CN114648532A - 一种基于光学识别的聚酯膜力学性能检测装置 - Google Patents
一种基于光学识别的聚酯膜力学性能检测装置 Download PDFInfo
- Publication number
- CN114648532A CN114648532A CN202210560010.5A CN202210560010A CN114648532A CN 114648532 A CN114648532 A CN 114648532A CN 202210560010 A CN202210560010 A CN 202210560010A CN 114648532 A CN114648532 A CN 114648532A
- Authority
- CN
- China
- Prior art keywords
- polyester film
- image
- optical recognition
- mechanical properties
- mechanical property
- 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.)
- Granted
Links
- 229920006267 polyester film Polymers 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000003287 optical effect Effects 0.000 title claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 3
- 230000004044 response Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 10
- 230000035882 stress Effects 0.000 description 7
- 238000009864 tensile test Methods 0.000 description 7
- 239000012528 membrane Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000007684 Occupational Stress Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 229920002799 BoPET Polymers 0.000 description 1
- 239000005041 Mylar™ Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Shaping By String And By Release Of Stress In Plastics And The Like (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
一种基于光学识别的聚酯膜力学性能检测装置,通过将垫膜设置在夹持辊与待拉伸的聚酯膜之间,并且优化垫膜的材质和厚度实现均匀受力拉伸;同时夹持辊在水平方向移动的同时具有转动动作,从而改善刚性拉伸带来的检测精度下降的问题;并通过机器视觉与神经网络结合的方式快速、准确地判别聚酯膜力学性能。
Description
技术领域
本发明涉及聚酯膜材料的力学性能检测领域。
背景技术
聚酯膜材料的力学性能是衡量其可用性的重要因素。聚酯膜材料在使用过程中的受力会加速材料老化,为此,对材料的力学性能检测是必要的。
而现有技术中对膜力学性能的检测主要使用应力场分析方法,但这种方法设备和算法均较为复杂,难以操作,且检测时间较长,只能在科研实验中使用,不适合在生产线中应用。其检测设备大多为拉伸试验机,过于复杂专业,不适合自动化操作。
而且通常的力学性能检测机构中的拉伸装置为刚性夹持,直接拉伸。如此会对拉伸装置的步进分辨率有较高要求,否则会导致薄膜在某一时刻力学性能突然下降,而此时检测系统还无法及时响应,从而导致检测失败。而若保证及时响应则需要高成本的检测系统。此外,刚性夹持会造成局部接触部位受力不均匀,从而导致在拉伸过程中局部发生裂缝的概率增大。而这种裂缝的产生并不能完全反应聚酯膜的力学性能,其更多的是由于夹持导致的。
现有技术中也有使用图像处理方式进行力学性能的检测,但大多数算法未找到合适的检测特征,例如使用伸长率等作为指标,这并不能准确反映膜的力学性能。且目前图像处理算法还不成熟,无法准确检测。因此只能用于辅助检测,也无法应用至生产线中。虽然神经网络模型在其他领域已经开始应用,但在膜力学性能检测领域依然没有专用的模型结构适用,其他转用模型无法适应聚酯膜图像高透光、漫散光的特性,无法准确检测判断。
