CN114654710B - 一种高分子复合多层材料的拉伸设备 - Google Patents

一种高分子复合多层材料的拉伸设备 Download PDF

Info

Publication number
CN114654710B
CN114654710B CN202210526241.4A CN202210526241A CN114654710B CN 114654710 B CN114654710 B CN 114654710B CN 202210526241 A CN202210526241 A CN 202210526241A CN 114654710 B CN114654710 B CN 114654710B
Authority
CN
China
Prior art keywords
wheel
stretching
clamping
multilayer material
fixing device
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
CN202210526241.4A
Other languages
English (en)
Other versions
CN114654710A (zh
Inventor
李沅鸿
张启纲
李国庆
李航
瞿荣灿
陈宝同
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 CN202210526241.4A priority Critical patent/CN114654710B/zh
Publication of CN114654710A publication Critical patent/CN114654710A/zh
Application granted granted Critical
Publication of CN114654710B publication Critical patent/CN114654710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C55/00—Shaping by stretching, e.g. drawing through a die; Apparatus therefor
    • B29C55/02—Shaping by stretching, e.g. drawing through a die; Apparatus therefor of plates or sheets
    • B29C55/023—Shaping by stretching, e.g. drawing through a die; Apparatus therefor of plates or sheets using multilayered plates or sheets
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C37/00—Component parts, details, accessories or auxiliary operations, not covered by group B29C33/00 or B29C35/00
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C37/00—Component parts, details, accessories or auxiliary operations, not covered by group B29C33/00 or B29C35/00
    • B29C2037/90—Measuring, controlling or regulating

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Shaping By String And By Release Of Stress In Plastics And The Like (AREA)
  • Laminated Bodies (AREA)

Abstract

