碳化钨粉的智能化制备工艺及其方法与流程

1.本发明涉及智能化制备技术领域，尤其涉及一种碳化钨粉的智能化制备工艺及其方法。


背景技术：

2.硬质合金是由难熔金属硬质化合物和粘结金属组成的合金，具有高硬度、高强度、高耐磨性、抗腐蚀性和低线膨胀系数的特点，广泛应用于军工、航天、矿山冶金、机械加工等领域。硬质合金中广泛使用的是碳化钨基硬质合金，而高品质碳化钨粉是制备高性能硬质合金的基础。
3.目前国内外批量生产碳化钨广泛采用的是氧化钨还原-碳化法，采用氧化钨作为原料，通氢还原成钨粉，再将钨粉与炭黑混合均匀，然后进行碳化，最终得到碳化钨粉。目前钨粉和炭黑的主要混合设备是球磨机和混合器，由于钨粉和炭黑的松装密度相差较大，易造成分层，钨粉粒度越粗越明显。在实际生产中，为提升碳化钨结晶完整性及化合碳，采取延长保温时间、提升碳化温度来保证碳化速率。但是这样的操作对碳化设备要求较高，同时由于长久高温运行，碳化设备寿命较短。
4.因此，期待一种优化的碳化钨粉制备方案。


技术实现要素：

5.本发明实施例提供一种碳化钨粉的智能化制备工艺及其方法，其将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及，将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。这样，可以利用深度学习和人工智能技术来对压坯表面形态进行图像分析，从而实现智能化地推荐适宜的碳化温度值，以优化碳化钨粉制备过程，提高碳化钨粉的结晶完整性和晶粒尺寸分布的一致性。
6.本发明实施例还提供了一种碳化钨粉的智能化制备方法，其包括：将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。
7.本发明实施例还提供了一种碳化钨粉的智能化制备工艺，其包括：压制模块，用于将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；碳化处理模块，用于将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及筛网分级模块，用于将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。
附图说明
8.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碳化钨粉的智能化制备方法的流程图。
9.图2为本发明实施例中提供的一种碳化钨粉的智能化制备方法的系统架构的示意图。
10.图3为本发明实施例中提供的一种碳化钨粉的智能化制备方法中步骤s2的子步骤的流程图。
11.图4为本发明实施例中提供的一种碳化钨粉的智能化制备方法中步骤124的子步骤的流程图。
12.图5为本发明实施例中提供的一种碳化钨粉的智能化制备工艺的框图。
13.图6为本发明实施例中提供的一种碳化钨粉的智能化制备方法的应用场景图。
具体实施方式
14.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。
15.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
16.在本技术实施例记载中，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。
17.需要说明的是，本技术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，以使这里描述的本技术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。
18.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碳化钨粉的智能化制备方法的流程图。如图1所示，根据本发明实施例的碳化钨粉的智能化制备方法100，包括： s1、将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；s2、将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及，s3、将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。