发明内容
为解决上述一个或多个问题,本发明提出一种基于光学识别的聚酯膜材料力学性能检测装置和方法,采用可见光摄像机,在拉伸试验过程中采集聚酯薄膜材料的图像,并进一步推算材料的力学性能是否符合预期;相较于专业的应力测试成像系统,其配套设备通用性强,采用商业级摄像机即可实现;相较于专业的万能拉伸试验机等材料力学性能测试设备,能够在材料发生断裂前记录各个时刻的材料表面受力撕裂情况,从而反映材料在拉伸试验的不同阶段的力学性能,提供更加全面的材料力学性能检测结果。
一种基于光学识别的聚酯膜力学性能检测装置,包括
多个垫膜,分别设置在待检测聚酯膜两端的上下两面,用于对待检测聚酯膜形成夹持;垫膜材质与待检测聚酯膜材质相同;垫膜的厚度D与待检测聚酯膜厚度d的关系为:2.3d<D<3.7d;
多个夹持辊,分别设置于垫膜上下,用于夹持垫膜,从而实现对聚酯膜的夹持;夹持辊能够在施加夹持力的同时在水平方向移动,从而提供水平向的拉伸力;并且夹持辊在拉伸的过程具有转动动作;
相机,用于采集聚酯膜的图像,并将图像传输至在线处理器;
在线处理器,用于接收采集图像,并进行预处理,并将预处理的图像发送至服务器;
服务器,接收预处理图像,并利用神经网络模型进行聚酯膜图像裂缝的识别,并结合采集图像的时间,对聚酯膜力学性能进行判别;
其中神经网络模型构成为:对预处理图像进行如下卷积运算得到第一卷积
响应图:;第一卷积响应图降采样得到第一采样
图;对第一采样图进行如下卷积运算得到第二卷积响应图:,其中为非线性激励函数,为线性偏置量;将
第二卷积响应图降采样得到第二采样图;对第二采样图进行如
下卷积运算得到第三卷积响应图:;进行如下映射
运算得到特征空间向量:
将特征空间向量映射到裂缝判别结果:
相机位于聚酯膜上方。
在线处理器设置在生产线周边。
在线处理器设置在检测线周边。
在线处理器中还存储有样本图像,从而使得在线处理器能够利用样本图像对采集图像进行预处理。
服务器还用于对神经网络模型进行样本训练。
服务器判别图像中存在裂缝时,提示用户,并记录此时已进行的拉伸时间Ta,衡量Ta与标准时间的比较,确定聚酯膜力学性能是否符合要求。
服务器中预先设定Tb作为考察时间,经过Tb时间后服务器未检测到图像中存在裂缝,则判断聚酯膜力学性能符合要求。
相机的采集帧率为1-2帧/秒。
在检测时,当输出y>0.5,认为图像中包含裂缝,否则认为图像中不包含裂缝。
本发明的发明点及技术效果:
1、通过使用垫膜,特别是优化后的垫膜厚度,避免在拉伸过程中机械夹持装置直接与待拉伸膜接触导致的受力不均匀的问题,从而避免局部由于拉伸结构导致过早缝隙,从而影响对聚酯膜力学性能的准确判断。
2、夹持装置设置为可以平动和滚动的辊,使得整个拉伸过程更加平滑,避免刚性机械拉伸导致的突然性力学性能下降,使得整个采集系统和处理系统无法及时反应。
3、本发明通过样本图像与采集图像的像素分布值修正方法,使采集图像中材料相关的像素分布更均匀,并且保持在多幅采集图像中材料像素分布的一致性,能够避免背景光影响,为神经网络模型判别提供较好的预处理图像,从而提高检测准确度。此外,提出了一种适用于聚酯膜裂缝检测的神经网络模型构成方式,基于线性模型与非线性模型的组合对图像进行检测,提取图像中与裂缝有关的响应信息,从而实现对裂缝的快速、准确检测,使得该神经网络模型能够应用于生产线上。
附图说明
图1为检测装置结构图。
具体实施方式
聚酯薄膜材料在老化的初期通常会产生裂纹,而经过大量实验发现,裂纹是反映材料老化程度与力学性能的关键线索。随着拉伸的程度不断增大,被测材料开始产生裂缝,并且裂缝不断扩大并成圆形,最终整体撕裂;相应的,材料的应力分布逐渐集中于裂缝处并不断发展。
基于上述分析,本发明提出了如下检测装置用于通过检测裂缝的出现来判断聚酯膜的力学性能。如此规避了拉伸率通过图像方式不易测得、聚酯膜受力后图像表征不明显的问题。
(一)检测装置结构
包括垫膜L2,用于设置在待检测聚酯膜L1两端的上下两面,用于对聚酯膜形成夹持。垫膜材质与待检测聚酯膜材质相同。例如待检测聚酯膜材料为PP,则垫膜材料也选择PP。但作为一种优选,垫膜的厚度D与待检测聚酯膜厚度d的关系为:2.3d<D<3.7d。如此,可以保证待检测聚酯膜在拉伸过程中受力均匀,防止由于施力结构接触导致的局部受力过大,或局部受力方向异常;同时可以保证夹持力能够充分传递至聚酯膜上,避免拉伸过程中滑动现象的发生。作为一种优选,垫膜表面为粗糙表面。
夹持辊L3,包括多个,分别设置于垫膜上下,用于夹持垫膜,从而实现对聚酯膜的夹持。夹持辊可以在施加夹持力的同时在水平方向移动,从而提供水平向的拉伸力,带动聚酯膜被拉伸。作为一种优选,夹持辊在拉伸的过程中,发生一定的转动。也就是通过滑动和转动同时实施的方式。如此可以提供更为温和的拉伸力,避免刚性拉伸导致的突然断裂,从而导致在图像上无法充分体现,力学性能检测失败。
