CN116657224B - 一种气凝胶粉渗透装置的控制方法及其*** - Google Patents
一种气凝胶粉渗透装置的控制方法及其*** Download PDFInfo
- Publication number
- CN116657224B CN116657224B CN202310902014.1A CN202310902014A CN116657224B CN 116657224 B CN116657224 B CN 116657224B CN 202310902014 A CN202310902014 A CN 202310902014A CN 116657224 B CN116657224 B CN 116657224B
- Authority
- CN
- China
- Prior art keywords
- attachment state
- powder
- training
- feature
- neural network
- 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
Links
- 239000000843 powder Substances 0.000 title claims abstract description 198
- 239000004964 aerogel Substances 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 230000005684 electric field Effects 0.000 claims abstract description 55
- 230000008595 infiltration Effects 0.000 claims abstract description 36
- 238000001764 infiltration Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000003247 decreasing effect Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 51
- 230000008859 change Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 34
- 230000008569 process Effects 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000009827 uniform distribution Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000012814 acoustic material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 239000011343 solid material Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012761 high-performance material Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D15/00—Electrolytic or electrophoretic production of coatings containing embedded materials, e.g. particles, whiskers, wires
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D13/00—Electrophoretic coating characterised by the process
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D13/00—Electrophoretic coating characterised by the process
- C25D13/22—Servicing or operating apparatus or multistep processes
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Electrochemistry (AREA)
- Metallurgy (AREA)
- Medical Informatics (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种气凝胶粉渗透装置的控制方法及其***,其通过摄像头采集气凝胶粉末的附着状态监控视频;对所述附着状态监控视频进行特征分析以得到附着状态特征;以及,基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小。这样,能够提高气凝胶粉末在孔载体支撑材料表面的附着均匀性,从而优化气凝胶的结构和性能。
Description
技术领域
本发明涉及智能化控制技术领域,尤其涉及一种气凝胶粉渗透装置的控制方法及其***。
背景技术
气凝胶是一种具有高孔隙率和低密度的材料,具有优异的绝热性能和吸附性能。在许多领域,如能源储存、热隔离和吸附分离等方面都有广泛应用。
气凝胶粉渗透装置是一种用于控制气凝胶粉末附着状态的装置,通过交流电场,气凝胶粉末可以渗透到多孔载体支撑材料。然而,传统的气凝胶粉渗透装置通常使用固定的电场电压来驱动气凝胶粉末的渗透过程,而无法根据粉末的附着状态进行实时调节。由于在实际进行气凝胶粉的渗透过程中,气凝胶粉末的附着状态可能受到多种因素的影响,如粉末的分布均匀性、密度等。而固定电场电压无法适应不同附着状态下粉末的渗透需求,可能导致渗透效率低下或过度渗透的问题。这样,在不同批次或工况下,装置的渗透效果可能存在较大的波动,导致制备的气凝胶产品质量不稳定。
