CN117428199A - 一种合金粉末雾化装置及雾化方法 - Google Patents
一种合金粉末雾化装置及雾化方法 Download PDFInfo
- Publication number
- CN117428199A CN117428199A CN202311753755.4A CN202311753755A CN117428199A CN 117428199 A CN117428199 A CN 117428199A CN 202311753755 A CN202311753755 A CN 202311753755A CN 117428199 A CN117428199 A CN 117428199A
- Authority
- CN
- China
- Prior art keywords
- powder
- confidence
- image
- pixels
- alloy
- 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
- 239000000843 powder Substances 0.000 title claims abstract description 341
- 239000000956 alloy Substances 0.000 title claims abstract description 218
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 82
- 239000000203 mixture Substances 0.000 claims abstract description 109
- 238000002310 reflectometry Methods 0.000 claims abstract description 104
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 238000000889 atomisation Methods 0.000 claims abstract description 46
- 239000007789 gas Substances 0.000 claims description 51
- 238000009792 diffusion process Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 21
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 239000007788 liquid Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000011261 inert gas Substances 0.000 claims description 7
- 239000000155 melt Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002844 melting Methods 0.000 claims description 6
- 230000008018 melting Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010298 pulverizing process Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract 4
- 238000001914 filtration Methods 0.000 abstract 1
- 239000007787 solid Substances 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F9/00—Making metallic powder or suspensions thereof
- B22F9/02—Making metallic powder or suspensions thereof using physical processes
- B22F9/06—Making metallic powder or suspensions thereof using physical processes starting from liquid material
- B22F9/08—Making metallic powder or suspensions thereof using physical processes starting from liquid material by casting, e.g. through sieves or in water, by atomising or spraying
- B22F9/082—Making metallic powder or suspensions thereof using physical processes starting from liquid material by casting, e.g. through sieves or in water, by atomising or spraying atomising using a fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Powder Metallurgy (AREA)
Abstract
本发明涉及合金粉末雾化技术领域,具体涉及一种合金粉末雾化装置及雾化方法。该方法包括:合金熔体通过进料设备输送到雾化室中,通过雾化室和雾化气体供应设备获取合金熔体和雾化气体混合的雾化混合物;在雾化室的观察窗中布置高光谱相机获取混合物反射率图像;根据混合物反射率内像元之间的距离和反射率构建粉末置信特征图,对于粉末置信特征图获取粉末显著特征图,并通过三图获取粉末特征融合序列,根据粉末特征融合序列获取合金熔体进料速度,根据合金熔体进料速度进行速度调整,将雾化混合物通过收集设备过滤、分离完成对合金粉末的分类收集。本发明提高合金雾化的产品质量。
