磁瓦
磁瓦的相关文献在1993年到2023年内共计2312篇,主要集中在自动化技术、计算机技术、电工技术、金属学与金属工艺
等领域,其中期刊论文88篇、会议论文6篇、专利文献128877篇;相关期刊66种,包括科技创新导报、浙江大学学报(工学版)、四川大学学报(工程科学版)等;
相关会议5种,包括第八届全国磁性材料及应用技术研讨会、中国磁性材料产业市场发展高峰论坛、第5届全国磁应用技术研讨会暨第11届全网大会等;磁瓦的相关文献由2142位作者贡献,包括厉力波、林百煌、蒋红海等。
磁瓦—发文量
专利文献>
论文:128877篇
占比:99.93%
总计:128971篇
磁瓦
-研究学者
- 厉力波
- 林百煌
- 蒋红海
- 杨海涛
- 丛建华
- 毛双全
- 叶建兵
- 叶建平
- 张海南
- 潘定银
- 牛利博
- 殷国富
- 汪胜发
- 胡文杰
- 何凯
- 管洪安
- 唐明星
- 方秀平
- 李亚东
- 李元兴
- 李婷
- 舒云峰
- 陈刚
- 张家昌
- 袁锐波
- 刘培勇
- 卢晓强
- 杨成立
- 相明
- 许坚
- 陈辉明
- 黄华为
- 张筝
- 秦立山
- 李东
- 温从众
- 陈杰
- 付伟
- 卢荷彬
- 周连明
- 张小军
- 方述明
- 李雪琴
- 王占波
- 邓庆保
- 韦承义
- 柴晓峰
- 管群
- 钱俊兵
- 刘雪瓜
-
-
郭龙源;
段厚裕;
周武威;
童光红;
吴健辉;
欧先锋;
李武劲
-
-
摘要:
磁瓦图像具有光照不均、表面纹理复杂、对比度低等特点,针对传统的缺陷检测算法难以准确分割其中缺陷的问题,提出基于掩膜区域卷积网络(Mask R-CNN)的缺陷检测算法。该算法首先通过限制对比度的自适应直方图均衡化方法对图像进行预处理;然后,采用残差网络50(ResNet50)构建特征金字塔网络(FPN)获取图像信息并提取特征,再采用区域建议网络(RPN)提取缺陷区域的感兴趣区域,得到相应的锚框,并通过全卷积神经网络(FCN)对感兴趣区域内部的像素类别进行预测,以实现缺陷分割;最后通过网络的全连接层实现每个感兴趣区域所属类别和相应锚框坐标的预测。实验结果表明,该算法具有较强的泛化能力,可以对表面存在大量纹理复杂、光照不均和对比度低的磁瓦图像进行精确的缺陷分割,具有较强的鲁棒性。
-
-
周巧玲;
舒云峰;
赵修彬;
刘小龙;
李小艳;
聂军;
徐俊杰
-
-
摘要:
目前烧结磁瓦采用人工上窑操作,劳动量大,易导致产品缺损。为了节省人力,提高磁瓦的烧结合格率,提出了一种PLC控制的自动抬瓦上窑装置。从实际使用结果看,此装置可以大幅节省人力,提高磁瓦的烧结合格率,装置稳定性好。设备实现了永磁铁氧体磁瓦的烧结工序自动化高效生产,在磁性材料行业中具有较好的应用前景。
-
-
张京爱;
王江涛
-
-
摘要:
铁氧体磁瓦由于形状的不规则性和表面缺陷的多样性给基于计算机视觉的表面质量识别带来很大的挑战.针对该问题,将深度学习技术引入到磁瓦表面质量识别中,提出一种基于卷积神经网络的磁瓦表面质量识别系统.首先将磁瓦目标从采集到的图像中分割出来并进行旋转从而得到标准图像,然后把改进后的多尺度ResNet18作为骨干网络来设计识别系统.训练时,设计一种新颖的类内mixup操作来提高系统对样本的泛化能力.为了更加贴近实际应用场景,在考虑到光线变化、姿态差异等因素的前提下构建了磁瓦缺陷数据集.在自建的数据集中进行实验的结果表明,该系统可以达到97.9%的识别准确率,为磁瓦缺陷的自动识别提供了可行的思路.
-
-
谢舰;
姚剑敏;
严群;
林志贤
-
-
摘要:
为了满足磁瓦生产工业对表面质量检测的高要求,实现磁瓦缺陷自动分割与识别,本文提出了一种基于卷积神经网络的缺陷分割与分类网络.该网络基于U-net架构,通过U-net编码部分提取缺陷的深层特征,并使用该深层特征进行缺陷分类,然后通过解码部分输出分割的缺陷区域.为了解决部分缺陷前景面积占比太小,导致网络难以收敛的问题,通过添加差异系数损失以保证网络持续优化.然后在训练阶段添加多层损失和进行在线数据增强进一步提升了分割精度和分类准确率.实验结果表明,添加辅助损失函数和数据增强后,分割网络能够分割出94.5%标注的缺陷区域,并且对于缺陷分类的准确率能够达到98.9%,满足工业生产的高精度要求.该方法能够精准有效地分割和识别磁瓦的表面缺陷,为磁瓦表面质量检测自动化行业提供了一种新的思路.
