CN111814831A - 一种测定腐蚀箔比容值的方法 - Google Patents
一种测定腐蚀箔比容值的方法 Download PDFInfo
- Publication number
- CN111814831A CN111814831A CN202010525739.XA CN202010525739A CN111814831A CN 111814831 A CN111814831 A CN 111814831A CN 202010525739 A CN202010525739 A CN 202010525739A CN 111814831 A CN111814831 A CN 111814831A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- foil
- specific value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000011888 foil Substances 0.000 title claims abstract description 105
- 238000005260 corrosion Methods 0.000 title claims abstract description 59
- 230000007797 corrosion Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 71
- 238000013527 convolutional neural network Methods 0.000 claims description 60
- 230000004913 activation Effects 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 235000004257 Cordia myxa Nutrition 0.000 claims description 3
- 244000157795 Cordia myxa Species 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract description 16
- 238000011161 development Methods 0.000 abstract description 6
- 239000007788 liquid Substances 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 9
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 8
- 229910052782 aluminium Inorganic materials 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 239000003990 capacitor Substances 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000002253 acid Substances 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000866 electrolytic etching Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 150000007522 mineralic acids Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 150000007524 organic acids Chemical class 0.000 description 2
- 235000005985 organic acids Nutrition 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002894 chemical waste Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012776 electronic material Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010405 reoxidation reaction Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明涉及一种测定腐蚀箔比容值的方法。该方法包括:获取数据集,其中,所述数据集包括:腐蚀箔的图像数据以及所述腐蚀箔的比容值;从所述数据集中选取训练集对机器学习模型进行训练,以获得比容值确定模型;获取待测比容值的腐蚀箔的图像,将所述图像输入至所述比容值确定模型,以获得所述待测比容值。通过该方法不仅大大提高腐蚀箔的开发效率,还节省了大量的化学药品、电能以及化成设备,同时无废液排放,对环境友好。
Description
技术领域
本发明涉及腐蚀箔的开发技术,尤其涉及一种测定腐蚀箔比容值的方法。
背景技术
