CN115308247B - 一种氧化铝粉体除渣质量检测方法 - Google Patents

一种氧化铝粉体除渣质量检测方法 Download PDF

Info

Publication number
CN115308247B
CN115308247B CN202211237731.9A CN202211237731A CN115308247B CN 115308247 B CN115308247 B CN 115308247B CN 202211237731 A CN202211237731 A CN 202211237731A CN 115308247 B CN115308247 B CN 115308247B
Authority
CN
China
Prior art keywords
target
triangular patch
patch
triangular
target triangular
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
CN202211237731.9A
Other languages
English (en)
Other versions
CN115308247A (zh
Inventor
潘防修
金帅佑
潘伟乐
王怀印
周根华
潘大辉
李延忠
潘鹏博
秦爽
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 Zhaohua Precision Casting Technology Co ltd
Original Assignee
Jiangsu Zhaohua Precision Casting Technology Co ltd
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 Zhaohua Precision Casting Technology Co ltd filed Critical Jiangsu Zhaohua Precision Casting Technology Co ltd
Priority to CN202211237731.9A priority Critical patent/CN115308247B/zh
Publication of CN115308247A publication Critical patent/CN115308247A/zh
Application granted granted Critical
Publication of CN115308247B publication Critical patent/CN115308247B/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
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种氧化铝粉体除渣质量检测方法。该方法包括：获得氧化铝样本的三角面片数据集；三角面片数据集各目标三角面片的各顶点的坐标组成目标三角面片的特征向量；获得粒度半径离散度和相邻的三角面片的非球体疑似度；将所有目标三角面片的特征向量、与每个目标三角面片相邻的所有三角面片的非球体疑似度输入到杂质检测网络中，结合特征向量的聚合次数，输出一个氧化铝样本对应的目标三角面片的分类结果；利用多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的三角面片的数量对氧化铝的除渣后的质量进行评价。本发明能够缩短氧化铝中杂质的检测时间，提高检测的效率。