19.在步骤s1中，将钨粉和炭黑按照一定比例混合后通过压机压制成压坯。其中，混合比例严格控制，以确保最终产品的质量和性能。混合过程中避免过度混合，以免影响压坯的成型性。压机的压制力和速度适当调整，以确保压坯的密度和形状符合要求。这样，通过严格的混合比例和压制工艺，可以保证碳化钨的均一性和成型性。
20.在步骤s2中，将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间。碳化温度根据具体的工艺要求进行精确控制，以确保最终产品的质量和性能。碳化过程中保持惰性气氛，以避免氧化和污染。碳化时间根据具体的工艺要求进行精确控制，以确保最终产品的质量和性能。这样，通过精确的碳化工艺，可以保证碳化钨的结晶完整性和化合碳含量。
21.在步骤s3中，将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。球磨过程中控制球磨时间和球磨介质的选择，以避免对碳化钨粉的质量和性能产生负面影响。筛网分级根据具体的要求进行选择，以确保最终产品的粒度和均一性。干燥过程中控制温度和湿度，以避免对碳化钨粉的质量和性能产生负面影响。这样，通过精确的球磨和分级工艺，可以保证碳化钨粉的粒度和均一性，保证碳化钨粉的质量和稳定性。
22.通过上述步骤，可以实现：1.提高生产效率，智能化制备方法采用自动化设备和智能控制系统，可以大大提高生产效率，降低人工操作的错误率和劳动强度。2.提高产品质量，智能化制备方法可以实现精准的控制和监测，可以更好地控制碳化过程中的温度、时间、气氛等参数，从而提高产品质量和一致性。3.减少能耗，智能化制备方法可以实现能源的有效利用和节约，例如可以对碳化过程中的热能进行回收利用，减少能源的浪费。4.减少环境污染，智能化制备方法可以减少生产过程中的废气、废水和固体废物的排放，降低环境污染的程度。5.降低生产成本，智能化制备方法可以减少人工操作和能源消耗，从而降低生产成本，提高企业的盈利能力。图2为本发明实施例中提供的一种碳化钨粉的智能化制备方法的系统架构的示意图。图3为本发明实施例中提供的一种碳化钨粉的智能化制备方法中步骤s2的子步骤的流程图。如图2和图3所示，将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，包括：121，在恰当位置处安装摄像头；122，接收由所述摄像头采集的所述压坯的表面拍摄图像；123，对所述表面拍摄图像进行图像预处理以得到灰度化表面拍摄图像；124，对所述灰度化表面拍摄图像进行图像特征提取以得到多尺度深度压坯表面形态特征图；以及，125，基于所述多尺度深度压坯表面形态特征图，确定推荐的碳化温度值。
23.在步骤s2中，通常需要对碳化过程中的碳化温度进行控制。具体来说，碳化温度的变化会影响碳化钨粉的结晶完整性和晶粒尺寸分布。目前，传统的调控方式主要是通过人工对碳化温度进行调节和控制。但是，由于人具有较强的主观性，对碳化温度的控制通常存在不稳定性的问题。因此，期待一种优化的方案。
24.考虑到在通常情况下，炭黑的粒度越小，反应速度越快，碳化温度也会相应提高。对此，在本技术的技术方案中，期待基于压坯的表面形态来推荐适宜的碳化温度值。也就是，本技术的技术构思为利用深度学习和人工智能技术来对压坯表面形态进行图像分析，从而实现智能化地推荐适宜的碳化温度值，以优化碳化钨粉制备过程，提高碳化钨粉的结晶完整性和晶粒尺寸分布的一致性。
25.应可以理解，通过智能化的图像处理和特征提取技术，可以更好地控制碳化过程中的温度，从而可以得到更加纯净和均匀的碳化钨粉。通过自动化的图像采集和处理技术，可以实现对碳化过程的实时监测和控制，从而可以大大提高生产效率。通过智能化的碳化过程控制，可以减少碳化过程中的废品率，从而可以降低生产成本，提高企业的盈利能力。通过自动化的图像采集和处理技术，可以减少人工操作的风险，提高生产安全性。