Description
技术领域
本发明涉及合金粉末雾化技术领域,具体涉及一种合金粉末雾化装置及雾化方法。
背景技术
随着现代科技的进步,产业精细化带来的材料需求越来越明确,合金粉末作为辅助材料被广泛应用于3D打印等各类工业加工生产领域,但是也对于合金粉末的粒度尺寸及分布、产品的一致性、稳定性等提出了更高的要求。同时雾化制粉技术具有价格低廉、环境污染小、效率高等技术优势,目前已经成为生产合金粉末的主要方法之一。
在合金雾化过程中,雾化室内合金粉末的进料速度对产品质量的粒度分布和产品的一致性具有重要影响作用。当进料速度过快时,雾化气体和合金粉末的混合物中具有较多的合金粉末,可能会导致产品粒度分布不均匀,产品一致性较差,同时有可能会堵塞雾化装置,影响工业进程,而当进料速度过慢时,会导致合金粉末的雾化效率过慢,无法满足工业大规模、高效率的制备。传统合金粉末的进料速度是在雾化装置启动前,设置一个固定的进料速度参数,由于工业装置往往都是持续工作,同时工业环境较为复杂,容易出现实际雾化过程中出现合金粉末的进料速度过快、过慢的问题,无法在合金粉末的雾化过程中根据实际情况进行调整。
发明内容
为了解决雾化过程中出现合金粉末的进料速度过快、过慢的技术问题,本发明提供了一种合金粉末雾化装置及雾化方法,所采用的技术方案具体如下:
第一方面,本发明实施例提出了一种合金粉末雾化方法,该方法包括以下步骤:
将合金融化为熔体后通过进料设备输送到雾化室中,在雾化室中通过雾化气体供应设备的喷嘴喷出的雾化气体将合金熔体击碎为液滴,并将液滴凝固为合金粉末,将合金粉末与雾化气体的组合记为雾化混合物,在雾化室的观察窗内布置高光谱相机,根据高光谱相机采集雾化混合物的图像记为混合物反射率图像;
根据混合物反射率图像内部像元之间距离和反射率获取像元的粉末置信指数和粉末置信特征图;根据粉末置信特征图中生长区域像元之间的距离和粉末置信指数获取粉末显著特征图;对混合物反射率图像、粉末置信特征图以及粉末显著特征图使用特征权重算法获取每张图像的特征权重,根据特征图像对三张图像进行加权获取粉末分布融合图,对于每个粉末分布融合图计算粉末特征融合均值,将预设时段内的粉末特征融合均值排序获取粉末特征融合序列,根据粉末特征融合序列获取合金熔体进料速度;
每经过预设时间获取一次合金熔体进料速度,在进料设备中将之前的合金熔体进料速度调整到当前获取的合金熔体进料速度,根据当前获取的合金熔体进料速度输入合金熔体到雾化室中获取雾化混合物,利用收集设备中的过滤器将雾化混合物分为雾化气体和合金粉末,通过分离器将合金粉末按照粒度分类分别装在不同的粉末收集罐中,完成合金雾化。
优选的,所述合金熔体的温度要高于熔点100度以上,雾化气体的气体压力为1.0~5.0MPa。
优选的,所述雾化气体供应设备是由气雾化喷盘和带孔喷嘴组成的,气雾化处理是通过气雾化喷盘的喷嘴喷出的高压惰性气体将从进料设备流出的合金熔体击碎喂细小液滴,液滴在飞行过程中冷却凝固为合金粉末,其中喷嘴直径为5-10mm。
优选的,所述通过雾化室和雾化气体供应设备将合金熔体转换为雾化合金粉末的方法为:
通过进料设备将合金熔体传输到雾化室,在雾化室中,雾化气体供应设备提供一种平均气流速度至少300m/s的高压惰性气体,雾化气体和合金熔体的体积比为1:6,获取到的雾化合金粉末的平均粒径小于50微米。
优选的,所述根据高光谱相机采集雾化混合物的图像记为混合物反射率图像的方法为:
在雾化室的观察窗中布置高光谱相机采集雾化混合物高光谱图像,对雾化混合物高光谱图像使用PCA主成分分析进行降维,降维后,对于雾化混合物高光谱图像的每个像元,获取其最大反射率对应的波段记为第一波段,获取每个雾化混合物高光谱图像的像元的第一波段;
将对应最多数量像元的第一波段记为最优波段,对于每个雾化混合物高光谱图像的像元,将最优波段下的反射率作为像元的最优反射率,将像元的最优反射率作为像元的灰度值构成混合物反射率图像。
优选的,所述根据混合物反射率图像内部像元之间距离和反射率获取像元的粉末置信指数和粉末置信特征图的方法为:
将像元的反射率作为输入使用大津阈值算法获取所有像元反射率的分割阈值,将反射率大于分割阈值的像元记为高反射率像元;对于每个像元获取预设大小的邻域窗口;根据邻域窗口内像元的反射率和距离获取粉末置信指数;
式中,表示以第i个像元为中心的邻域窗口中第j个像元的反射率,/>表示混合物反射率图像的分割阈值,/>表示邻域窗口内中心像元与非中心像元之间的最大欧氏距离,/>表示以第i个像元为中心的邻域窗口中第j个像元与第i个像元的欧氏距离,N为邻域窗口内所有像元的数量,/>表示以第i个像元为中心的邻域窗口中高反射率像元的个数,/>表示线性归一化函数,/>表示第i个像元的粉末置信指数;
将混合物反射率图像中每个像元的反射率更改为每个像元的粉末置信指数,获取的图像为粉末置信特征图。
优选的,所述根据粉末置信特征图中生长区域像元之间的距离和粉末置信指数获取粉末显著特征图的方法为:
对粉末置信特征图使用K-means聚类,K值设置为2,聚类距离为像元之间的粉末置信指数的差异;
计算每个聚类簇的所有像元的粉末置信指数的均值,将均值大的聚类簇中的像元记为高概率合金粉末像元,将均值小的聚类簇中的像元记为低概率合金粉末像元;
对混合物反射率图像使用Canny算子进行边缘检测,将边缘点作为区域生长算法的初始生长点,若生长点的相邻像元存在高概率合金粉末像元,则将高概率合金粉末像元作为新的生长点继续生长,若生长点的相邻像元不存在高概率合金粉末像元,则停止生长;
对于每个生长区域,使用Welzl算法获取生长区域的最小内接圆,将最小内接圆的圆心记为生长区域圆心;
计算每个生长区域中每个像元与生长区域圆心的欧氏距离,将所得到的欧氏距离按照从小到大的顺序排序获取像元距离序列;
将生长区域中的每个像元的粉末置信指数按照从大到小的顺序排序获取像元粉末置信序列;