因此,期望一种优化的气凝胶粉渗透装置的控制方案。
发明内容
本发明实施例提供一种气凝胶粉渗透装置的控制方法及其***,其通过摄像头采集气凝胶粉末的附着状态监控视频;对所述附着状态监控视频进行特征分析以得到附着状态特征;以及,基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小。这样,能够提高气凝胶粉末在孔载体支撑材料表面的附着均匀性,从而优化气凝胶的结构和性能。
本发明实施例还提供了一种气凝胶粉渗透装置的控制方法,其包括:
通过摄像头采集气凝胶粉末的附着状态监控视频;
对所述附着状态监控视频进行特征分析以得到附着状态特征;以及
基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小。
本发明实施例还提供了一种气凝胶粉渗透装置的控制***,其包括:
监控视频获取模块,用于通过摄像头采集气凝胶粉末的附着状态监控视频;
特征分析模块,用于对所述附着状态监控视频进行特征分析以得到附着状态特征;以及
电场电压控制模块,用于基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小。
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,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地介绍,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他的附图。在附图中:
图1A和图1B为本发明实施例的气凝胶粉均匀渗透的装置的示意图。
图2为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法的流程图。
图3为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法的***架构的示意图。
图4为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法中步骤120的子步骤的流程图。
图5为本发明实施例中提供的一种气凝胶粉渗透装置的控制***的框图。
图6为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解,气凝胶是一种具有高度多孔结构和极低密度的固体材料,主要成分是固体的凝胶,其中大部分是气体,气凝胶的特殊结构赋予了它许多独特的性质和应用。
气凝胶的密度非常低,通常在0.001-0.5 g/cm³之间,是传统固体材料的几倍到几十倍之间,这使得气凝胶成为一种非常轻盈的材料,具有良好的浮力和隔热性能。气凝胶具有非常高的比表面积,通常在100-1000 m²/g之间。这是由于其多孔的结构,其中包含许多微小的孔隙和通道,高比表面积使得气凝胶具有出色的吸附性能和催化活性。
气凝胶具有优异的隔热性能,其热导率通常在0.01-0.03 W/(m·K)之间,是空气的数十倍到数百倍,这使得气凝胶在保温和隔热领域有广泛的应用,如建筑保温、冷冻设备绝热、太空服等。由于其多孔的结构和高比表面积,气凝胶具有良好的吸声性能,可以吸收和减弱声波的传播,使其在噪声控制和声学材料方面具有潜力。尽管气凝胶的密度很低,但其弹性模量却非常高,通常在10-1000 MPa之间。这使得气凝胶在弹性支撑和减震领域具有应用前景。
气凝胶具有广泛的应用领域,包括但不限于能源储存、催化剂载体、吸附剂、隔热材料、声学材料、生物医学、环境保护等。随着对轻质、高性能材料需求的增加,气凝胶的研究和应用前景变得越来越广阔。
气凝胶粉渗透装置是一种用于制备气凝胶材料的设备,通过将气凝胶粉末渗透到多孔载体支撑材料中,形成均匀的气凝胶层。
具体地,所述气凝胶粉渗透装置包括:1.多孔载体支撑材料,多孔载体支撑材料是气凝胶粉渗透装置中的关键组成部分。它通常由具有一定孔隙结构的材料构成,如海绵、纤维布等。多孔载体支撑材料的作用是提供一个支撑结构,使气凝胶粉末能够均匀地附着在其表面上。2.气凝胶粉末供给***,气凝胶粉末供给***用于将气凝胶粉末输送到渗透装置中。通常包括一个粉末储存容器、输送管道和控制装置,通过控制粉末供给速度和压力,可以实现对气凝胶粉末的精确控制。3.电场电压控制***,电场电压控制***用于在气凝胶粉末渗透过程中控制两个高压电极板之间的电压。通过调节电场电压,可以控制气凝胶粉末在多孔载体支撑材料上的附着状态和均匀性。4.温度和湿度控制***,温度和湿度控制***用于控制气凝胶粉渗透过程中的环境条件,适当的温度和湿度可以影响气凝胶粉末的分散性和附着性,从而影响气凝胶材料的质量和性能。5.监控和控制***,监控和控制***用于实时监测和调整气凝胶粉渗透过程中的各项参数,如电场电压、温度、湿度等。它可以通过传感器和反馈机制来实现对装置运行状态的监控和自动调节。
气凝胶粉渗透装置的设计和优化需要考虑多个因素,包括气凝胶粉末的性质、多孔载体支撑材料的选择和结构设计、电场电压控制策略等。通过合理设计和控制,可以实现高质量和均匀分布的气凝胶材料的制备。进一步地,气凝胶粉末的均匀性对于制备高质量的气凝胶材料非常重要,通过控制粉末供给速度和压力,可以确保粉末在渗透过程中均匀地分布在多孔载体支撑材料上,避免出现局部浓度差异或堆积现象。
控制电场电压可以调节气凝胶粉末在多孔载体支撑材料中的渗透速度。过高的电场电压可能导致粉末过快渗透,无法形成均匀的气凝胶层;而过低的电场电压则可能导致渗透速度过慢,影响生产效率。因此,精确控制电场电压可以实现理想的渗透速度,确保气凝胶层的质量和均匀性。
