一种复合超轻玻璃微珠材料及其制备方法与流程

1.本技术涉及玻璃微珠材料领域，且更为具体地，涉及一种复合超轻玻璃微珠材料及其制备方法。


背景技术：

2.随着全球各种挑战不断加剧，节约能源和资源已成为推动全球经济发展的必由之路，其中，保温材料是降低建筑能耗和实现低碳环保目标最有效的途径之一。
3.目前市场上主要采用聚苯乙烯作为保温材料，尽管其在保温方面表现出色。然而，由于聚苯乙烯作的憎水性与常规亲水性材料不兼容，这可能导致后续施工质量难以确保，并有可能引发面脱落问题和安全事故。此外，聚苯乙烯是一种有机可燃性材料，存在严重的火灾风险。另外，在施工过程中需要进行点固定和拼接黏结等操作，因此不适用于外形复杂的建筑物，并且施工难度较大、综合成本也相对较高。因此，建筑节能工程亟需一种无机不燃性的轻质保温材料来替代目前广泛使用的聚苯泡沫材料。
4.中国专利号cn105837124a公开了一种由聚乙烯醇、聚氨酯低聚物、丙烯酸铵、表面活性剂和混合粉末等原料制备的多孔节能保温材料。该保温材料具有堆积密度低和导热系数低特点，但该保温材料制备采用了大量的对环境有害有毒的有机物(聚氨酯低聚物和丙烯酸铵)，这限制了其规划化应用。中国专利号cn1887772a揭露了一种采用常温发泡法制备的硫铝酸盐水泥泡沫混凝土，该材料具有不燃和防火性能好有点，但其容重较大(高达400kg/m3)，保温性能较差。中国专利号cn115895134a公开了一种由聚苯乙烯-氧化石墨烯包覆空心玻璃微珠、酚醛树脂、发泡剂和阻燃剂等原料制备的保温隔热材料。该材料具有导热系数低等优点，但采用对人体有害的阻燃剂，因此不适合大规模化生产。
5.因此，期望一种优化的复合超轻玻璃微珠材料。


技术实现要素：

6.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复合超轻玻璃微珠材料及其制备方法。在所述复合超轻玻璃微珠材料的制备过程中，基于深度学习的机器视觉技术来对于被搅拌原料的实时混合状态图像进行分析，以对原料混合状态进行实时检测以判断是否可以停止搅拌，从而提高生产效率和产品质量。
7.根据本技术的一个方面，提供了一种复合超轻玻璃微珠材料，其包括：玻璃粉：80～95wt.％，硼基化合物：1～3wt.％，膨润土：0～10wt.％，钙碳基复合粉：0～10wt.％，纤维素结合剂：0～2wt.％。
8.根据本技术的另一个方面，提供了一种复合超轻玻璃微珠材料的制备方法，其包括：
9.将玻璃粉、硼基化合物、膨润土、钙碳基复合粉和纤维素结合剂原料按照预定配比进行调配以得到调配好的原料；
10.将所述调配好的原料进行充分混合均匀以得到混合原料；
11.将所述混合原料放入造粒机中进行造粒以得到压缩颗粒；以及
12.将所述压缩颗粒放入旋浮膨胀玻化炉中进行膨胀以得到复合超轻玻璃微珠材料。
13.与现有技术相比，本技术提供的复合超轻玻璃微珠材料及其制备方法，该复合超轻玻璃微珠材料包括：玻璃粉：80～95wt.％，硼基化合物：1～3wt.％，膨润土：0～10wt.％，钙碳基复合粉：0～10wt.％，纤维素结合剂：0～2wt.％。在所述复合超轻玻璃微珠材料的制备过程中，基于深度学习的机器视觉技术来对于被搅拌原料的实时混合状态图像进行分析，以对原料混合状态进行实时检测以判断是否可以停止搅拌，从而提高生产效率和产品质量。
附图说明
14.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
15.图1为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的流程图。
16.图2为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的子步骤s120的流程图。
17.图3为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的子步骤s120的架构示意图。
18.图4为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的子步骤s122的流程图。
19.图5为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的子步骤s1222的流程图。
20.图6为根据本技术实施例的复合超轻玻璃微珠材料的制备方法进一步包括的训练步骤的流程图。