铝电解电容器以单位体积电容量大、体积小、重量轻、自愈性能好和价廉等优点而著称。在各种电子电路中铝电解电容器被广泛用于低频滤波、音频耦合、隔直流、储能等方面,属于大量使用的、不可取代的电子元件之一。近年来,由于电子整机的组装密度和集成化程度的增加,对铝电解电容器提出了更高标准的要求,如:小型化、高容量化、长寿命化、环保化和高频低阻抗等。如今,这些高性能高标准却受制于腐蚀箔的比容大小。
研究表明,提高比容最有效的方法是增加腐蚀箔的比表面积,而增加腐蚀箔的比表面积通常是将含有立方织构的铝箔放入高温的酸溶液体系中进行电化学腐蚀。然而,在传统的电极箔研发过程中,经过在酸中电解腐蚀后得到的腐蚀箔往往要进行化成处理,才能确定出该腐蚀箔的比容。
化成处理过程将耗费较长的时间,会降低腐蚀箔的开发效率,此外,化成处理还需要消耗大量的有机酸或无机酸等化学药品以及电能,同时会产生大量的废液。
发明内容
鉴于上述问题,为了解决上述通过化成处理确定腐蚀箔的比容值耗费时间长、浪费化学药品、容易造成环境污染的问题,本发明实施例提出一种测定腐蚀箔比容值的方法。
为了解决上述问题,本发明实施例公开了一种测定腐蚀箔比容值的方法,包括:
获取数据集,其中,所述数据集包括:腐蚀箔的图像数据以及所述腐蚀箔的比容值;
从所述数据集中选取训练集对机器学习模型进行训练,以获得比容值确定模型;
获取待测比容值的腐蚀箔的图像,将所述图像输入至所述比容值确定模型,以获得所述待测比容值。
在此基础上,获取数据集,包括:
采集腐蚀箔的原始图像;
对所述原始图像的大小进行调整;
对调整后的原始图像进行归一化处理,以获得所述腐蚀箔的图像数据;
确定与所述图像数据对应的所述腐蚀箔的比容值,所述比容值通过对所述腐蚀箔进行化成处理测得。
在此基础上,所述数据集还包括:测试集,所述训练集和测试集通过对所述数据集按一定比例随机划分得到。
在此基础上,所述机器学习模型包括卷积神经网络;
从所述数据集中选取训练集对机器学习模型进行训练,以获得比容值确定模型,包括:
利用深度学习框架搭建卷积神经网络,对所述卷积神经网络的参数进行配置;
编译所述卷积神经网络;
定义回调函数,所述回调函数用于调整卷积神经网络在训练过程中的学习率;
采用所述训练集对所述卷积神经网络进行训练;
采用所述测试集对训练好的卷积神经网络进行检验和评估;
将通过所述检验和评估的卷积神经网络作为比容值确定模型。
在此基础上,所述卷积神经网络包括一个或多个卷积层、一个或多个池化层,一个或多个激活函数层,一个或多个批归一化层,一个展平层,一个或多个全连接层。
在此基础上,所述卷积神经网络包括依次连接的:
第一卷积层、第一激活函数层、第一批归一化层、第一池化层、第二卷积层、第二激活函数层、第二批归一化层、第二池化层、第三卷积层、第三激活函数层、第三批归一化层、第四卷积层、第四激活函数层、第四批归一化层、展平层、第一全连接层、第五激活函数层、第五批归一化层、第二全连接层和第六激活函数层。
在此基础上,所述卷积层包括如下参数:卷积核数量、卷积核大小和卷积步长;
所述池化层包括如下参数:池化窗口大小和池化步长;
所述激活函数层可以包括但不限于如下种类激活函数:relu、swish、mish或selu;
所述层与层之间的连接还包括权重,所述权重包括如下参数:权重正则化器和权重正则化系数。
在此基础上,编译所述卷积神经网络,包括:
选择损失函数、优化器、学习率和评价函数,对建立的所述卷积神经网络进行配置。
在此基础上,所述损失函数为:mse或mae;
所述优化器为:SGD或RMSprop或Adam或Adamax或Nadam;
所述学习率为:0.001-0.1;
所述评价函数为:mae。
在此基础上,从所述数据集中随机划分80%作为训练集,其余的20%作为测试集。
通过本方法可以对腐蚀箔的图像数据进行分析,并建立起腐蚀箔图像数据与腐蚀箔比容值之间的数学模型,然后利用建立起的数学模型通过腐蚀箔的图像数据来测定出腐蚀箔的比容值。这样经过在酸中电解腐蚀后得到的腐蚀箔不需要再经过化成处理,而仅仅使用腐蚀箔的图像就能快速地测定出该腐蚀箔比容值。这不仅大大提高腐蚀箔的开发效率,还节省了大量的化学药品、电能以及化成设备,同时无废液排放,对环境友好。
附图说明
图1为本发明具体实施方式提供的一种测定腐蚀箔比容值的方法的流程图;
图2为本发明具体实施方式提供的一种获取数据集的方法的流程图;
图3为本发明具体实施方式提供的一种训练机器学习模型获得比容值确定模型的方法的流程图;
图4为本发明具体实施方式提供的一种卷积神经网络的搭建结构图;
图5为本发明具体实施方式提供的预测值和真实值之间的相对误差图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明具体实施方式提供的一种测定腐蚀箔比容值的方法的流程图。参考图1,包括如下步骤:
S1、获取数据集。
在具体实现中,数据集包括:腐蚀箔的图像数据以及腐蚀箔的比容值。
其中,腐蚀箔是一种高纯铝箔(纯度高达99.9%以上)。腐蚀箔通过将光箔表面经过腐蚀处理,扩大其有效面积后获得。光箔是一种未经腐蚀处理的高纯铝光箔,具有银白色光泽。
腐蚀箔是电子材料的典型代表,其过程融合了机械、电子、化工、金属材料制等多门学科和技术。光箔表面腐蚀处理及再氧化处理后就成为电极用箔(成箔),电极箔是铝电解电容器的关键原材料,电极箔占到铝电解电容器成本构成的60-70%,具有非常高的附加值。