一种高分子复合多层材料的拉伸设备，包括上夹持固定装置、下夹持固定装置，用来夹持待拉伸基膜；上下两个夹持固定装置分别使用半径不同的两个驱动轮进行驱动，从而在驱动轮同步转动时产生上下两层拉伸力度的细微区别，并使用机器视觉和神经网络方式进行判别，从而能够更精确地适用于多层材料的拉伸，避免拉伸导致的层间应力，减小材料本身带来的层间应力，提高薄膜力学特性。

Description

一种高分子复合多层材料的拉伸设备
技术领域
本发明内容属于高分子薄膜材料领域，特别地，涉及一种高分子复合多层材料的拉伸设备。
背景技术
高分子聚酯材料的拉伸是聚酯成膜的步骤之一，拉伸效果的好坏直接影响聚酯薄膜成膜的均匀性、光学特性以及力学特性。如果拉伸不成功，会导致成膜后出现膜厚未达标，或部分区域未达标的情况。特别是对于复合薄膜，其通常由不同成分构成的膜层组成，膜层之间具有不同的力学特性。虽然在设计薄膜时会考虑膜层间内应力，但这同样给拉伸操作带来困难。不同力学特性的膜层在一个拉伸比下进行拉伸，由于膜层被拉伸后的响应特点不同，反而容易导致拉伸后的膜层分离。
另一方面，现有技术通常通过拉伸设备的位移进行拉伸比的控制，但对于多层复合材料而言这样的控制难度较高，且是否拉伸到位的检测也无法保证。
此外，在使用机器视觉方式进行检测时，通常需要利用颜料进行标定，如此操作会对材料产生损伤。而其他不使用标记点的图像处理方法则会出现检测精度不够的问题，也不适合在薄膜拉伸生产线上进行在线检测。
发明内容
一种高分子复合多层材料的拉伸设备，包括
上夹持固定装置、下夹持固定装置，用来夹持待拉伸基膜；
上夹持固定装置外侧固定有上驱动装置，下夹持固定装置外侧固定有下驱动装置，上驱动装置的下表面为齿条结构，下驱动装置的上表面为齿条结构；
上驱动轮与上驱动装置啮合，上驱动轮转动带动上驱动装置左右移动；下驱动轮与下驱动装置啮合，下驱动轮转动带动下驱动装置左右移动；
上同步轮与上驱动轮啮合，从而使得上同步轮转动时带动上驱动轮转动；下同步轮与下驱动轮啮合，从而使得下同步轮转动时带动下驱动轮转动；上同步轮和下同步轮相互啮合，且两者半径相同，从而使得两者同步转动，转速相同；
其中，上驱动轮包括内轮和外轮，内轮半径小于外轮半径，即存在轮间差，外轮与下驱动轮半径相同，且外轮与上同步轮啮合转动，内轮与上驱动装置的齿条相互啮合；由此，在上同步轮和下同步轮以相同角速度同步转动时，上驱动轮的内轮、外轮以及下驱动轮均以相同角速度同步转动，但上驱动轮的内轮半径小，因此产生的线速度小，由此使得上驱动装置比下驱动装置移动位移小，在进行拉伸操作时，产生了上层拉伸力与下层拉伸力的差别；
上摄像机和下摄像机，设置在待拉伸基膜上上表面上部和下表面下部，用于连续实时拍摄基膜在拉伸过程中的一系列上表面图像和下表面图像。
还包括处理器，用于接收上摄像机和下摄像机采集的一系列上表面图像和下表面图像，并利用神经网络模型对图像进行判别，从而确定拉伸是否符合预期要求。
上夹持固定装置和下夹持固定装置成对出现，构成夹持固定装置对。
夹持固定装置对在基膜的长度方向两侧或宽度方向两侧设置。
还包括控制器，用于控制电机驱动上同步轮和下同步轮同步转动。
控制器存储有膜层-轮间差数据库。
控制器具有显示屏。
当用户输入膜层信息时，处理器查询数据库，并显示应当选择的具有合适轮间差数据的上驱动轮型号。
处理器为远程平台。
膜层-轮间差数据库存储有膜层成分-轮间差数据。
膜层-轮间差数据库存储有膜层力学特性值-轮间差。
本发明的发明点及技术效果：
1、提出通过上下夹持固定装置同步移动但位移大小略有差别，从而实现了对上下力学特性不同的膜层实施不同的拉伸力度，从而避免层间应力过大造成的成膜后力学特性劣化。
2、通过同步轮、驱动轮的配合，特别是具有轮间差的驱动轮的设置，实现上下夹持装置能够同步移动，且移动的位移又略有区别。避免了两者移动差异较大而对薄膜造成损伤。
3、通过上下两个摄像机进行拍摄，通过机器视觉和神经网络的方式，可以准确、方便地判断拉伸是否符合预期。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是拉伸设备结构示意图。
图2是拉伸设备驱动及夹持固定部分结构示意图。
具体实施方式
（一）拉伸设备结构
拉伸设备包括上夹持固定装置F1、下夹持固定装置F2，用来夹持待拉伸基膜F5。上夹持固定装置和下夹持固定装置成对出现，构成夹持固定装置对。夹持固定装置对可在基膜的长度方向两侧或宽度方向两侧设置，当然也可以设置在其他需要拉伸的位置。可以根据拉伸设备的具体用途来设置相应位置。