Description

一种氧化铝粉体除渣质量检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种氧化铝粉体除渣质量检测方法。
背景技术
高纯度的氧化铝粉体具有很广的用途，可以广泛的应用于各行各业，但是氧化铝粉体在生产、包装和运输过程中，由于环境的复杂性以及其他的一些原因，可能会混入一些杂质，例如非常小的焙烧窑脱落块、尼龙袋碎屑以及制备过程的产生的副产物等等，这些杂质对于氧化铝的使用有很大的影响，因此制备工厂都会对其进行除渣，在过筛之后需要对氧化铝里面的杂质情况进行进一步的判断，由此得到氧化铝粉体的除渣效果，然后基于除渣效果确定下一步的操作。
氧化铝粉体细小，为白色，给检测杂质带来了一些阻碍，传统的检测氧化铝中杂质的方法基本上都是利用化学法，例如专利CN104215541A，利用氧化铝的化学性质和物理性质来检测氧化铝中杂质的含量，虽然保证了检测的准确性，但是操作过程复杂，而且有些化学反应等待的时间较长，效率比较低。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种氧化铝粉体除渣质量检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种氧化铝粉体除渣质量检测方法：获得一个氧化铝样本的多个角度的电镜图像集合；将多角度的电镜图像集合输入三维数据生成网络，输出氧化铝样本的三角面片数据集；任选三角面片数据集中的一个三角面片作为目标三角面片；由目标三角面片的各顶点的坐标组成目标三角面片的特征向量；获得氧化铝样本的半对数粒度频度曲线，其中横坐标和纵坐标分别为氧化铝样本的粒度和每种粒度对应的频度；
基于半对数粒度频度曲线中横坐标的最大值和最小值的差、以及横坐标的中值获得粒度半径离散度；利用目标三角面片的顶点的坐标和半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和获得目标三角面片对应的球心；获得与目标三角面片相邻的一个三角面片中不在目标三角面片上的顶点，记为差异顶点，基于所述差异顶点到目标三角面片对应的球心的距离获得该相邻的三角面片的非球体疑似度；
利用粒度半径离散度得到目标三角面片的特征向量的聚合次数；构建杂质检测网络，将所有目标三角面片的特征向量、与每个目标三角面片相邻的所有三角面片的非球体疑似度输入到杂质检测网络中，结合特征向量的聚合次数，输出一个氧化铝样本对应的目标三角面片的分类结果；利用多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量对氧化铝的除渣后的质量进行评价。
优选地，获得粒度半径离散度，包括：获得半对数粒度频度曲线中横坐标的最大值和最小值的差，与第一设定值的比值；所述比值与半对数粒度频度曲线中横坐标的中值的差值的绝对值为粒度半径离散度，其中一个氧化铝样本的三角面片数据集对应一个聚合次数调节系数。
优选地，获得目标三角面片对应的球心，包括：设定一个目标三角面片对应的球心，记为待解球心；利用目标三角面片中每个顶点与待解球心之间的距离、半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和构建方程组：
所述方程组为：
Figure 238165DEST_PATH_IMAGE001
其中，
Figure 499644DEST_PATH_IMAGE002
、
Figure 842770DEST_PATH_IMAGE003
和
Figure 843087DEST_PATH_IMAGE004
分别为目标三角面片的三个顶点的坐 标；
Figure 655185DEST_PATH_IMAGE005
表示待解球心的坐标；
Figure 514163DEST_PATH_IMAGE006
表示半对数粒度频度曲线中所有横坐标与对应的 纵坐标的乘积的和；
对所述方程组求解，可以获得一个目标三角面片对应的球心的坐标，其中一个目标三角面片对应两个球心。
优选地，获得该相邻的三角面片的非球体疑似度，包括：相邻的一个三角面片指的是与目标三角片面有相同顶点的三角面片；若目标三角面片与一个相邻的三角面片的差异顶点只有一个，则相邻的三角面片的非球体疑似度为：
Figure 728107DEST_PATH_IMAGE007
其中，
Figure 164904DEST_PATH_IMAGE008
表示相邻的三角面片的非球体疑似度；
Figure 447987DEST_PATH_IMAGE009
表示取最小值函数；
Figure 362853DEST_PATH_IMAGE006
表示半对数粒度频度曲线中横坐标的均值；
Figure 447615DEST_PATH_IMAGE010
和
Figure 55314DEST_PATH_IMAGE011
分别表示差异顶点与目标三角面片 对应的两个球心之间的距离；
若目标三角面片与一个相邻的三角面片的差异顶点有两个，将其分别记为第一差异顶点和第二差异顶点，则相邻的三角面片的非球体疑似度为：
Figure 576425DEST_PATH_IMAGE012
Figure 544250DEST_PATH_IMAGE013
Figure 732786DEST_PATH_IMAGE014
其中，
Figure 245807DEST_PATH_IMAGE008
表示相邻的三角面片的非球体疑似度；
Figure 2017DEST_PATH_IMAGE015
表示取最大值函数；
Figure 524265DEST_PATH_IMAGE016
表示第一差异顶点对应的待确定非球体疑似度，
Figure 832887DEST_PATH_IMAGE017
表示第二差异顶点对应的待确 定非球体疑似度；
Figure 766076DEST_PATH_IMAGE018
和
Figure 792938DEST_PATH_IMAGE019
分别表示第一差异顶点与目标三角面片对应的两个球心之间的 距离；
Figure 587719DEST_PATH_IMAGE020
和
Figure 501579DEST_PATH_IMAGE021
分别表示第二差异顶点与目标三角面片对应的两个球心之间的距离。
优选地，聚合次数为：
Figure 356403DEST_PATH_IMAGE022
其中，
Figure 339402DEST_PATH_IMAGE023
表示目标三角面片的特征向量的聚合次数；
Figure 452721DEST_PATH_IMAGE024