21.图7为根据本技术实施例的复合超轻玻璃微珠材料的制备系统的框图。
22.图8为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的应用场景图。
23.图9为旋浮膨胀玻化炉设备示意图。
24.图10为容重和导热性能对比的示意图。
25.图11为强度和吸水率对比的示意图。
具体实施方式
26.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本技术保护的范围。
27.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
28.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
29.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
30.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
31.中国专利号cn105837124a公开了一种由聚乙烯醇、聚氨酯低聚物、丙烯酸铵、表面活性剂和混合粉末等原料制备的多孔节能保温材料。该保温材料具有堆积密度低和导热系数低特点，但该保温材料制备采用了大量的对环境有害有毒的有机物(聚氨酯低聚物和丙烯酸铵)，这限制了其规划化应用。中国专利号cn1887772a揭露了一种采用常温发泡法制备的硫铝酸盐水泥泡沫混凝土，该材料具有不燃和防火性能好有点，但其容重较大(高达400kg/m3)，保温性能较差。中国专利号cn115895134a公开了一种由聚苯乙烯-氧化石墨烯包覆空心玻璃微珠、酚醛树脂、发泡剂和阻燃剂等原料制备的保温隔热材料。该材料具有导热系数低等优点，但采用对人体有害的阻燃剂，因此不适合大规模化生产。因此，期望一种优化的复合超轻玻璃微珠材料。
32.具体地，在本技术的技术方案中，提出了一种复合超轻玻璃微珠材料，其包括：玻璃粉：80～95wt.％，硼基化合物：1～3wt.％，膨润土：0～10wt.％，钙碳基复合粉：0～10wt.％，纤维素结合剂：0～2wt.％。其中，所述钙碳基复合粉是生石灰和石墨的混合物，所述纤维素结合剂是羧甲基纤维素钠(cmc)、羟丙基甲基纤维素(hpmc)和纤维素钠盐(mc)其中的一种或者多种混合物，所述硼基化合物是氧化硼(b2o3)和硼酐(h3bo3)其中的一种或者两种混合物，所述膨润土是钙基膨润土和钠基膨润土其中的一种或者两种混合物。
33.并且，还提出了一种复合超轻玻璃微珠材料的制备方法，其制备步骤包括：将玻璃粉、硼基化合物、膨润土、钙碳基复合粉和纤维素结合剂原料按照预定配比进行调配以得到调配好的原料；将所述调配好的原料进行充分混合均匀以得到混合原料；将所述混合原料放入造粒机中进行造粒以得到压缩颗粒；将所述压缩颗粒放入旋浮膨胀玻化炉中进行膨胀以得到复合超轻玻璃微珠材料。
34.相应地，图1为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的流程图。如图1所示，根据本技术实施例的复合超轻玻璃微珠材料的制备方法，包括步骤：s110，将玻璃粉、硼基化合物、膨润土、钙碳基复合粉和纤维素结合剂原料按照预定配比进行调配以得到调配好的原料；s120，将所述调配好的原料进行充分混合均匀以得到混合原料；s130，将所述混合原料放入造粒机中进行造粒以得到压缩颗粒；以及，s140，将所述压缩颗粒放入旋浮膨胀玻化炉中进行膨胀以得到复合超轻玻璃微珠材料。
35.相应地，考虑到由于超轻玻璃微珠材料具有低密度、高强度和良好的隔热性能，广泛应用于建筑、航空航天、汽车等领域。然而，在实际制备过程中，如何准确控制原料的混合均匀度一直是一个挑战。传统的方法通常依赖于经验操作或离线取样分析，无法实时监测
和控制混合过程。
36.基于此，在本技术的技术方案中，期望在将所述调配好的原料进行混合均匀的过程中，采用基于深度学习的机器视觉技术来对于被搅拌原料的实时混合状态图像进行分析，以对原料混合状态进行实时检测以判断是否可以停止搅拌，从而提高生产效率和产品质量。