上夹持固定装置外侧固定有上驱动装置F6，下夹持固定装置外侧固定有下驱动装置F7。上驱动装置F6的下表面为齿条结构，下驱动装置F7的上表面为齿条结构。
上驱动轮F8与上驱动装置F6啮合，上驱动轮转动可带动上驱动装置左右移动。下驱动轮F9与下驱动装置F7啮合，下驱动轮转动可带动下驱动装置左右移动。当上下两个驱动装置均向左侧（外侧）移动时，可带动夹持的基膜向外侧被拉伸。
上同步轮F3与上驱动轮啮合，从而使得上同步轮转动时带动上驱动轮转动。下同步轮F4与下驱动轮啮合，从而使得下同步轮转动时带动下驱动轮转动。上同步轮和下同步轮相互啮合，且两者半径相同，从而使得两者同步转动，转速相同。
对于复合膜，特别是应力性质不同的复合膜，采用同一套拉伸设备进行拉伸时，由于膜的两层之间存在内应力的区别，但向外拉伸的幅度、力度相同，这使得拉伸后的薄膜容易发生层间内应力，甚至造成层间分离。为此，本发明提出了上下拉伸幅度不同的设备如下。
上驱动轮包括内轮和外轮，其外轮与下驱动轮半径相同，且外轮与上同步轮啮合转动，如此可以保证上下两个同步轮相同速度转动时，上驱动轮外轮和下驱动轮同步相同速度转动。上驱动轮的内轮与其外轮固定连接或一体成型，因此两者转动角速度相同。但内轮半径略小于外轮半径，内轮齿与上驱动装置的齿条相互啮合。如此，在上同步轮和下同步轮以相同角速度同步转动时，上驱动轮的内轮、外轮以及下驱动轮均以相同角速度同步转动。但上驱动轮的内轮半径小，因此产生的线速度小，由此使得上驱动装置比下驱动装置移动位移略小。这样，虽然上夹持固定装置和下夹持固定装置互相夹持且同时向外拉伸薄膜，但上夹持固定装置移动速度略慢，对上层产生的拉伸力略小。也就是说，在进行拉伸操作时，产生了上层拉伸力与下层拉伸力细微的差别，也就更适合内应力不同的膜层复合而成的基膜进行拉伸。
可以理解，上驱动轮的内轮和外轮的半径差异越大，则上下两层的拉力差异越大。但实际上能够形成复合膜层的薄膜通常弹性模量等物理参数差异不会过大（不然会自然发生剥离）。因此在实践中上驱动轮的内轮和外轮的半径差异不宜过大，过大则会导致由于拉伸设备外力作用下的膜层剥离，从而造成薄膜损坏。经过大量实验，内轮半径r与外轮半径R的大小关系应当符合轮间差H=(R-r)/R的要求，其中H<0.32%。
可以理解，各轮之间或轮与齿条之间可以通过齿啮合，或其他方式相互驱动。即各轮可以为齿轮，也可以为辊子。
还包括控制器，用于控制电机驱动上同步轮和下同步轮同步转动，进而上同步轮带动上驱动轮外轮转动，下同步轮带动下驱动轮转动。同时，控制器存储有膜层-轮间差数据库，且具有显示屏。当用户输入膜层信息时，处理器查询数据库，并显示应当选择的具有合适轮间差数据的上驱动轮型号。
还包括上摄像机和下摄像机，设置在待拉伸基膜上上表面上部和下表面下部，用于连续实时拍摄基膜在拉伸过程中的一系列上表面图像和下表面图像。
还包括处理器，用于接收上摄像机和下摄像机采集的一系列上表面图像和下表面图像，并利用神经网络模型对图像进行判别，从而确定拉伸是否符合预期要求。可以理解，处理器可以为在生产线现场设置的处理器模块，也可以为远程平台。
（二）拉伸方法
1、将待拉伸基膜放置在上夹持固定装置和下夹持固定装置之间，并缓缓移动上下夹持固定装置，使得上下夹持固定装置靠拢，从而最终牢固夹持基膜。可以理解，这种夹持操作并不是只在基膜的一个位置实施，而是在基膜的多个位置都实现夹持，从而为下一步拉伸做准备。
2、选择恰当的上驱动轮型号，使其内轮半径与外轮的半径不仅满足常规的轮间差的要求（即轮间差H<0.32%），还应当根据基膜各层的成分和/或各层的力学特性（例如弹性模量、和/或内应力等）设定轮间差。
作为一种优选，可以事先根据常见的膜层成分测量其力学特性，并设置不同轮间差进行拉伸，选择拉伸效果最好的轮间差作为该膜层组成所专门使用的轮间差，由此构建膜层成分-轮间差的对应数据库。
作为另一种优选，可以事先根据常见的膜层的力学特性值，设置不同轮间差进行拉伸，选择拉伸效果最好的轮间差作为该力学特性值所专门使用的轮间差，由此构建膜层力学特性值-轮间差的对应数据库。
两者可以合并为膜层-轮间差数据库。
构建数据库后，可以根据待拉伸基膜情况查询数据库，选择合适的轮间差，如此可以保证拉伸质量，既不会拉伸过度导致膜层脱离，又不会因为拉伸不够而无法充分释放层间应力。