26.具体地，在所述步骤121和步骤122中，在恰当位置处安装摄像头；接收由所述摄像头采集的所述压坯的表面拍摄图像。其中，恰当的位置应该是在高温炉的上方，以便能够清晰地拍摄到压坯表面。此外，摄像头应该能够捕捉到整个压坯表面的图像，因此可以在炉子的顶部或侧面安装摄像头。另外，为了保证摄像头的拍摄质量，还需要考虑炉内温度对摄像头的影响，可以在摄像头周围设置隔热材料来减少温度对摄像头的影响。
27.具体地，在本技术的技术方案中，首先获取压坯的表面拍摄图像。通过对压坯表面拍摄的图像进行深度学习和人工智能分析，可以得出不同表面形态下的最佳碳化温度值。例如，当压坯表面出现裂纹或变形时，可能需要调整碳化温度值以保证碳化效果。此外，不同的原料和碳化工艺也会对碳化温度值产生影响。因此，通过对压坯表面拍摄图像进行智能分析，可以帮助确定最佳的碳化温度值，从而提高碳化钨粉的质量和生产效率。
28.通过所述压坯的表面拍摄图像，可以提取出以下一些有用的信息：压坯的形态和尺寸，可以通过图像处理技术获取压坯的形态和尺寸信息，包括压坯的宽度、长度、高度和表面形态等。压坯的表面质量，可以通过图像处理技术获取压坯表面的质量信息，包括表面的平整度、光滑度、裂纹和瑕疵等。压坯的密度，可以通过图像处理技术获取压坯的密度信息，通过对压坯表面的像素点进行分析，可以得出压坯的密度。压坯的颜色，可以通过图像处理技术获取压坯表面的颜色信息，通过压坯表面的颜色变化可以判断碳化过程中的温度变化。
29.通过对这些信息的分析，可以确定最佳的碳化温度值，从而提高碳化钨粉的质量和生产效率。
30.具体地，在所述步骤123中，对所述表面拍摄图像进行图像预处理以得到灰度化表面拍摄图像。其包括：对所述表面拍摄图像进行灰度处理以得到所述灰度化表面拍摄图像。对所述表面拍摄图像进行灰度处理以得到灰度化表面拍摄图像。应可以理解，由摄像头等图像采集设备采集的所述表面拍摄图像中通常包含大量干扰信息，比如颜色和大面积的背景。本技术期待基于压坯的表面形态来推荐适宜的碳化温度值，采用灰度处理可以忽略图像中的颜色信息并突出表面的纹理和形态特征。同时，对所述表面拍摄图像进行灰度处理可以减少图像的复杂度和降低计算复杂度。
31.灰度处理是将一张彩色图像转换为灰度图像的过程。在灰度图像中，每个像素点只有一个灰度值，表示该像素点的亮度或暗度。这种处理方法可以减少图像处理过程中的数据量，从而提高处理效率。
32.更具体地，首先通过将rgb三个通道的像素值加权平均来计算每个像素点的灰度值。常用的加权平均算法是ntsc标准，其中红色通道的权重为0.299、绿色通道的权重为0.587、蓝色通道的权重为0.114。然后，对灰度图像进行平滑处理，通过平滑滤波器来去除图像中的噪声，常用的平滑滤波器有均值滤波器和高斯滤波器。最后，对灰度图像进行二值化处理，通过将灰度值高于某个阈值的像素点设置为白色，低于阈值的像素点设置为黑色，从而将图像转换为二值图像。常用的二值化算法有全局阈值法和自适应阈值法。
33.对所述表面拍摄图像进行灰度处理，一方面，可以减少数据量，灰度图像只有一个灰度值，比彩色图像的三个通道的像素值要少得多，可以减少数据量。另一方面，可以提高处理效率，灰度图像处理比彩色图像处理要快得多，可以提高处理效率。再一方面可以便于图像分析灰度图像中每个像素点只有一个灰度值，便于进行图像分析和处理。
34.具体地，在所述步骤124中，对所述灰度化表面拍摄图像进行图像特征提取以得到多尺度深度压坯表面形态特征图。图4为本发明实施例中提供的一种碳化钨粉的智能化制备方法中步骤124的子步骤的流程图，如图4所示，对所述灰度化表面拍摄图像进行图像特征提取以得到多尺度深度压坯表面形态特征图，包括：1241，将所述灰度化表面拍摄图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器以得到多尺度压坯表面形态特征图；1242，对所述多尺度压坯表面形态特征图进行空间金字塔池化以得到中间多尺度压坯表面形态特征图；以及，1243，将所述中间多尺度压坯表面形态特征图通过三分支注意力机制模块以得到所述多尺度深度压坯表面形态特征图。
