CN117623735B - 高强度抗污日用陶瓷的生产方法 - Google Patents
高强度抗污日用陶瓷的生产方法 Download PDFInfo
- Publication number
- CN117623735B CN117623735B CN202311634325.0A CN202311634325A CN117623735B CN 117623735 B CN117623735 B CN 117623735B CN 202311634325 A CN202311634325 A CN 202311634325A CN 117623735 B CN117623735 B CN 117623735B
- Authority
- CN
- China
- Prior art keywords
- appearance
- ceramic
- local appearance
- local
- semantic feature
- 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
- 239000000919 ceramic Substances 0.000 title claims abstract description 199
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 52
- 238000010304 firing Methods 0.000 claims abstract description 62
- 238000005245 sintering Methods 0.000 claims abstract description 16
- 239000002002 slurry Substances 0.000 claims abstract description 16
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims abstract description 14
- 238000001035 drying Methods 0.000 claims abstract description 9
- 238000002156 mixing Methods 0.000 claims abstract description 9
- 238000001238 wet grinding Methods 0.000 claims abstract description 9
- 239000011248 coating agent Substances 0.000 claims abstract description 8
- 238000000576 coating method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 229910000019 calcium carbonate Inorganic materials 0.000 claims abstract description 7
- 239000004927 clay Substances 0.000 claims abstract description 7
- 239000010433 feldspar Substances 0.000 claims abstract description 7
- 238000005498 polishing Methods 0.000 claims abstract description 7
- 239000010453 quartz Substances 0.000 claims abstract description 7
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000009966 trimming Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 88
- 239000011159 matrix material Substances 0.000 claims description 56
- 230000007547 defect Effects 0.000 claims description 54
- 230000003373 anti-fouling effect Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 45
- 238000007689 inspection Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910010293 ceramic material Inorganic materials 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P40/00—Technologies relating to the processing of minerals
- Y02P40/60—Production of ceramic materials or ceramic elements, e.g. substitution of clay or shale by alternative raw materials, e.g. ashes
