您好！我是Ada，PowderSight智能助手。
💡 我可以帮您：
• 查询价格（如"镍价"）
• 搜索产品（如"搜索TC4"）
• 推荐材料（如"散热材料"）
• 探索产业图谱（如"TC4有哪些供应商"）
• 发布采购需求（如"我要买15-45μm的TC4粉末"）
• 介绍平台（如"会员对比"）
试试输入"帮助"查看更多功能！
📰 入选日报 · 2026-05-28查尔斯·达尔文大学提出基于多模态深度学习的粉末流动性快速评估框架
查尔斯·达尔文大学在最新研究中提出一套可解释多模态深度学习框架，用于快速评估金属粉末流动性；研究覆盖38种金属粉末，构建183,120组扫描电镜图像—记录对。
该框架融合扫描电镜图像与放大倍数元数据，通过多任务学习同步预测休止角、豪斯纳比、卡尔指数和霍尔流速。团队比较ResNet-18、EfficientNet-B0、MobileNetV3-Large、ShuffleNetV2、RegNetY-400MF五种骨干，RegNetY-400MF取得MAE 0.186、RMSE 0.351、MedAE 0.126、R² 0.988；多模态融合优于仅图像模型，梯度加权类激活映射与积分梯度可定位与流动性相关的形貌区域。
对金属增材制造产业链而言，粉末流动性评估可从依赖人工的离线测试，转向基于扫描电镜形貌的快速、可解释预测；批次筛查和工艺窗口控制获得更密集的数据入口，粉末来料一致性管理也更容易前置。
对粉末采购商的价值：① 将扫描电镜形貌表征纳入来料评估，提前识别流动性风险；② 用休止角、豪斯纳比、卡尔指数与霍尔流速联合核验供应商数据，减少单一指标误判；③ 借助可解释模型比对批次形貌线索，提升入库复检与供应商比选效率。
📧 每天 8:30 送达《金属粉末行业日报》· 行业动态一网打尽
订阅日报 →
原文链接：
🔒 登录后查看原文