CN114539586B - 一种聚合物膜的表面处理生产和检测工艺 - Google Patents

一种聚合物膜的表面处理生产和检测工艺 Download PDF

Info

Publication number
CN114539586B
CN114539586B CN202210448733.6A CN202210448733A CN114539586B CN 114539586 B CN114539586 B CN 114539586B CN 202210448733 A CN202210448733 A CN 202210448733A CN 114539586 B CN114539586 B CN 114539586B
Authority
CN
China
Prior art keywords
modification
film
image
pet
ultraviolet
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.)
Active
Application number
CN202210448733.6A
Other languages
English (en)
Other versions
CN114539586A (zh
Inventor
李沅鸿
张启纲
樊鹏鹏
赵越超
蔡文彬
李海良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Yinjinda New Materials Co ltd
Original Assignee
Henan Yinjinda New Materials Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Yinjinda New Materials Co ltd filed Critical Henan Yinjinda New Materials Co ltd
Priority to CN202210448733.6A priority Critical patent/CN114539586B/zh
Publication of CN114539586A publication Critical patent/CN114539586A/zh
Application granted granted Critical
Publication of CN114539586B publication Critical patent/CN114539586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08J—WORKING-UP; GENERAL PROCESSES OF COMPOUNDING; AFTER-TREATMENT NOT COVERED BY SUBCLASSES C08B, C08C, C08F, C08G or C08H
    • C08J7/00—Chemical treatment or coating of shaped articles made of macromolecular substances
    • C08J7/04—Coating
    • C08J7/0427—Coating with only one layer of a composition containing a polymer binder
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
    • C09D129/00—Coating compositions based on homopolymers or copolymers of compounds having one or more unsaturated aliphatic radicals, each having only one carbon-to-carbon double bond, and at least one being terminated by an alcohol, ether, aldehydo, ketonic, acetal, or ketal radical; Coating compositions based on hydrolysed polymers of esters of unsaturated alcohols with saturated carboxylic acids; Coating compositions based on derivatives of such polymers
    • C09D129/02—Homopolymers or copolymers of unsaturated alcohols
    • C09D129/04—Polyvinyl alcohol; Partially hydrolysed homopolymers or copolymers of esters of unsaturated alcohols with saturated carboxylic acids
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
    • C09D7/00—Features of coating compositions, not provided for in group C09D5/00; Processes for incorporating ingredients in coating compositions
    • C09D7/40—Additives
    • C09D7/60—Additives non-macromolecular
    • C09D7/63—Additives non-macromolecular organic
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
    • C09D7/00—Features of coating compositions, not provided for in group C09D5/00; Processes for incorporating ingredients in coating compositions
    • C09D7/40—Additives
    • C09D7/65—Additives macromolecular
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08J—WORKING-UP; GENERAL PROCESSES OF COMPOUNDING; AFTER-TREATMENT NOT COVERED BY SUBCLASSES C08B, C08C, C08F, C08G or C08H
    • C08J2367/00—Characterised by the use of polyesters obtained by reactions forming a carboxylic ester link in the main chain; Derivatives of such polymers
    • C08J2367/02—Polyesters derived from dicarboxylic acids and dihydroxy compounds
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08J—WORKING-UP; GENERAL PROCESSES OF COMPOUNDING; AFTER-TREATMENT NOT COVERED BY SUBCLASSES C08B, C08C, C08F, C08G or C08H
    • C08J2429/00—Characterised by the use of homopolymers or copolymers of compounds having one or more unsaturated aliphatic radicals, each having only one carbon-to-carbon double bond, and at least one being terminated by an alcohol, ether, aldehydo, ketonic, acetal, or ketal radical; Hydrolysed polymers of esters of unsaturated alcohols with saturated carboxylic acids; Derivatives of such polymer
    • C08J2429/02—Homopolymers or copolymers of unsaturated alcohols
    • C08J2429/04—Polyvinyl alcohol; Partially hydrolysed homopolymers or copolymers of esters of unsaturated alcohols with saturated carboxylic acids
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08K—Use of inorganic or non-macromolecular organic substances as compounding ingredients
    • C08K3/00—Use of inorganic substances as compounding ingredients
    • C08K3/18—Oxygen-containing compounds, e.g. metal carbonyls
    • C08K3/20—Oxides; Hydroxides
    • C08K3/22—Oxides; Hydroxides of metals
    • C08K2003/2237—Oxides; Hydroxides of metals of titanium
    • C08K2003/2241—Titanium dioxide

