
CN113933126A (zh) * | 2021-10-15 | 2022-01-14 | 南京理工大学 | 一种用于金相和透射电镜薄膜样品高精密制备的机械研磨装置 |
CN113681014A (zh) * | 2021-10-22 | 2021-11-23 | 南通豪派金属制品有限公司 | 一种金属粉末加工设备的智能调控方法及系统 |
Non-Patent Citations (9)
Title |
---|
卫志清 等: "国产自动化制样设备在金相制样中的应用", 《理化检验(物理分册)》 * |
姜阳: "自动精密切割机及其控制系统的研究", 《湖南农机》 * |
孙井永 等: "自动金相研磨机控制系统的开发设计", 《物理测试》 * |
崔权维: "激光熔覆IN718镍基高温合金组织演变规律及性能调控研究", 《中国优秀博士学位论文全文数据库工程科技Ⅰ辑》 * |
崔桂彬 等: "基于离子研磨技术的超低碳钢中铁素体晶粒的显示", 《理化检验-物理分册》 * |
廖诗兰: "硬质合金金相制样方法研究", 《中国钨业》 * |
简玉山: "铸造铝镍钴磁钢的精密研磨工艺研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
陈文娟: "金相试样抛光机的机械设计与控制系统的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
韩北方 等: "金相样品制备影响因素及金相制样实例", 《理化检验-物理分册》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115078049B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210063376A1 (en) | Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
Sutojo et al. | CBIR for classification of cow types using GLCM and color features extraction | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及系统 | |
WO2022117118A1 (zh) | 基于机器视觉的低倍酸蚀缺陷自动识别与评级的方法及系统 | |
CN107067415A (zh) | 一种基于图像匹配的目标快速精确定位方法 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN110866949A (zh) | 中心点定位方法、装置、电子设备和存储介质 | |
CN113658117A (zh) | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 | |
CN113470024A (zh) | 轮毂内部缺陷检测方法、装置、设备、介质及程序产品 | |
CN115078049B (zh) | 一种金相样品自动制样研磨方法及系统 | |
CN115326809A (zh) | 一种隧道衬砌表观裂纹检测方法及检测装置 | |
CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
CN109740109A (zh) | 一种基于酉变换的PolSAR图像广义目标分解方法 | |
CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN111951316A (zh) | 图像量化方法和存储介质 | |
CN110599510A (zh) | 一种图片特征提取方法 | |
CN114219802B (zh) | 一种基于图像处理的蒙皮连接孔孔位检测方法 | |
CN115908275A (zh) | 基于深度学习的热态环件轧制变形几何状态在线测量方法 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN114862783A (zh) | 一种表征岩石结构面吻合程度的方法及设备 | |
US20190228523A1 (en) | Detecting method, detecting apparatus, and computer readable storage medium |
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 |