中国粉体网讯  2026年4月28日，由中国粉体网主办的第二届高端金属粉体制备与应用技术大会暨2026通信电子、3D打印、粉末冶金市场金属粉国产化交流会在湖南长沙隆重召开，会议期间，我们邀请到了业内专家、学者，优秀企业家代表做客对话栏目，进行访谈交流。本期为您分享的是中国粉体网对中南大学周承商副教授的专访。

中南大学 周承商 副教授

中国粉体网：周教授您好，您开发的这项基于深度学习视觉模型的粉末颗粒分析技术，主要用来解决什么问题？

周教授：我们这项技术本质上是在解决一个长期存在、但过去一直没有被很好解决的问题：粉末看起来都差不多，可是它们在后续工艺及最终性能上却体现很大差异，而传统的分析手段对这种差异的可测量度是不够的。

传统的粉末分析方法中，大家经常做的是粒径分布，流动性，松装密度，振实密度，这些都很重要，而且已经形成较稳定的方法和标准。问题在于工艺差异其实是来自更细节的方面，比如说粉末颗粒本身，比如颗粒是更圆，还是更破碎，是不是有明显凹陷的地方，边界是不是粗糙。这些因素都会直接影响粉末的填充，铺展，接触方式，最终会影响粉末的压制，烧结，或者增材制造过程中的稳定性。

我们开发的这项技术，是想要把过去高度依赖经验判断的部分，变成一套可量化的形貌分析方法。将以往材料工程师经验沉淀下来，把粉末形貌变成工艺的理解，为产品研发、工艺优化、和质量控制提供抓手。

所以总的来说，这项技术就是解决粉末的分析中，定性判断多于定量判断，经验先行多于指标比较，事后解释多于前置判断少的问题。

中国粉体网：这项技术对比传统检测方法，最突出的优点是什么？

周教授：我认为最突出的有点，不仅仅是它更快了，或者它赶了AI+材料的潮流，而是它把原来分裂的几个环节联合起来了：图像-参数-工艺。

传统的检测方法有它的成熟性，比如粒度分析仪，流动性测试，密度测试，这些都很稳定，并且在工业上长期验证过了。但他们都有一个共同的特点，它们是粉体体系的某个结果指标，而不是颗粒层面的结构解释。它会告诉你这个结果好不好，但不一定能告诉你这个结果为什么这样。

我们这项技术的优势在于它提供了一种更具细节性和解释性的工具，比如两批粉末之间，粒径看起来接近，但是如果一批粉末颗粒更圆，凹陷更少，另一批粉末更破碎，粗糙度更高，那它们在增材制造的过程中表现就不一样。传统的指标未必能够把这个差异讲清楚，但图像形貌分析就可以把它拆解分析出来。我们的方法不仅给出一个好或者不好的结果，还会告诉你差异的来源到底是粒度的问题，还是颗粒形状的问题，这对研发和工艺的改进尤其重要。并且我们的方法也更加适合做数字化的积累，当粉末图像形貌信息以数字化的结构性数据固定之后，更加适合企业本身做自己的粉末数据库。从长远来看，它不仅是一个检测工具，更是未来工艺知识库的一部分。

当然，我想强调的是，这项技术不是要替代传统的检验检测方法，它更合理的定位是与传统检测形成互补。传统方法负责给出标准化的结果，我们的技术可以补足解释能力和前置判断能力，我们能够有机地将不同维度的检测结果联合成一个更完整，更强大的理解体系。

中国粉体网：周教授，在您关注的领域中，哪个行业对这项技术的需求最迫切？

周教授：从需求的迫切性来说，我认为最直接，最强烈的，还是高端金属粉体的应用，因为它们最先感受到粉末形貌差异对工艺稳定性的影响。但看更深层次的产业驱动力，这项技术背后其实对应的是一条更长的高端制造链条。无论是航空航天，医疗器械，还是新能源汽车，机器人关键零部件，半导体装备相关的精密构件，这些行业都在提出一个更高层次的要求：材料不仅需要性能强大，还要批次稳定，过程可控，结果可预测。例如在增材制造领域，这个行业对粉末的要求特别高。颗粒的形状，粒径分布，卫星粉，不规则颗粒的占比，都会影响铺粉，流动，层厚一致性，激光吸收以及最终零件的致密度和稳定性。这个行业的特点是，一旦粉末质量波动，带来的后果不是一点点的性能下降，而是整批零件一致性问题，甚至整批报废。金属粉体就是这些先进制造技术的基石，这些需求不是概念性的，而是很现实的工程需求。