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Materials Engineering (AREA)
  • Wood Science & Technology (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Polymers & Plastics (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种聚合物膜的表面处理生产工艺，包括：取10wt%聚乙烯醇、4wt%柠檬酸和2wt%分枝型聚乙烯亚胺各一份，与超纯水混合并搅拌至完全溶解，保持溶液PH∈[2.7，5.2]，温度保持120‑140°C进行10‑30min微波合成，调整溶液浓度后，制得15wt%改性液；将改性液喷涂在PET膜上，烘干后完成对PET膜的改性，得到超薄PET改性膜；对改性膜进行图像识别判别改性情况。由此，可获得紫外线阻隔率高、可见光透过率高的超薄PET膜。

Description

一种聚合物膜的表面处理生产和检测工艺
技术领域
本发明内容属于高分子材料领域，特别涉及一种对于PET薄膜表面处理的方法。
背景技术
聚酯(聚对苯二甲酸乙二酯，英文名：polyethylene terepHth-alate)简称PET，俗称涤纶，是由对苯二甲酸(PTA)和乙二醇(EG)通过酯化、缩聚反应生成的线性高分子材料。由于其物理、化学和机械特性优异，在现代化工产业中得到广泛应用，是如纤维纺丝、聚酯薄膜、聚酯瓶、工程塑料、涂料以及粘合剂等化工产品的基础材料。聚酯由于其可纺性好、耐皱、挺括、易洗，而且价格适宜的特点，最初被广泛应用于纤维行业。随着技术的进步和工业领域需求的扩展，聚酯材料逐渐应用于聚酯薄膜、聚酯瓶、工程塑料、涂料以及粘合剂等工业非纤维应用领域，成为现代聚酯进一步发展的新阶段。聚酯的非纤维领域应用的需求对聚酯材料的性能提出了更高的要求，常规的聚酯已经不能满足需要，必须研发改性聚酯产品。而改性可以分为涂层改性、共聚改性、共混改性等方式。
虽然涂层改性操作方便，且适用范围广，但涂层改性存在与基膜结合性较差，容易出现层间剥离的问题。特别是对于超薄PET膜而言，与PET膜的结合性以及涂层改性后的厚度是需要重点关注的问题。
此外，对于PET膜的改性其中一个目的是实现对于紫外线的高阻隔，但通常的改性方式和组分在阻挡紫外线的同时也影响了可见光的穿透率，且在400nm处阻挡效果不佳。因此对于此类改性也需要进一步优化。
除此之外，聚酯材料纳米粒子的表面改性使纳米粒子表面的活性羟基和不饱和悬空键与改性剂分子反应结合，降低纳米粒子的表面结合能，实现纳米粒子的分离。改性后需要通过一定方法测试改性材料的性能及其对应的改性条件。传统方法以亲油化度作为评价改性效果的重要指标：将经过表面处理后的纳米材料颗粒置于50mL蒸馏水中，再滴加甲醇，当漂浮于水面上的粉体完全润湿时，记下甲醇的加入量a，即可计算亲油化度=[a／(a+50)]*100％。通过传统方法进行表面改性效果进行检测与测试，需要将材料与特定检测试剂进行混合，操作较为复杂，并对材料本身造成不可逆损伤。而且这些检测方法通常只适用于抽检或实验室检测，并不适合生产线大规模在线检测。
发明内容
为了解决上述一个或多个问题，提出
一种聚合物膜的表面处理生产和检测工艺，
改性液制备：取10wt%聚乙烯醇、4wt%柠檬酸和2wt%分枝型聚乙烯亚胺各一份，与超纯水混合，再加入二氧化硅、TiO2和聚乙二醇醚，其中聚乙烯醇、二氧化硅、TiO2和聚乙二醇醚的分子质量比为100：1：2：1，然后保持温度在90℃进行搅拌溶解，保持溶液pH∈[4.5，5.2]，温度保持120-140°C进行10-30min微波合成，调整溶液浓度后，制得15wt%改性液；
改性处理：将改性液喷涂在PET膜上，烘干后完成对PET膜的改性，得到超薄PET改性膜；
改性检测：
步骤1：采集PET改性膜的可见光图像实现PET改性膜的定位，定位完成后采集PET改性膜对应的紫外光图像，并对紫外光图像进行卷积预处理；
所述卷积预处理的卷积核为：
Figure DEST_PATH_IMAGE002
步骤2：进行紫外光图像分布特征的计算，并取前三个主要特征，从而将紫外图像映射为三个特征向量；
步骤3：将三个特征向量输入识别模型中进行判别，从而判断改性是否成功；
其中识别模型的激励函数采用：
Figure DEST_PATH_IMAGE004
参数
Figure DEST_PATH_IMAGE005
为控制参数。
温度保持135°C进行微波合成。
在改性后，对PET改性膜利用多波段光源进行照射。
在照射期间，先利用多模摄像机的可见光摄像模块拍摄一张照片，采用自动算法对聚酯材料区域进行粗定位；再利用紫外光摄像模块拍摄一张照片，截取其中的粗定位后的图像区域，并进行预处理。
Figure 775479DEST_PATH_IMAGE005
=1.3。
在照射时，应等待光源稳定。
等待时间为5-10秒。
本发明的发明点及技术效果：
1、通过优化改性液的组成及配比，使其与超薄PET基膜融合性更佳，且厚度可控，防止膜间剥离。同时，在拥有较高紫外线阻挡率的同时不影响可见光的透过率。此外，还可以扩展紫外光的阻挡范围在400nm处依然保持较高的阻挡率。
2、采用机器视觉方式，并设计了专门的算法和模型，能够快速、准确、便捷地进行改性效果的评估，特别适合生产线在线检测。特别地，通过可见光图像和紫外图像的双重处理，提高了检测的精度。并通过图像低维化处理，减轻了算法负担，使得其在生产线上的响应更快捷。
具体实施方式
（一）超薄PET膜表面改性方法
取10wt%聚乙烯醇、4wt%的柠檬酸和2wt%分枝型聚乙烯亚胺各一份与超纯水混合，再加入与聚乙烯醇的分子质量比为100：1：2：1的二氧化硅、TiO2和聚乙二醇醚，然后保持温度在90℃进行搅拌溶解，后保持溶液pH∈[2.7，5.2]，温度保持120-140°C进行10-30min微波合成，调整溶液浓度后，制得15wt%改性液。其中二氧化硅和TiO2的颗粒直径小于5μm，以避免造成光学性能的劣化。
通过上述成分浓度的配比，可保证改性液在涂覆后能够维持的40-90μm厚度。同时保证成膜后在可见光范围内具有80%以上的透光率，同时能够完全阻挡85%以上的紫外光，特别是能够对300nm-400nm范围的光进行有效阻拦。而弥补常规PET膜的不足。同时上述成分相容性较好，能够减少改性液喷涂后的不均匀性。