气凝胶粉渗透装置的控制可以实现生产过程的一致性和稳定性,通过对粉末供给和电场电压的精确控制,可以确保每个生产批次的气凝胶材料具有相同的性质和品质,避免质量波动和差异。精确控制气凝胶粉渗透装置可以提高生产效率,合理调节粉末供给速度和电场电压,可以实现快速而均匀的渗透过程,提高生产速度和产量。
具体地,在本申请的技术方案中,提出了一种气凝胶粉渗透装置的控制方法,其包括:首先,将气凝胶粉末撒在多孔载体支撑材料的表面。接着,将所述多孔载体支撑材料移动到两个高压电极板之间。这样,所述电极板通电后该所述气凝胶粉末在电压作用下会在所述多孔载体支撑材料缝隙内跳动,达到均匀分布的效果。然后,在将所述多孔载体支撑材料离开所述电极板后,气凝胶粉末会停留在所述多孔载体支撑材料的缝隙内。
相应地,在实际进行气凝胶粉的渗透过程中,对于两个高压电极板之间的电压的控制应满足实际气凝胶粉末的附着状态,这是由于当电场电压过高时,气凝胶粉末可能会过度聚集在电极板上,导致形成不均匀的气凝胶层或者出现结块现象。这会降低气凝胶材料的质量,并且可能导致制备过程中的能量浪费。相反,当电场电压过低时,气凝胶粉末可能无法有效地附着在电极板上,导致制备的气凝胶层过薄或者不均匀。这将影响气凝胶材料的性能,并且可能导致制备过程中的时间浪费。
针对上述技术问题,本申请的技术构思为在进行气凝胶粉的渗透过程中,通过摄像头采集气凝胶粉末的附着状态监控视频,并在后端利用视频处理技术和算法来进行气凝胶粉末的附着状态时序变化分析,以基于气凝胶粉末的附着状态时序变化情况来自适应地控制电场电压,气凝胶粉末在电压作用下会在多孔载体支撑材料缝隙内跳动,达到均匀分布效果。这样,能够提高气凝胶粉末在孔载体支撑材料表面的附着均匀性,从而优化气凝胶的结构和性能。
在本发明的一个实施例中,图2为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法的流程图。图3为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法的***架构的示意图。如图2和图3所示,根据本发明实施例的气凝胶粉渗透装置的控制方法100,包括:110,通过摄像头采集气凝胶粉末的附着状态监控视频;120,对所述附着状态监控视频进行特征分析以得到附着状态特征;以及,130,基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小。
其中,在所述步骤110中,选择适当的摄像头位置和角度,确保能够全面、清晰地捕捉到气凝胶粉末在渗透过程中的附着状态。通过监控视频,可以实时观察和记录气凝胶粉末的附着情况,为后续的特征分析提供数据基础。
在所述步骤120中,选择合适的特征提取算法,例如图像处理技术、机器学习方法等,对监控视频进行分析,提取与附着状态相关的特征。通过特征分析,可以获得关于气凝胶粉末附着状态的定量信息,如附着程度、均匀性等,为后续的电场电压调节提供依据。
在所述步骤130中,根据附着状态特征的分析结果,制定合理的电场电压调节策略。增大电场电压可加速渗透速度,减小电场电压可减缓渗透速度,以实现所需的粉末渗透效果。通过根据附着状态特征调节电场电压,可以实现对气凝胶粉末渗透过程的精确控制,提高渗透效率和均匀性。
通过上述步骤,通过摄像头监控、特征分析和电场电压调节,可以实现对气凝胶粉渗透装置的精确控制,这种方法可以提高气凝胶材料的质量和均匀性,同时提高生产效率。
具体地,在所述步骤110中,通过摄像头采集气凝胶粉末的附着状态监控视频。在本申请的技术方案中,首先,通过摄像头采集气凝胶粉末的附着状态监控视频。通过摄像头采集气凝胶粉末的附着状态监控视频可以提供实时的粉末附着情况,根据附着状态的特征分析,可以确定粉末的均匀性和质量情况。基于这些特征,可以确定电场电压的调节方向,即增大或减小电场电压。
如果监控视频显示粉末附着不均匀或存在大面积空白区域,表明粉末在某些区域附着较少。这时,可以通过增大电场电压来增强电场力,促使粉末在这些区域更好地附着,从而提高均匀性。相反,如果监控视频显示粉末附着过于密集或存在聚集现象,表明粉末在某些区域附着过多。这时,可以通过减小电场电压来减弱电场力,使粉末在这些区域分散开来,从而提高均匀性。
通过摄像头采集气凝胶粉末的附着状态监控视频可以提供实时的反馈信息,帮助确定电场电压的调节方向,以提高气凝胶材料的质量和均匀性。
具体地,在所述步骤120中,对所述附着状态监控视频进行特征分析以得到附着状态特征。图4为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法中步骤120的子步骤的流程图,如图4所示,对所述附着状态监控视频进行特征分析以得到附着状态特征,包括:121,对所述附着状态监控视频进行离散采样以得到多个附着状态监控关键帧;122,通过基于深度神经网络模型的附着状态特征提取器分别对所述多个附着状态监控关键帧进行特征提取以得到多个粉末附着状态特征向量;以及,123,对所述多个粉末附着状态特征向量进行关联编码以得到附着状态上下文语义特征向量作为所述附着状态特征。
其中,根据需要,从监控视频中选择多个关键帧,这些关键帧代表了不同时间点的附着状态。而且,使用深度神经网络模型,例如卷积神经网络(CNN)或循环神经网络(RNN),对每个关键帧进行特征提取,这些特征提取器可以学习到关键帧中的重要信息,例如粉末的分布、密度、形状等。进一步地,将多个特征向量进行关联编码,可以捕捉到它们之间的关联性和上下文语义信息。这可以通过聚类、降维或其他编码技术来实现。最终得到的附着状态上下文语义特征向量可以作为附着状态的特征表示。
这种特征分析方法可以帮助提取附着状态的关键信息,并将其表示为语义特征向量。这样的特征表示可以用于进一步的分析、判断和决策,例如确定电场电压的调节方向,以优化气凝胶粉渗透装置的性能和效果。