表示向下取整；
Figure 470355DEST_PATH_IMAGE025
表示调节系数；
Figure 761660DEST_PATH_IMAGE026
表示粒度半径离散度；一个氧化铝样本的所有目标三角面片的特征向 量的聚合次数相等。
优选地，杂质检测网络，包括：所述杂质检测网络的网络结构为输入层、注意力层、全连接层、分类器和输出层。
优选地，输出一个氧化铝样本对应的目标三角面片的分类结果，包括：将所有目标三角面片的特征向量、与每个目标三角面片相邻的所有三角面片的非球体疑似度输入到杂质检测网络，获取杂质检测网络注意力层对目标三角面片的特征向量进行聚合的权重，根据所述进行聚合的权重、聚合次数、目标三角面片的特征向量和目标三角面片相邻的所有三角面片的特征向量通过杂质检测网络获得目标三角面片聚合后的特征向量；
所述权重为：
Figure 979758DEST_PATH_IMAGE027
其中，
Figure 381920DEST_PATH_IMAGE028
表示与目标三角面片a相邻的三角面片b对应的权重；
Figure 254061DEST_PATH_IMAGE029
表示激活 函数；
Figure 699955DEST_PATH_IMAGE030
表示目标三角面片a的特征向量，
Figure 657547DEST_PATH_IMAGE031
表示与目标三角面片a相邻的三角面片b的特征 向量；
Figure 863400DEST_PATH_IMAGE032
表示通过杂质检测网络获取的线性变化矩阵，
Figure 606359DEST_PATH_IMAGE033
表示通过杂质检测网络获取的差 异性向量，T表示转置；
Figure 239466DEST_PATH_IMAGE034
表示与目标三角面片a相邻的三角面片b的非球体疑似度；
Figure 684354DEST_PATH_IMAGE035
表示与目标三角面片a相邻的三角面片的特征向量组成的集合；
所有目标三角面片聚合后的特征向量输入全连接层和分类器，由输出层输出一个氧化铝样本对应的所有目标三角面片的分类结果。
优选地，利用多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量对氧化铝的除渣后的质量进行评价，包括：获得多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量与多次抽样的多个氧化铝样本对应的目标三角面片总数量的比值，记为氧化铝的杂质含量；设定杂质阈值，若氧化铝的杂质含量大于等于杂质阈值，则对氧化铝进行再次处理。
本发明实施例至少具有如下有益效果：本发明基于抽样的氧化铝样本的多个角度的电镜图像，通过三维数据生成网络得到氧化铝样本的三角面片数据集，然后基于目标三角面片的特征向量，在杂质检测网络中分析目标三角面片是否为组成氧化铝球体的三角面片，进而得到一个氧化铝样本对应的三角面片数据集中有多少是不属于氧化铝球体的目标三角面片，也即是检测一个氧化铝样本中属于杂质的目标三角面片的数量，本发明中基于训练好的杂质检测网络就能够较为简单的检测出氧化铝中的杂质，避免了利用化学方法检测氧化铝中杂质的繁琐复杂的操作；然后基于杂质检测网络输出的结果，进而判断氧化铝除渣后的质量，相比于利用化学法对氧化铝中杂质含量检测，利用化学法检测时需要等待化学反应时间，检测用时较长，而本发明检测的流程更加简单，得到检测结果的时长较短，效率更高。
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为本发明实施例提供的一种氧化铝粉体除渣质量检测方法的方法流程图。
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氧化铝粉体除渣质量检测方法，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。
下面结合附图具体的说明本发明所提供的一种氧化铝粉体除渣质量检测方法的具体方案。
实施例：
本发明的主要应用场景为：对于工厂生产并进行除渣的氧化铝进行抽样检测，并且对于同一批氧化铝进行多次抽样，基于每次抽样的每个氧化铝样本多角度的电镜图像进行分析，获得氧化铝粉体中杂质的含量。
请参阅图1，其示出了本发明实施例提供的一种氧化铝粉体除渣质量检测方法的方法流程图，该方法包括以下步骤：
步骤S1，获得一个氧化铝样本的多个角度的电镜图像集合；将多角度的电镜图像集合输入三维数据生成网络，输出氧化铝样本的三角面片数据集；任选三角面片数据集中的一个三角面片作为目标三角面片；由目标三角面片的各顶点的坐标组成目标三角面片的特征向量；获得氧化铝样本的半对数粒度频度曲线，其中横坐标和纵坐标分别为氧化铝样本的粒度和每种粒度对应的频度。
对于氧化铝粉体的除渣，一般指通过筛网过滤，化学试剂溶解等手段，将氧化铝粉体和其中的杂质分离的过程。评价除渣过程的质量好坏，即是评价氧化铝粉体中的剩余杂质的占比情况。本方法选取过筛后的氧化铝粉体，进行随机抽样选取小批量的氧化铝粉体作为氧化铝样本，对氧化铝样本中杂质的含量进行检测，从而分析整体的氧化铝的杂质含量。
在用化学手段制备高纯氧化铝中，会产生一些其他的化学物质，这些就是副产物，例如二氧化硅、氧化铜、一氧化钠、氧化镁等氧化物。副产物的细小颗粒紧密堆积还可能附着在氧化铝球体上。高纯氧化铝的物理化学性质会因杂质元素的存在受到严重影响，如：三氧化二铁会导致发光材料的发光性能降低，二氧化硅会导致氧化铝烧结性能的变差等，从而使高纯氧化铝在应用领域中大大受限。同时，在生产和传送带运输过程中氧化铝粉体会沾上焙烧窑脱落块、塑料布、扫帚屑及尼龙袋碎屑等杂物，将这些称为碎屑；本发明中氧化铝粉体的杂质包括副产物和碎屑。
选取适量的除渣后的氧化铝粉体，通过抖动等常规手段将氧化铝粉平铺在载玻片上，进行压片处理，得到样本压片；将一个样本压片作为一个氧化铝样本；然后布置德国卡尔蔡司公司的SUPRA 55型场发射扫描电子显微镜(工作电压为5.0kV)，将氧化铝样本放于扫描电镜样品台中，在真空环境观察特定放大倍数下样品的微观形貌，得到氧化铝样本的电镜图像。如果在理想条件下，没有任何杂质，氧化铝在电镜图像中，是一个个表面光滑的规则的球体。
扫描电子显微镜（scanning electron microscope，SEM）是一种用于高分辨率微区形貌分析的大型精密仪器。是一种介于透射电子显微镜和光学显微镜之间的一种观察手段。其利用聚焦的很窄的高能电子束来扫描样品，通过光束与物质间的相互作用，来激发各种物理信息，对这些信息收集、放大、再成像以达到对物质微观形貌表征的目的。具有景深大、分辨率高，成像直观、立体感强、放大倍数范围宽以及待测样品可在三维空间内进行旋转和倾斜等特点。