37.相应地，在本技术的一个实施例中，图2为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的子步骤s120的流程图。图3为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的子步骤s120的架构示意图。如图2和图3所示，根据本技术实施例的复合超轻玻璃微珠材料的制备方法，将所述调配好的原料进行充分混合均匀以得到混合原料，包括步骤：s121，通过摄像头采集被搅拌原料的实时混合状态图像；s122，从所述实时混合状态图像中提取混合状态特征图；以及，s123，基于所述混合状态特征图，确定是否停止搅拌。
38.具体地，在本技术的技术方案中，首先，获取由摄像头采集的被搅拌原料的实时混合状态图像。然后，考虑到在实际进行所述被搅拌原料的实时混合状态监测时，易受到光照和颜色变化的影响，导致对于被搅拌原料的混合状态检测精准度较低。并且，还考虑到在混合状态图像中，不同的原料可能具有不同的纹理、形状和颜色等特征，而所述被搅拌原料的实时混合状态特征信息在图像的纹理端会有所呈现。因此，在本技术的技术方案中，进一步提取所述实时混合状态图像的混合状态hog图像，以通过计算图像局部区域的方向梯度直方图来表示图像的特征，从而提高对于所述被搅拌原料的实时混合状态检测的精准度。
39.应可以理解，所述方向梯度直方图是一种用于描述图像局部纹理特征的方法，该算法图像将图像等划分为小尺寸的细胞空间，计算细胞内各像素点的梯度，并根据梯度分布生成细胞(hog(histogram of oriented gradient,hog)，然后，在较大尺寸的块空间内统计各细胞hog分布，生成块空间hog，描述局部纹理信息。因此，使用所述方向梯度直方图代替原始rgb图像作为输入数据，可以将图像的高维信息转化为低维的特征向量，减少了计算和存储的复杂性；同时，hog特征对光照和颜色的变化具有一定的鲁棒性，能够更好地适应不同条件下的混合状态图像；不仅如此，hog特征能够捕捉到图像中局部区域的纹理和形状等特征，有助于区分不同原料的混合状态，从而使得图像的特征提取器能够更为有效且容易地提取到所述混合状态hog图像中的关于所述被搅拌原料的混合状态纹理信息相关的特征，有利于进行搅拌的实时准确控制。
40.然后，使用在图像的隐含特征提取方面具有优异表现的基于卷积神经网络模型的特征提取器来进行所述混合状态hog图像的特征挖掘。特别地，考虑到在实际进行所述被搅拌原料的实时混合状态监测时，由于不同的原料和分量在混合过程中的不同阶段具有着不同的混合状态特征信息，并且这种混合状态特征信息在所述特征提取器的不同层会具有不同的特征呈现。因此，在本技术的技术方案中，为了能够进一步提高对于所述被搅拌原料的实时混合状态检测的精准度和充分性，需要进一步将所述混合状态hog图像通过基于第一卷积神经网络模型的浅层特征提取器，以此来提取出一些基本的图像特征，比如所述被搅拌原料混合的边缘、纹理特征等信息，以得到混合状态浅层特征图。接着，再将所述混合状态浅层特征图通过基于第二卷积神经网络模型的中层特征提取器中进行处理，以进一步提取出更加抽象的特征，比如所述被搅拌原料混合的形状、颜色等特征信息，从而得到混合状态中层特征图。然后，将所述混合状态中层特征图通过基于第三卷积神经网络模型的深层
特征提取器中以提取出更高级别的特征，比如所述被搅拌原料的组合、结构等隐含特征信息，以得到混合状态深层特征图。通过多层级特征提取的方法，可以逐渐提取出图像的不同层次的特征信息，从而更好地理解和表示所述被搅拌原料的实时混合状态图像的特征信息。
41.进一步地，在分别得到所述实时混合状态图像中有关于原料的搅拌混合状态的浅层特征、中层特征和深层特征信息后，需要将所述混合状态浅层特征图、所述混合状态中层特征图和所述混合状态深层特征图进行融合，以保留图像中的多层次信息来进行搅拌状态的检测，从而提高搅拌控制的精准度。特别地，为了不过多增大模型的参数量以及保持通道数不变,在本技术的技术方案中，进一步使用自适应融合模块来融合所述混合状态浅层特征图、所述混合状态中层特征图和所述混合状态深层特征图以得到混合状态特征图。这样，既能在不增加过多参数的情况下保持原有的通道数不变,也能进行多层次的特征融合,充分利用多层次信息。
42.相应地，在本技术的一个实施例中，如图4所示，从所述实时混合状态图像中提取混合状态特征图，包括：s1221，提取所述实时混合状态图像的混合状态hog图像；s1222，对所述混合状态hog图像进行图像特征提取以得到混合状态浅层特征图、混合状态中层特征图和混合状态深层特征图；以及，s1223，使用自适应融合模块来融合所述混合状态浅层特征图、所述混合状态中层特征图和所述混合状态深层特征图以得到所述混合状态特征图。