相机L4,位于聚酯膜上方,用于以一定帧率采集聚酯膜的图像,并将图像传输至在线处理器L5。作为一种优选,帧率可以为1-2帧/秒。
在线处理器L5,设置在生产线、或检测线周边,用于接收采集图像,并进行预处理,并将预处理的图像发送至服务器。此外,在线处理器中还存储有样本图像,从而使得在线处理器可以利用样本图像对采集图像进行预处理。
服务器L6,接收预处理图像,并利用神经网络模型进行聚酯膜图像裂缝的识别,当判别图像中存在裂缝时,提示用户,并记录此时已进行的拉伸时间Ta,即经过时间Ta后聚酯膜发生裂缝。衡量Ta与标准时间的比较,确定聚酯膜力学性能是否符合要求。此外,也可以预先设定Tb作为考察时间,即经过Tb时间后服务器未提示发生裂缝则判断聚酯膜力学性能符合要求。此外,服务器还用于对神经网络模型进行样本训练。
(二)检测流程
步骤1:采集聚酯膜图像
采用可见光摄像机在聚酯膜力学拉伸实验中以一定帧率采集聚酯膜材料正面图像,并将采集到的每张图像经过预处理后传递给图像识别模块。
将被测材料平铺于拉伸试验台上并固定,令可见光摄像机垂直对准试验台,保持
材料位于摄像机视场的中央部分;控制摄像机与试验台的距离,使材料大约覆盖摄像机视
场中央的约2/3面积。材料的像素值分布预先已知,可通过采集被测材料的样本图像统计获
得,记分布为,表示图像的像素值,对于数字可见光图像一般为离散值,值域为0-
255。
所述样本图像,是指根据需要事先准备的已知特征的图像,具体的已知特征根据需求确定。此处样本图像的已知特征为图像的像素分布。
取任一张采集的图像,称为采集图像,记其直方图分布为,表示图像的像
素值。计算采集图像与样本图像像素值分布的互相关系数。作为一种优选,样
本图像像素值分布可以通过样本相加取平均的方式获得,即获得大量样本图像像素值的平
均分布情况。根据互相关定义:
由于不同图像的亮度分布容易受到环境的影响,因此被测材料在样本图像与采集
图像中的均值可能不同;通过式(2)求取被测材料在采集图像中分布相对于样本图像的偏
移量,并根据偏移量对采集图像进行亮度修正,使采集图像中材料相关的像素分布更均
匀,并且保持在多幅采集图像中材料像素分布的一致性,有利于后续的识别过程:
步骤2:聚酯薄膜材料图像中裂缝的检测
将经预处理后的聚酯薄膜材料图像做空间滤波,得出图像中不同尺度子图的滤波器响应,并通过样本学习获得与裂缝相关性较高的滤波器参数,进而在图像中检测出裂缝。
输入一幅预处理的图像:
表示图像的空间坐标。表示坐标在的图像像素的值。空间滤波的意
义是图像与特定的滤波器之间的卷积响应。所述滤波器,又称滤波器窗口,是指一个二维矩
阵,其尺寸通常远小于图像尺寸。假设滤波器为,u、v为滤波器矩阵坐标,则卷积响应
为:
对于不同的滤波器,原图将通过式(4)得到不同的响应,每个响应是与原图等尺寸的一个二维矩阵,也称为卷积响应图。滤波器又称为卷积核。
卷积响应图中包含了在一定尺度下与特定卷积核有关的信息。如
果裂缝在图像中的像素分布恰好符合某个卷积核的分布,那么这个卷积核将产生强响应,
可根据此判断图像中是否存在裂缝。但由于裂缝在图像中的尺度(即相对尺寸大小)未知,
根据前述思路可采用不同尺寸的卷积核再实施检测。故定义:
进一步将图像缩小获取新的尺度,定义:
定义一维向量用于将矩阵卷积核映射到一维空间,进一步简化响应的特征空间:
将式(11)的特征空间映射到裂缝检测结果y:
根据上述定义(5)-(12),还需确定式中各项滤波器参数、线性偏置量参数、权值参
数。可准备若干用于学习的样本图像,包括两类图像,一类是包含有完好被测薄膜材料的图
像,一类是包含有裂缝的被测薄膜材料的图像,每张图像有一个已知特征,并且对应于两
类样本图像,表示图像没有裂缝,表示图像中有裂缝。
采用步骤1所述方法采集图像并进行预处理,采用步骤2所述方法对预处理后的图像进行检测,可以检测聚酯薄膜材料图像中是否存在裂缝。本发明方法可以在聚酯薄膜材料受到拉伸断裂前发现其表观异常,由于材料发生裂缝与其力学性能的改变高度相关,故本发明方法可以间接实现对聚酯薄膜材料力学性能的检测,并在异常情况出现时提前做出反应。
表1、表2给出了通过本发明方法测量聚酯薄膜材料在拉伸试验中发生裂缝情形的检测结果,并与专业的应力测试成像系统测试结果相对比,比较检测出裂缝时其力学性能是否发生变化。结果表明,本发明所述方法与经典方法测试结果相比误差小,准确度高,故可作为经典测试方法的有效替代。
表1、不同测量方法结果对照
表2、拉伸试验首次发现异常的时间误差
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 (10)
