谈高性能陶瓷辊棒的发展趋势被引量：1

Development Trend of High Performances Ceramic Rollers

下载PDF

导出

摘要本文从新材料产业链出发,结合新技术(结构和功能材料)的快速发展,尤其是锂离子电池和新型建筑材料等产业的迅速崛起,给陶瓷辊棒的应用领域以及应用环境带来了较大的变化,通过对其制备工艺、装备改进以及应用等方面进行详细的阐述,为高性能陶瓷辊棒的未来发展提供了方向。

作者张脉官姚素媛 ZHANG Mai-guan

机构地区广东金刚新材料有限公司广东职业技术学院

出处《佛山陶瓷》 2020年第5期5-8,20,共5页 Foshan Ceramics

关键词高性能辊棒发展方向

同被引文献13

1匡逊君,赵文倩,李明富.基于图像不变矩和SVM的机械零件分类识别[J].制造业自动化,2012,34(15):65-68. 被引量：10
2曹香滢,孙卫民,朱悠翔,钱鑫,李晓宇,业宁.基于科优先策略的植物图像识别[J].计算机应用,2018,38(11):3241-3245. 被引量：16
3岳晓峰,刘天.基于粒子群算法的RBF神经网络零件表面缺陷分类[J].电子技术与软件工程,2019(4):18-20. 被引量：4
4周明浩,朱家明.基于卷积神经网络的机械零件表面缺陷分类[J].农业装备与车辆工程,2019,57(11):19-23. 被引量：4
5杨建伟,涂兴子,梅峰漳,李亚宁,范鑫杰.基于深度学习优化YOLOV3算法的芳纶带检测算法研究[J].中国矿业,2020,29(4):67-72. 被引量：3
6李若尘,朱悠翔,孙卫民,龚思源,钱鑫,业宁.基于深度学习的木材缺陷图像的识别与定位[J].数据采集与处理,2020,35(3):494-505. 被引量：11
7唐标,程志万,李博,朱梦梦,杨莉,梁勇.基于改进的YOLOv3在电力场景中的人群识别[J].电子器件,2020,43(3):563-568. 被引量：2
8徐守坤,倪楚涵,吉晨晨,李宁.基于YOLOv3的施工场景安全帽佩戴的图像描述[J].计算机科学,2020,47(8):233-240. 被引量：20
9柳云鹤,李苏.基于遗传算法的2D机械零件分类识别[J].传感器与微系统,2020,39(8):148-151. 被引量：5
10黄健,张钢.深度卷积神经网络的目标检测算法综述[J].计算机工程与应用,2020,56(17):12-23. 被引量：87

1桂冠,王洁,杨洁,刘淼,孙金龙.基于深度学习的频分复用大规模多输入多输出下行信道状态信息获取技术[J].数据采集与处理,2022,37(3):502-511. 被引量：1
2万鹏,李迎光,华家玘,刘长青.基于元学习和PINN的变工况刀具磨损精确预测方法[J].南京航空航天大学学报,2022,54(3):387-396. 被引量：4
3李小强.基于深度图像的精密零件加工问题研究[J].自动化与仪器仪表,2022(7):62-66.
4陆永华,黄钰,徐嘉骏,冯强,周利华.基于深度学习的复材表面缺陷检测方法[J].Transactions of Nanjing University of Aeronautics and Astronautics,2023,40(4):487-499.
5丁江涛,王帅,王强.基于机器视觉与PLC的工业零件自动检测及分拣系统[J].蚌埠学院学报,2023,12(5):82-87.
6周曼,吴天钊,代宝鑫,许新统,孔令兵,梁立新.深度学习在陶瓷表面缺陷检测方面的研究进展[J].陶瓷学报,2023,44(5):874-884.
7刘伏涛.基于深度学习的光学零件表面缺陷检测方法[J].信息与电脑,2023,35(21):64-66.
8郭子宁,黄海龙,高培根.改进SqueezeNet卷积神经网络机械零件表面缺陷检测算法[J].制造业自动化,2024,46(2):121-124.
9张福豹,吴婷,赵春峰,魏贤良,刘苏苏.基于弱光增强与YOLO算法的锯链缺陷检测方法[J].电子测量技术,2024,47(6):100-108.

佛山陶瓷

2020年第5期

内容加载中请稍等...