将改性液喷涂在PET膜上，烘干后完成对PET膜的改性。由此，可大大提高PET膜对于紫外光的阻挡率，同时维持较高的可见光透过率。
制备方式1：
取10wt%聚乙烯醇、4wt%的柠檬酸和2wt%分枝型聚乙烯亚胺各一份，再加入少量二氧化硅、TiO2和聚乙二醇醚；上述三种物质的添加量与聚乙烯醇分子的质量比为100：1：2：1，保持溶液pH=3.5，温度保持135°C进行20min微波合成，调整溶液浓度后，制得15wt%改性液。
经检测，成膜后的350nm紫外线吸收率90.5%，400nm紫外线吸收率87.3%，可见光的透过率88.5%。
制备方式2：
取10wt%聚乙烯醇、2wt%的柠檬酸和2wt%分枝型聚乙烯亚胺各一份，再加入少量二氧化硅、TiO2和聚乙二醇醚；上述三种物质的添加量与聚乙烯醇分子的质量比为100：1：1：1，保持溶液pH=4.5，温度保持130°C进行20min微波合成，调整溶液浓度后，制得15wt%改性液。
经检测，成膜后的350nm紫外线吸收率87.6%，400nm紫外线吸收率84.7%，可见光的透过率90.6%。
制备方式3：
取10wt%聚乙烯醇、8wt%的柠檬酸和0.8wt%分枝型聚乙烯亚胺各一份，再加入少量二氧化硅、TiO2和聚乙二醇醚；上述三种物质的添加量与聚乙烯醇分子的质量比为100：0.5：2：1，保持溶液pH=2.8，温度保持125°C进行30min微波合成，调整溶液浓度后，制得15wt%改性液。
经检测，成膜后的350nm紫外线吸收率88.6%，400nm紫外线吸收率86.3%，可见光的透过率84.5%。
制备方式4：
取15wt%聚乙烯醇、3wt%的柠檬酸和1wt%分枝型聚乙烯亚胺各一份，再加入少量二氧化硅、TiO2和聚乙二醇醚；上述三种物质的添加量与聚乙烯醇分子的质量比为100：1：2：2，保持溶液pH=5，温度保持140°C进行30min微波合成，调整溶液浓度后，制得15wt%改性液。
经检测，成膜后的350nm紫外线吸收率86.6%，400nm紫外线吸收率85%，可见光的透过率91.7%。
（二）改性效果检测方法
步骤1：利用多波段光源对待测PET薄膜进行图像采集、定位和预处理
利用装配在改性加工后的待检测PET聚酯材料上的特定波段光源对待检测聚酯材料进行照射；在照射期间，先利用多模摄像机的可见光摄像模块拍摄一张照片，采用自动算法对聚酯材料区域进行粗定位；再利用紫外光摄像模块拍摄一张照片，截取其中的粗定位后的图像区域，并进行预处理。
所述多波段的光源，指发光光谱在可见光范围和紫外光管范围的光源。该光源由多个点光源组成，均匀分布于待检测PET聚酯材料上方周围，以保证各个方向光强均匀，减少光源噪声对检测的影响。
所述多模摄像机，指由一个可见光摄像模块与一个紫外光摄像模块组成的摄像机，每个摄像模块具有可采集相应光谱频段的独立的感光元件，且两个摄像模块的光轴与采集图像区域近似重叠。
S1.1 将待检测聚酯材料布置于暗室中由低可见光反射度材料制作的水平平台上，并将多光谱光源布置于待检测聚酯材料上方周围，将多模摄像机布置于待检测聚酯材料上方中央并竖直向下捕捉图像。
S1.2 将多光谱光源开启，待光源稳定后（等待5-10秒），开启可见光摄像模块捕捉一幅图像I。
取图像I像素灰度值为8位灰度，故每个像素p的像素值取值范围为0-255；每个像 素p在图像中有一图像坐标
Figure DEST_PATH_IMAGE006
，其坐标的取值范围分别为图像的大小X, Y，即
Figure DEST_PATH_IMAGE007
，
Figure DEST_PATH_IMAGE008
。
记图像中像素值最大的像素取值为
Figure DEST_PATH_IMAGE009
，取
Figure DEST_PATH_IMAGE010
的所有像素，并记录这些 像素x、y坐标的最大与最小值
Figure DEST_PATH_IMAGE011
、
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
、
Figure DEST_PATH_IMAGE014
。
Figure DEST_PATH_IMAGE015
为一经验参数，作为优选取
Figure DEST_PATH_IMAGE016
。
取图像I的子图
Figure DEST_PATH_IMAGE017
，其矩形区域的四个顶点在原图像I的坐标分别为
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
；取该子图区域作为下一步骤的检测区域。通过可 见光摄像并检测图像中的PET聚酯材料位置，实现对聚酯材料的定位，可去除大部分图像中 与PET聚酯材料无关的像素，提高检测的性能。
S1.3 可见光摄像模块捕捉一幅图像，并获得子图的区域后，开启紫外摄像模块捕捉一幅图像I’。
步骤S1.2中，虽然改性后的聚酯材料具备反射可见光的特性，可以作为改性聚酯材料的一项特征，但该反射特性同样使聚酯材料在可见光图像中的光强分布随机性较强，难以提取统一的识别特征；而聚酯材料对紫外波段显著的吸收特性能够提供在紫外图像中一致的分布特征，当多光谱光源发出紫外频段光照时，相应频段的部分光被吸收，该变化反映在紫外图像中，故采用紫外图像可以有效识别改性聚酯材料。
根据步骤S1.2中所获得的子图区域的坐标，在紫外图像I’中获取范围在
Figure 129843DEST_PATH_IMAGE018
、
Figure 123207DEST_PATH_IMAGE019
、
Figure 815220DEST_PATH_IMAGE020
、
Figure 552232DEST_PATH_IMAGE021
内的子图像
Figure 75617DEST_PATH_IMAGE017
’，并对
Figure 505461DEST_PATH_IMAGE017
’按照如下方 法进行预处理：
Figure DEST_PATH_IMAGE023
其中
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE026
表示卷积符号，即卷积核的每一个元素与图像对应位置像素的乘积之和。
模板(2)是用于平滑噪声并保持图像信号结构的类高斯卷积核，与经典高斯卷积核相比，本文提出的卷积核在本应用下能够去除噪声，并更加符合待检测聚酯材料紫外反射分布情形，因此具有更好的检测性能。
步骤2进行PET聚酯材料图像分布特征的计算