1.一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:包括多个垫膜,分别设置在待检测聚酯膜两端的上下两面,用于对待检测聚酯膜形成夹持;垫膜材质与待检测聚酯膜材质相同;垫膜的厚度D与待检测聚酯膜厚度d的关系为:2.3d<D<3.7d;
多个夹持辊,分别设置于垫膜上下,用于夹持垫膜,从而实现对聚酯膜的夹持;夹持辊能够在施加夹持力的同时在水平方向移动,从而提供水平向的拉伸力;并且夹持辊在拉伸的过程具有转动动作;
相机,用于采集聚酯膜的图像,并将图像传输至在线处理器;
在线处理器,用于接收采集图像,并进行预处理,并将预处理的图像发送至服务器;
服务器,接收预处理图像,并利用神经网络模型进行聚酯膜图像裂缝的识别,并结合采集图像的时间,对聚酯膜力学性能进行判别;
其中神经网络模型构成为:对预处理图像进行如下卷积运算得到第一卷积响应
图: ;第一卷积响应图 降采样得到第一采样图;对第一采样图 进行如下卷积运算得到第二卷积响应图: ,其中 为非线性激励函数, 为线性偏置量;将
第二卷积响应图降采样得到第二采样图;对第二采样图进行如下
卷积运算得到第三卷积响应图: ;进行如下映射
运算得到特征空间向量:
将特征空间向量映射到裂缝判别结果:
2.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:相机位于聚酯膜上方。
3.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:在线处理器设置在生产线周边。
4.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:在线处理器设置在检测线周边。
5.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:在线处理器中还存储有样本图像,从而使得在线处理器能够利用样本图像对采集图像进行预处理。
6.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:服务器还用于对神经网络模型进行样本训练。
7.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:服务器判别图像中存在裂缝时,提示用户,并记录此时已进行的拉伸时间Ta,衡量Ta与标准时间的比较,确定聚酯膜力学性能是否符合要求。
8.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:服务器中预先设定Tb作为考察时间,经过Tb时间后服务器未检测到图像中存在裂缝,则判断聚酯膜力学性能符合要求。
9.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:相机的采集帧率为1-2帧/秒。
10.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置,其特征在于:在检测时,当输出y>0.5,认为图像中包含裂缝,否则认为图像中不包含裂缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560010.5A CN114648532B (zh) | 2022-05-23 | 2022-05-23 | 一种基于光学识别的聚酯膜力学性能检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560010.5A CN114648532B (zh) | 2022-05-23 | 2022-05-23 | 一种基于光学识别的聚酯膜力学性能检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114648532A true CN114648532A (zh) | 2022-06-21 |
CN114648532B CN114648532B (zh) | 2022-08-23 |
Family
ID=81997421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560010.5A Active CN114648532B (zh) | 2022-05-23 | 2022-05-23 | 一种基于光学识别的聚酯膜力学性能检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648532B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916667A (zh) * | 2005-08-17 | 2007-02-21 | 富士胶片株式会社 | 光学树脂膜以及使用该光学树脂膜的偏光膜和液晶显示装置 |