43.更具体地，在本技术的一个实施例中，如图5所示，对所述混合状态hog图像进行图像特征提取以得到混合状态浅层特征图、混合状态中层特征图和混合状态深层特征图，包括：s12221，将所述混合状态hog图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述混合状态浅层特征图；s12222，将所述混合状态浅层特征图通过基于第二卷积神经网络模型的中层特征提取器以得到所述混合状态中层特征图；以及，s12223，将所述混合状态中层特征图通过基于第三卷积神经网络模型的深层特征提取器以得到所述混合状态深层特征图。应可以理解，卷积神经网络(convolutional neural network，简称cnn)是一种深度学习模型，专门用于处理具有网格结构的数据，如图像和视频。它在计算机视觉任务中广泛应用，包括图像分类、目标检测、图像分割等。卷积神经网络由多个卷积层、池化层和全连接层组成。每个卷积层通过卷积操作提取输入数据的特征，并通过激活函数进行非线性变换。池化层用于减小特征图的尺寸，并保留最显著的特征。全连接层用于将特征映射到输出类别。在一个实施例中，混合状态hog图像通过三个不同的卷积神经网络模型进行特征提取，具体来说，第一卷积神经网络模型用于提取混合状态的浅层特征图，第二卷积神经网络模型用于提取混合状态的中层特征图，第三卷积神经网络模型用于提取混合状态的深层特征图，每个卷积神经网络模型都有自己的网络结构和参数设置，用于学习不同层次的特征表示。换言之，卷积神经网络模型是一种用于图像特征提取和分类的深度学习模型，通过多个卷积层和全连接层组成，能够有效地提取图像中的特征信息。在给定的实施例中，通过使用不同的卷积神经网络模型，可以得到混合状态图像的浅层特征图、中层特征图和深层特征图。
44.进而，再将所述混合状态特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止搅拌。也就是，在本技术的技术方案中，所述分类器的标签包括停止搅拌(第一标签)，以及，不停止搅拌(第二标签)，其中，所述分类器通过软最大值函数来确定所述混
合状态特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否停止搅拌”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否停止搅拌的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否停止搅拌”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为是否停止搅拌的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来对原料混合状态进行实时监测以判断是否可以停止搅拌，从而提高生产效率和产品质量。
45.相应地，在本技术的一个实施例中，基于所述混合状态特征图，确定是否停止搅拌，包括：将所述混合状态特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止搅拌。应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、svm等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
46.进一步地，所述的复合超轻玻璃微珠材料的制备方法，还包括训练步骤：用于对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的中层特征提取器、所述基于第三卷积神经网络模型的深层特征提取器和所述分类器进行训练。应可以理解，训练的目的是通过使用已标记的训练数据来优化卷积神经网络模型和分类器的参数，以使其能够准确地对复合超轻玻璃微珠材料进行分类和识别。在这个制备方法中，训练步骤是为了让深度学习模型学习到复合超轻玻璃微珠材料的特征表示，并能够将其与其他材料进行区分。具体来说，训练步骤包括使用已标记的训练样本作为输入，将其通过第一卷积神经网络模型的浅层特征提取器、第二卷积神经网络模型的中层特征提取器和第三卷积神经网络模型的深层特征提取器进行特征提取。然后，将提取的特征输入到分类器中进行训练，以使分类器能够根据这些特征对复合超轻玻璃微珠材料进行分类。通过训练，深度学习模型和分类器能够学习到复合超轻玻璃微珠材料的特征表示，并能够根据这些特征进行准确的分类和识别。这样，在实际应用中，当给定一个未知的复合超轻玻璃微珠材料样本时，训练好的模型和分类器可以根据其特征将其正确地分类为复合超轻玻璃微珠材料，从而实现对该材料的快速鉴定和识别。