3、由控制器控制电机驱动上同步轮和下同步轮同步转动，进而上同步轮带动上驱动轮外轮转动，下同步轮带动下驱动轮转动。并且上驱动轮和下驱动轮的转速相同。上驱动轮的内轮通过啮合带动上驱动装置水平移动，同时下驱动轮通过啮合带动下驱动装置水平移动，由此使得与上下驱动装置分别连接的上下夹持固定装置水平移动，从而带动基膜被拉伸。其中由于上驱动轮的内轮和外轮存在轮间差，因此上驱动装置和下驱动装置水平移动的速度并不完全相同，两者位移距离也略有区别，由此实现对薄膜上下不同膜层间的不同拉伸程度。
4、在待拉伸的基膜上面和下面均设有摄像机，实时拍摄基膜上表面被拉伸的图像和下表面被拉伸的图像。处理器接收上表面的一系列图像和下表面的一系列图像并分别利用神经网络模型进行判别，从而判断基膜的上表面是否符合预设拉伸要求，以及基膜的下表面是否符合预设拉伸要求。当两者要求均符合时，则停止拉伸。
5、停止拉伸，维持拉伸设备状态不变，保持10-30分钟后，上下夹持固定装置分离，使得被拉伸的薄膜处于无外力状态，继续用上摄像机和下摄像机实时拍摄薄膜上表面一系列图像和下表面一系列图像，处理器接收上表面的一系列图像和下表面的一系列图像并分别利用神经网络模型进行判别，从而判断基膜的上表面是否符合预设拉伸要求，以及基膜的下表面是否符合预设拉伸要求。当两者要求均符合时，则报告成膜。
（三）拉伸检测算法
步骤1：利用采集材料进行拉伸的过程中的图像和对应时间。
利用可控制的光学摄像机在拉伸装置对材料进行拉伸的过程中拍摄图像，记录图像拍摄的时间，并与拉伸装置的启停时间同步。
所述图像拍摄方法及设备，由一台可见光摄像机及其对应采集程序组成；可见光摄像机简称摄像机，包括外壳体、镜头、成像元件、控制板等关键部件组成；摄像机镜头安装于摄像机外壳体的外部固定，并朝向待检测的高分子材料检测平台；成像元件、控制板置于外壳体内部，摄像机镜头接受外界光线并投射于成像元件；成像元件根据光信号转变为电信号，并传递给控制板经过抽样、量化等处理步骤后进一步转变为数字信号，即数字图像，简称图像；可见光摄像机的采集程序以软件形式存在于相机控制板上，在可见光摄像机开启后，接受外部主机的控制指令，将数字图像传输至外部主机。
所述外部主机，简称主机，是供用户操作控制的计算机设备；其主要功能包括：（1）用于接受摄像机所采集的图像，并定时控制摄像机采集图像，外部主机上安装的实现图像采集控制、接收的软件程序称为图像采集程序；（2）外部主机同时与拉伸装置连接，并可控制拉伸装置的启停，控制拉伸装置启停的软件程序称为拉伸装置控制程序；（3）外部主机上装有时间同步控制程序以实现拉伸装置与摄像机的时间同步。此外，（4）主机上装有基于（1）图像采集程序所采集图像的智能检测程序，用于在软件上实现步骤2所述图像的智能检测。
设备安装过程：将待测高分子材料平整置于高分子材料检测平台（简称检测平台）上，并使拉伸夹具夹紧材料的四边；摄像机安装于检测平台上方，镜头朝向检测平台以拍摄待测材料的图像；摄像机通过线缆与主机相连。
实施上述安装过程完毕后，用户操作主机启动拉伸装置，并同步启动摄像机；摄像机每隔时间
Figure DEST_PATH_IMAGE002
采集一组图像；直至拉伸实验达到预设所需的时间。通过同步摄像机与拉伸装置的工作时间，可以精确测量高分子材料受到拉伸力的性能表现。
上述每隔时间采集的一组图像，包含独立采集的g幅图像，并且该g幅图像以等间隔时间
Figure DEST_PATH_IMAGE004
均匀采集，并且
Figure DEST_PATH_IMAGE006
.表示
Figure 275940DEST_PATH_IMAGE004
的时长远小于
Figure 209392DEST_PATH_IMAGE002
。在具体案例中，综合参照材料拉伸试验的时长、工业摄像机的拍摄帧率，优选
Figure DEST_PATH_IMAGE008
分钟，
Figure DEST_PATH_IMAGE010
秒，每隔
Figure 317025DEST_PATH_IMAGE002
采集的一组图像包含g=3张图像。
取短时间间隔的若干连续图像作为一组，用于后文中图像检测，将相近的图像同时输入检测模型，可以去除局部像素噪声，同时较小的视差有助于提高检测精度。
步骤2利用神经网络模型识别拉伸过程中的材料区域，并逐像素进行标记，形成标记矩阵。
从步骤1获取的图像中自动检测高分子材料目标物的区域，并逐像素做出标记，即如果图像中的一个像素属于高分子材料目标物的一部分，则标记为1，否则标记为0。