-
-
张晋;
谢珺;
梁凤梅;
续欣莹;
董俊杰
-
-
摘要:
基于机器视觉的磁瓦表面缺陷检测研究对于改进磁瓦生产工艺、提升磁瓦生产效率有着重要意义.但在研究过程中,存在磁瓦含缺陷样本收集困难、不同缺陷样本数不均匀、缺陷类型单一等问题.本文提出一种使用高斯混合模型的深度卷积生成对抗网络(Gaussian Mixture Model Deep Convolution Generative Adversarial Networks,GMM-DCGANs)生成含缺陷磁瓦图像的方法.在深度卷积生成对抗网络的基础上,将生成图像的输入噪声潜在空间复杂化为高斯混合模型,从而提高图像生成网络对有限数量且具有类间及类内多样性训练样本的学习能力.实验结果表明,GMM-DCGANs网络可以生成质量更好、缺陷类型更加丰富的磁瓦缺陷图像,并且生成的图像满足缺陷检测及分类的要求.
-
-
王子阳;
王江涛;
李飞杨
-
-
摘要:
在对磁瓦进行分拣封箱时基本依赖传统人工在严格的光照条件下进行分类,需要较大的人力物力的消耗.为提高磁瓦分拣的智能化水平,提出将深度学习引入到磁瓦正反分类当中,利用轻量型网络对磁瓦图像进行正反分类.首先考虑光线角度问题进行磁瓦正反面数据集的采集,并对其进行预处理得到标准图像.然后利用MobileNet对磁瓦正反面进行训练和分类.该系统可以达到99.6%的分类准确率,实验结果表明该方法所用参数量少,对硬件设备需求低,具有实际可行性,对磁瓦分类具有良好的效果.
-
-
刘鑫;
黄沁元;
李强;
冉茂霞;
周颖;
杨天
-
-
摘要:
磁瓦作为永磁电机中的关键部件,其产品质量易受到内部缺陷的影响而下降.然而传统的声振检测手段在面对快速、精准的检测需求下已暴露出一些低效率的问题,因此开发一种针对磁瓦内部缺陷的高效智能化检测方法具有重要的现实意义.文中结合深度学习的优势,提出了一种基于卷积神经网络的磁瓦内部缺陷声振检测方法.在该方法中,磁瓦的一维声振信号首先被转换为二维声振图像,再输入针对信号特点所设计的卷积神经网络进行学习训练,以完成从声振图像中自主学习和提取能区分内部缺陷有无的信号特征,最后由softmax完成对应特征的识别.4类磁瓦样本的检测实验结果表明,提出的方法可实现准确率为99.38%的磁瓦内部缺陷检测,单片磁瓦的检测时间低于0.031 s,模型具有良好的鲁棒性.
-
-
朱桂英;
沈军民
-
-
摘要:
磁瓦的性能是影响电机性能的因素之一,为了提高汽车电机性能以及解决企业用工难问题,设计了汽车电机主要部件磁瓦的自动化生产设备.从生产工艺出发,研究了磁瓦的特点以及生产流程,磁瓦的生产过程包括磨料、压制、烧结、磨制等过程,对其中的压制工序进行了自动化改造,详细介绍了自动化设备的结构及工作原理,流水线自动化设备具有磁瓦产品定量注料、定点取坯、产品厚度自动调节、产品自动成型等功能,设计了下模具上表面自动注料装置,自动取坯和码垛机构,采用可视化的触摸屏操作程序,实现了机器换人的变革,提高了生产效率和产品合格率.
-
-
-
-
-
-
祁宝忠
- 《第5届全国磁应用技术研讨会暨第11届全网大会》
| 2001年
-
摘要:
铁氧体永磁材料是一种用途非常广泛的功能性材料.磁器件产品从形状上一般分为三种:磁块,磁环及磁瓦.在生产工艺中磁瓦的磁场成型比磁块和磁环难度要大很多.磁瓦毛坯密度的不均匀性比较大,导致磁瓦批量生产中毛坯易出现局部裂纹,在后续的烧结及磨加工过程中造成产品开裂.这里有模具设计,应力分布等原因.本文重点分析瓦形成型磁场分布对磁瓦毛坯密度分布的影响,并且提出如何改变瓦形成型磁场的分布使磁瓦毛坯密度分布较均匀,从而减少磁瓦裂纹的产生,提高磁瓦工业化生产中的成品率.
-
-
刘杰
- 《第5届全国磁应用技术研讨会暨第11届全网大会》
| 2001年
-
摘要:
永磁铁氧体磁瓦坯件尺寸主要有内径、外径、弦长、内弦高等.本文通过假设的数学模型对全径向充磁磁环内外径线收缩率进行理论计算,把磁瓦看作是全径向磁环的一部分,再根据实际工艺情况进行长期研究和实践修正,最终推导出磁瓦生坯尺寸的近似计算公式,在大工业生产中,这个公式对予不同收缩率的原料设计不同的模具尺寸具有一定的指导意义.
-
-
-
-
-
-