47.相应地，在本技术的一个实施例中，如图6所示，所述训练步骤，包括：s210，获取训练数据，所述训练数据包括被搅拌原料的训练实时混合状态图像，以及，所述是否停止搅拌的真实值；s220，提取所述训练实时混合状态图像的训练混合状态hog图像；s230，将所述训练混合状态hog图像通过所述基于第一卷积神经网络模型的浅层特征提取器以得到训练混合状态浅层特征图；s240，将所述训练混合状态浅层特征图通过所述基于第二卷积神经网络模型的中层特征提取器以得到训练混合状态中层特征图；s250，将所述训练混合状态中层特征图通过所述基于第三卷积神经网络模型的深层特征提取器以得到训练混合状态深层特征图；s260，使用自适应融合模块来融合所述训练混合状态浅层特征图、所述训练混合状态中层特征图和所述训练混合状态深层特征图以得到训练混合状态特征图；s270，将所述训练混合状态特征图通过所述分类器以得到分类损失函数值；以及，s280，基于所述分类
损失函数值并通过梯度下降的方向传播来对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的中层特征提取器、所述基于第三卷积神经网络模型的深层特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化。
48.特别地，在本技术的技术方案中，在使用自适应融合模块来融合所述混合状态浅层特征图、所述混合状态中层特征图和所述混合状态深层特征图得到所述混合状态特征图时，由于自适应融合模块在保持通道数不变的情况下融合多层次的所述混合状态hog图像的图像语义特征，所述混合状态特征图也就相应地包含了与不同层次的图像语义特征对应的多样化的特征分布。这样，所述混合状态特征图通过分类器进行分类时，考虑到多样化的特征分布在分类的域转移过程中的分布可转移性差异，期望通过进一步针对所述分类器的权重矩阵对于所述混合状态特征图进行自适应优化，来提升所述混合状态特征图通过分类器进行分类训练的训练效果，即提升分类速度和得到的分类结果的准确性。
49.因此，本技术的申请人在每次分类器的权重矩阵的迭代过程中，对于所述权重矩阵m进行基于特征分布跨域注意力的特征转移优化。
50.相应地，在本技术的一个实施例中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化；其中，所述优化公式为：
[0051][0052]
其中，m是所述分类器的权重矩阵，m的尺度为m
×
m，v1到vm是所述权重矩阵m的m个行向量，||
·
||2表示特征向量的二范数，(:∑jm
i,j
:)是对所述权重矩阵m的每个行向量的求和值排列得到的行向量，且cov1(
·
)和cov2(
·
)均表示单层卷积操作，(
·
)
t
表示转置操作，表示矩阵乘法，m'表示迭代后的所述分类器的权重矩阵。
[0053]
这里，所述基于特征分布跨域注意力的特征转移优化针对所述混合状态特征图的特征分布在特征空间域和分类目标域内存在的不同表示，在所述混合状态特征图展开为分类特征向量时，所述分类器的权重矩阵m相对于待分类的所述分类特征向量的跨域多样性特征表示也会具有相应的结构化的行和列空间结构，由此，通过对所述权重矩阵m的空间结构化特征分布以卷积操作来给予注意力，可以增强多样化特征分布中的良好转移特征分布的跨域间隙的可转移性，同时抑制不良转移特征分布的消极转移(negative transfer)，从而基于所述权重矩阵m自身相对于所述分类特征向量的分布结构来实现权重矩阵m的无监督的域转移自适应优化，从而提升所述混合状态特征图通过分类器进行分类训练的训练效果。这样，能够基于实际原料的混合状态情况来实时准确地进行搅拌控制，从而提高生产效率和产品质量。
[0054]
综上，基于本技术实施例的复合超轻玻璃微珠材料的制备方法被阐明，基于深度学习的机器视觉技术来对于被搅拌原料的实时混合状态图像进行分析，以对原料混合状态进行实时检测以判断是否可以停止搅拌，从而提高生产效率和产品质量。