一般的,可以通过相机等方式采集一系列腐蚀箔样品的图像,作为腐蚀箔的原始图像。通过对原始图像进行旋转、剪切等处理,获得腐蚀箔的图像数据。
一般的,对采集图像后的腐蚀箔样品按照传统的化成方法进行化成处理。即在腐蚀箔的表面利用阳极氧化处理使其表面产生铝氧化膜,经过化成处理的腐蚀箔也可以叫做化成箔。测量化成箔的比容值,作为该腐蚀箔样品的比容值。
关联同一个腐蚀箔样品的图像数据和比容值,作为数据集中的一对样本数据。
一般的,数据集还包括:测试集。训练集和测试集通过对数据集按一定比例随机划分得到。
训练集包括从数据集中确定的一定数量的图像数据,以及与图像数据对应的比容值,图像数据从训练集中随机选取。
测试集为数据集中除训练集以外的图像数据,以及图像数据对应的比容值。
具体的,训练集可以占数据集的80%,测试集可以设置为占所述数据集的20%。
图2为本发明具体实施方式提供的一种获取数据集的方法的流程图。参考图2,获取数据集的步骤可以包括如下步骤:
S101、采集腐蚀箔的原始图像。
腐蚀箔的原始图像可以通过相机、摄像设备等方式获得。
S102、对所述原始图像的大小进行调整。
由于腐蚀箔的原始图像是通过相机或者摄像设备获取的,会导致原始图像中包括无关信息。如果摄像设备或者相机是人工手持,那么还可能出现腐蚀箔的比例变动等问题,因此需要对腐蚀箔的原始图像进行调整。
具体的,从原始图像中裁剪出腐蚀箔的部分图像,对部分图像的大小进行调整,可以将部分图像的大小均调整为227×227。
具体的,可以使用图像处理库对部分图像的大小进行调整。
S103、对调整后的原始图像进行归一化处理,以获得所述腐蚀箔的图像数据。
对原始图像的大小进行调整后,为了方便后续计算还需要对其进行归一化处理,以获得调整后图像的归一化值。归一化值的范围在-1到1之间。可以采用如下的归一化公式:
XX=X/127.5-1
其中,X为调整为227×227的腐蚀箔的图像,XX为腐蚀箔原始图像对应的归一化值,也就是腐蚀箔的图像数据。
S104、确定与所述图像数据对应的所述腐蚀箔的比容值。
一般的,通过化成设备、消耗有机酸或无机酸等化学药品和电能后,可以对腐蚀箔进行化成处理。
对进行化成处理后的腐蚀箔进行比容值的测量。将测量获得的比容值与该腐蚀箔的图像数据相关联。
S2、从所述数据集中选取训练集对机器学习模型进行训练,以获得比容值确定模型。
图3为本发明具体实施方式提供的一种训练机器学习模型获得比容值确定模型的方法的流程图,可以包括如下步骤:
S201、利用深度学习框架搭建卷积神经网络,对所述卷积神经网络的参数进行配置。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。在本方案中,希望通过学习腐蚀箔的图像数据与对应的比容值之间的内在联系,预测一个腐蚀箔的图像数据对应的比容值。
一般的,卷积神经网络包括输入层、隐含层和输出层。
输入层:卷积神经网络的输入层可以处理多维数据,常见地,一维卷积神经网络的输入层接收一维或二维数组,其中一维数组通常为时间或频谱采样;二维数组可能包含多个通道;二维卷积神经网络的输入层接收二维或三维数组;三维卷积神经网络的输入层接收四维数组。
隐含层:卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑,在一些更为现代的算法中可能有Inception模块、残差块(residual block)等复杂构筑。
输出层:卷积神经网络中输出层的上游通常是全连接层,因此其结构和工作原理与传统前馈神经网络中的输出层相同。对于图像分类问题,输出层使用逻辑函数或归一化指数函数(softmax function)输出分类标签。在物体识别(object detection)问题中,输出层可设计为输出物体的中心坐标、大小和分类。在图像语义分割中,输出层直接输出每个像素的分类结果。
S202、编译所述卷积神经网络。
编译神经网络是指选择损失函数、优化器和学习率以及评价函数,对建立的卷积神经网络进行配置。
其中,损失函数:损失函数是模型优化的目标,又叫目标函数、优化评分函数,是在训练过程中需要最小化的量,因此,它能够衡量当前任务是否已成功解决。
优化器:优化器决定如何基于损失函数对网络进行更新,即它是使用损失梯度更新参数的具体方式。它执行的是随机梯度下降(SGD)的某个变体。优化器的选择在深度学习训练中有着极其重要的作用,关系着训练能否快速收敛并取得较高的准确率和召回率。常用的优化器有:SGD,RMSprop,Adagrad,Adadelta,Adam等。
学习率:是监督学习以及深度学习中重要的超参数,其决定着目标函数能否收敛到全局最优点以及何时收敛到最优点。合适的学习率能够使目标函数在合适的时间内收敛到全局最优点。学习率如果过大,可能会使损失函数直接越过全局最优点,会在最优解附近震荡,学习率如果过小,损失函数的变化速度很慢,会大大增加网络的收敛复杂度,并且很容易被困在局部最小值或者鞍点。
评价函数:评价函数用于评估当前训练模型的性能,评价函数和损失函数相似,只不过评价函数的结果不会用于训练过程中。
将腐蚀箔的图像数据输入搭建好的卷积神经网络,卷积神经网络对图像数据进行处理后,会输出一个数值,可以将其称为模型输出。
编译是指对卷积神经网络的学习过程进行配置,并确定其内部细节。
具体的,编译过程中所选损失函数为mse或mae。所选优化器为SGD、RMSprop、Adam、Adamax、Nadam中的一种。所选初始学习率为0.001-0.1。所选评价函数为mae。