根据预处理后的聚酯材料的子图中像素的取值计算特征矩阵，并以此特征矩阵作为聚酯材料改性效果的测量单位。
一张按步骤1所述方法预处理后的聚酯材料的紫外子图
Figure DEST_PATH_IMAGE027
，对应于唯一的图像分 布特征，该特征为一个
Figure DEST_PATH_IMAGE028
的矩阵
Figure DEST_PATH_IMAGE029
，矩阵
Figure 560136DEST_PATH_IMAGE029
的第一行为子图
Figure 835259DEST_PATH_IMAGE027
中像素取值的分布，矩阵
Figure 478730DEST_PATH_IMAGE029
的第二行为与第一行相应位置对应的像素x坐标的平均值，矩阵
Figure 751580DEST_PATH_IMAGE029
的第三行为与第一行相 应位置对应的像素y坐标的平均值。其计算方法如下：
设
Figure 480501DEST_PATH_IMAGE027
的尺寸为
Figure DEST_PATH_IMAGE030
，像素值的范围为0-255，设置三个向量
Figure DEST_PATH_IMAGE031
、
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
。将
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE035
、
Figure DEST_PATH_IMAGE036
的所有元素初始化为0.
对于
Figure 431752DEST_PATH_IMAGE027
按照逐像素进行遍历：对于一个像素
Figure DEST_PATH_IMAGE037
，其在
Figure 867413DEST_PATH_IMAGE027
中的位置为
Figure DEST_PATH_IMAGE038
，其取值
Figure DEST_PATH_IMAGE039
，则
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
，
Figure DEST_PATH_IMAGE042
。
遍历完成后，对于
Figure 576743DEST_PATH_IMAGE035
、
Figure 465065DEST_PATH_IMAGE036
的每个非零元素，进行归一化如下：
Figure DEST_PATH_IMAGE044
根据式(3)计算后的
Figure 347570DEST_PATH_IMAGE034
、
Figure 637737DEST_PATH_IMAGE035
、
Figure 580285DEST_PATH_IMAGE036
分别作为特征矩阵
Figure 18220DEST_PATH_IMAGE029
的三行。
将聚酯材料图像映射到维数更低的特征矩阵中，可以进一步提高自动检测的性能，响应速度更快，算法负担较小。
步骤3建立识别模型
所述根据聚酯材料图像的特征矩阵检测改性效果的方法，采集改性前后聚酯材料图像的样本，并建立聚酯材料图像特征矩阵的识别模型，将样本按步骤1、步骤2所述方法提取特征矩阵后输入识别模型，训练模型的参数；将训练后的模型用于检测新的待检测样本的改性效果。
所述识别模型，是以聚酯材料图像特征矩阵为输入，图像所对应的材料是否改性为输出的非线性模型；如果输入的是改性前的聚酯材料的图像，则对应的模型输出值为0，如果输入的是改性后的期望的聚酯材料的图像，则对应的模型输出值为1。将训练样本中图像的特征矩阵、改性代码（即0/1）代入模型，并采用优化方法求取使训练样本达到最优状态的模型的参数，即为完成模型训练。
所述优化方法，指求取非线性模型最优解或局部最优解的数学方法。通过优化方法求取模型对改性前后聚酯图像特征的最优响应，从而使模型具备检测图像改性状态的能力。
所述识别模型构造如下。
模型的输入为步骤2所述特征矩阵
Figure DEST_PATH_IMAGE045
，其中
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE047
。
定义：
Figure DEST_PATH_IMAGE049
其中，
Figure DEST_PATH_IMAGE050
表示在特征矩阵
Figure 314203DEST_PATH_IMAGE029
的行方向上的偏移量，
Figure DEST_PATH_IMAGE051
，
Figure DEST_PATH_IMAGE052
表示特征 矩阵第一行以i为中心、偏移
Figure 682647DEST_PATH_IMAGE050
个坐标所对应的值，本例中为9个值，即
Figure DEST_PATH_IMAGE053
、
Figure DEST_PATH_IMAGE054
、
Figure DEST_PATH_IMAGE055
、
Figure DEST_PATH_IMAGE056
、
Figure DEST_PATH_IMAGE057
。
Figure DEST_PATH_IMAGE058
表示与
Figure 609146DEST_PATH_IMAGE052
所对应的线性权重。
Figure DEST_PATH_IMAGE059
表示线性偏置参 数。
式中“左箭头”符号表示将箭头右侧的计算结果值依次赋给箭头左侧的向量元素， 元素在向量中的序数为
Figure DEST_PATH_IMAGE060
。以式(4)为例，
Figure DEST_PATH_IMAGE061
表示向量
Figure DEST_PATH_IMAGE062
的第i个元素。
Figure DEST_PATH_IMAGE063
为一非线性函数，定义如下：
Figure DEST_PATH_IMAGE065
参数
Figure 409742DEST_PATH_IMAGE005
为控制参数，用于控制非线性函数输出值随输入值的变化速度，优选
Figure 634050DEST_PATH_IMAGE005
= 1.3。
Figure DEST_PATH_IMAGE066
表示反正切三角函数。该函数
Figure DEST_PATH_IMAGE067
的作用是使识别模型能够对非线性映射 进行建模，同时能够更好抵抗数据噪声干扰。
通过式(4)定义特征矩阵第一行的线性、非线性特征描述参数，提取与该部分特征相关的线性、非线性特征量。这些特征量描述了聚酯材料图像中的灰度（即像素取值）特征，并用以区分聚酯材料改性的状态。