[0055]
图7为根据本技术实施例的复合超轻玻璃微珠材料的制备系统100的框图。如图7所示，根据本技术实施例的复合超轻玻璃微珠材料的制备系统100，包括：调配模块110，用于将玻璃粉、硼基化合物、膨润土、钙碳基复合粉和纤维素结合剂原料按照预定配比进行调
配以得到调配好的原料；混合模块120，用于将所述调配好的原料进行充分混合均匀以得到混合原料；造粒模块130，用于将所述混合原料放入造粒机中进行造粒以得到压缩颗粒；以及，膨胀模块140，用于将所述压缩颗粒放入旋浮膨胀玻化炉中进行膨胀以得到复合超轻玻璃微珠材料。
[0056]
这里，本领域技术人员可以理解，上述复合超轻玻璃微珠材料的制备系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的复合超轻玻璃微珠材料的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。
[0057]
如上所述，根据本技术实施例的复合超轻玻璃微珠材料的制备系统100可以实现在各种无线终端中，例如具有复合超轻玻璃微珠材料的制备算法的服务器等。在一个示例中，根据本技术实施例的复合超轻玻璃微珠材料的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该复合超轻玻璃微珠材料的制备系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该复合超轻玻璃微珠材料的制备系统100同样可以是该无线终端的众多硬件模块之一。
[0058]
替换地，在另一示例中，该复合超轻玻璃微珠材料的制备系统100与该无线终端也可以是分立的设备，并且该复合超轻玻璃微珠材料的制备系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
[0059]
图8为根据本技术实施例的复合超轻玻璃微珠材料的制备方法的应用场景图。如图8所示，在该应用场景中，首先，通过摄像头(例如，图8中所示意的c)采集被搅拌原料的实时混合状态图像(例如，图8中所示意的d)，然后，将所述实时混合状态图像输入至部署有复合超轻玻璃微珠材料的制备算法的服务器中(例如，图8中所示意的s)，其中，所述服务器能够使用所述复合超轻玻璃微珠材料的制备算法对所述实时混合状态图像进行处理以得到用于表示是否停止搅拌的分类结果。
[0060]
在本技术的一个示例中，首先将玻璃粉、硼基化合物、膨润土、钙碳基复合粉和纤维素结合剂原料按比例称量好；然后将原料混合均匀，并在造粒机中造粒；最后在旋浮膨胀玻化炉中进行膨胀得到复合超轻玻璃微珠材料。其中，所述玻璃粉的化学组成为：sio2＞72wt％；al2o3＞1.47wt％；fe2o3＞0.07wt％；cao＞8.91wt％；na2o＞13.1wt％；k2o＞0.83wt％；粒度＜25μm；所述硼基化合物的h2bo3的含量为95wt％；b2o3的含量为5wt％；粒度＜45μm；所述钙碳基复合粉的caco3含量为90％；c的含量为10％；粒度＜45μm；所述膨润土是指钙基膨润土和钠基膨润土其中的一种，粒度＜45μm；所述羧甲基纤维素钠(cmc)、羟丙基甲基纤维素(hpmc)和纤维素钠盐(mc)其中的一种，粒度＜45μm。其中，膨胀工艺采用的是旋浮膨胀玻化炉设备，其设备示意图如图9所示。
[0061]
在第一个具体示例中，一种复合超轻玻璃微珠材料及其制备方法，原料的配比如下：玻璃粉96.5wt％；硼基化合物1wt％；钙基膨润土0.5wt％；甲基纤维素钠(cmc)1wt％；钙碳基复合粉1wt％。
[0062]
在第二个具体示例中，一种复合超轻玻璃微珠材料及其制备方法，原料的配比如下：玻璃粉95.5wt％；硼基化合物1wt％；钙基膨润土0.5wt％；羟丙基甲基纤维素(hpmc)1wt％；钙碳基复合粉2wt％。
[0063]
在第三个具体示例中，一种复合超轻玻璃微珠材料及其制备方法，原料的配比如
下：玻璃粉94wt％；硼基化合物1.5wt％；钠基膨润土1.5wt％；纤维素钠盐(mc)0.5wt％；钙碳基复合粉2.5wt％。
[0064]
在第四个具体示例中，一种复合超轻玻璃微珠材料及其制备方法，原料的配比如下：玻璃94wt％；硼基化合物1wt％；钙基膨润土2.5wt％；羟丙基甲基纤维素(hpmc)0.5wt％；钙碳基复合粉2wt％。