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种高强度抗污日用陶瓷的生产方法,其包括步骤:将粘土、石英、长石和碳酸钙进行混合后按照预定比例进行湿磨处理以得到泥浆;将所述泥浆进行过滤、脱水和成型处理以得到陶瓷坯体;将所述陶瓷坯体进行干燥、修整和打磨处理以得到陶瓷毛坯;将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体;在所述陶瓷烧成体的表面涂覆透明釉料后,再进行低温釉烧处理以得到高强度抗污日用陶瓷。这样,可以提高高强度抗污日用陶瓷的生产效率和产品质量。
Description
技术领域
本发明涉及智能化抗污技术领域,尤其涉及一种高强度抗污日用陶瓷的生产方法。
背景技术
高强度抗污日用陶瓷是一种具有出色强度和耐污性能的陶瓷制品,通常用于制造日常使用的器皿、餐具、卫浴设备和厨房用具等产品。然而,高强度抗污日用陶瓷在生产过程中,由于原料、工艺、设备等因素的影响,可能会出现表面缺陷、裂纹等质量问题,影响产品的外观和性能。因此,对日用陶瓷的质量检测是保证产品质量和提高生产效率的重要环节。
目前,日用陶瓷的质量检测方法主要依靠人工视觉和经验判断,存在主观性强、效率低和准确度差等缺点。并且,人工检测的方式对于日用陶瓷表面缺陷和裂纹等细微问题的检测较为困难,容易出现漏检或误判的情况。
因此,期望一种优化的高强度抗污日用陶瓷的生产方案。
发明内容
本发明实施例提供一种高强度抗污日用陶瓷的生产方法,其包括步骤:将粘土、石英、长石和碳酸钙进行混合后按照预定比例进行湿磨处理以得到泥浆;将所述泥浆进行过滤、脱水和成型处理以得到陶瓷坯体;将所述陶瓷坯体进行干燥、修整和打磨处理以得到陶瓷毛坯;将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体;在所述陶瓷烧成体的表面涂覆透明釉料后,再进行低温釉烧处理以得到高强度抗污日用陶瓷。这样,可以提高高强度抗污日用陶瓷的生产效率和产品质量。
本发明实施例还提供了一种高强度抗污日用陶瓷的生产方法,其包括:
将粘土、石英、长石和碳酸钙进行混合后按照预定比例进行湿磨处理以得到泥浆;
将所述泥浆进行过滤、脱水和成型处理以得到陶瓷坯体;
将所述陶瓷坯体进行干燥、修整和打磨处理以得到陶瓷毛坯;
将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体;
在所述陶瓷烧成体的表面涂覆透明釉料后,再进行低温釉烧处理以得到高强度抗污日用陶瓷。
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1为本发明实施例中提供的一种高强度抗污日用陶瓷的生产方法的流程图。
图2为本发明实施例中提供的一种高强度抗污日用陶瓷的生产方法的***架构的示意图。
图3为本发明实施例中提供的一种高强度抗污日用陶瓷的生产***的框图。
图4为本发明实施例中提供的一种高强度抗污日用陶瓷的生产方法的应用场景图。
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。
日用陶瓷是人们日常生活中广泛使用的产品,包括餐具、茶具、洗漱用具等,为了保证产品的质量和提高生产效率,对日用陶瓷进行质量检测是非常重要的环节。在生产过程中,日用陶瓷可能会出现表面缺陷、裂纹等质量问题,这些问题可能由于原料的质量不合格、工艺操作不当或设备故障等因素引起,质量问题会直接影响产品的外观和性能,降低产品的市场竞争力。
为了解决这些问题,质量检测在日用陶瓷生产中起着至关重要的作用,质量检测可以帮助生产厂家及时发现并排除产品中的缺陷,确保产品符合质量标准和客户需求。以下是一些常见的日用陶瓷质量检测方法:
外观检测是最基本的质量检测方法之一,通过目视检查陶瓷产品的表面,检测是否存在裂纹、气泡、凹陷、划痕等缺陷,这可以通过人工检查或使用机器视觉***进行自动检测来实现。尺寸测量是对日用陶瓷产品尺寸的精确度进行检测,这可以使用各种测量工具,如卡尺、显微镜、光学投影仪等来完成,尺寸测量可以确保产品的尺寸符合设计要求。力学性能测试用于评估日用陶瓷产品的强度和耐久性,这包括弯曲强度、抗压强度、抗冲击性能等的测试,这些测试可以通过使用万能试验机等专用设备来完成。化学分析用于检测日用陶瓷产品中的化学成分和杂质,这可以通过使用光谱仪、质谱仪等仪器进行分析来实现,化学分析可以确保产品的化学成分符合标准要求,避免有害物质的存在。热震性能测试用于评估日用陶瓷产品在温度变化时的耐热性和抗热震性能,这可以通过将产品置于高温环境中,然后迅速置于低温环境中,观察产品是否出现裂纹或破损来进行测试。
传统的人工视觉和经验判断方法在日用陶瓷质量检测中存在一些问题,包括主观性强、效率低和准确度差等。人工视觉检测容易受到个体主观意识和疲劳等因素的影响,导致结果的不一致性,不同的检测员可能对同一产品的缺陷判断存在差异,从而影响了检测结果的准确性和一致性。人工视觉检测需要耗费大量的人力和时间,对于大规模生产的日用陶瓷产品,仅依靠人工检测往往无法满足生产效率的要求,这会导致生产过程的延迟和生产成本的增加。人工视觉检测对于日用陶瓷表面细微缺陷和裂纹的检测较为困难,这些问题可能需要高分辨率的视觉***或显微镜来进行检测,而人眼很难准确地识别这些细小的缺陷,容易出现漏检或误判的情况。
为了克服这些缺点,近年来,一些先进的技术和方法被引入到日用陶瓷质量检测中,以提高检测的准确性和效率。机器视觉***可以通过图像处理和模式识别算法来实现对日用陶瓷表面缺陷的自动检测,这种方法可以减少人为因素的干扰,提高检测的准确性和一致性,并且可以实现高速的自动化检测。利用人工智能和深度学习等技术,可以训练模型来自动识别和分类日用陶瓷的缺陷,这种方法可以提高检测的准确性,并且可以根据实际情况进行优化和改进。还可以使用X射线检测、红外热成像、超声波检测等非接触式检测技术来辅助日用陶瓷的质量检测,这些技术可以检测隐蔽的缺陷或内部结构问题,提供更全面的质量评估。