相似的，定义：
Figure DEST_PATH_IMAGE069
其中，
Figure 633230DEST_PATH_IMAGE050
表示在特征矩阵
Figure 852335DEST_PATH_IMAGE029
的行方向上的偏移量，
Figure DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE071
表示特征 矩阵第二行以i为中心、偏移
Figure 264861DEST_PATH_IMAGE050
个坐标所对应的值。
Figure DEST_PATH_IMAGE072
表示与
Figure 230543DEST_PATH_IMAGE071
所对应的线性权 重。
Figure 412126DEST_PATH_IMAGE059
表示线性偏置参数，与式(4)相同。
Figure 539482DEST_PATH_IMAGE063
为式(5)定义的非线性函数.
通过式(6)定义特征矩阵第二行的线性、非线性特征描述参数，提取与该部分特征相关的线性、非线性特征量。这些特征量描述了聚酯材料图像中x方向上的空间分布特征，并用以区分聚酯材料改性的状态。
相似的，定义：
Figure DEST_PATH_IMAGE074
其中，
Figure 439305DEST_PATH_IMAGE050
表示在特征矩阵
Figure 943099DEST_PATH_IMAGE029
的行方向上的偏移量，
Figure 244767DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE075
表示特征 矩阵第三行以i为中心、偏移
Figure 605341DEST_PATH_IMAGE050
个坐标所对应的值。
Figure DEST_PATH_IMAGE076
表示与
Figure 930143DEST_PATH_IMAGE075
所对应的线性权 值。
Figure 299945DEST_PATH_IMAGE059
表示线性偏置参数，与式(4)相同。
Figure 128223DEST_PATH_IMAGE063
为式(5)定义的非线性函数.
通过式(7)定义特征矩阵第三行的线性、非线性特征描述参数，提取与该部分特征相关的线性、非线性特征量。这些特征量描述了聚酯材料图像中y方向上的空间分布特征，并用以区分聚酯材料改性的状态。
根据式(4)、(6)、(7)，可以依次计算获得三个向量
Figure 925278DEST_PATH_IMAGE061
、
Figure DEST_PATH_IMAGE077
、
Figure DEST_PATH_IMAGE078
，并进行下一 步建模。
进一步的，定义：
Figure DEST_PATH_IMAGE079
其中，j=1，2，3表示向量的下标，对应于式(4)、(6)、(7)的输出值；i表示向量
Figure DEST_PATH_IMAGE080
的 元素坐标，
Figure DEST_PATH_IMAGE081
表示向量
Figure 409480DEST_PATH_IMAGE080
的第i个元素；
Figure DEST_PATH_IMAGE082
表示与
Figure 582973DEST_PATH_IMAGE081
对应的线性权值，
Figure DEST_PATH_IMAGE083
表示线性 偏置参数。
Figure 528407DEST_PATH_IMAGE063
为式(5)定义的非线性函数。
式(7)建立了特征矩阵的灰度特征、x方向空间特征、y方向空间特征之间的关系，描述了聚酯图像改性前后不同状态下的灰度、空间相关性。
根据前序步骤和式(8)，可以计算获得向量
Figure DEST_PATH_IMAGE084
，并进行下一步建模。
进一步的，定义：
Figure DEST_PATH_IMAGE086
上式中，i表示向量
Figure DEST_PATH_IMAGE087
的元素坐标，
Figure 434046DEST_PATH_IMAGE084
表示向量
Figure 467861DEST_PATH_IMAGE087
的第i个元素；
Figure DEST_PATH_IMAGE088
表示与
Figure 179466DEST_PATH_IMAGE084
对应的线性权值.
Figure DEST_PATH_IMAGE089
表示线性偏置参数。
Figure 920020DEST_PATH_IMAGE063
为式(5)定义的非线性函数。
根据前序步骤和式(9)，可以计算获得z，即为模型的输出。
给定T组样本，其中一半为改性前的聚酯材料图像，一半为改性后的聚酯材料的图 像，根据步骤1、2方法计算其所对应的特征矩阵，作为式(4)的输入，并根据式(4)-(9)计算z 值；将样本对应的改性结论（0或1）作为式(9)的输出的样本真实参考值
Figure DEST_PATH_IMAGE090
。通过计算下式获 得样本条件下的最优解，即完成对模型参数的计算。
Figure DEST_PATH_IMAGE092
其中，z、
Figure DEST_PATH_IMAGE093
表示的含义如前所述。0.1
Figure DEST_PATH_IMAGE094
为控制参数，有助于降低上述优化训 练过程中噪声的影响。作为优选，取
Figure DEST_PATH_IMAGE095
。可采用BP算法完成对式(10)的优化，迭代求 取式(4)、(6)、(7)、(8)、(9)中待定模型参数的值。
模型参数确定后，当给定一组新的待检测样本图像，将依据其求取的特征矩阵输入模型，并计算输出z值。如果z>0.95，则认为待检测的聚酯样本符合改性后的特征，认为其改性成功；否则，认为待检测的聚酯样本改性失败。
采用传统改性检测方法作为参照，验证本文所述聚酯材料样本检测的准确性。下表给出了本文所述方法的测试结果，其中，测试样本共1000份，采用亲油化度方法检测出正样本（即改性后的聚酯材料）为600份，负样本（即未改性的聚酯材料）为400份。根据对比测试结果，检测正确率为(593+397)/(600+400)*100%=99%。可见本发明方法可以有效检测出聚酯材料的改性效果，且更加便捷，适用于生产线在线操作。
Figure DEST_PATH_IMAGE097
本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (7)