35.也就是，使用多尺度特征提取器对灰度化表面拍摄图像进行特征提取，然后进行空间金字塔池化得到中间多尺度压坯表面形态特征图，最后使用三分支注意力机制模块得到多尺度深度压坯表面形态特征图。这样，可以提取出多尺度的表面形态特征，从而更全面地描述压坯的形态。同时，使用注意力机制可以更加准确地捕捉表面形态的细节特征。这种方法可以应用于碳化钨粉制备过程中的表面形态分析，从而提高生产效率和质量。
36.首先，对于步骤1241，考虑到所述灰度化表面拍摄图像中可能存在不同空间尺度下的细节和纹理特征，例如细微的沟槽和突起或面积较大的孔洞等。这些特征信息在不同的空间尺度下会有不同的表现形式。在本技术的技术方案中，为了能够准确捕捉这些特征信息，将所述灰度化表面拍摄图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器以得到多尺度压坯表面形态特征图。也就是，利用使用具有不同尺度的卷积核的所述第一卷积神经网络模型和所述第二卷积神经网络模型对灰度化表面拍摄图像进行多尺度特征提取，以更全面地描述压坯的表面形态特征。
37.具体而言，在卷积神经网络中，卷积核的尺寸决定了网络能够捕捉到的特征的大小。较小的卷积核可以捕捉更局部、更细微的特征；而较大的卷积核可以捕捉更大的特征，如整体形状、轮廓等。在多尺度特征提取器中，使用具有不同尺度的卷积核的第一卷积神经网络模型和第二卷积神经网络模型，可以让网络同时提取不同尺度下的特征，增强对压坯表面形态的描述和分析能力。
38.更具体地，将所述灰度化表面拍摄图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器以得到多尺度压坯表面形态特征图，包括：将所述灰度化表面拍摄图像通过第一卷积神经网络模型以得到第一尺度压坯表面形态特征图；将所述灰度化表面拍摄图像通过第二卷积神经网络模型以得到第二尺度压坯表面形态特征图；以及，融合所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图以得到所述多尺度压坯表面形态特征图。
39.在本技术中，使用了包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器，以提取多尺度压坯表面形态特征图。具体来说，这个多尺度特征提取器包含两个卷积神经网络模型，每个模型都使用不同尺度的卷积核。这种方法可以同时捕捉到不同尺度的表面形态特征，从而更全面地描述压坯的形态。此外，这种方法还可以减少信息损失，提高特征提取的准确性。
40.在多尺度特征提取器中，第一卷积神经网络模型和第二卷积神经网络模型可以分别用于提取不同尺度的表面形态特征。例如，第一卷积神经网络模型可以使用较小的卷积核来提取细节特征，而第二卷积神经网络模型可以使用较大的卷积核来提取整体特征。通
过结合这两个模型的特征提取结果，可以得到更全面的表面形态特征描述。
41.应可以理解，包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器是一种深度学习模型，用于从灰度化表面拍摄图像中提取多尺度的表面形态特征。该模型包含两个卷积神经网络模型，每个模型都使用不同尺度的卷积核，以提取不同尺度的表面形态特征。
42.具体来说，第一卷积神经网络模型使用较小的卷积核来提取细节特征，例如细微的纹理和小尺寸的凸起或凹陷。第二卷积神经网络模型则使用较大的卷积核来提取整体特征，例如大尺寸的凸起或凹陷。通过结合这两个模型的特征提取结果，可以得到更全面的表面形态特征描述。
43.在本技术的技术方案中，将所述灰度化表面拍摄图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器以得到多尺度压坯表面形态特征图时，需要融合所述第一卷积神经网络模型和所述第二卷积神经网络模型得到的第一尺度压坯表面形态特征图和第二尺度压坯表面形态特征图来得到所述多尺度压坯表面形态特征图。