在本发明的一个实施例中,图1为本发明实施例中提供的一种高强度抗污日用陶瓷的生产方法的流程图。如图1所示,根据本发明实施例的高强度抗污日用陶瓷的生产方法,包括:110,将粘土、石英、长石和碳酸钙进行混合后按照预定比例进行湿磨处理以得到泥浆;120,将所述泥浆进行过滤、脱水和成型处理以得到陶瓷坯体;130,将所述陶瓷坯体进行干燥、修整和打磨处理以得到陶瓷毛坯;140,将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体;150,在所述陶瓷烧成体的表面涂覆透明釉料后,再进行低温釉烧处理以得到高强度抗污日用陶瓷。
在所述步骤110中,在混合粘土、石英、长石和碳酸钙时,确保按照预定比例进行混合,以获得所需的陶瓷材料配方,湿磨处理时,需要控制磨料和水的比例,以获得适当的泥浆浓度。混合和湿磨处理可以使原料充分混合,并将其转化为可塑性良好的泥浆,有助于提高陶瓷坯体的成型性能和材料的均匀性。
在所述步骤120中,在过滤和脱水过程中,需要选择合适的过滤介质和脱水设备,以去除泥浆中的水分并形成固体坯体。在成型处理中,控制成型压力和温度,以确保陶瓷坯体的形状和密度。过滤和脱水可以去除多余的水分,使泥浆转化为坯体,减少干燥时间和能源消耗,成型处理可以使陶瓷坯体具有所需的形状和结构,为后续加工步骤提供基础。
在所述步骤130中,在干燥过程中,控制温度和湿度,以避免陶瓷毛坯出现开裂或变形,修整和打磨处理需要使用适当的工具和技术,以去除表面缺陷、调整尺寸和改善表面质量。干燥可以使陶瓷毛坯的水分蒸发,增加其机械强度和稳定性,修整和打磨处理可以提高陶瓷毛坯的外观质量和尺寸精度,为后续烧结处理做好准备。
在所述步骤140中,在高温烧结过程中,需要控制烧结温度、保持时间和气氛,以确保陶瓷烧成体的致密性和力学强度,还需注意避免过烧或欠烧导致的质量问题。高温烧结处理可以使陶瓷烧成体的颗粒结合更紧密,形成致密的晶体结构,提高陶瓷的硬度、强度和耐磨性,烧结还可以促进材料的收缩和形变,使陶瓷产品具有所需的尺寸和形状。
在所述步骤150中,透明釉料的涂覆需要控制涂层的均匀性和厚度,以确保陶瓷产品表面的光滑和透明度,低温釉烧处理需要控制温度和保持时间,以实现釉料的熔融和陶瓷产品的表面装饰。透明釉料的涂覆可以提供陶瓷产品表面的保护和装饰效果,增加产品的美观度和耐久性,低温釉烧处理可以使釉料熔融并与陶瓷烧成体结合,形成光滑、均匀的釉面,提高产品的表面质量和抗污性能。
相应地,考虑到在将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体的过程中,对于得到的所述陶瓷烧成体进行质量检测至关重要,这是由于在高温下,陶瓷材料会发生结构和化学变化,形成致密的晶体结构。质量检测可以帮助检测和识别陶瓷烧成体表面的缺陷,如裂纹、气孔、烧结不良等,以便于能够及早发现和修复这些问题来避免产品在后续使用中出现破损或功能失效。
基于此,本申请的技术构思为通过摄像头采集陶瓷烧成体的外观图像后,在后端引入图像处理和分析算法来进行陶瓷烧成体的外观图像的分析,以此来对陶瓷烧成体的表面缺陷和裂纹等问题进行自动检测和分类,通过这样的方式,能够实现对陶瓷烧成体质量的自动检测,避免传统人工质检带来的低效率和低精度的问题,从而提高陶瓷烧成体质量检测的准确性和效率,并提高高强度抗污日用陶瓷的生产效率和产品质量。
图2为本发明实施例中提供的一种高强度抗污日用陶瓷的生产方法的***架构的示意图。如图2所示,将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体,包括:首先,获取由摄像头采集的所述陶瓷烧成体的外观图像;然后,对所述外观图像进行图像分块处理以得到外观图像块的序列;接着,通过基于深度神经网络模型的陶瓷烧成体外观特征提取器分别对所述外观图像块的序列进行特征提取以得到局部外观语义特征向量的序列;然后,对所述局部外观语义特征向量的序列中的各个局部外观语义特征向量进行相关度分析以得到局部外观关联拓扑特征矩阵;接着,对所述局部外观语义特征向量的序列和所述局部外观关联拓扑特征矩阵进行基于图结构的关联编码以得到局部外观关联拓扑全局外观语义特征;最后,基于所述局部外观关联拓扑全局外观语义特征,确定陶瓷烧成体是否存在表面缺陷。
其中,所述深度神经网络模型为卷积神经网络模型。
首先,确保摄像头的位置和角度适合获取陶瓷烧成体的全貌图像,并且图像质量清晰,能够准确反映陶瓷表面的细节和特征。通过获取外观图像,可以为后续步骤提供分析和处理的数据基础,实现对陶瓷烧成体表面缺陷的检测和识别。然后,将外观图像分割成块时,需要选择合适的分块大小和分块策略,以确保每个图像块包含足够的局部外观信息,并且能够覆盖整个陶瓷烧成体的表面。图像分块处理可以将复杂的外观图像分解为多个局部区域,便于对每个区域进行特征提取和分析,提高表面缺陷检测的准确性和效率。
接着,使用基于深度神经网络模型的特征提取器时,需要选择适合陶瓷烧成体外观特征的模型,并进行合适的参数设置和调优,以提取具有区分度和表达能力的局部外观语义特征。外观特征提取可以将每个外观图像块转化为对应的语义特征向量,捕捉到陶瓷烧成体表面的重要特征,为后续的关联分析和缺陷识别提供基础。然后,在进行相关度分析和关联编码时,需要选择适当的算法和方法,以计算局部外观语义特征向量之间的相关度,并将相关度转化为关联拓扑特征矩阵。同时,考虑关联编码方法的准确性和计算效率。相关度分析和关联编码可以揭示陶瓷烧成体不同局部区域之间的关联关系,构建局部外观关联拓扑特征矩阵,从而更全面地描述陶瓷表面的整体特征,提高缺陷检测的准确性和鲁棒性。
接着,在基于图结构的关联编码中,需要选择合适的图结构模型和算法,以将局部外观语义特征向量的序列和局部外观关联拓扑特征矩阵进行关联编码,得到全局外观语义特征。关联编码可以将局部特征和关联拓扑结构相结合,捕捉到陶瓷烧成体表面的全局特征,更准确地判断是否存在表面缺陷。最后,根据局部外观关联拓扑全局外观语义特征,可以使用合适的分类器或判决模型来确定陶瓷烧成体是否存在表面缺陷。基于局部外观关联拓扑全局外观语义特征的表面缺陷检测方法可以自动化地识别陶瓷烧成体的缺陷,并提供高效、准确的质量控制和品质保证。
具体地,在本申请的技术方案中,首先,获取由摄像头采集的陶瓷烧成体的外观图像。接着,考虑到所述陶瓷烧成体的外观图像通常具有较大的尺寸,直接对整个图像进行处理可能会导致计算和存储的困难,并且所述陶瓷烧成体的外观细微缺陷,例如裂纹和斑点等一般会表现在图像中的局部区域中。因此,为了能够对于陶瓷烧成体的表面缺陷进行更好地检测,在本申请的技术方案中,需要对所述外观图像进行图像分块处理以得到外观图像块的序列,并将所述外观图像块的序列分别通过基于卷积神经网络模型的陶瓷烧成体外观特征提取器中进行特征挖掘,以分别提取出所述各个外观图像块中关于陶瓷烧成体的表面局部特征分布信息,从而得到局部外观语义特征向量的序列。
然后,考虑到在实际进行陶瓷烧成体的表面质量检测的过程中,若所述陶瓷烧成体的表面质量不存在缺陷,那么所述各个外观图像块中的隐含特征分布信息之间具有着较高的相似度。因此,为了能够进一步提高对于所述陶瓷烧成体的表面缺陷检测的精准度,在本申请的技术方案中,进一步计算所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量之间的相关度以得到局部外观关联拓扑矩阵。应可以理解,通过计算所述各个局部外观语义特征向量之间的相关度,可以捕捉和量化所述各个外观图像块中关于陶瓷烧成体的局部区域特征之间的关联性。特别地,这里,所述相关度可以反映陶瓷烧成体的外观图像中不同局部区域特征之间的相似程度或相关程度,从而揭示陶瓷烧成体的局部质量间的关联关系,有利于更为充分和准确地进行陶瓷烧成体的表面缺陷检测。
在本申请的一个具体实施例中,对所述局部外观语义特征向量的序列中的各个局部外观语义特征向量进行相关度分析以得到局部外观关联拓扑特征矩阵,包括:计算所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量之间的相关度以得到局部外观关联拓扑矩阵;将所述局部外观关联拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述局部外观关联拓扑特征矩阵。
具体地,计算所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量之间的相关度以得到局部外观关联拓扑矩阵,包括:以如下优化公式计算所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量之间的相关度;其中,所述优化公式为:其中,/>为所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量的前一个局部外观语义特征向量,/>为所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量的后一个局部外观语义特征向量,/>和为两种不同的线性变换,/>为所述前一个局部外观语义特征向量和所述后一个局部外观语义特征向量之间的相关度。
继而,再将所述局部外观关联拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器中进行特征挖掘,以提取出所述各个图像块中关于陶瓷烧成体的局部区域外观特征之间的关联拓扑特征信息,从而得到局部外观关联拓扑特征矩阵。
进一步地,以所述局部外观语义特征向量的序列中的各个局部外观语义特征向量作为节点的特征表示,而以所述局部外观关联拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个局部外观语义特征向量经二维排列得到的全局外观语义特征矩阵和所述局部外观关联拓扑特征矩阵通过图神经网络模型以得到局部外观关联拓扑全局外观语义特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述全局外观语义特征矩阵和所述局部外观关联拓扑特征矩阵进行图结构数据编码以得到包含不规则的局部区域相关度拓扑特征和各个外观图像块的语义特征信息的所述局部外观关联拓扑全局外观语义特征矩阵。
在本申请的一个具体实施例中,对所述局部外观语义特征向量的序列和所述局部外观关联拓扑特征矩阵进行基于图结构的关联编码以得到局部外观关联拓扑全局外观语义特征,包括:将所述局部外观语义特征向量的序列和所述局部外观关联拓扑特征矩阵通过图神经网络模型以得到局部外观关联拓扑全局外观语义特征矩阵作为所述局部外观关联拓扑全局外观语义特征。
通过图神经网络模型,可以将局部外观语义特征向量和局部外观关联拓扑特征矩阵融合在一起,实现对陶瓷烧成体表面的全局特征建模,这样可以在考虑每个局部特征的同时,综合整体关联信息,更全面地描述陶瓷表面的特征。图神经网络模型能够有效地捕捉局部外观特征向量之间的关联拓扑结构,通过学习图结构中的节点和边的关系,可以提取出陶瓷烧成体表面不同局部区域之间的关联特征,进一步增强表面缺陷的检测和识别能力。
图神经网络模型在处理图结构数据时具有较强的特征表达能力,通过多层神经网络的组合和非线性变换,可以提取出更高级别、更抽象的特征表示,使得局部外观关联拓扑全局外观语义特征更具有区分度和表达能力。通过融合局部外观特征和关联拓扑结构的全局特征,局部外观关联拓扑全局外观语义特征能够更准确地反映陶瓷烧成体表面的整体状态,有助于提高表面缺陷检测的准确性,减少误判和漏检的情况。