1.一种聚合物膜的表面处理生产和检测工艺，其特征在于：
改性液制备：取10wt%聚乙烯醇、4wt%柠檬酸和2wt%分枝型聚乙烯亚胺各一份，与超纯水混合，再加入二氧化硅、TiO2和聚乙二醇醚，其中聚乙烯醇、二氧化硅、TiO2和聚乙二醇醚的分子质量比为100：1：2：1，然后保持温度在90℃进行搅拌溶解，保持溶液pH∈[4.5，5.2]，温度保持120-140°C进行10-30min微波合成，调整溶液浓度后，制得15wt%改性液；
改性处理：将改性液喷涂在PET膜上，烘干后完成对PET膜的改性，得到PET改性膜；
改性检测：
步骤1：采集PET改性膜的可见光图像实现PET改性膜的定位，定位完成后采集PET改性膜对应的紫外光图像，并对紫外光图像进行卷积预处理；
所述卷积预处理的卷积核为：
Figure 10342DEST_PATH_IMAGE001
步骤2：进行紫外光图像分布特征的计算，并取前三个主要特征，从而将紫外图像映射为三个特征向量；
步骤3：将三个特征向量输入识别模型中进行判别，从而判断改性是否成功；
其中识别模型的激励函数采用：
Figure 355873DEST_PATH_IMAGE002
参数
Figure 850439DEST_PATH_IMAGE003
为控制参数。
2.如权利要求1所述的工艺，其特征在于：温度保持135°C进行微波合成。
3.如权利要求1所述的工艺，其特征在于：在改性后，对PET改性膜利用多波段光源进行照射。
4.如权利要求1所述的工艺，其特征在于：在照射期间，先利用多模摄像机的可见光摄像模块拍摄一张照片，采用自动算法对聚酯材料区域进行粗定位；再利用紫外光摄像模块拍摄一张照片，截取其中的粗定位后的图像区域，并进行预处理。
5.如权利要求1所述的工艺，其特征在于：
Figure 851893DEST_PATH_IMAGE003
=1.3。
6.如权利要求3或4所述的工艺，其特征在于：在照射时，应等待光源稳定。
7.如权利要求6所述的工艺，其特征在于：等待时间为5-10秒。
CN202210448733.6A 2022-04-27 2022-04-27 一种聚合物膜的表面处理生产和检测工艺 Active CN114539586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210448733.6A CN114539586B (zh) 2022-04-27 2022-04-27 一种聚合物膜的表面处理生产和检测工艺