为了更加精确的识别氧化铝样本中的杂质，一个角度的氧化铝样本的电镜图像是不够的，需要从多个角度获得一个氧化铝样本的电镜图像，改变扫描电子显微镜的扫描角度，实现多视图表示，得到一个氧化铝样本的多个角度的电镜图像集合。
由于不存在杂质的氧化铝在电镜图像下是一个个表面光滑的规则的球体，因此需要基于电镜图像中二维数据得到氧化铝的三维数据然后进行后续的分析，因此构建三维数据生成网络，本发明中的三维数据生成网络为X2CT-GAN网络，这是腾讯优图AI实验室在CVPR2019上公布的一种能够根据二维图像数据集生成三维数据的生成对抗网络，生成对抗网络的核心理念是生成器和判别器的对抗，生成器的功能是根据输入的图像和数据生成新的图像；判别器的功能是判断生成图像是不是真实的，与真实的图像相比误差是否较大，并将误差反向传播，优化生成器的参数。生成器刚开始的生成过程是无序的，随着训练的进行，生成器生成的图像越来越接近“目标生成图像”，直到判别器无法判断真假，或者说生成的图像为真为假的概率都是0.5，达到了纳什均衡，此时博弈完成。
通过三维电镜扫描得到氧化铝样本的“目标生成图像”，基于氧化铝样本的“目标生成图像”和多个角度的电镜图像集合构建数据集对三维数据生成网络进行训练，其中，80%作为训练集，20%作为测试集，使用均方差损失函数，优化器使用RMSprop，经过训练最终得到生成效果良好的三维数据生成网络。
将多角度的电镜图像集合输入训练好的三维数据生成网络，得到氧化铝样本的三 角面片数据集，氧化铝样本的三角面片数据集是三维mesh数据，mesh数据是一种三角形网 格，是计算机图形学中用于各种不规律物体建模的一种数据结构。由多个三角面片组成，在 多边形网格的面片中三角面片是被分割的最小单位，且表示比较简单、灵活并且拓扑描述 方便，所以被广泛使用。mesh数据由顶点（vertex）、边（edge）和面（face）组成，由矩阵记录 着顶点之间连接的数据。每个顶点有(x，y，z)三个坐标，一个三角面片包括三个顶点，所有 的三角面片的面积差异很小。在氧化铝的三维模型中，组成氧化铝的三角面片和组成杂质 的三角面片的特征的差异肯定是比较大的，又因为三角面片的三个顶点的坐标能够在三维 空间中很好的表示三角面片的特征，所以由各顶点的坐标组成三角面片的特征向量
Figure 943166DEST_PATH_IMAGE036
，其中
Figure 524320DEST_PATH_IMAGE037
分别表示一个三角面片三个顶点在三维空间中的坐标，需要 说明的是，在构建一个特征向量是需要保证顶点的下标
Figure 593907DEST_PATH_IMAGE038
，这样方便后续分析。
在分析时，任选三角面片数据集中的一个三角面片作为目标三角面片，三角面片数据集中每个三角面片都可以作为目标三角面片。
为了进一步的分析氧化铝样本的三维数据，因此还需要对氧化铝样本的粒度进行分析，将氧化铝样本放入颗粒计数器中，得到半对数粒度频度曲线，横坐标为粒度（单位：μm），纵坐标为每种粒度出现的频度，颗粒计数器为现有仪器，其工作原理在此不再进行具体阐述；颗粒计数器可以检测出氧化铝除渣后的粉体中每种粒度的物质的占比，粗略地估计了氧化铝粉体除渣的质量，一般情况下，氧化铝中的渣滓占比是少数的，因此通过颗粒计数器获得了粒度半径的分布，便于后续分析氧化铝中的杂质。经由颗粒计数器得到的半对数粒度频度曲线的分布情况能十分模糊的得到氧化铝样本中是否含有杂质，但是无法精确的反映杂质的存在情况。
步骤S2，基于半对数粒度频度曲线中横坐标的最大值和最小值的差、以及横坐标的中值获得粒度半径离散度；利用目标三角面片的顶点的坐标和半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和获得目标三角面片对应的球心；获得与目标三角面片相邻的一个三角面片中不在目标三角面片上的顶点，记为差异顶点，基于所述差异顶点到目标三角面片对应的球心的距离获得该相邻的三角面片的非球体疑似度。
对于获得的氧化铝样本的半对数粒度频度曲线需要进一步的进行分析，首先使用卡尔曼滤波算法对曲线进行平滑，然后得到氧化铝样本中物质的粒度半径的分布情况，用于后续的分析，基于半对数粒度频度曲线中横坐标的最大值和最小值的差、以及横坐标的中值获得粒度半径离散度，粒度半径离散度为：
Figure 526091DEST_PATH_IMAGE039
其中，
Figure 821550DEST_PATH_IMAGE026
表示一个氧化铝样本对应的粒度半径离散度；
Figure 522789DEST_PATH_IMAGE040
表示半对数粒度频度 曲线中横坐标的最大值，也即是氧化铝样本中物质的最大粒度半径，
Figure 763278DEST_PATH_IMAGE041
表示半对数粒度 频度曲线中横坐标的最小值，也即是氧化铝样本中物质的最小粒度半径；
Figure 432025DEST_PATH_IMAGE042
表示半对数 粒度频度曲线中横坐标的中值，也即是频度最高的粒度半径，在氧化铝样本中大多数的物 质还是氧化铝球体，也即是氧化铝颗粒，因此半对数粒度频度曲线中横坐标的中值可以用 来近似表示生产的氧化铝球体的半径；另外粒度半径离散度越大，说明粒度半径分布比较 离散，在对杂质进行分析时，就需要扩大范围，得到更准确的结果。
基于每种粒度的频度对每种粒度进行加权求和，得到粒度半径的均值：
Figure 517793DEST_PATH_IMAGE043
其中，
Figure 339119DEST_PATH_IMAGE006
表示平均粒度半径，也即是半对数粒度频度曲线中所有横坐标与对应 的纵坐标的乘积的和，其中
Figure 235662DEST_PATH_IMAGE044
表示半对数粒度频度曲线的第i个纵坐标，
Figure 611279DEST_PATH_IMAGE045
表示半对数粒度 频度曲线的第i个横坐标，
Figure 218847DEST_PATH_IMAGE046
表示半对数粒度频度曲线中共有n个横坐标和纵坐标；虽然半 对数粒度频度曲线中横坐标的中值可以用来近似表示生产的氧化铝球体的半径，但是为了 减小误差，本发明将
Figure 363521DEST_PATH_IMAGE006
作为氧化铝样本中的氧化铝球体的半径。