44.因此，考虑到所述第一卷积神经网络模型和所述第二卷积神经网络模型均是基于卷积神经网络模型的卷积核的不同空间尺度来进行图像特征语义的空间关联特征提取，因此其均是以卷积神经网络模型的不同的卷积核关联尺度为特征分布粒度。并且，由于所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图因为所述第一卷积神经网络模型和所述第二卷积神经网络模型的不同尺度的卷积核而具有不同的空间图像语义特征的关联尺度，因此，需要基于其不同的尺度表示来进行融合。
45.基于此，本技术的申请人对所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图进行全局上下文空间关联富化融合，具体表示为：：和分别是所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图的第个特征矩阵，且是所述多尺度压坯表面形态特征图的第个特征矩阵。
46.这里，为了聚集在所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于特征图的特征矩阵所表示的空间帧级别（spatial frame-level）的显式上下文相关性，来富化（enriching）全局感知野下的特征矩阵的帧级别的空间语义融合式表达，从而实现所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图的跨通道的空间共享上下文语义的同化（assimilation）融合，以提升所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图的融合效果，从而提升所述多尺度压坯表面形态特征图的特征表达效果。
47.在本技术的其他实施例中，融合第一尺度压坯表面形态特征图和第二尺度压坯表面形态特征图有多种实现方式，其包括但不限于：1.加权平均法，将第一尺度和第二尺度的特征图进行加权平均，得到多尺度特征图。加权平均可以根据具体情况进行调整，例如可以根据两个尺度的重要性进行加权，或者根据每个尺度的特征质量进行加权。2.堆叠法，将第一尺度和第二尺度的特征图进行堆叠，得到多尺度特征图。堆叠可以直接将两个尺度的特征图在通道维度上进行拼接，也可以将两个尺度的特征图进行叠加，例如通过最大池化或
平均池化等方式进行叠加。
48.然后，对于步骤1242，接着对所述多尺度压坯表面形态特征图进行空间金字塔池化以得到中间多尺度压坯表面形态特征图。其中，空间金字塔池化采用四种不同尺度的最大池化操作，尺度分别为 13x13、9x9、5x5、1x1(调整特征图的通道维度),能够极大增加感受野,进而提高网络对小目标检测能力。
49.空间金字塔是一种图像处理技术，用于在多个尺度下对图像进行分析和处理。在计算机视觉领域中，空间金字塔通常用于图像分割、目标检测和图像识别等任务中。空间金字塔可以通过对图像进行多次下采样或上采样来生成不同尺度的图像。在下采样时，图像被缩小到较小的尺寸，而在上采样时，图像被放大到较大的尺寸。通过这种方式，可以得到一系列不同尺度的图像，从而构成了一个金字塔形的结构。
50.在目标检测任务中，空间金字塔可以用于提取图像的多尺度特征，从而提高检测的准确率和鲁棒性。例如，在使用卷积神经网络进行目标检测时，可以将不同尺度的图像输入到网络中，通过多个卷积层和池化层提取特征，最终得到一个综合的特征表示。这种方法可以有效地提高目标检测的性能，特别是对于小目标的检测效果更为显著。
51.对多尺度压坯表面形态特征图进行空间金字塔池化可以有效地增加感受野，进而提高网络对小目标检测的能力。具体来说，采用四种不同尺度的最大池化操作，分别为13x13、9x9、5x5、1x1，可以在不同尺度上提取特征，从而得到更加丰富和全面的特征表示。此外，通过调整特征图的通道维度，还可以进一步提高特征的表达能力和区分度。这种空间金字塔池化方法可以有效地提高网络的性能，特别是对于小目标的检测效果更为显著。