通过图神经网络模型生成局部外观关联拓扑全局外观语义特征矩阵,可以综合考虑局部和全局信息,捕捉关联拓扑结构,并提高表面缺陷检测的准确性和鲁棒性,这为陶瓷烧成体的质量控制和品质保证提供了有效的工具和方法。
在本申请的一个具体实施例中,基于所述局部外观关联拓扑全局外观语义特征,确定陶瓷烧成体是否存在表面缺陷,包括:基于所述局部外观语义特征向量对所述局部外观关联拓扑全局外观语义特征矩阵进行特征优化以得到优化局部外观关联拓扑全局外观语义特征矩阵;将所述优化局部外观关联拓扑全局外观语义特征矩阵通过分类器以得到分类结果,所述分类结果用于表示陶瓷烧成体是否存在表面缺陷。
特别地,在本申请的技术方案中,所述局部外观语义特征向量的序列中的每个局部外观语义特征向量分别表达所述外观图像在局部图像语义空间域内的图像语义特征,由此,将所述局部外观语义特征向量的序列和所述局部外观关联拓扑特征矩阵通过图神经网络模型后,可以进一步提取局部图像语义空间域内的图像语义特征在全局图像语义空间域下的局部图像语义空间域图像语义特征相关度拓扑下的拓扑关联特征,也就是,所述局部外观关联拓扑全局外观语义特征矩阵的与所述局部外观语义特征向量对应的特征向量,例如行特征向量相当于其所对应的所述局部外观语义特征向量的插值式拓扑关联特征混合。
这样,为了提升所述局部外观关联拓扑全局外观语义特征矩阵在其对应的所述局部外观语义特征向量的局部图像语义空间域图像语义特征的表达一致性基础上的全局图像语义空间域拓扑关联特征强化表达效果,基于所述局部外观语义特征向量对所述局部外观关联拓扑全局外观语义特征矩阵的相应行特征向量进行优化,表示为:其中,/>是所述局部外观语义特征向量,/>是所述对应的行特征向量,/>和/>分别表示所述局部外观语义特征向量/>和所述对应的行特征向量/>的全局最大值的倒数,/>是单位向量,且/>表示对所述对应的行特征向量/>的逐位置特征值取倒数。
具体地,针对在特征提取过程中对于回归目标的插值式时序关联特征混合,基于插值正则化的思想,通过将离群特征的特征映射解除混合,使得高维特征流形基于归纳偏差而恢复到以弱增强为基础的流形几何形状,实现基于特征提取的插值样本和插值预测的一致性特征增强映射,以在保持所述局部外观关联拓扑全局外观语义特征矩阵在其对应的所述局部外观语义特征向量的局部图像语义空间域图像语义特征的表达一致性的同时获得全局图像语义空间域拓扑关联特征强化表达效果,从而改进所述局部外观关联拓扑全局外观语义特征矩阵的特征表达效果,以提升其通过分类器得到的分类结果的准确性。这样,能够在高强度抗污日用陶瓷的生产过程中自动对陶瓷烧成体的表面缺陷问题进行检测,相对比传统的质检方式,提高了陶瓷烧成体质量检测的准确性和效率,从而提高了高强度抗污日用陶瓷的生产效率和产品质量。
进而,再将优化局部外观关联拓扑全局外观语义特征矩阵通过分类器以得到分类结果,所述分类结果用于表示陶瓷烧成体是否存在表面缺陷。也就是说,将所述陶瓷烧成体的外观图像局部区域语义特征和各个局部区域的相关度拓扑特征之间基于图结构的关联特征信息来进行分类处理,以此来对陶瓷烧成体的表面缺陷和裂纹等问题进行自动检测和分类,通过这样的方式,能够实现对陶瓷烧成体质量的自动检测,避免传统人工质检带来的低效率和低精度的问题,从而提高陶瓷烧成体质量检测的准确性和效率。
在本申请的一个具体实施例中,将所述优化局部外观关联拓扑全局外观语义特征矩阵通过分类器以得到分类结果,所述分类结果用于表示陶瓷烧成体是否存在表面缺陷,包括:将所述优化局部外观关联拓扑全局外观语义特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
通过将优化局部外观关联拓扑全局外观语义特征矩阵输入到分类器中,可以利用分类器的学习能力对陶瓷烧成体进行分类,判断是否存在表面缺陷。分类器可以根据训练数据的特征和标签进行学习,从而能够更准确地判断陶瓷烧成体的缺陷情况,提高缺陷检测的准确性。通过使用分类器对优化局部外观关联拓扑全局外观语义特征矩阵进行分类,可以实现对陶瓷烧成体缺陷的自动化识别,这样可以大大减少人工检查的工作量和时间成本,提高生产效率和质量控制的效率。
通过使用分类器对特征矩阵进行分类,可以增强缺陷检测方法的鲁棒性,分类器可以通过学习大量的样本数据,对不同类型的缺陷进行建模和识别,从而对多种缺陷类型具有较好的泛化能力,能够在不同的环境和条件下进行可靠的缺陷检测。基于分类器的缺陷检测方法具有较高的实时性和高效性,一旦分类器被训练和优化,对新的陶瓷烧成体进行缺陷检测只需要将其特征矩阵输入到分类器中进行分类即可,无需进行复杂的计算和处理,可以快速得到缺陷检测结果。
综上,基于本发明实施例的高强度抗污日用陶瓷的生产方法被阐明,其通过摄像头采集陶瓷烧成体的外观图像后,在后端引入图像处理和分析算法来进行陶瓷烧成体的外观图像的分析,以此来对陶瓷烧成体的表面缺陷和裂纹等问题进行自动检测和分类,通过这样的方式,能够实现对陶瓷烧成体质量的自动检测,避免传统人工质检带来的低效率和低精度的问题,从而提高陶瓷烧成体质量检测的准确性和效率,并提高高强度抗污日用陶瓷的生产效率和产品质量。
图3为本发明实施例中提供的一种高强度抗污日用陶瓷的生产***的框图。如图3所示,所述高强度抗污日用陶瓷的生产***200,包括:湿磨处理模块210,用于将粘土、石英、长石和碳酸钙进行混合后按照预定比例进行湿磨处理以得到泥浆;陶瓷坯体生成模块220,用于将所述泥浆进行过滤、脱水和成型处理以得到陶瓷坯体;陶瓷毛坯生成模块230,用于将所述陶瓷坯体进行干燥、修整和打磨处理以得到陶瓷毛坯;高温烧结处理模块240,用于将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体;高强度抗污日用陶瓷生成模块250,用于在所述陶瓷烧成体的表面涂覆透明釉料后,再进行低温釉烧处理以得到高强度抗污日用陶瓷。
本领域技术人员可以理解,上述高强度抗污日用陶瓷的生产***中的各个步骤的具体操作已经在上面参考图1到图2的高强度抗污日用陶瓷的生产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高强度抗污日用陶瓷的生产***200可以实现在各种终端设备中,例如用于高强度抗污日用陶瓷的生产的服务器等。在一个示例中,根据本发明实施例的高强度抗污日用陶瓷的生产***200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,该高强度抗污日用陶瓷的生产***200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,该高强度抗污日用陶瓷的生产***200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,该高强度抗污日用陶瓷的生产***200与该终端设备也可以是分立的设备,并且该高强度抗污日用陶瓷的生产***200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4为本发明实施例中提供的一种高强度抗污日用陶瓷的生产方法的应用场景图。如图4所示,在该应用场景中,首先,获取由摄像头采集的所述陶瓷烧成体的外观图像(例如,如图4中所示意的C);然后,将获取的外观图像输入至部署有高强度抗污日用陶瓷的生产算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于高强度抗污日用陶瓷的生产算法对所述外观图像进行处理,以确定陶瓷烧成体是否存在表面缺陷。
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)
1.一种高强度抗污日用陶瓷的生产方法,其特征在于,包括:
将粘土、石英、长石和碳酸钙进行混合后按照预定比例进行湿磨处理以得到泥浆;
将所述泥浆进行过滤、脱水和成型处理以得到陶瓷坯体;
将所述陶瓷坯体进行干燥、修整和打磨处理以得到陶瓷毛坯;
将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体;
在所述陶瓷烧成体的表面涂覆透明釉料后,再进行低温釉烧处理以得到高强度抗污日用陶瓷;
其中,将所述陶瓷毛坯进行高温烧结处理以得到陶瓷烧成体,包括:
获取由摄像头采集的所述陶瓷烧成体的外观图像;
对所述外观图像进行图像分块处理以得到外观图像块的序列;
通过基于深度神经网络模型的陶瓷烧成体外观特征提取器分别对所述外观图像块的序列进行特征提取以得到局部外观语义特征向量的序列;
对所述局部外观语义特征向量的序列中的各个局部外观语义特征向量进行相关度分析以得到局部外观关联拓扑特征矩阵;
对所述局部外观语义特征向量的序列和所述局部外观关联拓扑特征矩阵进行基于图结构的关联编码以得到局部外观关联拓扑全局外观语义特征;
基于所述局部外观关联拓扑全局外观语义特征,确定陶瓷烧成体是否存在表面缺陷。
2.根据权利要求1所述的高强度抗污日用陶瓷的生产方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的高强度抗污日用陶瓷的生产方法,其特征在于,对所述局部外观语义特征向量的序列中的各个局部外观语义特征向量进行相关度分析以得到局部外观关联拓扑特征矩阵,包括:
计算所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量之间的相关度以得到局部外观关联拓扑矩阵;
将所述局部外观关联拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述局部外观关联拓扑特征矩阵。
4.根据权利要求3所述的高强度抗污日用陶瓷的生产方法,其特征在于,计算所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量之间的相关度以得到局部外观关联拓扑矩阵,包括:以如下优化公式计算所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量之间的相关度;
其中,所述优化公式为:
,
其中,为所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量的前一个局部外观语义特征向量,/>为所述局部外观语义特征向量的序列中任意两个局部外观语义特征向量的后一个局部外观语义特征向量,/>和/>为两种不同的线性变换,为所述前一个局部外观语义特征向量和所述后一个局部外观语义特征向量之间的相关度。
5.根据权利要求4所述的高强度抗污日用陶瓷的生产方法,其特征在于,对所述局部外观语义特征向量的序列和所述局部外观关联拓扑特征矩阵进行基于图结构的关联编码以得到局部外观关联拓扑全局外观语义特征,包括:将所述局部外观语义特征向量的序列和所述局部外观关联拓扑特征矩阵通过图神经网络模型以得到局部外观关联拓扑全局外观语义特征矩阵作为所述局部外观关联拓扑全局外观语义特征。
6.根据权利要求5所述的高强度抗污日用陶瓷的生产方法,其特征在于,基于所述局部外观关联拓扑全局外观语义特征,确定陶瓷烧成体是否存在表面缺陷,包括:
基于所述局部外观语义特征向量对所述局部外观关联拓扑全局外观语义特征矩阵进行特征优化以得到优化局部外观关联拓扑全局外观语义特征矩阵;
将所述优化局部外观关联拓扑全局外观语义特征矩阵通过分类器以得到分类结果,所述分类结果用于表示陶瓷烧成体是否存在表面缺陷。
7.根据权利要求6所述的高强度抗污日用陶瓷的生产方法,其特征在于,将所述优化局部外观关联拓扑全局外观语义特征矩阵通过分类器以得到分类结果,所述分类结果用于表示陶瓷烧成体是否存在表面缺陷,包括:
将所述优化局部外观关联拓扑全局外观语义特征矩阵按照行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634325.0A CN117623735B (zh) | 2023-12-01 | 2023-12-01 | 高强度抗污日用陶瓷的生产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634325.0A CN117623735B (zh) | 2023-12-01 | 2023-12-01 | 高强度抗污日用陶瓷的生产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117623735A CN117623735A (zh) | 2024-03-01 |
CN117623735B true CN117623735B (zh) | 2024-05-14 |
Family
ID=90030078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311634325.0A Active CN117623735B (zh) | 2023-12-01 | 2023-12-01 | 高强度抗污日用陶瓷的生产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117623735B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511049A (zh) * | 2010-05-13 | 2012-06-20 | 中国科学院自动化研究所 | 基于拓扑知觉组织理论的形状图像分类方法 |
CN104310953A (zh) * | 2014-09-28 | 2015-01-28 | 曾文光 | 中温高铝高强度日用陶瓷的制备方法 |
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
US10096125B1 (en) * | 2017-04-07 | 2018-10-09 | Adobe Systems Incorporated | Forecasting multiple poses based on a graphical image |
CN109064462A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
CN110093580A (zh) * | 2019-05-22 | 2019-08-06 | 马鞍山市恒泰重工机械有限公司 | 一种冶金辊表面复合耐磨合金涂层 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110533048A (zh) * | 2018-05-23 | 2019-12-03 | 上海交通大学 | 基于全景区域场景感知的组合语义层次连接模型的实现方法及*** |
CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
CN111222580A (zh) * | 2020-01-13 | 2020-06-02 | 西南科技大学 | 一种高精度的裂缝检测方法 |
WO2020244066A1 (zh) * | 2019-06-04 | 2020-12-10 | 平安科技(深圳)有限公司 | 一种文本分类方法、装置、设备及存储介质 |
RU2742163C1 (ru) * | 2020-04-21 | 2021-02-02 | федеральное государственное бюджетное образовательное учреждение высшего образования «Томский государственный университет систем управления и радиоэлектроники» | Способ сушки отформованного кирпича-сырца |
CN112964712A (zh) * | 2021-02-05 | 2021-06-15 | 中南大学 | 一种快速检测沥青路面状态的方法 |
-
2023
- 2023-12-01 CN CN202311634325.0A patent/CN117623735B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511049A (zh) * | 2010-05-13 | 2012-06-20 | 中国科学院自动化研究所 | 基于拓扑知觉组织理论的形状图像分类方法 |
CN104310953A (zh) * | 2014-09-28 | 2015-01-28 | 曾文光 | 中温高铝高强度日用陶瓷的制备方法 |
US10096125B1 (en) * | 2017-04-07 | 2018-10-09 | Adobe Systems Incorporated | Forecasting multiple poses based on a graphical image |
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
CN110533048A (zh) * | 2018-05-23 | 2019-12-03 | 上海交通大学 | 基于全景区域场景感知的组合语义层次连接模型的实现方法及*** |