因为空间中三个不重合的点确定一个球体，所以可以利用此性质判断两个三角面片是否属于同一个球体。选择一个三角面片作为目标三角面片，得到与其相邻的三角面片，相邻的三角面片指的是与目标三角面片顶点相同的三角面片，可以有一个顶点相同，有两个顶点相同，三个顶点相同。一个目标三角面片所有相邻的三角面片构成一个集合，一个目标三角面片周围有多少个相邻的三角面片是不确定的。
在一个球面上的三角面片可以拟合成一个氧化铝球体，需要说明的是，氧化铝球体的球面上的三角面片并不是球面三角形，而是近似的球面三角形，在理想情况下，如果两个相邻的三角面片属于同一个氧化铝球体的球面上的三角面片，则各个顶点到球心的距离应该是相等的。基于一个目标三角面片三个顶点以及半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和得到目标三角面片对应的球心，具体为：设定一个目标三角面片对应的球心，记为待解球心；利用目标三角面片中每个顶点与待解球心之间的距离、半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和构建方程组：
Figure 162456DEST_PATH_IMAGE047
其中，
Figure 290949DEST_PATH_IMAGE002
、
Figure 718519DEST_PATH_IMAGE003
和
Figure 498125DEST_PATH_IMAGE004
分别为目标三角面片的三个顶点的坐 标；
Figure 720159DEST_PATH_IMAGE005
表示待解球心的坐标；
Figure 601528DEST_PATH_IMAGE006
表示半对数粒度频度曲线中所有横坐标与对应的 纵坐标的乘积的和；
对所述方程组求解，可以获得一个目标三角面片对应的球心的坐标，因为求的解有两个，所以一个目标三角面片对应两个球心。
进一步的，需要判断与一个目标三角面片相邻的所有三角面片是否为球体上的三角面片，得到相邻的三角面片的非球体疑似度：
若目标三角面片与一个相邻的三角面片的差异顶点只有一个，则相邻的三角面片的非球体疑似度为：
Figure 583521DEST_PATH_IMAGE007
其中，
Figure 233945DEST_PATH_IMAGE008
表示相邻的三角面片的非球体疑似度；
Figure 158039DEST_PATH_IMAGE009
表示取最小值函数；
Figure 510392DEST_PATH_IMAGE006
表示半对数粒度频度曲线中横坐标的均值；
Figure 279765DEST_PATH_IMAGE010
和
Figure 50275DEST_PATH_IMAGE011
分别表示差异顶点与目标三角面片 对应的两个球心之间的距离；因为此时目标三角面片和相邻的三角面片之间只有一个顶点 不相同，如果两个三角面片在一个氧化铝球体上，
Figure 145270DEST_PATH_IMAGE048
和
Figure 483454DEST_PATH_IMAGE049
中的最小值对应 的目标三角面片的球心才是氧化铝球体的球心，因此
Figure 56517DEST_PATH_IMAGE048
和
Figure 681534DEST_PATH_IMAGE049
中的最小值 作为相邻的三角面片的非球体疑似度是最具有代表性的。
若目标三角面片与一个相邻的三角面片的差异顶点有两个，将其分别记为第一差异顶点和第二差异顶点，则相邻的三角面片的非球体疑似度为：
Figure 196698DEST_PATH_IMAGE050
Figure 8796DEST_PATH_IMAGE051
Figure 385550DEST_PATH_IMAGE052
其中，
Figure 350227DEST_PATH_IMAGE008
表示相邻的三角面片的非球体疑似度；
Figure 521445DEST_PATH_IMAGE015
表示取最大值函数；
Figure 820839DEST_PATH_IMAGE016
表示第一差异顶点对应的待确定非球体疑似度，
Figure 984973DEST_PATH_IMAGE017
表示第二差异顶点对应的待确 定非球体疑似度；
Figure 787844DEST_PATH_IMAGE018
和
Figure 104466DEST_PATH_IMAGE019
分别表示第一差异顶点与目标三角面片对应的两个球心之间的 距离；
Figure 891157DEST_PATH_IMAGE020
和
Figure 593402DEST_PATH_IMAGE021
分别表示第二差异顶点与目标三角面片对应的两个球心之间的距离。如果目 标三角面片和相邻的三角面片只有一个顶点相同，在理想情况下，如果是属于一个氧化铝 球体的，
Figure 516359DEST_PATH_IMAGE053
、
Figure 514533DEST_PATH_IMAGE054
、
Figure 381995DEST_PATH_IMAGE055
和
Figure 855308DEST_PATH_IMAGE056
的值都是接近于0的，但是又因为 此时有两个顶点不相同，所以得到两个顶点对应的待确定非球体疑似度后，需要两者中的 最大值为最终的相邻的三角面片对应的非球体疑似度，如果最大值都足够小，说明该相邻 的三角面片很可能是与目标三角面片处在同一个氧化铝球体上的。
至此可以得到每个目标三角面片的相邻的三角面片的非球体疑似度，用于后续分析。属于组成氧化铝球体的三角面片和杂质的三角面片非球体疑似度是非常大的。
步骤S3，利用粒度半径离散度得到目标三角面片的特征向量的聚合次数；构建杂质检测网络，将所有目标三角面片的特征向量、与每个目标三角面片相邻的所有三角面片的非球体疑似度输入到杂质检测网络中，结合特征向量的聚合次数，输出一个氧化铝样本对应的目标三角面片的分类结果；利用多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量对氧化铝的除渣后的质量进行评价。
构建杂质检测网络，基于氧化铝样本对应的所有三角面片的特征向量对三角面片进行识别，获得三角面片中属于杂质的三角面片。杂质检测网络为一种现有的神经网络结构，为图注意力神经网络Al2O3-IR-GAT，其结构包括：输入层—注意力层—全连接层—分类器—输出层。
杂质检测网络的输入层输入的是氧化铝样本对应的所有目标三角面片的特征向量，也即是氧化铝样本对应的三角面片数据集中的所有三角面片的特征向量，同时还需要输入与每个目标三角面片相邻的所有三角面片的非球体疑似度，然后由输入层自动构成张量，便于神经网络运算。
