基于卷积自编码器的医用玻璃瓶口缺陷检测方法

为解决缺陷检测中缺陷样本数量少、种类多、难以提供足够的数据来进行有监督深度学习模型训练的问题,本文利用工业生产中大量易获取没有缺陷的正样本数据,建立Encoder-Decoder结构的卷积自编码网络缺陷检测模型,将空间和通道注意力的卷积注意力模块嵌入编码器中增强网络特征提取能力。在编码阶段加入上下文信息模块,获得更大的感受野,减小计算量。同时,结合多尺度结构相似性MS-SSIM和L1损失来改善图像重构效果,使用峰值信噪比PSNR衡量重构误差并判别异常。实验结果表明,提出的医用玻璃瓶口缺陷检测方法能够准确检出缺陷数据和分割缺陷区域,精确度为99.45%、召回率为97.63%、漏检率为0.55%、误检率为2.93%。该方法能够准确检出玻璃瓶口缺陷,定位缺陷区域,同时图像重构耗时短,仅需10.37 ms左右,能够实现准确、高效的自动化产品质量检测。     

三聚氰胺生产中调温水系统的优化

根据三聚氰胺装置扩产后,与其联产的尿素系统对尾气组分的要求,分析工艺操作难点,引用调温水系统,对现有的三聚氰胺尾气冷凝系统进行改造,以实现整个装置的节能降耗。     

基于Retinanet的轮毂焊缝检测定位方法

提出一种基于深度学习方法的轮毂焊缝实时检测定位方法,设计轮毂焊缝视觉检测硬件平台,阐述多规格轮毂焊缝的检测定位原理,细述基于卷积神经网络的目标检测算法Retinanet以及基于Transformer架构的目标检测算法CoTNet的原理,优化Cot结构,提出CoTx结构,从而实现便捷替换卷积神经网络中通用的卷积层。在Pytorch框架下,简化Retinanet网络,通过CoTx结构和Retinanet网络的融合对比实验来优化Retinanet网络在轮毂焊缝数据集上的检测性能。实验结果表明,用CoTx结构替换Retinanet最后的几个特征提取层,可以得到更好的检测效果。在生产现场,进行为期30天的轮毂焊缝在线实时检测,平均检测精度为99.71%,单张检测时间为7 ms,达到企业生产的要求。     

低收缩型树状聚氨酯丙烯酸酯的合成与性能研究

聚合收缩是齿科修复树脂普遍存在的问题，为降低树脂的聚合收缩率，以乙二胺为核，经发散法合成1代的端羟基聚酰胺-胺(PAMAM-OH),通过与带异氰酸基团的甲基丙烯酸酯反应，合成一种新型树状聚氨酯丙烯酸酯单体(D₁MA)。将D₁MA与双甲基丙烯酸尿烷酯(UDMA)分别部分取代传统树脂基体(5B5T),利用旋转流变仪、红外光谱仪和万能试验机等探究了两种不同单体对理化性能的影响。结果表明，在相近的双键转化率下，与线形单体相比D₁MA的加入可以有效降低聚合收缩率(降低了13.06%),且力学性能良好。与UDMA相比，D₁MA是一种低黏度、生物相容性(CCK-8细胞实验)良好齿科树脂单体，在齿科修复领域有潜在的应用前景。     

湿法冶炼锌渣中银的工艺矿物学及回收

通过对某湿法冶炼锌渣中的银进行工艺矿物学和浮选回收研究,查明该锌渣由10余种矿物组成,主要银矿物为自然银、金银矿,主要金属矿物为铁酸锌和黄铁矿,主要非金属矿物为毒砂、残余石英、长石、绿泥石。此矿渣矿石性质特殊、嵌布关系复杂,属于较难选矿渣。经采用混合浮选法流程试验,在含银80 g/t品位下,获得银精矿含银6517.50 g/t、回收率71.57%的较好指标。