CN101077643A (zh) * | 2006-04-10 | 2007-11-28 | 屈德加薄膜产品股份有限公司 | 通过若干拉伸步骤制备的弹性薄膜层压物 |
CN103862767A (zh) * | 2014-03-27 | 2014-06-18 | 昊辰(无锡)塑业有限公司 | 一种用于轮胎生产中重复使用的聚乙烯隔离膜及其制备方法 |
CN106459898A (zh) * | 2013-12-20 | 2017-02-22 | 哈佛大学校长及研究员协会 | 低剪切微流控装置及其使用方法和制造方法 |
CN109993094A (zh) * | 2019-03-26 | 2019-07-09 | 苏州富莱智能科技有限公司 | 基于机器视觉的材料缺陷智能检测系统及方法 |
CN110009019A (zh) * | 2019-03-26 | 2019-07-12 | 苏州富莱智能科技有限公司 | 磁性材料裂纹智能检测系统及方法 |
CN111144392A (zh) * | 2019-11-21 | 2020-05-12 | 贵州财经大学 | 一种基于神经网络的极低功耗光学目标检测方法及装置 |
CN111527165A (zh) * | 2017-12-21 | 2020-08-11 | 3M创新有限公司 | 包括缓冲层和不连续壳层的粘合剂制品 |
CN112044286A (zh) * | 2020-09-08 | 2020-12-08 | 山东谷雨春生物科技有限公司 | 一种金属多孔膜管及其制备方法和应用 |
CN112465748A (zh) * | 2020-11-10 | 2021-03-09 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
CN112649391A (zh) * | 2020-12-03 | 2021-04-13 | 浙江大学 | 一种纤维质量等级在线检测系统及其应用 |
CN113740034A (zh) * | 2021-08-19 | 2021-12-03 | 中国科学院合肥物质科学研究院 | 基于光学干涉的薄膜均匀性检测系统 |
CN113822880A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 一种基于深度学习的裂缝识别方法 |
-
2022
- 2022-05-23 CN CN202210560010.5A patent/CN114648532B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916667A (zh) * | 2005-08-17 | 2007-02-21 | 富士胶片株式会社 | 光学树脂膜以及使用该光学树脂膜的偏光膜和液晶显示装置 |
CN101077643A (zh) * | 2006-04-10 | 2007-11-28 | 屈德加薄膜产品股份有限公司 | 通过若干拉伸步骤制备的弹性薄膜层压物 |
CN106459898A (zh) * | 2013-12-20 | 2017-02-22 | 哈佛大学校长及研究员协会 | 低剪切微流控装置及其使用方法和制造方法 |
CN103862767A (zh) * | 2014-03-27 | 2014-06-18 | 昊辰(无锡)塑业有限公司 | 一种用于轮胎生产中重复使用的聚乙烯隔离膜及其制备方法 |
CN111527165A (zh) * | 2017-12-21 | 2020-08-11 | 3M创新有限公司 | 包括缓冲层和不连续壳层的粘合剂制品 |
CN109993094A (zh) * | 2019-03-26 | 2019-07-09 | 苏州富莱智能科技有限公司 | 基于机器视觉的材料缺陷智能检测系统及方法 |
CN110009019A (zh) * | 2019-03-26 | 2019-07-12 | 苏州富莱智能科技有限公司 | 磁性材料裂纹智能检测系统及方法 |
CN111144392A (zh) * | 2019-11-21 | 2020-05-12 | 贵州财经大学 | 一种基于神经网络的极低功耗光学目标检测方法及装置 |
CN112044286A (zh) * | 2020-09-08 | 2020-12-08 | 山东谷雨春生物科技有限公司 | 一种金属多孔膜管及其制备方法和应用 |
CN112465748A (zh) * | 2020-11-10 | 2021-03-09 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
