使用SNOWPACK和Alpine3D在南极西部冰盖上进行分布式表面质量平衡建模 指示 将存储库克隆到高性能计算环境中，即从头开始。 git clone https://github.com/EricKeenan/SNOWPACK_WAIS.git 按照doc/compile_SNOWPACK.md的指示编译并安装MeteoIO，SNOWPACK和Alpine-3D。 Alpine-3D输入 如果输入文件（例如，大气强迫，地形模型和初始雪属性）已经存在：通过导航到setup目录并将输入复制到计算环境中并执行 bash copy_input.sh 其他：按照doc/input_files.md的指示创建输入文件 发射Alpine-3D 配置slurm设置，并设置重启标志Y或N在job.sbatch 。 确保您不在conda环境中。 conda deactivate sbatch jo

基于条纹投影和条纹反射的手机壳内外表面质量检测方法

基于机器视觉的换向器表面质量自动化检测方法研究

行业资料-交通装置-一种汽车车身覆盖件表面质量检测装置及其检测方法.zip

行业-电子政务-提高含Ti的镍基高温合金表面质量的电渣重熔工艺.zip

行业分类-作业装置-一种改善汽车外板表面质量的热轧工艺方法.zip

行业分类-化学冶金-一种在线热轧板表面质量检查装置及其检查方法.zip

深度学习已逐渐应用于机械加工状态监测领域。但是，目前只能进行单任务预测，这会增加实验成本，浪费数据集，重复工作。提出了一种基于深度信念网络(DBN)的多任务学习方法，可用于刀具磨损状况和零件表面质量的预测。将DBN网络最后几个隐含层的单任务数据传输改进为多任务并行数据传输，使改进后的DBN能够实现多任务学习。多任务学习模型的损失函数定义为所有单个任务损失函数的加权和。通过改变损失函数的相应系数，可以调整相应任务的重要性。此外，多任务深度学习方法可以实现信息共享，抑制过拟合，提高预测精度，减少计算时间。结合上述改进，建立了刀具磨损与零件表面质量的多任务模型。在KVC850M三轴立式加工中心上进行了实验验证。结果表明，该多任务预测模型用于刀具磨损预测的准确率为97.59%，用于零件表面质量预测的准确率为92.66%。

基于图像的水果表面质量分类系统设计。

轴承表面质量缺陷识别与统计系统:基于VC++和Matlab