对于所述步骤121,接着,考虑到由于在气凝胶粉渗透装置的控制中,气凝胶粉末的附着状态的变化是一个动态的过程,因此,为了能够更为充分有效地提取多个时间点上的气凝胶粉末附着状态特征以进行电场电压的控制,在本申请的技术方案中,需要对所述附着状态监控视频进行离散采样以得到多个附着状态监控关键帧。应可以理解,通过采样多个时间点的附着状态监控关键帧,可以便于后续更为细致地捕捉到不同时间点上气凝胶粉末附着状态的变化情况。
离散采样是一种从连续的数据流中选择特定时间点或位置的采样方法,在附着状态监控视频中,离散采样可以用于选择关键帧,即代表不同时间点的附着状态的帧。离散采样的目的是从连续的视频流中选择一些关键帧,以便在这些关键帧上进行特征提取和分析。这样,可以减少计算量和存储需求,同时保留关键的附着状态信息。
离散采样的具体方法可以根据需求和实际情况进行选择。一种方法是按照固定的时间间隔进行采样,例如每隔1秒或每隔几秒选择一个关键帧;另一种方法是根据附着状态的变化情况进行采样,例如只选择在粉末附着发生明显变化的关键帧。
在离散采样过程中,需要注意选择合适的采样频率,以确保捕捉到关键的附着状态变化。同时,也要考虑到计算资源和存储空间的限制,避免过度采样导致不必要的开销。离散采样是从连续的附着状态监控视频中选择特定时间点的采样方法,用于获取多个附着状态监控关键帧,以便进行后续的特征提取和分析。
对于所述步骤122,所述深度神经网络模型为空洞卷积神经网络模型。然后,使用在图像的隐含特征提取方面具有优异表现性能的卷积神经网络模型来进行所述多个附着状态监控关键帧的特征挖掘,特别地,考虑到由于所述各个附着状态监控关键帧中有关于气凝胶粉末的附着状态特征分布信息在不同的图像区域分布情况不同,且关联性也不同,这些特征包括了气凝胶粉末附着的颜色、形状和纹理等特征信息,用于描述气凝胶粉末在不同时间点上的附着状态。
因此,为了能够更为充分且精准地进行气凝胶粉末的附着状态时序变化特征的提取,以实现对电场电压的自适应控制,在本申请的技术方案中,进一步将所述多个附着状态监控关键帧分别通过基于空洞卷积神经网络模型的附着状态特征提取器中进行特征挖掘,以分别提取出所述各个附着状态监控关键帧中有关于气凝胶粉末的附着状态在各个局部区域的隐含关联特征分布信息,从而得到多个粉末附着状态特征向量。
应可以理解,空洞卷积神经网络(Dilated Convolutional Neural Network)是一种卷积神经网络的变种,在传统的卷积操作中引入了空洞(dilation)参数,用于扩大感受野,从而捕捉更大范围的上下文信息。传统的卷积操作是通过在输入特征图上滑动一个固定大小的滤波器来提取特征,而空洞卷积则通过在滤波器的内部***一些空洞,实现对更大范围的特征提取。
空洞卷积的核心思想是通过增加滤波器的感受野,从而捕捉更多的上下文信息。传统的卷积操作中,滤波器的感受野大小由滤波器的尺寸决定,而在空洞卷积中,通过在滤波器内部***空洞,可以扩大滤波器的感受野,而不需要增加滤波器的尺寸。具体来说,空洞卷积通过在滤波器的内部***一些固定间隔的空洞,使得滤波器在输入特征图上的采样间隔变大。这样一来,每个采样点的感受野就会扩大,从而能够捕捉到更多的上下文信息。同时,由于空洞卷积只是在滤波器内部***空洞,而不改变滤波器的尺寸,因此计算量相对较小。
空洞卷积在许多计算机视觉任务中都取得了很好的效果,比如图像分割、目标检测和图像生成等。能够有效地提取图像中的全局和局部特征,从而提高模型的性能和准确性。在气凝胶粉渗透装置的控制方法中,空洞卷积神经网络可以用于提取局部区域的隐含关联特征,进一步提高气凝胶材料的质量和均匀性。
通过基于空洞卷积神经网络模型的附着状态特征提取器对多个附着状态监控关键帧进行特征挖掘,可以提取出各个关键帧中关于气凝胶粉末附着状态的局部区域隐含关联特征分布信息,从而得到多个粉末附着状态特征向量。
在附着状态特征提取器中,通过应用空洞卷积操作,可以在每个关键帧的局部区域中提取出与气凝胶粉末附着状态相关的特征,这些特征可以包括颜色、纹理、形状等方面的信息,反映了粉末附着状态的隐含关联特征分布。
通过基于空洞卷积神经网络模型的附着状态特征提取器对多个附着状态监控关键帧进行特征挖掘,可以得到多个粉末附着状态特征向量,从而提取出关于气凝胶粉末附着状态的局部区域隐含关联特征分布信息。这将对提高气凝胶材料的质量和均匀性,以及提高生产效率具有益处。
对于所述步骤123,包括:将所述多个粉末附着状态特征向量通过基于循环神经网络模型的附着状态时序关联变化特征提取器以得到所述附着状态上下文语义特征向量。
进一步地,考虑到由于气凝胶粉末的附着状态变化是一个动态的过程,也就是说,所述各个附着状态监控关键帧中有关于气凝胶粉末的附着状态特征信息在时间维度上具有着时序的关联关系,因此,在本申请的技术方案中,进一步将所述多个粉末附着状态特征向量通过基于循环神经网络模型的附着状态时序关联变化特征提取器中进行特征挖掘,以提取出所述各个附着状态监控关键帧中有关于气凝胶粉末的附着状态特征在时间维度上的时序上下文语义关联特征信息,从而得到附着状态上下文语义特征向量。特别地,这里,利用所述循环神经网络模型能够捕捉到序列数据中的时序关联特征信息,也就是说,使用所述循环神经网络模型可以对所述多个粉末附着状态特征向量进行时序关联分析,以提取出所述气凝胶粉末的附着状态在时间上的演变和关联信息,用于更全面地描述附着状态的变化趋势和特征。
通过基于循环神经网络模型的附着状态时序关联变化特征提取器对多个粉末附着状态特征向量进行处理,可以捕捉到附着状态之间的时序关联和变化情况,从而得到附着状态的上下文语义特征向量。
循环神经网络(RNN)是一种适用于处理序列数据的神经网络模型,它具有记忆和反馈机制,可以对序列数据进行建模。在附着状态时序关联变化特征提取器中,RNN可以捕捉到附着状态之间的时序依赖关系,从而提取出附着状态的上下文语义特征。通过将多个粉末附着状态特征向量输入到RNN中,RNN会按照它们的时序顺序进行处理,并在每个时间步骤中更新隐藏状态,以捕捉到附着状态之间的关联和变化。最终,RNN会输出一个附着状态上下文语义特征向量,该向量包含了多个附着状态特征向量之间的时序关联信息。