中国粉体网：将这项技术真正用于工厂的生产线，您认为目前最大的困难是什么？

周教授：我认为最大的困难是怎么把实验室里的分析能力，变成产线可接受，可复用，可闭环的能力，这需要学术界和工业界的共同努力。

首先是数据标准化的问题。实验室里面做图像分析，很多情况下都可以人工兜底，比如样品怎么取用，怎么拍摄，拍多少张，选择什么区域。这些事情在研发阶段都可以灵活处理的。可是一旦上了生产线，就会出现一系列的问题：同一批次的粉，今天拍的和明天拍的是不是一样的？不同的操作员拍，结果会不会有区别？不同的设备拍，参数是否能够比较？所以在数据层面，第一道门槛是怎么样把整套流程标准化固定下来。

其次是评价体系与工艺结果之间的映射问题。不论我们的分析结果再怎么漂亮，最终都要落到一个问题：这个结果跟生产的良率、密度、铺粉稳定性、压制密度、烧结密度，到底是什么关系？这就要求在图像识别准确的基础上，进行长期的、大量的、标准化的数据积累，去建立粉末形貌-工艺行为-性能结果之间的联系。这一步比单纯的做模型要困难，因为它需要建立产线数据，工艺知识，以及长期的校准。

最后就是系统集成和使用成本问题，在工厂中，指挥棒永远是投入的成本是否能够杠杆出更大的利润。实际上就是反应我们技术在嵌入现有的流程是，过程是否复杂，检测周期能否接受，结果是否能否服务于决策。如果这个系统最后变成了一个很复杂的离线系统，只能够少数专家操作和分析，那么它的产业化价值就会被大幅削弱。反过来，如果它能够做到逐步做到标准化采样，自动分析，自动报告，甚至与生产管理系统联动，它的价值就完全不一样了。总的来说，技术要真正地产业化落地，需要模型，检测，工艺和企业使用场景一起打通。

中国粉体网：您觉得当前金属粉体行业最重要的发展趋势是什么？

周教授：未来金属粉体行业比拼的，不只是制粉能力，更是把粉末质量讲清楚，控制稳定，做好溯源的能力。

过去一段时间里，行业更多是在解决供应和基础性能问题，不如能不能生产出来，能不能满足基本的粒径需求，能不能到工艺门槛。但现在越来越多的下游应用，尤其是增材制造、高性能粉末冶金、先进成型领域，已经不满足于更大规模的产能了。企业需要的是批次一致性、工艺稳定性、最终性能可预测、质量数据可追溯。这意味着粉末行业正在进入一个更深层次的阶段。就粉末分析领域来说，我认为这里有几个明确的方向。

第一，粉末质量控制正在从单一质量走向多维度的评价。未来只用粒径分布，流动性，松装密度这些传统指标，越来越难以支撑高端应用。形貌，卫星粉，表面特征，批次内部异质性，这些都会成为越来越重要的质量维度。

第二，行业会越来越重视数字化和智能化。未来真正有壁垒的企业，绝不仅仅是能做出粉，而是掌握真正的know-how，形成自己的粉末-工艺-性能的数据库。这个数据库越积累，企业越能够做出前置判断、工艺优化和客户定制。这也就是为什么我们认为，AI+图像分析这类技术的价值，会随着的数据的积累而不断放大。

所以目前金属粉体行业最重要的发展趋势，不只是更大规模的产能，更高的粉末性能，更是更高水平的质量可控性和工艺预测性。而我们正在做的这类技术，就是在这个趋势中补充一个过去比较薄弱的环节，也就是把粉末形貌从经验观察，转化为数字资产。

中国粉体网：感谢周教授接受我们的采访。