52.接着，对于步骤1243，然后，将所述中间多尺度压坯表面形态特征图通过三分支注意力机制模块以得到多尺度深度压坯表面形态特征图。应当可以理解，在深度学习模型中，注意力机制可以使模型学习到更有针对性的特征表示，从而提高模型的准确率。具体来说，在本技术的技术方案中，利用三分支注意力机制模块来捕获所述中间多尺度压坯表面形态特征图中通道维度(c)和空间维度(w/h)之间的相互依赖关系。也就是，利用三分支注意力机制模块来实现内部通道和空间信息的跨维度交互。通过这样的方式，使得所述多尺度深度压坯表面形态特征图的特征信息更为丰富。
53.具体地，将所述中间多尺度压坯表面形态特征图通过三分支注意力机制模块以得到所述多尺度深度压坯表面形态特征图，包括：将所述中间多尺度压坯表面形态特征图通过第一注意力分支以得到第一多模态联合注意力特征图；将所述中间多尺度压坯表面形态特征图通过第二注意力分支以得到第二多模态联合注意力特征图；将所述中间多尺度压坯表面形态特征图通过第三注意力分支以得到第三多模态联合注意力特征图；以及，融合所述第一多模态联合注意力特征图、所述第二多模态联合注意力特征图和所述第三多模态联合注意力特征图以得到所述多尺度深度压坯表面形态特征图。
54.通过三分支注意力机制模块对中间多尺度压坯表面形态特征图进行处理可以得到多尺度深度压坯表面形态特征图，这可以进一步提高网络的性能和检测精度。三分支注意力机制模块是一种用于增强特征表示能力的模块，可以自适应地调整特征图中每个位置的权重，从而使网络更加关注重要的特征区域。在多尺度压坯表面形态特征图中，不同尺度的特征表示具有不同的重要性，因此需要使用三分支注意力机制模块来对不同尺度的特征进行加权处理，从而得到更加准确和全面的特征表示。
55.具体来说，三分支注意力机制模块包括三个分支，分别用于处理不同尺度的特征图。每个分支都包括一个注意力机制模块和一个卷积层，用于提取和加权特征。通过这种方式，可以自适应地调整每个位置的特征权重，从而提高网络对重要特征的关注程度，进一步提高检测精度和鲁棒性。
56.进一步地，三分支注意力机制模块是一种用于增强神经网络性能的模块，可以自适应地调整网络中各个分支的权重，从而提高网络的表现力和泛化能力。该模块通常用于处理多尺度特征图，以提高网络对不同尺度物体的识别和检测能力。
57.三分支注意力机制模块主要由三个分支组成，分别是全局分支、局部分支和通道分支。全局分支用于提取整张图像的全局特征，局部分支用于提取局部区域的特征，通道分支则用于提取每个通道的特征。这三个分支提取的特征图会经过一个注意力机制模块，自适应地调整各自的权重，然后将三个分支的特征图融合在一起，得到一个更加全面和准确的特征表示。
58.通过三分支注意力机制模块，网络可以自适应地调整各个分支的权重，从而提高网络的表现力和泛化能力。此外，该模块还可以有效地处理多尺度特征图，提高网络对不同尺度物体的识别和检测能力，从而在图像处理和计算机视觉领域中得到广泛应用。
59.具体地，在所述步骤125中，基于所述多尺度深度压坯表面形态特征图，确定推荐的碳化温度值。其包括：将所述多尺度深度压坯表面形态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的碳化温度值。
60.进一步地，将所述多尺度深度压坯表面形态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的碳化温度值。其中，所述解码器可以根据输入的特征图生成输出的数值。也就是说，在本技术的技术方案中，所述解码器的作用是将所述多尺度深度压坯表面形态特征图还原为碳化温度值的推荐值。具体而言，所述解码器通过解码回归，以根据输入和输出之间的映射关系，自适应的建立它们之间的关联数学模型，并用该模型来预测未知的输出变量。
61.更具体地，将所述多尺度深度压坯表面形态特征图通过解码器进行解码回归以得到解码值，包括：使用所述解码器以如下解码公式对所述多尺度深度压坯表面形态特征图进行解码回归以得到所述解码值；其中，所述解码公式为：，其中，表示将所述多尺度深度压坯表面形态特征图投影为向量，表示所述解码值，表示权重矩阵，表示偏置向量，表示矩阵乘。
