多官能度可聚会型光引发剂(图文说明)

本文综述了多官能度可聚会型光引发剂的分类,包括线型聚合物光引发剂、超支化/交联型光引发剂和多官能度光引发剂。重点介绍了它们的合成方法、特性以及一些常见产品的应用,如Irgacure系列。这些光引发剂在光固化反应中起着关键作用,广泛应用于各种树脂体系。
摘要由CSDN通过智能技术生成

多官能度可聚会型光引发剂(图文说明)

多官能度可聚会型光引发剂(图文说明)

Fig. 1 一些光引发剂的光解产物

该综述论文先根据分子结构和光敏基团的分布位置对现有的大分子光引发剂分为三大类:线型聚合物光引发剂(LPPI)、超支化/交联型光引发剂(HCPPI)和多官能度光引发剂(MFPI)。其中LPPI的研究报道多,因为其具有简便的制备方法和灵活多变的化学结构。

LPPI的合成主要有两种路线:

一是先制备含光引发剂结构的可聚合单体,然后进行热聚合形成LPPI;

二是先制得侧链带活性基团的线型聚合物,然后把光引发剂基团接枝改性到侧链上。

       两种合成路线均可采用可控/活性聚合、点击化学、环氧开环或逐步加成聚合等常规反应方法。LPPI的光敏基团可位于主链或侧链的重复单元中和分子链的两端。HCPPI指的是具有支化结构且光引发基团数量不确定的大分子光引发剂体系,通常基于超支化聚合物的端基改性来制备,也有少量关于交联网络结构的研究报道。MFPI则指那些具有规整结构且光敏基团确定的多官能度光引发剂,其中有代表性的是树枝状大分子。

     由于树枝状大分子具有低粘度和高端基密度的特性,这类MFPI具有多种优异的性能。但由于树枝状大分子的合成比较繁琐,可用于端基改性光引发剂的基团和反应种类比较少,目前MFPI制备和应用的报道并不多。

名称 化学类型 外观/粘度 产品描述

【光引发剂】

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值