[0065]
本技术对第一到第四个具体示例的复合超轻玻璃微珠材料进行性能测试，测试结果见表1。
[0066]
表1第一到第四个具体示例的复合超轻玻璃微珠材料的性能测试结果
[0067][0068][0069]
在第五个具体示例中，一种复合超轻玻璃微珠材料及其制备方法，原料的配比如下：玻璃粉96.5wt％；硼基化合物1wt％；甲基纤维素钠(cmc)0.5wt％；钙碳基复合粉2wt％。对比制品为专利中国专利(cn105837124a)实施案例中性能最优的保温材料，原料的配比如下：聚乙烯醇5wt％；聚氨酯低聚物3wt％；丙烯酸铵3wt％；表面活性剂1wt％；混合粉末3wt％；有机纤维2wt％；十二烷基二甲基氧化胺1wt％；硅酸盐水泥3wt％；硅藻土2wt％；钠基膨润土3wt％；发泡剂1wt％。
[0070]
在第六个具体示例中，一种复合超轻玻璃微珠材料及其制备方法，原料的配比如下：玻璃粉96wt％；硼基化合物1wt％；甲基纤维素钠(cmc)0.5wt％；钙碳基复合粉2.5wt％。对比制品为专利中国专利(cn105837124a)实施案例中性能最优的保温材料，原料的配比如下：聚乙烯醇5wt％；聚氨酯低聚物3wt％；丙烯酸铵3wt％；表面活性剂1wt％；混合粉末3wt％；有机纤维2wt％；十二烷基二甲基氧化胺1wt％；硅酸盐水泥3wt％；硅藻土2wt％；钠基膨润土3wt％；发泡剂1wt％。
[0071]
对比案例第五个具体示例和第六个具体示例的材料性能比较如图10和11所示，其中，本发明试样1为第五个具体示例中的材料，本发明试样2为第六个具体示例中的材料。如图10和11所示，本技术制备的复合超轻玻璃微珠材料具有容重更低、吸水率低、导热系数低和强度高等特点。
[0072]
本技术制备的复合超轻玻璃微珠材料具有容重低(238～400kg/m3)，单颗粒耐压强度高(0.6～1.5mpa)，导热系数低(0.05～0.08w/mk)，吸水率低(5～8％)等优点。
[0073]
本技术制备的复合超轻玻璃微珠材料为无机非金属材料，具有固有的阻燃特性，无需添加对环境或人体有害的阻燃剂，可以替代以聚苯泡沫为代表的有机可燃性保温材料。
[0074]
本技术制备复合超轻玻璃微珠的原料为对环境友好的无机非金属材料，可规划化生产，可满足市场的需求。
[0075]
本技术制备的复合超轻玻璃微珠材料具有施工方便，可广泛应用于建筑节能工程
中的墙体保温、屋面保温以及复合保温板材等项目。
[0076]
本技术制备复合超轻玻璃微珠的玻璃粉原料，可采用日用生活玻璃制品的固体废弃物，具有环保特性。
[0077]
本技术制备的复合超轻玻璃微珠材料，可采用日用生活玻璃制品的固体废弃物，具有环保特性。
[0078]
此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
[0079]
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0080]
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种复合超轻玻璃微珠材料，其特征在于，包括：玻璃粉：80～95wt.％，硼基化合物：1～3wt.％，膨润土：0～10wt.％，钙碳基复合粉：0～10wt.％，纤维素结合剂：0～2wt.％。2.根据权利要求1所述的复合超轻玻璃微珠材料，其特征在于，所述钙碳基复合粉是生石灰和石墨的混合物，所述纤维素结合剂是羧甲基纤维素钠(cmc)、羟丙基甲基纤维素(hpmc)和纤维素钠盐(mc)其中的一种或者多种混合物，所述硼基化合物是氧化硼(b2o3)和硼酐(h3bo3)其中的一种或者两种混合物，所述膨润土是钙基膨润土和钠基膨润土其中的一种或者两种混合物。3.一种复合超轻玻璃微珠材料的制备方法，其特征在于，包括：将玻璃粉、硼基化合物、膨润土、钙碳基复合粉和纤维素结合剂原料按照预定配比进行调配以得到调配好的原料；将所述调配好的原料进行充分混合均匀以得到混合原料；将所述混合原料放入造粒机中进行造粒以得到压缩颗粒；以及将所述压缩颗粒放入旋浮膨胀玻化炉中进行膨胀以得到复合超轻玻璃微珠材料。4.根据权利要求3所述的复合超轻玻璃微珠材料的制备方法，其特征在于，将所述调配好的原料进行充分混合均匀以得到混合原料，包括：通过摄像头采集被搅拌原料的实时混合状态图像；从所述实时混合状态图像中提取混合状态特征图；以及基于所述混合状态特征图，确定是否停止搅拌。