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210448733.6A CN114539586B (zh) 2022-04-27 2022-04-27 一种聚合物膜的表面处理生产和检测工艺

Publications (2)

Publication Number Publication Date
CN114539586A CN114539586A (zh) 2022-05-27
CN114539586B true CN114539586B (zh) 2022-07-19

Family

ID=81666959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210448733.6A Active CN114539586B (zh) 2022-04-27 2022-04-27 一种聚合物膜的表面处理生产和检测工艺

Country Status (1)

Country Link
CN (1) CN114539586B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101045836A (zh) * 2003-08-30 2007-10-03 刘建林 纳米氧化硅改进聚乙烯醇涂层的用途
CN106127684A (zh) * 2016-06-22 2016-11-16 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN106326886A (zh) * 2016-11-07 2017-01-11 重庆工商大学 基于卷积神经网络的手指静脉图像质量评估方法及评估系统
CN106596579A (zh) * 2016-11-15 2017-04-26 同济大学 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法
CN108148364A (zh) * 2018-01-12 2018-06-12 浙江东太新材料有限公司 一种消光抗紫外高性能pet膜及其制备方法
CN108395564A (zh) * 2018-03-15 2018-08-14 席海龙 一种用于液体食品包装的高阻隔pe涂布膜及其制备方法
WO2020037935A1 (zh) * 2018-08-23 2020-02-27 深圳码隆科技有限公司 一种安检过程中液体识别方法及其装置
CN111047655A (zh) * 2020-01-10 2020-04-21 北京盛开互动科技有限公司 基于卷积神经网络的高清摄像机布料疵点检测方法
CN111161362A (zh) * 2020-01-15 2020-05-15 昆山小茶智能科技有限公司 一种茶树生长状态光谱影像鉴别方法
CN111399096A (zh) * 2020-04-02 2020-07-10 合肥翰博星辰高新材料有限公司 一种光学扩散膜及其制作方法
CN111563420A (zh) * 2020-04-16 2020-08-21 自然资源部第一海洋研究所 基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法
CN111899288A (zh) * 2020-06-01 2020-11-06 上海大学 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法
CN112011078A (zh) * 2020-08-26 2020-12-01 江苏鼎胜新能源材料股份有限公司 一种pet基热吸收膜的制备方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3004595B2 (ja) * 1996-10-08 2000-01-31 日本合成化学工業株式会社 感光性樹脂組成物及びこれを用いたドライフィルムレジスト
US7449423B2 (en) * 2005-01-14 2008-11-11 Headwaters Technology Innovation, Llc Heat treatment of anchored nanocatalysts in a non-zero oxidation state and catalysts made by such method
JP2015222279A (ja) * 2012-09-26 2015-12-10 昭和電工株式会社 樹脂組成物、感光性樹脂組成物、及びカラーフィルター
EP3971556A1 (en) * 2020-09-17 2022-03-23 Evonik Operations GmbH Qualitative or quantitative characterization of a coating surface