CN112649391A (zh) * | 2020-12-03 | 2021-04-13 | 浙江大学 | 一种纤维质量等级在线检测系统及其应用 |
CN113740034A (zh) * | 2021-08-19 | 2021-12-03 | 中国科学院合肥物质科学研究院 | 基于光学干涉的薄膜均匀性检测系统 |
CN113822880A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 一种基于深度学习的裂缝识别方法 |
Non-Patent Citations (4)
Title |
---|
RUIMIN XIE等: "Using gated recurrence units neural network for prediction of melt spinning properties", 《2017 11TH ASIAN CONTROL CONFERENCE (ASCC)》 * |
张艳慧: "电热膜装配自动线设计及其剪切机构可靠性分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
邹宗勇: "建筑膜材料力学性能研究", 《万方》 * |
魏钢: "高压交联聚乙烯电力电缆接头绝缘缺陷检测及识别研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114648532B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949305B (zh) | 产品表面缺陷检测方法、装置及计算机设备 | |
CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
CN109086675B (zh) | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 | |
US20030161506A1 (en) | Face detection computer program product for redeye correction | |
CN110728312B (zh) | 一种基于区域自适应注意力网络的干眼症分级系统 | |
CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
CN109801320A (zh) | 一种基于面部分区的皮肤干燥状态智能识别方法及系统 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN115797299A (zh) | 一种光学复合膜的缺陷检测方法 | |
CN101207834A (zh) | 数码相机清晰度的检测方法 | |
CN114648532B (zh) | 一种基于光学识别的聚酯膜力学性能检测装置 | |
JPH08189904A (ja) | 表面欠陥検出装置 | |
CN117825393A (zh) | 偏光片自动生产线的在线监控系统及方法 | |
CN117058106A (zh) | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 | |
CN111669575A (zh) | 图像处理效果的测试方法、系统、电子设备、介质及终端 | |
JPH1096696A (ja) | 対象物にあるむらの検査方法および装置 | |
JP3445327B2 (ja) | 光沢むらおよび印刷むら測定方法および装置 | |
CN113218998B (zh) | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 | |
JPH05329133A (ja) | 皮膚表面形態特徴検出方法 | |
CN108135346B (zh) | 皮肤评价装置、皮肤评价方法及记录介质 | |
Tworski et al. | Dr2s: Deep regression with region selection for camera quality evaluation | |
JPH0777416A (ja) | ニューラルネットワークによる表面粗さ測定方法及び測定装置 | |
JP5549536B2 (ja) | 分析装置、分析方法およびコンピュータプログラム | |
CN108519066B (zh) | 一种基于四侧光源图像的织物平整度的客观评定方法 | |
JP3498120B2 (ja) | 光沢むらの高精度測定方法および装置 |
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 |