5.根据权利要求5所述的复合超轻玻璃微珠材料的制备方法，其特征在于，从所述实时混合状态图像中提取混合状态特征图，包括：提取所述实时混合状态图像的混合状态hog图像；对所述混合状态hog图像进行图像特征提取以得到混合状态浅层特征图、混合状态中层特征图和混合状态深层特征图；以及使用自适应融合模块来融合所述混合状态浅层特征图、所述混合状态中层特征图和所述混合状态深层特征图以得到所述混合状态特征图。6.根据权利要求5所述的复合超轻玻璃微珠材料的制备方法，其特征在于，对所述混合状态hog图像进行图像特征提取以得到混合状态浅层特征图、混合状态中层特征图和混合状态深层特征图，包括：将所述混合状态hog图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述混合状态浅层特征图；将所述混合状态浅层特征图通过基于第二卷积神经网络模型的中层特征提取器以得到所述混合状态中层特征图；以及将所述混合状态中层特征图通过基于第三卷积神经网络模型的深层特征提取器以得到所述混合状态深层特征图。7.根据权利要求6所述的复合超轻玻璃微珠材料的制备方法，其特征在于，基于所述混合状态特征图，确定是否停止搅拌，包括：将所述混合状态特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止搅拌。8.根据权利要求7所述的复合超轻玻璃微珠材料的制备方法，其特征在于，还包括训练
步骤：用于对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的中层特征提取器、所述基于第三卷积神经网络模型的深层特征提取器和所述分类器进行训练。9.根据权利要求8所述的复合超轻玻璃微珠材料的制备方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括被搅拌原料的训练实时混合状态图像，以及，所述是否停止搅拌的真实值；提取所述训练实时混合状态图像的训练混合状态hog图像；将所述训练混合状态hog图像通过所述基于第一卷积神经网络模型的浅层特征提取器以得到训练混合状态浅层特征图；将所述训练混合状态浅层特征图通过所述基于第二卷积神经网络模型的中层特征提取器以得到训练混合状态中层特征图；将所述训练混合状态中层特征图通过所述基于第三卷积神经网络模型的深层特征提取器以得到训练混合状态深层特征图；使用自适应融合模块来融合所述训练混合状态浅层特征图、所述训练混合状态中层特征图和所述训练混合状态深层特征图以得到训练混合状态特征图；将所述训练混合状态特征图通过所述分类器以得到分类损失函数值；以及基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的中层特征提取器、所述基于第三卷积神经网络模型的深层特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化。10.根据权利要求9所述的复合超轻玻璃微珠材料的制备方法，其特征在于，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化；其中，所述优化公式为：其中，m是所述分类器的权重矩阵，m的尺度为m
×
m，v1到v
m
是所述权重矩阵m的m个行向量，||
·
||2表示特征向量的二范数，(:∑
j
m
i,j
:)是对所述权重矩阵m的每个行向量的求和值排列得到的行向量，且cov1(
·
)和cov2(
·
)均表示单层卷积操作，(
·
)
t
表示转置操作，表示矩阵乘法，m'表示迭代后的所述分类器的权重矩阵。

技术总结
公开了一种复合超轻玻璃微珠材料及其制备方法。该复合超轻玻璃微珠材料包括：玻璃粉：80～95wt.％，硼基化合物：1～3wt.％，膨润土：0～10wt.％，钙碳基复合粉：0～10wt.％，纤维素结合剂：0～2wt.％。在所述复合超轻玻璃微珠材料的制备过程中，基于深度学习的机器视觉技术来对于被搅拌原料的实时混合状态图像进行分析，以对原料混合状态进行实时检测以判断是否可以停止搅拌，从而提高生产效率和产品质量。从而提高生产效率和产品质量。从而提高生产效率和产品质量。


技术研发人员：沈新伟 陈建军 殷超凡 沈俊
受保护的技术使用者：信阳市永凯保温材料有限公司
技术研发日：2023.07.04
技术公布日：2023/10/11