62.解码器是深度学习模型中的一个组成部分，其主要作用是将编码器提取的特征向量转换回原始数据，以便进行预测或生成。在碳化钨粉的制备中，可以使用编码器将多尺度深度压坯表面形态特征图转换为特征向量，然后使用解码器将特征向量转换为推荐的碳化温度值。解码器通常是由多个层组成的神经网络，其中每个层都执行一些特定的计算，例如卷积、反卷积、池化等。
63.通过将多尺度深度压坯表面形态特征图进行解码回归，可以得到推荐的碳化温度值，这有助于制备高质量的碳化钨粉。这种智能化的制备方法可以通过深度学习和人工智能技术对制备过程进行优化，提高生产效率和产品质量，并且可以减少人工干预。同时，采用空间金字塔和三分支注意力机制模块等计算机视觉技术，可以提高图像处理的精度和效
率，从而更好地支持智能化制备方法的实现。
64.综上，基于本发明实施例的碳化钨粉的智能化制备方法100被阐明，其利用深度学习和人工智能技术来对压坯表面形态进行图像分析，从而实现智能化地推荐适宜的碳化温度值，以优化碳化钨粉制备过程，提高碳化钨粉的结晶完整性和晶粒尺寸分布的一致性。
65.图5为本发明实施例中提供的一种碳化钨粉的智能化制备工艺的框图。如图5所示，所述碳化钨粉的智能化制备工艺，包括：压制模块210，用于将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；碳化处理模块220，用于将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及，筛网分级模块230，用于将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。
66.本领域技术人员可以理解，上述碳化钨粉的智能化制备工艺中的各个步骤的具体操作已经在上面参考图1到图4的碳化钨粉的智能化制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
67.图6为本发明实施例中提供的一种碳化钨粉的智能化制备方法的应用场景图。如图6所示，在该应用场景中，首先，在恰当位置处安装摄像头，并接收由所述摄像头采集的所述压坯（例如，如图6中所示意的m）的表面拍摄图像（例如，如图6中所示意的c）；然后，将获取的表面拍摄图像输入至部署有碳化钨粉的智能化制备算法的服务器（例如，如图6中所示意的s）中，其中所述服务器能够基于碳化钨粉的智能化制备算法对所述表面拍摄图像进行处理，以确定推荐的碳化温度值。
68.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。

技术特征：
1.一种碳化钨粉的智能化制备方法，其特征在于，包括：将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。2.根据权利要求1所述的碳化钨粉的智能化制备方法，其特征在于，将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，包括：在恰当位置处安装摄像头；接收由所述摄像头采集的所述压坯的表面拍摄图像；对所述表面拍摄图像进行图像预处理以得到灰度化表面拍摄图像；对所述灰度化表面拍摄图像进行图像特征提取以得到多尺度深度压坯表面形态特征图；以及基于所述多尺度深度压坯表面形态特征图，确定推荐的碳化温度值。3.根据权利要求2所述的碳化钨粉的智能化制备方法，其特征在于，对所述表面拍摄图像进行图像预处理以得到灰度化表面拍摄图像，包括：对所述表面拍摄图像进行灰度处理以得到所述灰度化表面拍摄图像。4.根据权利要求3所述的碳化钨粉的智能化制备方法，其特征在于，对所述灰度化表面拍摄图像进行图像特征提取以得到多尺度深度压坯表面形态特征图，包括：将所述灰度化表面拍摄图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器以得到多尺度压坯表面形态特征图；对所述多尺度压坯表面形态特征图进行空间金字塔池化以得到中间多尺度压坯表面形态特征图；以及将所述中间多尺度压坯表面形态特征图通过三分支注意力机制模块以得到所述多尺度深度压坯表面形态特征图。5.