点云分类和分割是三维场景理解中的关键步骤。针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN。在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换网络以简化网络结构;引入深度残差网络的思想连接不同网络层的输出特征,形成点云特征,同时使网络训练更加稳定。基于ModelNet40和ShapeNet Parts数据集将该网络与其他点云网络进行对比实验,实验结果表明,该网络在稀疏点云输入和遮挡情况下,相比其他方法有较高的点云分类和分割精度,由此说明该网络具有较强的鲁棒性。
机器视觉 深度学习 点云分类与分割 图卷积神经网络 深度残差网络 激光与光电子学进展
2021, 58(12): 1215008
以比表面积为18.1 m2/g的纳米粉体Y2O3为原料,柠檬酸铵(TAC)作为分散剂制备Y2O3悬浮液,研究TAC含量、pH值、球磨时间及固相含量对Y2O3悬浮液流变性能的影响。结果表明:加入2.2%(质量分数)的TAC,调节悬浮液的pH值为9.4~11.5,球磨8 h可以获得分散稳定的Y2O3悬浮液;悬浮液的粘度随固相含量的增加而增大,对不同固相含量的悬浮液进行注浆成型,发现固相含量为33%(体积分数)的悬浮液致密度最高。与传统的模压成型工艺相比,注浆成型得到的坯体中粉体颗粒分散均一。
纳米Y2O3 悬浮液 流变性能 注浆成型 nano Y2O3 suspension rheological behavior slip casting