得到附着状态的上下文语义特征向量后,可以用于进一步的分析和处理,例如用于判断粉末附着状态的稳定性、预测未来的附着状态变化等。
通过基于循环神经网络模型的附着状态时序关联变化特征提取器对多个粉末附着状态特征向量进行处理,可以得到附着状态的上下文语义特征向量,从而提取出附着状态之间的时序关联和变化信息,有助于进一步分析和处理附着状态数据。
具体地,在所述步骤130中,基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小,包括:将所述附着状态上下文语义特征向量通过分类器以得到分类结果,所述分类结果用于表示粉末高速电压渗透装置的电场电压应增大或应减小。
进而,再将所述附着状态上下文语义特征向量通过分类器以得到分类结果,所述分类结果用于表示粉末高速电压渗透装置的电场电压应增大或应减小。也就是说,以所述气凝胶粉末的附着状态在时间维度上的时序动态关联特征信息来进行分类处理,以基于气凝胶粉末的附着状态时序变化情况来自适应地控制电场电压,这样气凝胶粉末在电压作用下会在多孔载体支撑材料缝隙内跳动,达到均匀分布效果。
进一步地,在本申请中,所述气凝胶粉渗透装置的控制方法,还包括训练步骤:用于对所述基于空洞卷积神经网络模型的附着状态特征提取器、所述基于循环神经网络模型的附着状态时序关联变化特征提取器和所述分类器进行训练。所述训练步骤,包括:获取训练数据,所述训练数据包括气凝胶粉末的训练附着状态监控视频,以及,所述粉末高速电压渗透装置的电场电压应增大或应减小的真实值;对所述训练附着状态监控视频进行离散采样以得到多个训练附着状态监控关键帧;将所述多个训练附着状态监控关键帧分别通过所述基于空洞卷积神经网络模型的附着状态特征提取器以得到多个训练粉末附着状态特征向量;将所述多个训练粉末附着状态特征向量通过所述基于循环神经网络模型的附着状态时序关联变化特征提取器以得到训练附着状态上下文语义特征向量;将所述训练附着状态上下文语义特征向量通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于空洞卷积神经网络模型的附着状态特征提取器、所述基于循环神经网络模型的附着状态时序关联变化特征提取器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化。
特别地,在本申请的技术方案中,考虑所述多个附着状态监控关键帧是对所述附着状态监控视频进行离散采样得到的,因此所述多个附着状态监控关键帧的源图像语义分布存在时序上的不连续性,使得所述多个附着状态监控关键帧分别通过基于空洞卷积神经网络模型的附着状态特征提取器得到的所述多个粉末附着状态特征向量的图像特征语义表达存在一定程度的时序分布差异性。由此,尽管将所述多个粉末附着状态特征向量通过基于循环神经网络模型的附着状态时序关联变化特征提取器提取了时序关联特征,但所述附着状态上下文语义特征向量仍存在差异化的局部分布。
这样,当所述附着状态上下文语义特征向量通过分类器进行分类时,考虑到差异化的局部特征分布表达在分类的域转移过程中的分布可转移性差异,例如,当所述分类器的权重矩阵相对于某些特征表达进行适配时,其会具有比其它特征表达更好的分布可转移性,反之亦然。因此,需要针对所述分类器的权重矩阵对于所述附着状态上下文语义特征向量进行自适应优化,以便提升所述附着状态上下文语义特征向量通过分类器进行分类训练的训练效果,即,提升分类速度和得到的分类结果的准确性。
因此,本申请的申请人在每次分类器的权重矩阵的迭代过程中,对于所述权重矩阵进行特征分布的跨域注意力转移优化,具体表示为:以如下优化公式对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化;其中,所述优化公式为:其中,/>是所述分类器的权重矩阵,/>的尺度为/>,/>到/>是所述权重矩阵/>的/>个行向量,/>表示特征向量的二范数,/>是对所述权重矩阵/>的每个行向量的求和值排列得到的行向量,且/>和/>均表示单层卷积操作,/>表示矩阵乘法,/>表示迭代后的所述分类器的权重矩阵。
这里,所述基于特征分布跨域注意力转移优化针对所述附着状态上下文语义特征向量的特征分布在特征空间域和分类目标域内存在的不同表示,基于所述分类器的权重矩阵相对于待分类的所述附着状态上下文语义特征向量的跨域多样性特征表示,通过对所述权重矩阵/>的空间结构化特征分布通过卷积操作给予注意力,来增强多样化特征分布中的良好转移特征分布的跨域间隙的可转移性,同时抑制不良转移特征分布的消极转移(negative transfer),以基于所述权重矩阵/>自身相对于所述待分类的所述附着状态上下文语义特征向量的分布结构来实现权重矩阵/>的无监督的域转移自适应优化,从而提升所述附着状态上下文语义特征向量通过分类器进行分类训练的训练效果。这样,能够基于气凝胶粉末的附着状态时序变化情况来自适应地控制电场电压,从而提高气凝胶粉末在孔载体支撑材料表面的附着均匀性,以优化气凝胶的结构和性能。
综上,基于本发明实施例的气凝胶粉渗透装置的控制方法100被阐明,其在进行气凝胶粉的渗透过程中,通过摄像头采集气凝胶粉末的附着状态监控视频,并在后端利用视频处理技术和算法来进行气凝胶粉末的附着状态时序变化分析,以基于气凝胶粉末的附着状态时序变化情况来自适应地控制电场电压,气凝胶粉末在电压作用下会在多孔载体支撑材料缝隙内跳动,达到均匀分布效果。这样,能够提高气凝胶粉末在孔载体支撑材料表面的附着均匀性,从而优化气凝胶的结构和性能。
图5为本发明实施例中提供的一种气凝胶粉渗透装置的控制***的框图。如图5所示,所述气凝胶粉渗透装置的控制***,包括:监控视频获取模块210,用于通过摄像头采集气凝胶粉末的附着状态监控视频;特征分析模块220,用于对所述附着状态监控视频进行特征分析以得到附着状态特征;以及,电场电压控制模块230,用于基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小。
具体地,在所述气凝胶粉渗透装置的控制***中,所述特征分析模块,包括:离散采样单元,用于对所述附着状态监控视频进行离散采样以得到多个附着状态监控关键帧;特征提取单元,用于通过基于深度神经网络模型的附着状态特征提取器分别对所述多个附着状态监控关键帧进行特征提取以得到多个粉末附着状态特征向量;以及,关联编码单元,用于对所述多个粉末附着状态特征向量进行关联编码以得到附着状态上下文语义特征向量作为所述附着状态特征。
本领域技术人员可以理解,上述气凝胶粉渗透装置的控制***中的各个步骤的具体操作已经在上面参考图1到图4的气凝胶粉渗透装置的控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的气凝胶粉渗透装置的控制***100可以实现在各种终端设备中,例如用于气凝胶粉渗透装置的控制的服务器等。在一个示例中,根据本发明实施例的气凝胶粉渗透装置的控制***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该气凝胶粉渗透装置的控制***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该气凝胶粉渗透装置的控制***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该气凝胶粉渗透装置的控制***100与该终端设备也可以是分立的设备,并且该气凝胶粉渗透装置的控制***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6为本发明实施例中提供的一种气凝胶粉渗透装置的控制方法的应用场景图。如图6所示,在该应用场景中,首先,通过摄像头采集气凝胶粉末的附着状态监控视频(例如,如图6中所示意的C);然后,将获取的附着状态监控视频输入至部署有气凝胶粉渗透装置的控制算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于气凝胶粉渗透装置的控制算法对所述附着状态监控视频进行处理,以确定粉末高速电压渗透装置的电场电压应增大或应减小。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种气凝胶粉渗透装置的控制方法,其特征在于,包括:
通过摄像头采集气凝胶粉末的附着状态监控视频;
对所述附着状态监控视频进行特征分析以得到附着状态特征;以及
基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小;
其中,还包括训练步骤:用于对基于空洞卷积神经网络模型的附着状态特征提取器、基于循环神经网络模型的附着状态时序关联变化特征提取器和分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括气凝胶粉末的训练附着状态监控视频,以及,所述粉末高速电压渗透装置的电场电压应增大或应减小的真实值;
对所述训练附着状态监控视频进行离散采样以得到多个训练附着状态监控关键帧;
将所述多个训练附着状态监控关键帧分别通过所述基于空洞卷积神经网络模型的附着状态特征提取器以得到多个训练粉末附着状态特征向量;
将所述多个训练粉末附着状态特征向量通过所述基于循环神经网络模型的附着状态时序关联变化特征提取器以得到训练附着状态上下文语义特征向量;
将所述训练附着状态上下文语义特征向量通过所述分类器以得到分类损失函数值;以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于空洞卷积神经网络模型的附着状态特征提取器、所述基于循环神经网络模型的附着状态时序关联变化特征提取器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化;
其中,在所述训练的每一轮迭代中,以如下优化公式对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化;
其中,所述优化公式为:
其中,M是所述分类器的权重矩阵,M的尺度为m×m,V1到Vm是所述权重矩阵M的m个行向量,||·||2表示特征向量的二范数,(:∑jmi,j:)是对所述权重矩阵M的每个行向量的求和值排列得到的行向量,且cov1(·)和cov2(·)均表示单层卷积操作,表示矩阵乘法,M'表示迭代后的所述分类器的权重矩阵。
2.根据权利要求1所述的气凝胶粉渗透装置的控制方法,其特征在于,对所述附着状态监控视频进行特征分析以得到附着状态特征,包括:
对所述附着状态监控视频进行离散采样以得到多个附着状态监控关键帧;
通过基于深度神经网络模型的附着状态特征提取器分别对所述多个附着状态监控关键帧进行特征提取以得到多个粉末附着状态特征向量;以及
对所述多个粉末附着状态特征向量进行关联编码以得到附着状态上下文语义特征向量作为所述附着状态特征。
3.根据权利要求2所述的气凝胶粉渗透装置的控制方法,其特征在于,所述深度神经网络模型为空洞卷积神经网络模型。
4.根据权利要求3所述的气凝胶粉渗透装置的控制方法,其特征在于,对所述多个粉末附着状态特征向量进行关联编码以得到附着状态上下文语义特征向量作为所述附着状态特征,包括:将所述多个粉末附着状态特征向量通过基于循环神经网络模型的附着状态时序关联变化特征提取器以得到所述附着状态上下文语义特征向量。
5.根据权利要求4所述的气凝胶粉渗透装置的控制方法,其特征在于,基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小,包括:将所述附着状态上下文语义特征向量通过分类器以得到分类结果,所述分类结果用于表示粉末高速电压渗透装置的电场电压应增大或应减小。