注意力层需要对所有目标三角面片的特征向量进行聚合，因此需要求得聚合次数，聚合次数为：
Figure 163930DEST_PATH_IMAGE057
其中，
Figure 113431DEST_PATH_IMAGE023
表示目标三角面片的特征向量的聚合次数；
Figure 389561DEST_PATH_IMAGE024
表示向下取整；
Figure 184341DEST_PATH_IMAGE025
表示调节系数；
Figure 347470DEST_PATH_IMAGE026
表示粒度半径离散度；一个氧化铝样本的所有目标三角面片的特征向 量的聚合次数相等；粒度半径离散度越大，说明不符合期望的粒度半径的氧化铝球体越多， 识别的难度更大，因此对整体信息的感知需要更加仔细，需要扩大感知域，增加聚合的次 数。
进一步的还需要获取杂质检测网络注意力层对目标三角面片的特征向量进行聚合时的权重，每一个目标三角面片相邻的三角面片都会对应一个聚合时的权重；对于一个目标三角面片，它的一个相邻的三角面片对应的权重为：
Figure 218605DEST_PATH_IMAGE058
其中，
Figure 201604DEST_PATH_IMAGE028
表示与目标三角面片a相邻的三角面片b对应的权重；
Figure 65655DEST_PATH_IMAGE029
表示激活 函数；
Figure 598136DEST_PATH_IMAGE030
表示目标三角面片a的特征向量，表示与目标三角面片a相邻的三角面片b的特征向 量；
Figure 623861DEST_PATH_IMAGE032
表示通过杂质检测网络获取的线性变化矩阵，
Figure 359736DEST_PATH_IMAGE033
表示通过杂质检测网络获取的差异 性向量，T表示转置；
Figure 509701DEST_PATH_IMAGE034
表示与目标三角面片a相邻的三角面片b的非球体疑似度；
Figure 381842DEST_PATH_IMAGE035
表 示与目标三角面片a相邻的三角面片的特征向量组成的集合。
Figure 578468DEST_PATH_IMAGE032
表示通过杂质检测网络获取的线性变化矩阵，在此起到对特征向量进行线性变 换降维的作用，矩阵中每个元素的取值由杂质检测网络训练得到，
Figure 519749DEST_PATH_IMAGE033
的作用是将
Figure 194443DEST_PATH_IMAGE059
所代表的高维特征映射到一个实数上，
Figure 671823DEST_PATH_IMAGE033
的取值由神经网络训练得到，优化算 法会使得取值向着利于识别的方向拟合；
Figure 304930DEST_PATH_IMAGE034
越大，表明目标三角面片a和相邻的三角 面片b越不可能是球体上的三角面片，因此给予该三角面片较大的注意力，也即是给予其更 大的权重。计算公式中分母的作用是为了将权重归一化。
由此可以得到每一个目标三角面片的特征向量在聚合时，其相邻的三角面片对应的权重。进一步的在杂质检测网络中对每一个目标三角面片的特征向量进行聚合更新，以一次聚合为例，则目标三角面片聚合后的特征向量为：
Figure 749818DEST_PATH_IMAGE060
其中，
Figure 211892DEST_PATH_IMAGE061
表示目标三角面片a的特征向量
Figure 324205DEST_PATH_IMAGE030
在一次聚合后的特征向量；
Figure 610436DEST_PATH_IMAGE028
表示 与目标三角面片a相邻的三角面片b对应的权重；表示与目标三角面片a相邻的三角面片b的 特征向量。其中聚合的次数为
Figure 542620DEST_PATH_IMAGE023
，经历这么多此聚合后可以得到所有目标三角面片 聚合后的特征向量，也即是氧化铝样本的三角面片数据集中所有三角面片的聚合后的特征 向量。
在注意力层对目标三角面片的特征向量聚合时，计算用于聚合的权重时考虑了相邻的三角面片的非球体疑似度，非球体疑似度越大说明相邻的三角面片属于组成杂质的三角面片的可能性越大，给予了它更大的关注度；同时还基于粒度半径离散度确定了聚合的次数，在粒度半径分布越离散的情况下，扩大感知域，获得更多的特征，这些保证了杂质检测网络能够很好的学习到三角面片的特征，从而保证对三角面片分类时的准确性，进而保证最后对氧化铝中杂质含量的检测结果的准确性。
杂质检测网络中全连接层和Softmax分类器的输入为所有目标三角面片聚合后的特征向量，然后由输出层输出一个氧化铝样本对应的所有目标三角面片的分类结果，因为三角面片数据集中每一个三角面片都能被称为目标三角面片，因此也就是对一个氧化铝样本对应的所有三角面片进行了分类；需要说明的是，本发明实施例中目标三角面片与三角面片表示的含义相同，每个三角面片都可以作为目标三角面片。
分类的结果为：氧化铝球体（01）、碎屑（02）、副产物（03）、其他（04），其中碎屑和副产物都属于杂质。
需要说明的是，对于杂质检测网络的训练具体为：人工的对属于杂质的三角面片进行标注，得到数据集用于训练杂质检测神经网络，其中，80%作为训练集，20%作为测试集，使用交叉熵损失函数，优化器使用Adam，经过训练最终得到生成效果良好的杂质检测网络。
针对于同一批的氧化铝会进行多次抽样得到多个氧化铝样本，其中抽样的次数需要实施者根据具体情况确定，因此利用杂质检测网络对每次抽样的氧化铝样本检测时，都可以得到属于杂质的三角面片的数量，由此可以对氧化铝的除渣后的质量进行评价；具体为：获得多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量与多次抽样的多个氧化铝样本对应的目标三角面片总数量的比值，记为氧化铝的杂质含量；设定杂质阈值ZY，优选地，本实施例中ZY的取值为1%，若氧化铝的杂质含量大于等于杂质阈值，则对氧化铝进行再次处理，这里的再次处理包括再次除杂或者改进除杂工艺等。
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。且上述对本说明书特定实施例进行了描述。另外，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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (5)