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101045836A (zh) * 2003-08-30 2007-10-03 刘建林 纳米氧化硅改进聚乙烯醇涂层的用途
CN106127684A (zh) * 2016-06-22 2016-11-16 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN106326886A (zh) * 2016-11-07 2017-01-11 重庆工商大学 基于卷积神经网络的手指静脉图像质量评估方法及评估系统
CN106596579A (zh) * 2016-11-15 2017-04-26 同济大学 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法
CN108148364A (zh) * 2018-01-12 2018-06-12 浙江东太新材料有限公司 一种消光抗紫外高性能pet膜及其制备方法
CN108395564A (zh) * 2018-03-15 2018-08-14 席海龙 一种用于液体食品包装的高阻隔pe涂布膜及其制备方法
WO2020037935A1 (zh) * 2018-08-23 2020-02-27 深圳码隆科技有限公司 一种安检过程中液体识别方法及其装置
CN111047655A (zh) * 2020-01-10 2020-04-21 北京盛开互动科技有限公司 基于卷积神经网络的高清摄像机布料疵点检测方法
CN111161362A (zh) * 2020-01-15 2020-05-15 昆山小茶智能科技有限公司 一种茶树生长状态光谱影像鉴别方法
CN111399096A (zh) * 2020-04-02 2020-07-10 合肥翰博星辰高新材料有限公司 一种光学扩散膜及其制作方法
CN111563420A (zh) * 2020-04-16 2020-08-21 自然资源部第一海洋研究所 基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法
CN111899288A (zh) * 2020-06-01 2020-11-06 上海大学 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法
CN112011078A (zh) * 2020-08-26 2020-12-01 江苏鼎胜新能源材料股份有限公司 一种pet基热吸收膜的制备方法

Also Published As

Publication number Publication date
CN114539586A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
WO2023077404A1 (zh) 缺陷检测方法、装置和系统
CN112233090B (zh) 基于改进注意力机制的薄膜瑕疵检测方法
CN109635806A (zh) 基于残差网络的电表数值识别方法
CN115880298B (zh) 一种基于无监督预训练的玻璃表面缺陷检测系统
Zhang et al. Hybrid-quality-guided phase fusion model for high dynamic range 3D surface measurement by structured light technology
CN111523540A (zh) 基于深度学习的金属表面缺陷检测方法
CN114535033B (zh) 一种表面具有涂层的聚酯膜加工方法
CN115861170A (zh) 基于改进yolo v4算法的表面缺陷检测方法
CN111932511A (zh) 一种基于深度学习的电子元器件质量检测方法与系统
CN114539586B (zh) 一种聚合物膜的表面处理生产和检测工艺
CN115775236A (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统
CN116740048A (zh) 一种基于融合目标检测技术的锂电池表面缺陷检测方法
Peng et al. Non-uniform illumination image enhancement for surface damage detection of wind turbine blades
Kar et al. Benchmarking of deep learning algorithms for 3D instance segmentation of confocal image datasets
CN115760837A (zh) 一种基于深度神经网络的晶体质量评估方法及系统
CN114841992A (zh) 基于循环生成对抗网络和结构相似性的缺陷检测方法
Li et al. Deep CNNs for HEp-2 cells classification: a cross-specimen analysis
Yang et al. Deep learning-based weak micro-defect detection on an optical lens surface with micro vision
Glasbey Towards automatic cell identification in DIC microscopy
Dar et al. Automated pilling detection and fuzzy classification of textile fabrics
CN116012372A (zh) 基于改进YOLOv5的铝表面实时缺陷检测方法及系统
Tan et al. An application of an improved FCOS algorithm in detection and recognition of industrial instruments
Nguyen et al. Detection of weak micro-scratches on aspherical lenses using a Gabor neural network and transfer learning
Wang et al. Fast path planning algorithm for large-aperture aspheric optical elements based on minimum object depth and a self-optimized overlap coefficient
CN115393564A (zh) 机器视觉识别产品表观质量检测鉴别方法

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
GR01 Patent grant
GR01 Patent grant