本发明涉及一种从废旧锂离子电池正极材料浸出废液中回收锂的方法。本发明采用硫酸调节废旧锂离子电池正极材料浸出废液的pH值至5以下,然后加热至温度为60~90℃进行减压浓缩得到含锂富集液;采用氢氧化钠调节含锂富集液的pH值至10以上,超声搅拌,静置后固液分离得到三元沉淀和含锂处理液;三元沉淀经洗水洗涤得到纯三元沉淀和含锂洗涤液;含锂洗涤液与含锂处理液合并为含锂精处理液;在超声振荡条件下,向含锂精处理液中加入饱和碳酸钠溶液沉淀剂进行沉淀反应,并保持沉淀悬浮直接过滤,得到碳酸锂沉淀和尾液;尾液蒸发结晶得到硫酸钠与碳酸钠;碳酸锂沉淀经水洗得到纯碳酸锂和水洗液,纯碳酸锂干燥得到Li2CO3‑0产品,水洗液返回配制饱和碳酸钠沉淀剂。
📄 2022102845628
📂 C22B23_00
👤 昆明理工大学
📅 2022-03-22
本发明涉及一种从废旧锂离子电池负极中回收高纯石墨的方法,属于锂电池废物的资源化利用领域。本发明将锂离子电池的废弃负极直接进行高温热处理,筛分得到粗石墨粉和粗铜粉;将粗石墨粉与氯化剂混合均匀后进行氯化研磨得到混合物;混合物加入到氨水中进行氨浸出,固液分离,固体干燥即得高纯石墨。本发明直接进行高温热处理,将负极石墨中的Ni、Co、Mn、Li等金属氧化物还原为金属单质,并通过Cu富集并分离,保护了石墨的形态,去除了S、P、F等非金属杂质,氯化研磨氨浸去除石墨中含有的少量金属杂质,将回收石墨的品位提升至99.9%,实现石墨的高纯、高效回收。
📄 2022112092511
📂 H01M10_54
👤 昆明理工大学
📅 2022-09-30
本发明公开了一种从锂离子电池正极废料中分离回收有价金属的方法,包括以下步骤:将电池正极废料与CuCl2充分混合置于电阻炉中进行真空氯化焙烧,保温,控制多段冷凝温区,在对应区域收集冷凝产物,即锂、镍、钴、锰、铝的氯化物。本发明不仅充分回收了正极废料中的有价金属Ni、Co、Mn和Li,同时除去了废料中的杂质Al和Cu,使锂离子电池正极废物得到充分回收利用;与传统的浸出‑沉淀法相比,避免了浸出剂和沉淀剂的加入,简短了工艺流程,在未来工业化应用具有一定的潜力。
📄 2022115692419
📂 C22B7_00
👤 昆明理工大学
📅 2022-12-08
本发明涉及一种从废弃三元锂离子电池正极废料中提锂并制备Li4SiO4吸附剂的方法,属于资源回收利用技术领域。本发明在无氧条件下,三元电池正极废料匀速升温至温度400‑600℃,在恒温条件下,通入氢气还原60~120min得到还原废料;根据还原废料中Li含量,将硅切割废料添加至还原废料中研磨混匀得到混合料,混合料中Li与Si的摩尔比为4.0~4.4:1;在保护气氛下,混合料匀速升温至温度1300~1500℃并恒温还原熔炼60~90min,随炉冷却至室温,分离合金相和熔炼渣,熔炼渣研磨即得Li4SiO4吸附剂。本发明采用氢气和废硅料两步热还原同时实现Li4SiO4材料的制备与Ni、Co、Mn合金的分离,降低Li4SiO4的制备成本,减少环境污染,提高有色金属资源的综合利用。
📄 2024100329633
📂 B01J20_10
👤 昆明理工大学
📅 2024-01-10
本发明公开了一种基于可能性聚类和卷积神经网络的道路交通标识识别方法,包括以下步骤对图像数据集进行预处理,所述预处理包括归一化操作、数据增强、色彩增强以及使用极大化类间距离的可能性聚类算法与Hu不变矩相结合进行降噪和特征提取,得到训练数据集;构建卷积神经网络模型,并利用所述训练数据集对所述卷积神经网络模型进行充分训练,利用训练后的网络模型对图像进行分类识别。效果:采用归一化与数据增强对数据集进行预先操作使得满足卷积神经网络模型结构对数据集的要求,能够减少了网络模型训练时间并保证了识别的准确率。
📄 2019100926258
📂 G06K9_00
👤 江南大学
📅 2019-01-30
本发明提供基于多路卷积神经网络的语音识别方法,其能够提取更充分的语音信息,且处理数据量较大的音频数据时,具有更好的拟合性。其包括:S1:输入原始语音并进行处理;S2:提取出反映语音信号特征的关键特征参数,形成特征矢量序列;S3:基于多路卷积神经网络模型为基础、CTC作为损失函数,构建声学模型;多路卷积神经网络的结构包括依次设置的子网络结构、连续的全连接层、CTC损失函数;S4:训练声学模型,得到训练好的声学模型;S5:将待识别的特征矢量序列输入到训练好的声学模型中得到识别结果;S6:以步骤S5中得到的识别结果为基础进行后续的运算,即得到能够以最大概率输出该语音信号的词串,词串即原始语音被识别后的语言文字。