1.一种氧化铝粉体除渣质量检测方法，其特征在于，该方法包括：获得一个氧化铝样本的多个角度的电镜图像集合；将多角度的电镜图像集合输入三维数据生成网络，输出氧化铝样本的三角面片数据集；任选三角面片数据集中的一个三角面片作为目标三角面片；由目标三角面片的各顶点的坐标组成目标三角面片的特征向量；获得氧化铝样本的半对数粒度频度曲线，其中横坐标和纵坐标分别为氧化铝样本的粒度和每种粒度对应的频度；
基于半对数粒度频度曲线中横坐标的最大值和最小值的差、以及横坐标的中值获得粒度半径离散度；利用目标三角面片的顶点的坐标和半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和获得目标三角面片对应的球心；获得与目标三角面片相邻的一个三角面片中不在目标三角面片上的顶点，记为差异顶点，基于所述差异顶点到目标三角面片对应的球心的距离获得该相邻的三角面片的非球体疑似度；
利用粒度半径离散度得到目标三角面片的特征向量的聚合次数；构建杂质检测网络，将所有目标三角面片的特征向量、与每个目标三角面片相邻的所有三角面片的非球体疑似度输入到杂质检测网络中，结合特征向量的聚合次数，输出一个氧化铝样本对应的目标三角面片的分类结果；利用多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量对氧化铝的除渣后的质量进行评价；
所述获得目标三角面片对应的球心，包括：设定一个目标三角面片对应的球心，记为待解球心；利用目标三角面片中每个顶点与待解球心之间的距离、半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和构建方程组：
所述方程组为：
Figure 287816DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
、
Figure 620709DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
分别为目标三角面片的三个顶点的坐标；
Figure 372764DEST_PATH_IMAGE006
表示待解球心的坐标；
Figure DEST_PATH_IMAGE007
表示半对数粒度频度曲线中所有横坐标与对应的纵坐标的乘积的和；
对所述方程组求解，可以获得一个目标三角面片对应的球心的坐标，其中一个目标三角面片对应两个球心；
所述获得该相邻的三角面片的非球体疑似度，包括：相邻的一个三角面片指的是与目标三角片面有相同顶点的三角面片；若目标三角面片与一个相邻的三角面片的差异顶点只有一个，则相邻的三角面片的非球体疑似度为：
Figure DEST_PATH_IMAGE009
其中，
Figure 273855DEST_PATH_IMAGE010
表示相邻的三角面片的非球体疑似度；
Figure DEST_PATH_IMAGE011
表示取最小值函数；
Figure 947413DEST_PATH_IMAGE007
表示半对数粒度频度曲线中横坐标的均值；
Figure 615155DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
分别表示差异顶点与目标三角面片对应的两个球心之间的距离；
若目标三角面片与一个相邻的三角面片的差异顶点有两个，将其分别记为第一差异顶点和第二差异顶点，则相邻的三角面片的非球体疑似度为：
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE019
其中，
Figure 94153DEST_PATH_IMAGE010
表示相邻的三角面片的非球体疑似度；
Figure 821938DEST_PATH_IMAGE020
表示取最大值函数；
Figure DEST_PATH_IMAGE021
表示第一差异顶点对应的待确定非球体疑似度，
Figure 513950DEST_PATH_IMAGE022
表示第二差异顶点对应的待确定非球体疑似度；
Figure DEST_PATH_IMAGE023
和
Figure 188645DEST_PATH_IMAGE024
分别表示第一差异顶点与目标三角面片对应的两个球心之间的距离；
Figure DEST_PATH_IMAGE025
和
Figure 649713DEST_PATH_IMAGE026
分别表示第二差异顶点与目标三角面片对应的两个球心之间的距离；
所述聚合次数为：
Figure 751662DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示目标三角面片的特征向量的聚合次数；
Figure 930970DEST_PATH_IMAGE030
表示向下取整；
Figure DEST_PATH_IMAGE031
表示调节系数；
Figure 134988DEST_PATH_IMAGE032
表示粒度半径离散度；一个氧化铝样本的所有目标三角面片的特征向量的聚合次数相等。
2.根据权利要求1所述的一种氧化铝粉体除渣质量检测方法，其特征在于，所述获得粒度半径离散度，包括：获得半对数粒度频度曲线中横坐标的最大值和最小值的差，与第一设定值的比值；所述比值与半对数粒度频度曲线中横坐标的中值的差值的绝对值为粒度半径离散度，其中一个氧化铝样本的三角面片数据集对应一个聚合次数调节系数。
3.根据权利要求1所述的一种氧化铝粉体除渣质量检测方法，其特征在于，所述杂质检测网络，包括：所述杂质检测网络的网络结构为输入层、注意力层、全连接层、分类器和输出层。
4.根据权利要求1所述的一种氧化铝粉体除渣质量检测方法，其特征在于，所述输出一个氧化铝样本对应的目标三角面片的分类结果，包括：将所有目标三角面片的特征向量、与每个目标三角面片相邻的所有三角面片的非球体疑似度输入到杂质检测网络，获取杂质检测网络注意力层对目标三角面片的特征向量进行聚合的权重，根据所述进行聚合的权重、聚合次数、目标三角面片的特征向量和目标三角面片相邻的所有三角面片的特征向量通过杂质检测网络获得目标三角面片聚合后的特征向量；
所述权重为：
Figure 512880DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
表示与目标三角面片a相邻的三角面片b对应的权重；
Figure 785729DEST_PATH_IMAGE036
表示激活函数；
Figure DEST_PATH_IMAGE037
表示目标三角面片a的特征向量，
Figure 655596DEST_PATH_IMAGE038
表示与目标三角面片a相邻的三角面片b的特征向量；
Figure DEST_PATH_IMAGE039
表示通过杂质检测网络获取的线性变化矩阵，
Figure 672094DEST_PATH_IMAGE040
表示通过杂质检测网络获取的差异性向量，T表示转置；
Figure DEST_PATH_IMAGE041
表示与目标三角面片a相邻的三角面片b的非球体疑似度；
Figure 373333DEST_PATH_IMAGE042
表示与目标三角面片a相邻的三角面片的特征向量组成的集合；
所有目标三角面片聚合后的特征向量输入全连接层和分类器，由输出层输出一个氧化铝样本对应的所有目标三角面片的分类结果。
5.根据权利要求1所述的一种氧化铝粉体除渣质量检测方法，其特征在于，所述利用多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量对氧化铝的除渣后的质量进行评价，包括：获得多次抽样的多个氧化铝样本对应的目标三角面片的分类结果中属于杂质的目标三角面片的数量与多次抽样的多个氧化铝样本对应的目标三角面片总数量的比值，记为氧化铝的杂质含量；设定杂质阈值，若氧化铝的杂质含量大于等于杂质阈值，则对氧化铝进行再次处理。
CN202211237731.9A 2022-10-11 2022-10-11 一种氧化铝粉体除渣质量检测方法 Active CN115308247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211237731.9A CN115308247B (zh) 2022-10-11 2022-10-11 一种氧化铝粉体除渣质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211237731.9A CN115308247B (zh) 2022-10-11 2022-10-11 一种氧化铝粉体除渣质量检测方法