S203、定义回调函数,所述回调函数用于调整卷积神经网络在训练过程中的学习率。
回调函数:回调函数是一个函数的合集,会在训练的阶段中所使用,可以使用回调函数来查看训练模型的内在状态和统计。
具体的,学习率衰减系数设置为0.8-0.99,根据学习率衰减系数定义学习率随训练步数衰减的回调函数。
S204、使用所述训练集对所述卷积神经网络进行训练。
训练是指通过调整卷积神经网络的参数,使得卷积神经网络的输出可以达到预设目的。
具体的,可以判断模型输出与真实对应的比容值之间的误差是否超过误差阈值。如果超过,则继续使用所述训练集对所述卷积神经网络进行训练;如果未超过,则采用所述测试集对训练好的卷积神经网络进行检验和评估。
其中,如果误差较大,说明模型本体对腐蚀箔的图像数据的预测还不准确,需要对模型本体的参数进行修改;如果误差较小,说明模型本体对腐蚀箔的图像数据的预测较为准确,可以将模型本体作为比容值确定模型输出。
S205、采用所述测试集对训练好的卷积神经网络进行检验和评估。
使用测试集对训练好的卷积神经网络进行验证。
通过比容的预测值和真实值计算相对误差,对比容值确定模型的泛化性能进行检验和评估。
S206、将通过所述检验和评估的卷积神经网络作为比容值确定模型。
如果训练好的卷积神经网络可以通过测试集的测试,则说明该卷积神经网络符合测定腐蚀箔比容值的需求,因此可以将通过所述检验和评估的卷积神经网络作为比容值确定模型。
S3、获取待测比容值的腐蚀箔的图像,将所述图像输入至所述比容值确定模型,以获得所述待测比容值。
其中,比容值确定模型的输出结果即为待测比容值的腐蚀箔的比容值。
将腐蚀箔的图像数据输入训练好的比容值确定模型中,比容值确定模型对图像数据进行处理,最终获得待测比容值的腐蚀箔图像数据对应的比容值。
通过本方法可以对腐蚀箔的图像数据进行分析,并建立起腐蚀箔图像数据与腐蚀箔比容值之间的数学模型,然后利用建立起的数学模型通过腐蚀箔的图像数据来测定出腐蚀箔的比容值。这样经过在酸中电解腐蚀后得到的腐蚀箔不需要再经过化成处理,而仅仅使用腐蚀箔的图像就能快速地测定出该腐蚀箔比容值。这不仅大大提高腐蚀箔的开发效率,还节省了大量的化学药品、电能以及化成设备,同时无废液排放,对环境友好。
在上述实施例的基础上,机器学习模型包括模型本体,模型本体包括卷积神经网络。卷积神经网络包括一个或多个卷积层、一个或多个池化层,一个或多个激活函数层,一个或多个批归一化层,一个或多个展平层,一个或多个全连接层。
卷积神经网络在人工神经网络中引入卷积结构,通过局部权重共享的方法,一方面可以减小计算量,另一方面可以抽取更加抽象的特征。
在具体实现中,卷积神经网络包括输入层、一个或多个卷积层、一个或多个采样层、输出层。
卷积神经网络的每一层一般由多个map组成,每个map由多个神经单元组成,同一个map的所有神经单元共用一个卷积核(即权重),卷积核往往代表一个特征,比如某个卷积核代表一段弧,那么把这个卷积核在整个图片上滚一下,卷积值较大的区域就很有可能是一段弧。
卷积层(CONV):卷积层的输入要么来源于输入层,要么来源于池化层,卷积层的每一个map都有一个大小相同的卷积核。
池化层(MAXPOOL):池化层是对上一层map的一个采样处理,采样方式是对上一层map的相邻小区域进行聚合统计。
激活函数层(ACT):将非线性特性引入到卷积神经网络中。
在一具体实施方式中,图4为本发明具体实施方式提供的一种卷积神经网络的搭建结构图,如图4所示,本实施例提供一种卷积神经网络的搭建方式,包括依次连接的第一卷积层、第一激活函数层、第一批归一化层、第一池化层、第二卷积层、第二激活函数层、第二批归一化层、第二池化层、第三卷积层、第三激活函数层、第三批归一化层、第四卷积层、第四激活函数层、第四批归一化层、展平层、第一全连接层、第五激活函数层、第五批归一化层、第二全连接层和第六激活函数层。
其中,卷积层包括如下参数:卷积核数量、卷积核大小和卷积步长。具体的,所选卷积步长为2×2或4×4。所选卷积核数量为64-512之间的整数。所选卷积核大小为1×1或3×3或5×5或7×7。
池化层包括如下参数:池化窗口大小、池化步长。具体的,所选池化窗口大小设置为2×2,所选池化步长为2×2。
激活函数层可以包括但不限于如下种类激活函数:relu、swish、mish或selu;
层与层之间的连接还包括权重,权重包括如下参数:权重正则化器和权重正则化系数。具体的,正则化器为l1或l2或l1_l2正则化器。所选正则化系数选择为0.0001-0.001。
设置学习率衰减系数为0.8-0.99,根据学习率衰减系数定义学习率随训练步数衰减的回调函数。
选择批量大小为128-512、训练步数1000-10000,最后传入定义好的回调函数,启动训练,以获得比容值确定模型。
图5为本发明具体实施方式提供的预测值和真实值之间的相对误差图。使用测试集对比容值确定模型进行验证。通过计算比容的预测值和真实值之间的相对误差,对比容值确定模型的泛化性能进行检验和评估,获得如图5所示的相对误差图。
由图5可知,比容值的预测值和真实值的相对误差总体上维持在1%以下,这说明所建立的比容值确定模型具有很强的泛化性能,同时也说明基于卷积神经网算法腐蚀箔比容快速测定方法具备可行性,能通过腐蚀箔样品的图像快速测定出其比容值,大大加快了腐蚀箔的开发效率。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