6.一种气凝胶粉渗透装置的控制***,其特征在于,包括:
监控视频获取模块,用于通过摄像头采集气凝胶粉末的附着状态监控视频;
特征分析模块,用于对所述附着状态监控视频进行特征分析以得到附着状态特征;以及
电场电压控制模块,用于基于所述附着状态特征,确定粉末高速电压渗透装置的电场电压应增大或应减小;
其中,还包括训练步骤:用于对基于空洞卷积神经网络模型的附着状态特征提取器、基于循环神经网络模型的附着状态时序关联变化特征提取器和分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括气凝胶粉末的训练附着状态监控视频,以及,所述粉末高速电压渗透装置的电场电压应增大或应减小的真实值;
对所述训练附着状态监控视频进行离散采样以得到多个训练附着状态监控关键帧;
将所述多个训练附着状态监控关键帧分别通过所述基于空洞卷积神经网络模型的附着状态特征提取器以得到多个训练粉末附着状态特征向量;
将所述多个训练粉末附着状态特征向量通过所述基于循环神经网络模型的附着状态时序关联变化特征提取器以得到训练附着状态上下文语义特征向量;
将所述训练附着状态上下文语义特征向量通过所述分类器以得到分类损失函数值;以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于空洞卷积神经网络模型的附着状态特征提取器、所述基于循环神经网络模型的附着状态时序关联变化特征提取器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化;
其中,在所述训练的每一轮迭代中,以如下优化公式对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化;
其中,所述优化公式为:
其中,M是所述分类器的权重矩阵,M的尺度为m×m,V1到Vm是所述权重矩阵M的m个行向量,||·||2表示特征向量的二范数,(:∑jmi,j:)是对所述权重矩阵M的每个行向量的求和值排列得到的行向量,且cov1(·)和cov2(·)均表示单层卷积操作,表示矩阵乘法,M'表示迭代后的所述分类器的权重矩阵。
7.根据权利要求6所述的气凝胶粉渗透装置的控制***,其特征在于,所述特征分析模块,包括:
离散采样单元,用于对所述附着状态监控视频进行离散采样以得到多个附着状态监控关键帧;
特征提取单元,用于通过基于深度神经网络模型的附着状态特征提取器分别对所述多个附着状态监控关键帧进行特征提取以得到多个粉末附着状态特征向量;以及
关联编码单元,用于对所述多个粉末附着状态特征向量进行关联编码以得到附着状态上下文语义特征向量作为所述附着状态特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902014.1A CN116657224B (zh) | 2023-07-21 | 2023-07-21 | 一种气凝胶粉渗透装置的控制方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902014.1A CN116657224B (zh) | 2023-07-21 | 2023-07-21 | 一种气凝胶粉渗透装置的控制方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116657224A CN116657224A (zh) | 2023-08-29 |
CN116657224B true CN116657224B (zh) | 2024-02-13 |
Family
ID=87717316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310902014.1A Active CN116657224B (zh) | 2023-07-21 | 2023-07-21 | 一种气凝胶粉渗透装置的控制方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116657224B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333089A (zh) * | 2017-10-20 | 2018-07-27 | 北京空天技术研究所 | 一种透气性分析方法、***和透气性测试装置 |
CN110499145A (zh) * | 2019-08-26 | 2019-11-26 | 张立强 | 气凝胶吸附相变储能粉体、制备方法及其应用 |
WO2021042503A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 信息分类抽取方法、装置、计算机设备和存储介质 |
CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产*** |
CN115295098A (zh) * | 2022-07-20 | 2022-11-04 | 武汉大学 | 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及*** |
CN115909171A (zh) * | 2022-12-19 | 2023-04-04 | 浙江金汇华特种耐火材料有限公司 | 钢包透气砖生产方法及其*** |
CN116127385A (zh) * | 2023-03-06 | 2023-05-16 | 高州市石生源生物科技发展有限公司 | 一种香蕉粉及其制备方法 |
CN116310565A (zh) * | 2023-03-23 | 2023-06-23 | 江西中翔健康产业有限公司 | 尿频尿急的中药制作方法及装置 |
CN116434116A (zh) * | 2023-04-17 | 2023-07-14 | 郑州维谊生物科技有限公司 | 用于膏药制作的低温加药方法及*** |