Publications (2)

Publication Number Publication Date
CN115308247A CN115308247A (zh) 2022-11-08
CN115308247B true CN115308247B (zh) 2022-12-16

Family

ID=83867993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211237731.9A Active CN115308247B (zh) 2022-10-11 2022-10-11 一种氧化铝粉体除渣质量检测方法

Country Status (1)

Country Link
CN (1) CN115308247B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN200939469Y (zh) * 2006-08-16 2007-08-29 中铝西南铝板带有限公司 铝热连轧机冷却润滑乳液的除油除渣除铝粉装置
CN104390953A (zh) * 2014-10-15 2015-03-04 乐山巨星新材料有限公司 一种检测高纯氧化铝粉体中杂质元素的方法
CN205084867U (zh) * 2015-11-12 2016-03-16 威海市正大环保设备股份有限公司 一种氧化铝输送两级在线自动除渣装置
WO2021057810A1 (zh) * 2019-09-29 2021-04-01 深圳数字生命研究院 数据处理、训练、识别方法、装置和存储介质
CN113378905A (zh) * 2021-06-04 2021-09-10 武汉大学 一种基于分布距离的小目标检测方法
CN113808133A (zh) * 2021-11-19 2021-12-17 西南交通大学 一种基于三维点云的地铁闸瓦故障检测方法
CN215390683U (zh) * 2021-06-23 2022-01-04 河南天马新材料股份有限公司 一种氧化铝粉体生产用除渣筛分装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11119016B2 (en) * 2017-10-18 2021-09-14 Suzhou H-C Soil & Water Science And Technology Co., Ltd Image measurement device and method for the surface deformation of specimen based on sub-pixel corner detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN200939469Y (zh) * 2006-08-16 2007-08-29 中铝西南铝板带有限公司 铝热连轧机冷却润滑乳液的除油除渣除铝粉装置
CN104390953A (zh) * 2014-10-15 2015-03-04 乐山巨星新材料有限公司 一种检测高纯氧化铝粉体中杂质元素的方法
CN205084867U (zh) * 2015-11-12 2016-03-16 威海市正大环保设备股份有限公司 一种氧化铝输送两级在线自动除渣装置
WO2021057810A1 (zh) * 2019-09-29 2021-04-01 深圳数字生命研究院 数据处理、训练、识别方法、装置和存储介质
CN113378905A (zh) * 2021-06-04 2021-09-10 武汉大学 一种基于分布距离的小目标检测方法
CN215390683U (zh) * 2021-06-23 2022-01-04 河南天马新材料股份有限公司 一种氧化铝粉体生产用除渣筛分装置
CN113808133A (zh) * 2021-11-19 2021-12-17 西南交通大学 一种基于三维点云的地铁闸瓦故障检测方法

Also Published As

Publication number Publication date
CN115308247A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN111612784B (zh) 一种基于分类优先yolo网络的钢板表面缺陷检测方法
CN108229561B (zh) 一种基于深度学习的颗粒产品缺陷检测方法
CN101620060B (zh) 颗粒大小分布自动检测方法
Chatterjee et al. Genetic algorithms for feature selection of image analysis-based quality monitoring model: An application to an iron mine
CN110286124A (zh) 基于机器视觉的耐火砖测量***
CN108416775B (zh) 一种基于深度学习的矿石粒度检测方法
CN117542049B (zh) 基于深度学习的图像识别方法及***
CN110263795B (zh) 一种基于隐式形状模型与图匹配的目标检测方法
CN104850854A (zh) 一种滑石矿品分选处理方法及滑石矿品分选***
CN109948527B (zh) 基于集成深度学习的小样本太赫兹图像异物检测方法
Lin et al. Surface defect detection of machined parts based on machining texture direction
Thurley et al. Identifying, visualizing, and comparing regions in irregularly spaced 3D surface data
Isa et al. Automated Intelligent real-time system for aggregate classification
Tsai et al. Deep learning from imbalanced data for automatic defect detection in multicrystalline solar wafer images
CN115308247B (zh) 一种氧化铝粉体除渣质量检测方法
JP3020973B2 (ja) 画像処理方法
CN111627018B (zh) 一种基于双流神经网络模型的钢板表面缺陷分类方法
CN115294392B (zh) 基于生成网络模型的可见光遥感图像云去除方法及***
CN113887309B (zh) 基于Mask R-CNN的淀粉颗粒识别方法
CN112287563B (zh) 探测单分散颗粒体系结晶相前驱体微观结构的方法及***
CN114092396A (zh) 一种包装盒撞角瑕疵检测的方法及装置
CN110348458B (zh) 一种基于局部方向极值模式的图像纹理分类方法
KR20190091943A (ko) 마이크로웰 어레이의 이미지 분석을 위한 분석 알고리즘 형성방법
CN114862755A (zh) 一种基于小样本学习的表面缺陷检测方法及***
Tomczak et al. Image defect detection methods for visual inspection systems

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