根据生长区域中像元距离序列和粉末置信序列获取生长区域的区域置信扩散指数;
式中,表示第k个生长区域内第x个像元在像元距离序列中的编号,/>表示第k个生长区域内第x个像元在像元粉末置信序列中的编号,/>表示第k个生长区域内像元的数量,/>表示第k个生长区域内的粉末置信指数的均值,/>表示第k个生长区域的区域置信扩散指数;
根据生长区域的区域置信扩散指数获取生长区域的区域置信补偿指数,根据像元所在生长区域的区域置信扩散指数和区域置信补偿指数获取像元的粉末显著指数;将混合物反射率图像中每个像元的反射率更改为每个像元的粉末显著指数,获取的图像为粉末显著特征图。
优选的,所述根据生长区域的区域置信扩散指数获取生长区域的区域置信补偿指数,根据像元所在生长区域的区域置信扩散指数和区域置信补偿指数获取像元的粉末显著指数的方法为:
式中,表示第k个生长区域的区域置信扩散指数,/>表示第y个生长区域的区域置信扩散指数,/>表示第k个生长区域内高概率合金粉末像元的数量,/>表示以自然常数为底的指数函数,/>表示生长区域的数量,/>表示线性归一化函数,/>表示第k个生长区域的区域置信补偿指数,/>表示第i个像元所在生长区域的区域置信补偿指数,/>表示第i个像元的粉末置信指数,/>表示第i个像元,/>表示混合物反射率图像中的边缘点构成的集合,/>表示第i个像元的粉末显著指数。
优选的,所述对混合物反射率图像、粉末置信特征图以及粉末显著特征图使用特征权重算法获取每张图像的特征权重,根据特征图像对三张图像进行加权获取粉末分布融合图,对于每个粉末分布融合图计算粉末特征融合均值,将预设时段内的粉末特征融合均值排序获取粉末特征融合序列,根据粉末特征融合序列获取合金熔体进料速度的方法为:
将混合物反射率图像、粉末置信特征图以及粉末显著特征图分别使用ReliefF算法获取每张图像的特征权重;
根据每张图像的特征权重对图像进行加权融合获取粉末分布融合图;计算粉末分布融合图中所有像元的灰度值记为粉末特征融合均值;
采集一个预设时段的雾化混合物高光谱图像,按照时间顺序将预设时段内每张雾化混合物高光谱图像的粉末特征融合均值排序获取粉末特征融合序列;
将粉末特征融合序列作为BP神经网络的输入,优化算法为SGD算法,神经网络的输出为合金熔体进料速度。
第二方面,本发明另一个实施例提供了一种合金粉末雾化装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种合金粉末雾化方法的步骤。
本发明具有如下有益效果:本发明实现一种合金粉末雾化装置及雾化方法,在控制合金熔体的进料速度过程中,在雾化室放置相机图像,基于雾化混合物中合金粉末的反射率和局部特征,再考虑雾化混合物中边缘像元的特征,采用K-means算法和区域生长,综合构建像元的粉末显著指数,反应像元属于合金粉末的可能性,其有益效果在于避免实际合金粉末边缘像元距离雾化气体较近,无法对合金粉末边缘像元和雾化气体像元进行区分的问题,提高像元合金粉末像元判断的准确度;基于合金粉末雾化工艺已经被判断为进料速度较快的特征,采用ReliefF算法获取各个图像对应的权重,对图像进行加权融合,结合神经网络获取合金粉末雾化工艺中的进料速度,其有益效果在于避免合金粉末雾化过程中,进料速度不适当,导致合金雾化产品粒度不均匀,质量稳定性、一致性较差的问题,提高合金雾化的产品质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种合金粉末雾化方法的流程图;
图2为本发明一个实施例提供的一种合金粉末雾化装置的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种合金粉末雾化装置及雾化方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种合金粉末雾化方法实施例:
下面结合附图具体的说明本发明所提供的一种合金粉末雾化方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种合金粉末雾化方法流程图,该方法包括以下步骤:
步骤S001,将合金融化为熔体后通过进料设备输送到雾化室中,在雾化室中通过雾化气体供应设备的喷嘴喷出的雾化气体将合金熔体击碎为液滴,并将液滴凝固为合金粉末,将合金粉末与雾化气体的组合记为雾化混合物,在雾化室的观察窗内布置高光谱相机,根据高光谱相机采集雾化混合物的图像记为混合物反射率图像。
合金粉末雾化工艺由雾化室、进料设备、雾化气体供应设备和收集设备组成,其中,雾化室内设有雾化器,在雾化室内对合金粉末进行雾化处理,同时进料设备与雾化室连接,雾化气体供应设备与雾化室连接,收集设备与雾化室连接,合金粉末雾化装置的流程图如图2所示,合金粉末雾化工艺首先将合金融化为熔体通过进料设备输送进雾化室中,在雾化室内通过雾化气体供应设备提供高压惰性气体将合金熔体击碎为细小液滴,细小液滴凝固为合金粉末,合金粉末和高压惰性气体形成雾化混合物,通过过滤器将雾化混合物中的气体和合金粉末分开,之后通过分离器将不同粒度的合金粉末放入不同的粉末收集罐中,完成粉末收集后使用清洁装置进行清洁,而在本实施例中增添高光谱相机采集雾化混合物图像以此来调节合金熔体的进料速度。
其中将合金融化成熔体后通过进料设备输入,合金熔体的温度要高于熔点100度以上,通过进料设备输入到雾化室中。在雾化室中存在雾化气体供应设备,雾化气体供应设备是由气雾化喷盘和带孔喷嘴组成的,气雾化处理是通过气雾化喷盘的喷嘴喷出的高压惰性气体将从进料设备流出的合金熔体击碎为细小液滴,液滴在飞行过程中冷却凝固为合金粉末,其中喷嘴直径为5-10mm,雾化气体的压力为1到5MPa,在雾化室中,雾化气体供应设备提供一种平均气流速度至少300m/s的雾化气流,雾化气体和合金熔体的体积比为1:6,通过雾化气体击碎合金熔体后获取合金粉末,获取到的合金粉末的平均粒径小于50微米,合金粉末和雾化气体的混合物记为雾化混合物。
