球墨铸铁金相图片分析识别系统

研制了适用于铸造合金金相分析的图像处理系统，并对球墨铁的图片进行了图像处理及识别，使球化率的分析误差小于４％，球墨数量分析误差小于２．５％，满足了生产中金相分析的要求。     

铸态球墨铸铁基体组织对疲劳强度的影响

通过试验，对比分析了以铁素体为基体的球墨铸铁的疲劳寿命，研究了球墨铸铁的基体组织对疲劳强度的影响。试验结果表明：球墨铸铁的疲劳寿命与珠光体含量越高，疲劳寿命越长。     

铸态球墨铸铁基体组织对疲劳强度的影响

通过试验,对比分析了以铁素体为基体的球墨铸铁的疲劳寿命,研究了球墨铸铁的基体组织对疲劳强度的影响.试验结果表明:球墨铸铁的疲劳寿命与珠光体的含量有关,珠光体含量越高,疲劳寿命越长.     

球墨铸铁共晶组织生长的计算机模拟

用Ｍｏｎｔｅ Ｃａｒｌｏ法和填充法模拟球铁的共晶生长,在相对生长速率比分别为１．４,２．０,２．４,３．０分析下,模拟对球化率,球墨大小及其组成的影响;同时还研究了Ａ体壳中晶粒数分别为１,２,４条件下,对Ａ体晶粒大小的影响。模拟研究结果表明,模拟组织形象,逼真,快捷,对研究球铁显微组织的形成具有指导作用。     

低碳马氏体基体球墨铸铁的显微组织和机械特性

经低温石墨化退火、低温奥氏体化淬火,获得了基体为低碳马氏体的球墨铸铁。观察光学金相组织和透射电子象,揭示出低碳马氏体基体球铁优良机械性能的显微结构内因:低碳板条马氏体中存在条间残留奥氏体。实验结果表明,马氏体含碳量对球铁的机械性能有明显影响。基体为条状马氏体的球铁:抗拉强度达1420 MN/m~2,αk=3.2～3.4kgf·m/cm~2,扭转角达54°;弯曲疲劳极限较正火基体组织球铁高10％;接触疲劳极限比含0.34％C的钢高2.3～2.5倍;耐磨特性极为优越。对比实验还发现条状马氏体基体球铁的断裂韧度明显地较其它基体组织的高。     

正火工艺对珠铁组织及力学性能的影响

从标准梅花试块制取标准试样并进行系列正火处理,观察金相组织,测定了力学性能,初步确定了可行的球铁正火工艺及参数。     

正火工艺对球铁组织及力学性能的影响

从标准梅花试块制取标准试样并进行系列正火处理 ,观察金相组织 ,测定力学性能 ,初步确定了可行的球铁正火工艺及参数     

铸态QT550-7球墨铸铁制备及组织研究

为了研究铸态QT550-7球墨铸铁组织,铁液凝固过程及石墨球化机理,用回炉铁、生铁、废碳钢、球化剂、孕育剂等材料,采用双联熔炼法制备了球墨铸铁.经测试,化学成分和力学性能满足QT550-7球墨铸铁要求,球墨铸铁组织由铁素体＋珠光体＋球状石墨组成,凝固过程为糊状凝固.     

表情分析中嘴形的计算机识别

首先建立六曲线嘴部形态模型,并通过亮度均衡、基于HSV表述的图像二值化、外唇线初定与精化、牙齿包络线确定和内唇线认别等一系列步骤和算法,提出嘴部形态模型中各曲线的提取方法。最后采用4阶多项式对上唇外线外的5条唇形曲线进行拟合,并在Matlab下进行了识别实验。结果显示：提出的嘴形识别方法对不同的嘴形具有较高的鲁棒性,唇形曲线识别结果与人工理解结果基本一致。     

球墨铸铁磨损转型特性的研究

本文研究了球墨铸铁的磨损转型特性,考察了载荷、速度、显微组织和合金元素钒、钛对球墨铸铁轻微磨损与严重磨损之间转变的影响,并对其作用机理进行了探讨。     

球墨铸铁表面激光堆焊层组织和性能的研究

借助光学显微镜、扫瞄电子显微镜,能谱仪对堆焊层显微组织及热影响区组织进行观察、分析,得知堆焊层显微组织特征是树枝状的V8C7分布在FeNi基体上,热影响区组织为细的莱氏体,堆焊层与基体结合良好.通过显微硬度计测试了堆一层的显微硬度为900～1 200,堆两层的HV为700～900,堆焊层数增加,裂纹倾向减少.     

热处理对含锰6％的中锰球墨铸铁组织及性能的影响

采取不同的淬火（800℃,900℃,1000℃）和回火（200℃,400℃,600℃）热处理工艺,对含锰6％的中锰球墨铸铁组织和力学性能进行了研究．结果表明：中锰球墨铸铁的合理热处理工艺为在900℃奥氏体化保温2h水淬,在200℃回火2h水淬．淬火后的组织为大量的马氏体＋贝氏体＋残余奥氏体＋球状石墨,淬火和回火后的组织为回火马氏体＋贝氏体＋少量残余奥氏体＋碳化物＋球状石墨．热处理后试样的硬度下降,冲击韧性提高,耐磨性下降．淬火温度对试样的硬度、冲击韧性和耐磨性影响较大,回火温度对试样的硬度、冲击韧性和耐磨性影响较小．     

余弦相似度保持的掌纹识别算法

掌纹识别作为一种新兴的生物特征识别技术,具有识别率高、特征稳定等优点。传统的基于手工提取特征的掌纹识别算法使用先验知识提取掌纹主线和细节点,存在可扩展性低、提取图像特征困难、无法挖掘数据的隐藏信息等问题。为了解决这些问题,本文提出了一种基于学习的掌纹识别算法。首先提取掌纹图像的像素值差向量(Pixel Different Vector,PDV)特征。然后,通过余弦相似度保持模型,同时学习PDV特征的二进制表示及其映射函数,以减少PDV特征的信息冗余。最后,为了处理掌纹位置偏移和光照变化等噪音,将学习得到的二进制特征编码成直方图描述子。在3个广泛使用的掌纹数据库上的实验结果表明,所提出的算法能更好地挖掘掌纹图像的内在特征,有效地提高掌纹识别精度。