图像的像素，是将光学信号经采样、量化后生成的二维数字信号、即数字图像的最小单元，每个像素包括空间坐标与像素值两类属性。整幅数字图像可用一个二维矩阵表示，矩阵的每一个元素对应于图像的一个像素，像素的空间坐标即元素在矩阵中行、列的位置，像素值即为矩阵元素的值。矩阵的行、列数联合称为图像的分辨率。在本发明中，步骤1所采集的所有图像的分辨率相同。
所述图像中高分子材料目标物的检测方法，对一组图像做出检测。所述一组图像，指步骤1所述每隔时间
Figure 508972DEST_PATH_IMAGE002
采集的一组图像，包含g张图像；为了叙述方便，称一组图像中的任一张图像为该组图像的一个“通道”。假设一组图像用G表示，则G中每一个通道用下式表示。
Figure DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE014
分别表示一组图像G中的各个通道。以g=3为例，有：
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE018
表示g=3时的实现特例。为了叙述清晰易懂，后文中对一组图像使用时均采用式(2)的例子，通道数g的数值不会影响本发明方法的实施。
所述图像中高分子材料目标物的检测方法，构建神经网络模型实施检测，所述神经网络模型，为一逻辑上具备层次结构的数学运算模型，由确定的一组输入、确定的一组输出和隐藏层组成，输入值经隐藏层运算、映射后，得到输出值。为了叙述统一，一般又分别称神经网络模型的输入、输出为输入层、输出层。神经网络模型的每一层包括若干个变量，每个变量又称为一个节点；相邻层之间的节点存在数学映射关系。
本发明构建神经网络模型如下：
A.1神经网络模型的输入为一组图像
Figure DEST_PATH_IMAGE020
，图像的每一个通道是大小为
Figure DEST_PATH_IMAGE022
的矩阵，
Figure DEST_PATH_IMAGE024
表示图像的行数，
Figure DEST_PATH_IMAGE026
表示图像的列数，
Figure 799312DEST_PATH_IMAGE022
为图像的分辨率。因此，神经网络模型输入层的节点数为
Figure DEST_PATH_IMAGE028
。
A.2神经网络模型的输入层直接连接的下一层，为隐藏层的第一层（简称隐藏层一），记为
Figure DEST_PATH_IMAGE030
；隐藏层的第一层包括16个大小为
Figure 198938DEST_PATH_IMAGE022
的矩阵，记为
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、…、
Figure DEST_PATH_IMAGE036
。所谓连接，是指对上述16个矩阵中的每一个矩阵
Figure DEST_PATH_IMAGE038
，都存在一个映射
Figure DEST_PATH_IMAGE040
，将输入层
Figure 793868DEST_PATH_IMAGE018
中的若干节点映射到隐藏层一中的矩阵
Figure 540238DEST_PATH_IMAGE038
的某一个节点。其中
Figure DEST_PATH_IMAGE042
。符号“-”为连接符，非数学减号。
映射
Figure 474696DEST_PATH_IMAGE040
定义为一组从
Figure 468060DEST_PATH_IMAGE018
到
Figure 753547DEST_PATH_IMAGE030
的离散卷积变换：
Figure DEST_PATH_IMAGE044
(3)中，
Figure DEST_PATH_IMAGE046
表示
Figure 598881DEST_PATH_IMAGE018
的一个通道g中坐标为(
Figure DEST_PATH_IMAGE048
)的像素值，g取值为1、2、3。
Figure DEST_PATH_IMAGE050
是卷积系数，卷积窗口为一个矩阵，(i,j)表示卷积系数在卷积窗口中的坐标，由式(3)定义可知该窗口矩阵的大小为5x5。
Figure DEST_PATH_IMAGE052
表示线性偏置项，用于拟合线性模型的偏置部分。根据定义
Figure 919004DEST_PATH_IMAGE042