在合金粉末雾化室内或者在雾化室观察窗上布置高光谱相机,对雾化气体和合金粉末的混合物进行成像,同时记录多个光波段的光谱信息,获取雾化混合物的初始高光谱数据。进一步的,对雾化混合物的初始雾化混合物高光谱数据采用PCA主成分分析,实现雾化混合物初始雾化混合物高光谱数据的降维处理。在降维后的雾化混合物高光谱数据中,统计每个像元的最大反射率对应的波段记为第一波段,每个第一波段对应若干像元,因此将第一波段按照所对应的像元的数量从大到小排序,将排序后像元数量最大的第一波段记为最优波段,对于每个像元,获取最优波段下的反射率作为每个像元的最优反射率,将每个像元的最优反射率映射到雾化混合物高光谱图像中获取混合物反射率图像,图像中每个像元的灰度值为像元的最优反射率。
步骤S002,根据混合物反射率图像内部像元之间距离和反射率获取像元的粉末置信指数和粉末置信特征图;根据粉末置信特征图中生长区域像元之间的距离和粉末置信指数获取粉末显著特征图;根据混合物反射率图像、粉末置信特征图以及粉末显著特征图获取合金熔体进料速度。
进料设备具有多个进料口,每个进料口与对应的雾化器相连,进料设备的进料速度和压力是合金粉末进行雾化的关键工艺流程参数,通常只有准确的进料速度,才可以确保合金粉末雾化过程中合金粉末的均匀分配。在合金粉末的雾化过程中,通常是将合金粉末和雾化气体同时送入到雾化室中,形成雾化混合物,在雾化混合物中,合金粉末充分扩散在雾化气体中,同时由于合金粉末是固体,固体中的原子和分子排列更加紧密,使其能够更有效地反射入射光线,合金粉末的反射率较大,而雾化气体中的原子和分子排列较为稀疏,因此雾化气体的反射率较低。
雾化过程中,当合金熔体进料速度过快时,会导致雾化混合物中存在较多的固体合金粉末,混合物反射率图像的高反射率像元较多,且各个高反射率像元较为集中;当合金熔体进料速度过慢时,会导致雾化混合物中固体合金粉末较少,混合物反射率图像的高反射率像元较少,而且被雾化气体分散到混合物的各个部分,分布较为稀疏。因此,本实施例根据混合物反射率图像中不同像元的反射率特征对合金粉末雾化过程中的进料速度参数进行调整,使其按照工艺标准参数进行合金粉末的雾化。
对于混合物反射率图像中的所有像元,将像元的反射率作为输入使用大津阈值算法获取所有反射率的分割阈值,将反射率大于分割阈值的像元记为高反射率像元。在混合物反射率图像中,对于每个像元获取一个邻域窗口,在本实施例中设置邻域窗口的边长为7,根据每个像元邻域窗口内像元的反射率和高反射率像元的数量以及像元之间的欧氏距离获取每个像元的粉末置信指数,公式如下:
式中,表示以第i个像元为中心的邻域窗口中第j个像元的反射率,/>表示混合物反射率图像的分割阈值,/>表示邻域窗口内中心像元与非中心像元之间的最大欧氏距离,/>表示以第i个像元为中心的邻域窗口中第j个像元与第i个像元的欧氏距离,N为邻域窗口内所有像元的数量,/>表示以第i个像元为中心的邻域窗口中高反射率像元的个数,/>表示线性归一化函数,/>表示第i个像元的粉末置信指数。
当邻域窗口中像元的反射率与分割阈值相差越大时,即越大时,说明邻域窗口中像元的反射率在整个雾化混合物高光谱图像中越大;同时当邻域窗口中像元距离中心像元距离越近,说明邻域窗口中像元对中心像元的影响程度可能越大;当邻域窗口中的高反射率像元的数量越多,说明此邻域窗口内都具有较高的反射率,则从像元的局部邻域上,像元越有可能是具有高反射率的合金粉末像元,则像元的粉末置信指数/>越大。像元的粉末置信指数越大,说明像元越有可能是雾化混合物中的合金粉末部分,将所有像元的粉末置信指数映射到对应的像元上获取粉末置信特征图,粉末置信特征图中像元的灰度值为其对应的粉末置信指数。
至此,获取了粉末置信特征图。
在实际雾化过程中,由于未雾化前的合金粉末粒度较大,且相对不均匀,在合金粉末边缘部分的像元可能实际属于合金粉末,但是由于像元邻域中可能存在大量的雾化气体部分,计算所得的像元邻域粉末置信指数偏小,会存在将实际合金粉末边缘像元误判成雾化气体像元的情况。
对于粉末置信特征图使用K-means聚类,由于粉末置信特征图的像元分为合金粉末部分和雾化气体部分,因此K值为2,聚类距离为像元之间的粉末置信指数的差异,由此获取了两个聚类簇,对于每个聚类簇计算聚类簇内所有像元的粉末置信指数的均值,将均值较大的聚类簇中的像元记为高概率合金粉末像元,将均值较小的聚类簇中的像元记为低概率合金粉末像元。
对混合物反射率图像使用Canny算子进行边缘检测,获取混合物反射率图像中的边缘点,再对混合物反射率图像使用区域生长算法,将边缘点作为区域生长算法的初始生长点,生长规则为若生长点的相邻像元存在高概率合金粉末像元,则将高概率合金粉末像元作为新的生长点继续生长,若生长点的相邻像元不存在高概率合金粉末像元,则停止生长,获取若干生长区域。
由于实际为合金粉末的边缘点都与较高粉末置信指数的像元相邻,而且生长区域中越接近生长区域边缘的像元的粉末置信指数越低,越接近生长区域中心的像元的粉末置信指数越高。对于每个生长区域,采用Welzl算法获取生长区域的最小内接圆,将最小内接圆的圆心记为生长区域圆心。
计算每个生长区域中每个像元与生长区域圆心的欧氏距离,将所得到的欧氏距离按照从小到大的顺序排序,若欧氏距离存在相同的值,则按照像元的坐标从左到右,从上到下排序,将排序结果记为像元距离序列。将生长区域中每个像元的粉末置信指数按照从大到小的顺序排序,若存在粉末置信指数大小相同的像元,则按照像元的坐标从左到右,从上到下排序,将排序结果记为像元粉末置信序列。
对于像元距离序列和像元粉末置信序列从左往右进行编号,根据生长区域内像元在不同序列中的编号差异以及生长区域内的粉末置信指数的均值获取生长区域的区域置信扩散指数,公式如下:
式中,表示第k个生长区域内第x个像元在像元距离序列中的编号,/>表示第k个生长区域内第x个像元在像元粉末置信序列中的编号,/>表示第k个生长区域内像元的数量,/>表示第k个生长区域内的粉末置信指数的均值,/>表示第k个生长区域的区域置信扩散指数。
当生长区域中所有像元的粉末置信指数越高,即越高,说明此像元越可能是合金粉末部分,越可能具有合金粉末的置信扩散特征,当像元粉末置信序列与像元距离序列中所在像元编号越接近,即/>越大,说明生长区域越可能具有从中心到边缘,粉末置信指数逐渐减少的置信扩散特征,则区域置信扩散指数/>越大。