-
2023
- 2023-07-21 CN CN202310902014.1A patent/CN116657224B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333089A (zh) * | 2017-10-20 | 2018-07-27 | 北京空天技术研究所 | 一种透气性分析方法、***和透气性测试装置 |
CN110499145A (zh) * | 2019-08-26 | 2019-11-26 | 张立强 | 气凝胶吸附相变储能粉体、制备方法及其应用 |
WO2021042503A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 信息分类抽取方法、装置、计算机设备和存储介质 |
CN115295098A (zh) * | 2022-07-20 | 2022-11-04 | 武汉大学 | 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及*** |
CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产*** |
CN115909171A (zh) * | 2022-12-19 | 2023-04-04 | 浙江金汇华特种耐火材料有限公司 | 钢包透气砖生产方法及其*** |
CN116127385A (zh) * | 2023-03-06 | 2023-05-16 | 高州市石生源生物科技发展有限公司 | 一种香蕉粉及其制备方法 |
CN116310565A (zh) * | 2023-03-23 | 2023-06-23 | 江西中翔健康产业有限公司 | 尿频尿急的中药制作方法及装置 |
CN116434116A (zh) * | 2023-04-17 | 2023-07-14 | 郑州维谊生物科技有限公司 | 用于膏药制作的低温加药方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116657224A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472194B (zh) | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 | |
CN107679465A (zh) | 一种基于生成网络的行人重识别数据生成和扩充方法 | |
CN103425996B (zh) | 一种并行分布式的大规模图像识别方法 | |
CN110717390A (zh) | 基于图半监督宽度学习的脑电信号分类方法 | |
Wang et al. | A robust vehicle detection scheme for intelligent traffic surveillance systems in smart cities | |
Gao et al. | San-m: Memory equipped self-attention for end-to-end speech recognition | |
CN108764084A (zh) | 基于空域分类网络和时域分类网络融合的视频分类方法 | |
CN112464743B (zh) | 一种基于多尺度特征加权的小样本目标检测方法 | |
CN108416780A (zh) | 一种基于孪生-感兴趣区域池化模型的物体检测与匹配方法 | |
CN109815920A (zh) | 基于卷积神经网络和对抗卷积神经网络的手势识别方法 | |
JP2021082269A (ja) | 分類モデルを訓練する方法及び装置並びに分類方法 | |
WO2023179099A1 (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN116657224B (zh) | 一种气凝胶粉渗透装置的控制方法及其*** | |
Zhang et al. | Hybrid handcrafted and learned feature framework for human action recognition | |
CN111882057A (zh) | 一种面向时空序列数据建模的多阶段深度学习方法及应用 | |
CN113052136B (zh) | 一种基于改进Faster RCNN的行人检测方法 | |
CN114298278A (zh) | 一种基于预训练模型的电工装备性能预测方法 | |
CN104331700B (zh) | 基于轨迹能量扩散图的组行为识别方法 | |
Turner et al. | Distilling with performance enhanced students | |
CN110659630A (zh) | 一种基于骨架点轨迹动态分析的视频人体异常行为检测方法 | |
CN111465032A (zh) | 多无线体域网环境中基于a3c算法的任务卸载方法及*** | |
CN116721458A (zh) | 一种基于跨模态时序对比学习的自监督动作识别方法 | |
Permana et al. | Hand movement identification using single-stream spatial convolutional neural networks | |
CN115171211A (zh) | 信道状态信息的动作和位置的联合估计方法 | |
CN112151054B (zh) | 音频降噪处理方法、装置、服务器及存储介质 |
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 |