镁牺牲阳极合金的铸造方法及其系统与流程

本技术涉及合金铸造，且更为具体地，涉及一种镁牺牲阳极合金的铸造方法及其系统。

背景技术：

1、镁牺牲阳极为具有比被保护金属负的腐蚀电位和高的电流效率的镁基腐蚀控制材料。镁牺牲阳极具有极高的电化学性能、阳极消耗均匀、寿命长、单位质量发电量大，是理想的牺牲阳极材料，适用于土壤、淡水介质中金属构筑物的阴极保护。

2、目前，镁牺牲阳极采用浇铸法，浇铸法生产存在诸多缺点，一是生产效率慢，浇铸法采用人工或倒吸泵，将镁牺牲阳极熔液倒入模具，冷却凝固后取出，得到镁牺牲阳极成品，其整个过程自动化程度低，工作效率慢。

3、因此，期望一种优化的镁牺牲阳极合金的铸造方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种镁牺牲阳极合金的铸造方法及其系统，其包括：对压铸机进行调试；将压铸模安装于所述压铸机；对所述压铸模进行预热和喷涂后进行合模；在所述压铸模内进行浇注压摄，并通过保压后进行开模以得到铸造成型的镁牺牲阳极合金；以及,对所述铸造成型的镁牺牲阳极合金进行表面质量检查，优选的，在对所述铸造成型的镁牺牲阳极合金进行表面质量检查的步骤中，通过卷积神经网络模型来挖掘出铸造成型的镁牺牲阳极合金的表面图像中关于表面质量特征的隐藏关联分布信息，以此来准确地对于铸造成型的镁牺牲阳极合金的表面质量进行检测，从而提高镁牺牲阳极合金的铸造质量，增大生产效率。

2、根据本技术的一个方面，提供了一种镁牺牲阳极合金的铸造方法，其包括：对压铸机进行调试；将压铸模安装于所述压铸机；对所述压铸模进行预热和喷涂后进行合模；在所述压铸模内进行浇注压摄，并通过保压后进行开模以得到铸造成型的镁牺牲阳极合金；以及，对所述铸造成型的镁牺牲阳极合金进行表面质量检查。

3、在上述镁牺牲阳极合金的铸造方法中，所述对所述铸造成型的镁牺牲阳极合金进行表面质量检查，包括：获取由摄像头采集的所述铸造成型的镁牺牲阳极合金的表面图像；对所述镁牺牲阳极合金的表面图像进行图像块划分以得到图像块序列；将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量；将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量；对所述全局图像语义理解特征向量进行特征分布一致性优化以得到优化后全局图像语义理解特征向量；以及，将所述优化后全局图像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示铸造成型的镁牺牲阳极合金的表面质量是否符合预定要求。

4、在上述镁牺牲阳极合金的铸造方法中，所述对所述镁牺牲阳极合金的表面图像进行图像块划分以得到图像块序列，包括：对所述镁牺牲阳极合金的表面图像进行均匀图像块划分以得到所述图像块序列，其中，所述图像块序列中各个图像块具有相同的尺寸。

5、在上述镁牺牲阳极合金的铸造方法中，所述将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块，第一卷积神经网络模型的最后一层的输出为所述多个图像块特征向量中的各个特征向量。

6、在上述镁牺牲阳极合金的铸造方法中，所述作为过滤器的第一卷积神经网络模型为深度残差网络模型。

7、在上述镁牺牲阳极合金的铸造方法中，所述将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量，包括：将所述多个图像块特征向量输入所述基于转化器的图像编码器以得到多个上下文图像块特征向量；以及，将所述多个上下文图像块特征向量进行级联以得到所述全局图像语义理解特征向量。

8、在上述镁牺牲阳极合金的铸造方法中，将所述多个图像块特征向量输入所述基于转化器的图像编码器以得到多个上下文图像块特征向量，包括：使用所述图像编码器的基于转换器的bert模型对所述多个图像块特征向量中各个图像块特征向量进行基于全局的上下文语义编码以得到以所述多个图像块特征向量的整体语义关联为上下文背景的所述多个上下文图像块特征向量。

9、在上述镁牺牲阳极合金的铸造方法中，所述对所述全局图像语义理解特征向量进行特征分布一致性优化以得到优化后全局图像语义理解特征向量，包括：以如下公式对所述全局图像语义理解特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化后全局图像语义理解特征向量；

10、其中，所述公式为：

11、

12、其中v是所述全局图像语义理解特征向量，‖v‖2表示所述全局图像语义理解特征向量的二范数，表示所述全局图像语义理解特征向量的二范数的平方，vi是所述全局图像语义理解特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′是所述优化后全局图像语义理解特征向量的第i个特征值。

13、在上述镁牺牲阳极合金的铸造方法中，所述将所述优化后全局图像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示铸造成型的镁牺牲阳极合金的表面质量是否符合预定要求，包括：使用所述分类器的全连接层对所述优化后全局图像语义理解特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值，所述分类标签包括铸造成型的镁牺牲阳极合金的表面质量符合预定要求和铸造成型的镁牺牲阳极合金的表面质量不符合预定要求；以及，将所述概率值中最大者对应的分类标签确定为所述分类结果。

14、根据本技术的另一方面，提供了一种镁牺牲阳极合金的铸造系统，其包括：图像采集模块，用于获取由摄像头采集的铸造成型的镁牺牲阳极合金的表面图像；图像块划分模块，用于对所述镁牺牲阳极合金的表面图像进行图像块划分以得到图像块序列；卷积编码模块，用于将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量；图像编码模块，用于将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量；优化模块，用于对所述全局图像语义理解特征向量进行特征分布一致性优化以得到优化后全局图像语义理解特征向量；以及，分类模块，用于将所述优化后全局图像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示铸造成型的镁牺牲阳极合金的表面质量是否符合预定要求。

15、与现有技术相比，本技术提供的一种镁牺牲阳极合金的铸造方法及其系统，其包括：对压铸机进行调试；将压铸模安装于所述压铸机；对所述压铸模进行预热和喷涂后进行合模；在所述压铸模内进行浇注压摄，并通过保压后进行开模以得到铸造成型的镁牺牲阳极合金；以及,对所述铸造成型的镁牺牲阳极合金进行表面质量检查，优选的，在对所述铸造成型的镁牺牲阳极合金进行表面质量检查的步骤中，通过卷积神经网络模型来挖掘出铸造成型的镁牺牲阳极合金的表面图像中关于表面质量特征的隐藏关联分布信息，以此来准确地对于铸造成型的镁牺牲阳极合金的表面质量进行检测，从而提高镁牺牲阳极合金的铸造质量，增大生产效率。