根据不同生长区域的置信扩散指数的差异与不同生长区域中高概率合金粉末像元的数量获取每个生长区域的区域置信补偿指数,通过每个生长区域的区域置信补偿指数调整生长区域内每个像元的粉末显著指数,公式如下:
式中,表示第k个生长区域的区域置信扩散指数,/>表示第y个生长区域的区域置信扩散指数,/>表示第k个生长区域内高概率合金粉末像元的数量,/>表示以自然常数为底的指数函数,/>表示生长区域的数量,/>表示线性归一化函数,/>表示第k个生长区域的区域置信补偿指数,/>表示第i个像元所在生长区域的区域置信补偿指数,/>表示第i个像元的粉末置信指数,/>表示第i个像元,/>表示混合物反射率图像中的边缘点构成的集合,/>表示第i个像元的粉末显著指数。
其中,当生长区域的高概率粉末像元与其它生长区域相比的数量越多,即越大,生长区域是合金粉末区域的可能性越大;同时当生长区域相比于其它生长区域的区域置信扩散指数越大,即/>越大时,说明生长区域的置信扩散特征越强烈,则生长区域越可能是合金粉末区域,生长区域中的边缘点也是合金粉末像元的可能性越大,越应该对边缘点的粉末置信指数进行修正、补偿,则区域置信补偿指数越大。
当边缘像元所在生长区域的区域置信补偿指数越大,说明边缘点也是合金粉末像元的可能性越大,相对于其它像元越可能是合金粉末部分,在图像中越显著,则像元粉末显著指数越大,至此获取了每个像元对应的粉末显著指数,将每个像元对应粉末显著指数映射到对应的像元上获取粉末显著特征图,粉末显著特征图中像元的灰度值为粉末显著指数。
至此,获取了粉末显著特征图。
对于得到的混合物反射率图像、粉末置信特征图、粉末显著特征图都分别转换为序列,以混合物反射率图像为例,将混合物反射率图像根据像元坐标从左到右、从上到下的顺序对每个像元的反射率进行排序,获取像元反射率序列;同理,针对粉末置信特征图获取像元粉末置信序列,针对粉末显著特征图获取像元粉末显著序列。采用ReliefF算法,ReliefF算法的输入为像元反射率序列、像元粉末置信序列、像元粉末显著序列,输出为每个序列的历史特征权重,ReliefF算法为公知技术,在此不做详细说明。
令每个序列的历史特征权重与所有序列的历史特征权重的和的比值作为每个序列对应的特征权重,每个序列的特征权重同样也是混合物反射率图像、粉末置信特征图、粉末显著特征图的特征权重。
根据每张图像的特征权重对三张图像进行加权融合获取粉末分布融合图,粉末分布融合图中像元的灰度值为融合值。由于粉末分布融合图中合金粉末区域的像元相比于其它区域的像元融合值较大,计算粉末分布融合图中所有像元融合值的均值,记为粉末特征融合均值。粉末特征融合均值越大,说明雾化混合物高光谱图像中合金粉末区域越大,合金粉末含量越多。
在实际合金粉末雾化工艺中,雾化混合物具有较强的复杂性,由一个时刻获取的雾化混合物高光谱图像所得的指数具有较大的局限性,基于一个时刻的特征对合金雾化工业进料速度参数进行调整,容易造成工业生产紊乱,而且效果较差。因此获取一个时序区间内的若干张雾化混合物高光谱图像,每张雾化混合物高光谱图像对应一个粉末特征融合均值。在本实施例中,将时序区间的大小预设为5min,其中所采集的雾化混合物高光谱图像数量为50。
按照采集的时间顺序将所有雾化混合物高光谱图像的粉末特征融合均值构成一个序列记为粉末特征融合序列;将粉末特征融合序列作为BP神经网络的输入,本实施例中BP网络的优化算法为SGD算法,神经网络的输出为合金粉末雾化工艺中合金熔体进料速度。需要说明的是BP神经网络及训练过程为现有公知技术,在此不做相关赘述,对于神经网络模型的选取本实施例不做特殊限制,实施者可通过其他神经网络模型根据粉末特征融合序列,对合金粉末雾化工艺中的合金熔体进料速度进行预测、判定。
至此,获取合金熔体进料速度。
步骤S003,每经过预设时间获取一次合金熔体进料速度,在进料设备中将之前的合金熔体进料速度调整到当前获取的合金熔体进料速度,根据当前获取的合金熔体进料速度输入合金熔体到雾化室中获取雾化混合物,利用收集设备中的过滤器将雾化混合物分为雾化气体和合金粉末,通过分离器将合金粉末按照粒度分类分别装在不同的粉末收集罐中,完成合金雾化。
获取合金粉末雾化工艺中合金熔体进料速度之后,可以对合金雾化智能控制系统中的进料设备合金进料速度参数进行调整,确保进料设备的进料速度始终保持一个合金雾化工艺的最佳速度,保证合金粉末的稳定进料,避免合计粉末堵塞和堆积的现象,获取工艺最佳雾化混合物。
每经过5分钟使用高光谱相机采集混合物反射率图像,对于每次得到的反射率图像获取合金粉末的进料速度,之后在进料设备中调整进料速度为计算出的进料速度,使用该进料速度将合金熔体传输到雾化室中,通过雾化室对合金熔体进行雾化形成合金粉末后,通过收集设备收集合金粉末,其中收集装置内设有多层过滤器和分离器,通过过滤器将合金粉末和雾化气体分开,将分开后的合金粉末通过分离器分成不同粒度的合金粉末,以有效地收集和分离粉末,将不同粒度的合金粉末分别通过分离器进入不同的粉末收集罐中,粉末收集罐具有密封性能,以防止粉末的外泄和污染,用于存放收集到的合金粉末。除此之外,在收集装置还存在清洁装置,在每次进行合金粉末雾化时,使用清洁装置清洁过滤器和分离器,以保证装置的稳定工作和延长使用寿命。
至此,完成了对合金的雾化形成不同粒度的合金粉末。
本实施例提供一种合金粉末雾化装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现上述步骤S001至步骤S003的方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种合金粉末雾化方法,其特征在于,该方法包括以下步骤:
将合金融化为熔体后通过进料设备输送到雾化室中,在雾化室中通过雾化气体供应设备的喷嘴喷出的雾化气体将合金熔体击碎为液滴,并将液滴凝固为合金粉末,将合金粉末与雾化气体的组合记为雾化混合物,在雾化室的观察窗内布置高光谱相机,根据高光谱相机采集雾化混合物的图像记为混合物反射率图像;