，可知式(3)共定义了16组离散卷积变换，每组变换包含5*5个卷积窗口参数
Figure DEST_PATH_IMAGE054
与1个偏置项参数
Figure 630740DEST_PATH_IMAGE052
。每个离散卷积变换用于捕捉高分子材料的局部像素特征。取时间相近的3张图像组成一组，并按式(3)方式建立卷积窗口，可以避免单张图像的局部噪声，并提高像素的检测精度。
Figure DEST_PATH_IMAGE056
表示隐藏层一中矩阵
Figure 934682DEST_PATH_IMAGE038
的坐标，
Figure DEST_PATH_IMAGE058
表示
Figure 740964DEST_PATH_IMAGE038
矩阵坐标为
Figure 430440DEST_PATH_IMAGE056
的元素值。
为表述一致，下文中所有映射表达式中，用
Figure DEST_PATH_IMAGE060
表示映射变换窗口中坐标，用
Figure 31186DEST_PATH_IMAGE056
表示映射目标矩阵中坐标。
A.3隐藏层一直接连接的下一层，定义为隐藏层的第二层，简称隐藏层二，记为
Figure DEST_PATH_IMAGE062
；
Figure 291266DEST_PATH_IMAGE062
包括8个大小为
Figure 901239DEST_PATH_IMAGE022
的矩阵，记为
Figure DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE066
、…、
Figure DEST_PATH_IMAGE068
。直接连接是指对上述8个矩阵中的每一个矩阵
Figure DEST_PATH_IMAGE070
，都存在一个映射
Figure DEST_PATH_IMAGE072
，将
Figure 540162DEST_PATH_IMAGE030
中的若干节点映射到
Figure 780650DEST_PATH_IMAGE062
中的矩阵
Figure 42873DEST_PATH_IMAGE070
的某一个节点。其中
Figure DEST_PATH_IMAGE074
。
映射
Figure 190958DEST_PATH_IMAGE072
定义为如下的一组离散卷积变换：
Figure DEST_PATH_IMAGE076
式(4)中，
Figure DEST_PATH_IMAGE078
表示
Figure 153228DEST_PATH_IMAGE030
中矩阵
Figure DEST_PATH_IMAGE080
坐标为
Figure DEST_PATH_IMAGE082
的元素值，
Figure DEST_PATH_IMAGE084
是卷积系数，
Figure 892514DEST_PATH_IMAGE060
是系数在5*5卷积窗口中的坐标，k表示
Figure 127187DEST_PATH_IMAGE030
中矩阵的下标，
Figure DEST_PATH_IMAGE086
表示线性偏置项。
Figure DEST_PATH_IMAGE088
表示
Figure 859388DEST_PATH_IMAGE070
矩阵坐标为
Figure 66379DEST_PATH_IMAGE056
的元素值。
Figure DEST_PATH_IMAGE090
为一非线性函数：
Figure DEST_PATH_IMAGE092
Figure DEST_PATH_IMAGE094
表示反正切三角函数，min表示数学运算取两者的最小值，
Figure DEST_PATH_IMAGE096
是经验参数，优选
Figure DEST_PATH_IMAGE098
。上述非线性函数使神经网络能够对非线性数据样本实现分类，并通过参数
Figure 586353DEST_PATH_IMAGE096
对函数的分段调整，使函数对像素分类的效果更好。
A.4隐藏层二直接连接的下一层，定义为隐藏层的第三层，简称隐藏层三，记为
Figure DEST_PATH_IMAGE100
；
Figure 777163DEST_PATH_IMAGE100
包括8个大小为
Figure DEST_PATH_IMAGE102
的矩阵，记为
Figure DEST_PATH_IMAGE104
、
Figure DEST_PATH_IMAGE106
、…、