根据权利要求4所述的碳化钨粉的智能化制备方法，其特征在于，将所述灰度化表面拍摄图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征提取器以得到多尺度压坯表面形态特征图，包括：将所述灰度化表面拍摄图像通过第一卷积神经网络模型以得到第一尺度压坯表面形态特征图；将所述灰度化表面拍摄图像通过第二卷积神经网络模型以得到第二尺度压坯表面形态特征图；以及融合所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图以得到所述多尺度压坯表面形态特征图。6.根据权利要求5所述的碳化钨粉的智能化制备方法，其特征在于，融合所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图以得到所述多尺度压坯表面形态特征图，包括：以如下优化公式融合所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图以得到所述多尺度压坯表面形态特征图；其中，所述优化公式为：其中 ，和分别是所述第一尺度压坯表面形态特征图和所述第二尺度压坯表面形态特征图的第个特征矩阵，
是所述第二尺度压坯表面形态特征图的第个特征矩阵的转置矩阵，表示矩阵的转置矩阵，表示矩阵乘法，表示按位置加法，且是所述多尺度压坯表面形态特征图的第个特征矩阵。7.根据权利要求6所述的碳化钨粉的智能化制备方法，其特征在于，将所述中间多尺度压坯表面形态特征图通过三分支注意力机制模块以得到所述多尺度深度压坯表面形态特征图，包括：将所述中间多尺度压坯表面形态特征图通过第一注意力分支以得到第一多模态联合注意力特征图；将所述中间多尺度压坯表面形态特征图通过第二注意力分支以得到第二多模态联合注意力特征图；将所述中间多尺度压坯表面形态特征图通过第三注意力分支以得到第三多模态联合注意力特征图；以及融合所述第一多模态联合注意力特征图、所述第二多模态联合注意力特征图和所述第三多模态联合注意力特征图以得到所述多尺度深度压坯表面形态特征图。8.根据权利要求7所述的碳化钨粉的智能化制备方法，其特征在于，基于所述多尺度深度压坯表面形态特征图，确定推荐的碳化温度值，包括：将所述多尺度深度压坯表面形态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的碳化温度值。9.根据权利要求8所述的碳化钨粉的智能化制备方法，其特征在于，将所述多尺度深度压坯表面形态特征图通过解码器进行解码回归以得到解码值，包括：使用所述解码器以如下解码公式对所述多尺度深度压坯表面形态特征图进行解码回归以得到所述解码值；其中，所述解码公式为：，其中，表示将所述多尺度深度压坯表面形态特征图投影为向量，表示所述解码值，表示权重矩阵，表示偏置向量，表示矩阵乘。10.一种碳化钨粉的智能化制备工艺，其特征在于，包括：压制模块，用于将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；碳化处理模块，用于将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及筛网分级模块，用于将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。

技术总结
本发明公开了一种碳化钨粉的智能化制备工艺及其方法，其将钨粉和炭黑按照一定比例混合后通过压机压制成压坯；将所述压坯放入高温炉中，在惰性气氛下进行碳化处理以得到碳化钨，其中，碳化温度在1400℃-1700℃之间；以及，将所述碳化钨球磨成粉末后通过筛网分级，并进行干燥以得到碳化钨粉。这样，可以利用深度学习和人工智能技术来对压坯表面形态进行图像分析，从而实现智能化地推荐适宜的碳化温度值，以优化碳化钨粉制备过程，提高碳化钨粉的结晶完整性和晶粒尺寸分布的一致性。结晶完整性和晶粒尺寸分布的一致性。结晶完整性和晶粒尺寸分布的一致性。


技术研发人员：何学文 曾祥鹏 刘星星 徐俊良
受保护的技术使用者：赣州市光华有色金属有限公司
技术研发日：2023.07.12
技术公布日：2023/9/9