虽然,上文中已经用一般性说明、具体实施方式及试验,对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种测定腐蚀箔比容值的方法,其特征在于,包括:
获取数据集,其中,所述数据集包括:腐蚀箔的图像数据以及所述腐蚀箔的比容值;
从所述数据集中选取训练集对机器学习模型进行训练,以获得比容值确定模型;
获取待测比容值的腐蚀箔的图像,将所述图像输入至所述比容值确定模型,以获得所述待测比容值。
2.根据权利要求1所述的方法,其特征在于,获取数据集,包括:
采集腐蚀箔的原始图像;
对所述原始图像的大小进行调整;
对调整后的原始图像进行归一化处理,以获得所述腐蚀箔的图像数据;
确定与所述图像数据对应的所述腐蚀箔的比容值,所述比容值通过对所述腐蚀箔进行化成处理测得。
3.根据权利要求2所述的方法,其特征在于,所述数据集还包括:测试集,所述训练集和测试集通过对所述数据集按一定比例随机划分得到。
4.根据权利要求3所述的方法,其特征在于,所述机器学习模型包括卷积神经网络;
从所述数据集中选取训练集对机器学习模型进行训练,以获得比容值确定模型,包括:
利用深度学习框架搭建卷积神经网络,对所述卷积神经网络的参数进行配置;
编译所述卷积神经网络;
定义回调函数,所述回调函数用于调整卷积神经网络在训练过程中的学习率;
采用所述训练集对所述卷积神经网络进行训练;
采用所述测试集对训练好的卷积神经网络进行检验和评估;
将通过所述检验和评估的卷积神经网络作为比容值确定模型。
5.根据权利要求4所述的方法,其特征在于,
所述卷积神经网络包括一个或多个卷积层、一个或多个池化层,一个或多个激活函数层,一个或多个批归一化层,一个展平层,一个或多个全连接层。
6.根据权利要求5所述的方法,其特征在于,所述卷积神经网络包括依次连接的:
第一卷积层、第一激活函数层、第一批归一化层、第一池化层、第二卷积层、第二激活函数层、第二批归一化层、第二池化层、第三卷积层、第三激活函数层、第三批归一化层、第四卷积层、第四激活函数层、第四批归一化层、展平层、第一全连接层、第五激活函数层、第五批归一化层、第二全连接层和第六激活函数层。
7.根据权利要求5所述的方法,其特征在于,
所述卷积层包括如下参数:卷积核数量、卷积核大小和卷积步长;
所述池化层包括如下参数:池化窗口大小和池化步长;
所述激活函数层包括如下种类激活函数:relu、swish、mish或selu;
所述层与层之间的连接还包括权重,所述权重包括如下参数:权重正则化器和权重正则化系数。
8.根据权利要求4所述的方法,其特征在于,编译所述卷积神经网络,包括:
选择损失函数、优化器、学习率和评价函数,对建立的所述卷积神经网络进行配置。
9.根据权利要求8所述的方法,其特征在于,
所述损失函数为:mse或mae;
所述优化器为:SGD或RMSprop或Adam或Adamax或Nadam;
所述学习率为:0.001-0.1;
所述评价函数为:mae。
10.根据权利要求3所述的方法,其特征在于,从所述数据集中随机划分80%作为训练集,其余的20%作为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525739.XA CN111814831A (zh) | 2020-06-10 | 2020-06-10 | 一种测定腐蚀箔比容值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525739.XA CN111814831A (zh) | 2020-06-10 | 2020-06-10 | 一种测定腐蚀箔比容值的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814831A true CN111814831A (zh) | 2020-10-23 |
Family
ID=72844847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010525739.XA Pending CN111814831A (zh) | 2020-06-10 | 2020-06-10 | 一种测定腐蚀箔比容值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814831A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001291646A (ja) * | 2000-04-04 | 2001-10-19 | Nippon Chemicon Corp | 電解コンデンサ用アルミニウム電極箔及びその製造方法 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109884106A (zh) * | 2019-03-11 | 2019-06-14 | 西安石油大学 | 一种快速铝电解电容器阳极腐蚀箔蚀孔分析方法 |
CN109961465A (zh) * | 2017-12-21 | 2019-07-02 | 东莞东阳光科研发有限公司 | 一种基于多重分形的腐蚀箔表面隧道孔均匀性表征方法 |