CN109064462A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110093580A (zh) * | 2019-05-22 | 2019-08-06 | 马鞍山市恒泰重工机械有限公司 | 一种冶金辊表面复合耐磨合金涂层 |
WO2020244066A1 (zh) * | 2019-06-04 | 2020-12-10 | 平安科技(深圳)有限公司 | 一种文本分类方法、装置、设备及存储介质 |
CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
CN111222580A (zh) * | 2020-01-13 | 2020-06-02 | 西南科技大学 | 一种高精度的裂缝检测方法 |
RU2742163C1 (ru) * | 2020-04-21 | 2021-02-02 | федеральное государственное бюджетное образовательное учреждение высшего образования «Томский государственный университет систем управления и радиоэлектроники» | Способ сушки отформованного кирпича-сырца |
CN112964712A (zh) * | 2021-02-05 | 2021-06-15 | 中南大学 | 一种快速检测沥青路面状态的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117623735A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
Chen et al. | Automated inspection of engineering ceramic grinding surface damage based on image recognition | |
CN112489016B (zh) | 复合材料缺陷热影像图的局部敏感判别分析方法 | |
CN114066820A (zh) | 一种基于Swin-Transformer与NAS-FPN的织物疵点检测方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN104297439A (zh) | 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 | |
CN112070712B (zh) | 基于自编码器网络的印刷缺陷检测方法 | |
CN111028207B (zh) | 基于即时-通用特征提取网络的纽扣瑕疵检测方法 | |
CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN117623735B (zh) | 高强度抗污日用陶瓷的生产方法 | |
CN106323985B (zh) | 计算机视觉结合自我学习行为的实木板材品质检测方法 | |
CN114881987A (zh) | 基于改进YOLOv5的热压导光板缺陷可视化检测方法 | |
CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
CN108765391A (zh) | 一种基于深度学***板玻璃异物影像分析方法 | |
CN109034172B (zh) | 一种基于模糊松弛约束多核学习的产品外观缺陷检测方法 | |
Min et al. | Abnormal detection and classification in i-ceramic images | |
CN109916923A (zh) | 一种基于机器视觉的定制板件自动缺陷检测方法 | |
Bao et al. | Design of inspection system of glaze defect on the surface of ceramic pot based on machine vision | |
CN113177544A (zh) | 一种罗非鱼加工过程损伤、血污残留的检测方法 | |
Ohemu et al. | Development of automated ceramic tiles surface defect detection and classification system | |
CN117890389B (zh) | 精烧制品表面质量在线检测方法、设备及其存储介质 | |
He | [Retracted] Corner Detection of Ceramic Crack Computer VR Image Based on Three‐Dimensional Reconstruction Algorithm | |
CN111797730A (zh) | 一种水泥熟料岩相自动分析方法 | |
Lan et al. | Research on computer aided defect recognition of ceramic crack | |
Li et al. | Research on intelligent classification system of ceramic tiles based on machine vision |
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 |