根据混合物反射率图像内部像元之间距离和反射率获取像元的粉末置信指数和粉末置信特征图;根据粉末置信特征图中生长区域像元之间的距离和粉末置信指数获取粉末显著特征图;对混合物反射率图像、粉末置信特征图以及粉末显著特征图使用特征权重算法获取每张图像的特征权重,根据特征图像对三张图像进行加权获取粉末分布融合图,对于每个粉末分布融合图计算粉末特征融合均值,将预设时段内的粉末特征融合均值排序获取粉末特征融合序列,根据粉末特征融合序列获取合金熔体进料速度;
每经过预设时间获取一次合金熔体进料速度,在进料设备中将之前的合金熔体进料速度调整到当前获取的合金熔体进料速度,根据当前获取的合金熔体进料速度输入合金熔体到雾化室中获取雾化混合物,利用收集设备中的过滤器将雾化混合物分为雾化气体和合金粉末,通过分离器将合金粉末按照粒度分类分别装在不同的粉末收集罐中,完成合金雾化。
2.如权利要求1所述的一种合金粉末雾化方法,其特征在于,所述合金熔体的温度要高于熔点100度以上,雾化气体的气体压力为1.0~5.0MPa。
3.如权利要求1所述的一种合金粉末雾化方法,其特征在于,所述雾化气体供应设备是由气雾化喷盘和带孔喷嘴组成的,气雾化处理是通过气雾化喷盘的喷嘴喷出的高压惰性气体将从进料设备流出的合金熔体击碎为细小液滴,液滴在飞行过程中冷却凝固为合金粉末,其中喷嘴直径为5-10mm。
4.如权利要求1所述的一种合金粉末雾化方法,其特征在于,所述雾化混合物的获取方法为:
通过进料设备将合金熔体传输到雾化室,在雾化室中,雾化气体供应设备提供一种平均气流速度至少300m/s的高压惰性气体,雾化气体和合金熔体的体积比为1:6,通过雾化气体击碎合金熔体后获取合金粉末,获取到的合金粉末的平均粒径小于50微米。
5.如权利要求1所述的一种合金粉末雾化方法,其特征在于,所述根据高光谱相机采集雾化混合物的图像记为混合物反射率图像的方法为:
在雾化室的观察窗中布置高光谱相机采集雾化混合物高光谱图像,对雾化混合物高光谱图像使用PCA主成分分析进行降维,降维后,对于雾化混合物高光谱图像的每个像元,获取其最大反射率对应的波段记为第一波段,获取每个雾化混合物高光谱图像的像元的第一波段;
将对应最多数量像元的第一波段记为最优波段,对于每个雾化混合物高光谱图像的像元,将最优波段下的反射率作为像元的最优反射率,将像元的最优反射率作为像元的灰度值构成混合物反射率图像。
6.如权利要求1所述的一种合金粉末雾化方法,其特征在于,所述根据混合物反射率图像内部像元之间距离和反射率获取像元的粉末置信指数和粉末置信特征图的方法为:
将像元的反射率作为输入使用大津阈值算法获取所有像元反射率的分割阈值,将反射率大于分割阈值的像元记为高反射率像元;对于每个像元获取预设大小的邻域窗口;根据邻域窗口内像元的反射率和距离获取粉末置信指数;
式中,表示以第i个像元为中心的邻域窗口中第j个像元的反射率,/>表示混合物反射率图像的分割阈值,/>表示邻域窗口内中心像元与非中心像元之间的最大欧氏距离,/>表示以第i个像元为中心的邻域窗口中第j个像元与第i个像元的欧氏距离,N为邻域窗口内所有像元的数量,/>表示以第i个像元为中心的邻域窗口中高反射率像元的个数,/>表示线性归一化函数,/>表示第i个像元的粉末置信指数;
将混合物反射率图像中每个像元的反射率更改为每个像元的粉末置信指数,获取的图像为粉末置信特征图。
7.如权利要求1所述的一种合金粉末雾化方法,其特征在于,所述根据粉末置信特征图中生长区域像元之间的距离和粉末置信指数获取粉末显著特征图的方法为:
对粉末置信特征图使用K-means聚类,K值设置为2,聚类距离为像元之间的粉末置信指数的差异;
计算每个聚类簇的所有像元的粉末置信指数的均值,将均值大的聚类簇中的像元记为高概率合金粉末像元,将均值小的聚类簇中的像元记为低概率合金粉末像元;
对混合物反射率图像使用Canny算子进行边缘检测,将边缘点作为区域生长算法的初始生长点,若生长点的相邻像元存在高概率合金粉末像元,则将高概率合金粉末像元作为新的生长点继续生长,若生长点的相邻像元不存在高概率合金粉末像元,则停止生长;
对于每个生长区域,使用Welzl算法获取生长区域的最小内接圆,将最小内接圆的圆心记为生长区域圆心;
计算每个生长区域中每个像元与生长区域圆心的欧氏距离,将所得到的欧氏距离按照从小到大的顺序排序获取像元距离序列;
将生长区域中的每个像元的粉末置信指数按照从大到小的顺序排序获取像元粉末置信序列;
根据生长区域中像元距离序列和粉末置信序列获取生长区域的区域置信扩散指数;
式中,表示第k个生长区域内第x个像元在像元距离序列中的编号,/>表示第k个生长区域内第x个像元在像元粉末置信序列中的编号,/>表示第k个生长区域内像元的数量,/>表示第k个生长区域内的粉末置信指数的均值,/>表示第k个生长区域的区域置信扩散指数;
根据生长区域的区域置信扩散指数获取生长区域的区域置信补偿指数,根据像元所在生长区域的区域置信扩散指数和区域置信补偿指数获取像元的粉末显著指数;将混合物反射率图像中每个像元的反射率更改为每个像元的粉末显著指数,获取的图像为粉末显著特征图。
8.如权利要求7所述的一种合金粉末雾化方法,其特征在于,所述根据生长区域的区域置信扩散指数获取生长区域的区域置信补偿指数,根据像元所在生长区域的区域置信扩散指数和区域置信补偿指数获取像元的粉末显著指数的方法为:
式中,表示第k个生长区域的区域置信扩散指数,/>表示第y个生长区域的区域置信扩散指数,/>表示第k个生长区域内高概率合金粉末像元的数量,/>表示以自然常数为底的指数函数,/>表示生长区域的数量,/>表示线性归一化函数,/>表示第k个生长区域的区域置信补偿指数,/>表示第i个像元所在生长区域的区域置信补偿指数,/>表示第i个像元的粉末置信指数,/>表示第i个像元,/>表示混合物反射率图像中的边缘点构成的集合,/>表示第i个像元的粉末显著指数。
9.如权利要求1所述的一种合金粉末雾化方法,其特征在于,所述对混合物反射率图像、粉末置信特征图以及粉末显著特征图使用特征权重算法获取每张图像的特征权重,根据特征图像对三张图像进行加权获取粉末分布融合图,对于每个粉末分布融合图计算粉末特征融合均值,将预设时段内的粉末特征融合均值排序获取粉末特征融合序列,根据粉末特征融合序列获取合金熔体进料速度的方法为:
将混合物反射率图像、粉末置信特征图以及粉末显著特征图分别使用ReliefF算法获取每张图像的特征权重;
根据每张图像的特征权重对图像进行加权融合获取粉末分布融合图;计算粉末分布融合图中所有像元的灰度值记为粉末特征融合均值;
采集一个预设时段的雾化混合物高光谱图像,按照时间顺序将预设时段内每张雾化混合物高光谱图像的粉末特征融合均值排序获取粉末特征融合序列;
将粉末特征融合序列作为BP神经网络的输入,优化算法为SGD算法,神经网络的输出为合金熔体进料速度。
10.一种合金粉末雾化装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述一种合金粉末雾化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753755.4A CN117428199B (zh) | 2023-12-20 | 2023-12-20 | 一种合金粉末雾化装置及雾化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753755.4A CN117428199B (zh) | 2023-12-20 | 2023-12-20 | 一种合金粉末雾化装置及雾化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117428199A true CN117428199A (zh) | 2024-01-23 |
CN117428199B CN117428199B (zh) | 2024-03-26 |
Family
ID=89550178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311753755.4A Active CN117428199B (zh) | 2023-12-20 | 2023-12-20 | 一种合金粉末雾化装置及雾化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117428199B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848974A (zh) * | 2024-03-07 | 2024-04-09 | 陕西长空齿轮有限责任公司 | 一种合金表面氧化金相检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5423520A (en) * | 1993-04-13 | 1995-06-13 | Iowa State University Research Foundation, Inc. | In-situ control system for atomization |
US5516354A (en) * | 1993-03-29 | 1996-05-14 | General Electric Company | Apparatus and method for atomizing liquid metal with viewing instrument |
CN106670480A (zh) * | 2017-01-22 | 2017-05-17 | 广州纳联材料科技有限公司 | 金属粉末及其气雾化制备方法 |
CN107273845A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于置信区域和多特征加权融合的人脸表情识别方法 |
CN111784723A (zh) * | 2020-02-24 | 2020-10-16 | 成科扬 | 一种基于置信度加权融合和视觉注意的前景提取算法 |
CN112199902A (zh) * | 2020-09-14 | 2021-01-08 | 中国航发北京航空材料研究院 | 基于cfd技术的气雾化卫星粉末形成和抑制的模拟分析方法 |
CN113139608A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 基于多任务学习的特征融合方法及装置 |
JP2022039952A (ja) * | 2020-08-28 | 2022-03-10 | 住友金属鉱山株式会社 | アトマイズ装置、金属粉体の製造方法、並びに有価金属の製造方法 |
KR20220072047A (ko) * | 2020-11-23 | 2022-06-02 | 한국생산기술연구원 | 가스 아토마이저 공정에서의 실시간 모니터링 시스템 및 방법 |
-
2023
- 2023-12-20 CN CN202311753755.4A patent/CN117428199B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5516354A (en) * | 1993-03-29 | 1996-05-14 | General Electric Company | Apparatus and method for atomizing liquid metal with viewing instrument |
US5423520A (en) * | 1993-04-13 | 1995-06-13 | Iowa State University Research Foundation, Inc. | In-situ control system for atomization |
CN106670480A (zh) * | 2017-01-22 | 2017-05-17 | 广州纳联材料科技有限公司 | 金属粉末及其气雾化制备方法 |
CN107273845A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于置信区域和多特征加权融合的人脸表情识别方法 |