📄 2018111558132
📂 G10L15_02
👤 江南大学
📅 2018-09-30
本发明提供基于卷积神经网络的语音识别方法,其更加擅长提取高层特征,建模过程简单、容易训练、模型的泛化性能更佳,能够更广泛的应用到各种语音识别的场景中。其包括:S1:对输入的原始语音信号进行预处理;S2:提取出反映语音信号特征的关键特征参数,形成特征矢量序列;S3:基于DCNN网络模型为基础、以联结主义时间分类器CTC作为损失函数,构建端对端方式的声学模型;S4:训练声学模型,得到训练好的声学模型;S5:将步骤S2中得到的待识别的特征矢量序列输入到训练好的声学模型中得到识别结果;S6:以步骤S5中得到的识别结果为基础进行后续的运算,即得到能够以最大概率输出该语音信号的词串,词串即原始语音被识别后的语言文字。
📄 2018111125066
📂 G10L15_06
👤 江南大学
📅 2018-09-25
本发明公开了基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法,包含训练阶段和检测阶段两部分。模型训练阶段中采用无疵点织物图像,通过图像预处理得到训练样本集,然后训练深度神经网络中的参数。检测时,首先得到待测图像的检测样本集,然后采用深度神经网络得到网络输出,最后得到疵点检测结果。本发明采用Gabor滤波器提取织物纹理特征,根据Fisher准则计算代价函数值,能够提取图像中各个方向大小的纹理,提高检测准确率。采用深度神经网络自动选择图像特征,解决现有基于机器视觉疵点检测方法人为选择特征的缺陷和不足。
📄 2017113927584
📂 G06T7_00
👤 江南大学
📅 2017-12-21
本发明提供了一种基于卷积神经网络的易拉罐罐底喷码字符在线视觉检测方法,包括离线状态下对图像中字符进行分割,并归类构建字符库,采用改进后的卷积神经网络学习法进行训练,形成稳定的分类器;在线检测中实时拍摄图片,分割字符,并用分类器进行分类,对存在瑕疵不合格的产品进行剔除;在保证实时性的同时极大的提高了检测精度,完全可以满足易拉罐罐底喷码字符在线检测过程高实时性、高准确性的要求。
📄 2014101738592
📂 G06K9_20
👤 无锡信捷电气股份有限公司, 江南大学
📅 2014-04-26
本发明公开了一种基于深度神经网络的影像三维组织分割与测定方法,包括,采集活体猪的CT图像,划分为训练集与测试集并在训练集上进行标注;构建CT床分割网络和内脏分割网络,并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型;利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏;结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。可以自动、快速、准确分割出种猪的脂肪、肌肉和骨骼等组织,并且本方法适用于任何形状、任何大小的种猪。
📄 2020109992563
📂 G06T7_11
👤 江南大学, 安徽工大信息技术有限公司
📅 2020-09-22
本发明涉及一种融合模块和多尺度特征融合卷积神经网络及图像识别方法,包括上一层、融合层以及级联层,所述上一层将输入图片通过所述融合层运算,再将运算完成的结果通过所述级联层进行合并输出,所述融合层由在原始模块中加入瓶颈结构和空洞卷积结构共同组合而成。本发明不但错误率低,而且有效减少网络的参数量,有利于提升模型泛化能力。
📄 2020108887682
📂 G06V10_80
👤 江南大学
📅 2020-08-28
一种用于数字图像识别的构建型神经网络参数融合优化方法,属于人工智能数字图像识别领域。本方法包括:构建融合优化性能指标;融合优化算法;利用构建的神经网络进行数字图像识别。本发明还通过收敛性分析验证了本发明的有效性,其中第一部分为准备环节,第二部分的IOM算法为本发明的关键技术和实现步骤,第三个部分为理论保证。本发明提供一种隐含层节点参数和输出层参数的同步联合优化方法,在理论上相比于现有方法具有更小的保守性。本方法生成的构建型神经网络模型比现有方法产生的模型结构更紧凑,冗余节点更少,计算速度更快。相比于现有方法产生的模型在学习阶段的后期,误差收敛的速度更快,收敛精度更高,泛化性能更好。
📄 2020107665497
📂 G06V10_774
👤 江南大学
📅 2020-08-03