CN110009632A (zh) * | 2019-04-17 | 2019-07-12 | 国网重庆市电力公司电力科学研究院 | 一种金属腐蚀状态的评估方法、装置和设备 |
CN110298321A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像分类的道路阻断信息提取 |
-
2020
- 2020-06-10 CN CN202010525739.XA patent/CN111814831A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001291646A (ja) * | 2000-04-04 | 2001-10-19 | Nippon Chemicon Corp | 電解コンデンサ用アルミニウム電極箔及びその製造方法 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN109961465A (zh) * | 2017-12-21 | 2019-07-02 | 东莞东阳光科研发有限公司 | 一种基于多重分形的腐蚀箔表面隧道孔均匀性表征方法 |
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109884106A (zh) * | 2019-03-11 | 2019-06-14 | 西安石油大学 | 一种快速铝电解电容器阳极腐蚀箔蚀孔分析方法 |
CN110009632A (zh) * | 2019-04-17 | 2019-07-12 | 国网重庆市电力公司电力科学研究院 | 一种金属腐蚀状态的评估方法、装置和设备 |
CN110298321A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像分类的道路阻断信息提取 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN108647718B (zh) | 一种不同材料金相组织自动分类评级的方法 | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN108765506A (zh) | 基于逐层网络二值化的压缩方法 | |
Ning et al. | Enhanced spectrum convolutional neural architecture: An intelligent leak detection method for gas pipeline | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
EP3767551A1 (en) | Inspection system, image recognition system, recognition system, discriminator generation system, and learning data generation device | |
CN113670616B (zh) | 一种轴承性能退化状态检测方法及系统 | |
CN115580445A (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN114205766A (zh) | 一种无线传感器网络异常节点检测与定位方法 | |
CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
CN111814831A (zh) | 一种测定腐蚀箔比容值的方法 | |
Bahri et al. | Time series forecasting using smoothing ensemble empirical mode decomposition and machine learning techniques | |
CN117132827A (zh) | 基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法 | |
CN114998222A (zh) | 汽车差速器壳体表面检测方法、电子设备及介质 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN115374931A (zh) | 一种基于元对抗训练的深度神经网络鲁棒性增强方法 | |
Alqahtani et al. | Feature extraction and neural network-based fatigue damage detection and classification | |
CN114022812B (zh) | 一种基于轻量化SSD的DeepSort水面漂浮物多目标跟踪方法 | |
Zhou et al. | Internal Defect Identification of Arc Magnets Based on a Deep Residual Network Combined with GRU and SqueezeNet | |
CN115482215B (zh) | 一种适用于pcb板真假缺陷的识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |