共查询到11条相似文献,搜索用时 46 毫秒
1.
2.
3.
增材制造(3D打印)过程中常常会遇到不规则的连续曲线,传统的处理方法是采用微小的多段折线来逼近曲线。但在曲线过长或者过于复杂时就会产生大量的微小直线段数据,给控制系统的运行造成一定的负担。本文采用参数样条曲线插补的方式,借助参数三次多项式推导出插值曲线段的递推公式,在一定程度上克服上述插值方法的不足,提高加工效率与精度。 相似文献
4.
针对冷轧板带材常见表面缺陷图像识别的特点,提出了板带材表面缺陷多特征优化组合方法,该方法以直方图统计特征、小波变换特征、灰度共生矩阵特征、不变矩特征等4类特征共26维特征向量为基础,依据类间类内距离差的类别可分离性判据对特征进行优化,选出最优特征向量组合。对6类典型板带材表面缺陷进行实验,实验结果表明,采用多特征优化组合方法选择出的特征向量具有较好的分离效果,显著地提高了表面缺陷的识别率。 相似文献
5.
机器学习辅助材料设计是一种高效的合金设计方法,该方法结合高通量计算/实验技术能够极大推动材料领域的发展。然而,目前材料研究者尚未充分利用该方法。针对上述问题,详细介绍了基于机器学习的高温合金设计的基本方法,包括数据收集与预处理、模型建立与训练、合金性能预测等步骤,阐述了增材制造用高温合金的设计现存困难和亟待解决“权衡裂纹敏感性与高温性能”的关键问题,深入分析了机器学习在增材制造用高温合金设计中的必要性。从高温合金数据获取、性能预测、合金设计等方面梳理了机器学习辅助增材制造用高温合金设计的应用现状,指出了该领域目前存在的数据来源、建模范式、模型的应用与推广等核心问题,并对该领域后续的发展提供了建议。 相似文献
6.
7.
8.
9.
随着增材制造(AM)技术的快速发展,其质量控制与过程监控逐渐成为研究焦点。致力于解决3D打印过程中出现的质量波动和缺陷问题,通过利用神经网络驱动的机器视觉系统实现对增材制造过程的高效自适应监控。采用卷积神经网络(CNN)对高分辨率的熔池图像数据进行深入分析,旨在实现对增材制造过程的实时检测和缺陷分类。实验数据通过激光金属沉积过程收集,并对数据进行了详尽的分析与标注,建立了一个全面且高质量的数据集。基于此数据集,开发了一个专门针对熔池图像识别的CNN模型,该模型有效地从复杂图像中提取关键特征,用于增材制造过程的监控与自适应调整。研究成果表明,所开发的模型在检测和分类增材制造过程中具有高准确率、高召回率和优秀的F1分数,证明了其在提升增材制造过程精度和可靠性方面的有效性。通过对增材制造过程的实时监控和分析,展示了神经网络在机器视觉应用中的强大能力,为增材制造技术的质量控制和过程优化提供了新的思路。 相似文献
10.