CN111784723A (zh) * | 2020-02-24 | 2020-10-16 | 成科扬 | 一种基于置信度加权融合和视觉注意的前景提取算法 |
JP2022039952A (ja) * | 2020-08-28 | 2022-03-10 | 住友金属鉱山株式会社 | アトマイズ装置、金属粉体の製造方法、並びに有価金属の製造方法 |
CN112199902A (zh) * | 2020-09-14 | 2021-01-08 | 中国航发北京航空材料研究院 | 基于cfd技术的气雾化卫星粉末形成和抑制的模拟分析方法 |
KR20220072047A (ko) * | 2020-11-23 | 2022-06-02 | 한국생산기술연구원 | 가스 아토마이저 공정에서의 실시간 모니터링 시스템 및 방법 |
CN113139608A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 基于多任务学习的特征融合方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈蔓等: "多特征结合引导滤波的多聚焦图像融合", 通信技术, vol. 53, no. 3, 10 March 2020 (2020-03-10), pages 599 - 605 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848974A (zh) * | 2024-03-07 | 2024-04-09 | 陕西长空齿轮有限责任公司 | 一种合金表面氧化金相检测方法及系统 |
CN117848974B (zh) * | 2024-03-07 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种合金表面氧化金相检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117428199B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117428199B (zh) | 一种合金粉末雾化装置及雾化方法 | |
CN106897737B (zh) | 一种基于超限学习机的高光谱遥感图像地物分类方法 | |
CN111366931A (zh) | 一种基于云雷达的云降水精细化反演方法 | |
CN104034638B (zh) | 基于机器视觉的金刚线颗粒在线质检方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN112749654A (zh) | 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置 | |
WO2023029117A1 (zh) | 一种利用图像识别技术分析矾花特征的方法及装置 | |
CN108182674A (zh) | 基于U-Net深度学习网络的粒度检测分析方法 | |
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
CN114494305A (zh) | 一种球团生球粒径在线检测方法及系统 | |
CN114897890A (zh) | 一种基于人工智能的改性塑料生产调控方法 | |
CN102169543A (zh) | 基于多源信息融合和在线学习的人头计数方法 | |
CN112990591A (zh) | 一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型 | |
Liu et al. | Plant leaf veins coupling feature representation and measurement method based on DeepLabV3+ | |
CN115937211A (zh) | 基于人工智能的精子质量评估方法、系统及设备 | |
CN114863277A (zh) | 一种基于机器视觉的不规则颗粒群超限颗粒快速检测方法 | |
CN114511850B (zh) | 一种阳光玫瑰葡萄果实大小粒图像识别方法 | |
CN111007068B (zh) | 基于深度学习的黄色培育钻石品级分类方法 | |
Zhang et al. | Early-Warning System for Copper Alloy Abnormal Molten Pool in Wire-Arc Additive Manufacturing via Convolutional Neural Network Method | |
Zhang et al. | Impurity/breakage assessment of vehicle-mounted dynamic rice grain flow on combine harvester based on improved Deeplabv3+ and YOLOv4 | |
CN117095362B (zh) | 一种细胞分选仪的液滴监测方法、系统及存储介质 | |
CN112606254A (zh) | 粉末涂料用聚酯树脂智能造粒系统 | |
Wang | Deep learning based surface characterization for additive manufacturing | |
Kong et al. | Fast and Accurate Defects Detection for Additive Manufactured Parts by Multispectrum and Machine Learning | |
CN111126435B (zh) | 基于深度学习的黄色培育钻石品级分类系统 |
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 |