Figure DEST_PATH_IMAGE108
。连接是指对上述8个矩阵中的每一个矩阵
Figure DEST_PATH_IMAGE110
，都存在一个映射
Figure DEST_PATH_IMAGE112
，将
Figure 922842DEST_PATH_IMAGE062
中的若干节点映射到
Figure 984339DEST_PATH_IMAGE100
中的矩阵
Figure 65427DEST_PATH_IMAGE110
的某一个节点。其中
Figure DEST_PATH_IMAGE114
。
映射
Figure 743533DEST_PATH_IMAGE112
定义为如下的一组变换：
Figure DEST_PATH_IMAGE116
式(6)中，
Figure DEST_PATH_IMAGE118
表示
Figure 614275DEST_PATH_IMAGE062
中矩阵
Figure DEST_PATH_IMAGE120
坐标为
Figure DEST_PATH_IMAGE122
的元素值，变换窗口的大小为4*4，max表示在4*4窗口中的16个值里取最大值，k表示
Figure 858175DEST_PATH_IMAGE062
中矩阵的下标。
Figure DEST_PATH_IMAGE124
表示
Figure 595318DEST_PATH_IMAGE110
矩阵坐标为
Figure 229561DEST_PATH_IMAGE056
的元素值。
Figure 592410DEST_PATH_IMAGE090
定义同上。
隐藏层三降低了隐藏层二在空间上的尺度为源矩阵的1/4，尺度降低后，每个元素代表的图像空间范围更广，因此可以描述图像空间更宏观的特征。
A.5隐藏层三直接连接的下一层，定义为隐藏层的第四层，简称隐藏层四，记为
Figure DEST_PATH_IMAGE126
；
Figure 894078DEST_PATH_IMAGE126
包括1个大小为
Figure 316969DEST_PATH_IMAGE102
的矩阵，记为
Figure DEST_PATH_IMAGE128
。连接是指存在一个映射
Figure DEST_PATH_IMAGE130
，将
Figure 15673DEST_PATH_IMAGE100
中的若干节点映射到
Figure 854316DEST_PATH_IMAGE126
中的矩阵
Figure 807228DEST_PATH_IMAGE128
的某一个节点。
映射
Figure 135441DEST_PATH_IMAGE130
定义为如下的一组变换：
Figure DEST_PATH_IMAGE132
式(7)中，
Figure DEST_PATH_IMAGE134
表示
Figure 291747DEST_PATH_IMAGE100
中矩阵
Figure DEST_PATH_IMAGE136
坐标为
Figure 793136DEST_PATH_IMAGE082
的元素值，变换窗口的大小为5*5，k表示
Figure 538238DEST_PATH_IMAGE100
中矩阵的下标。
Figure DEST_PATH_IMAGE138
表示
Figure 286620DEST_PATH_IMAGE128
矩阵坐标为
Figure 179489DEST_PATH_IMAGE056
的元素值。
Figure DEST_PATH_IMAGE140
表示线性偏置项。
Figure 891093DEST_PATH_IMAGE090
定义同上。
式(7)映射的目标
Figure 818598DEST_PATH_IMAGE126
为其前续隐藏层元素的卷积核，构建了不同隐藏层之间的相关性。
A.6隐藏层四直接连接的下一层，定义为输出层O；
Figure DEST_PATH_IMAGE142
定义为1个大小为
Figure 973767DEST_PATH_IMAGE022
的矩阵。连接是指存在一个映射
Figure DEST_PATH_IMAGE144
，将
Figure 88354DEST_PATH_IMAGE126
中的若干节点映射到O中的某一个节点。
映射
Figure 134807DEST_PATH_IMAGE144
定义为如下的一组变换：
Figure DEST_PATH_IMAGE146
式(8)中，
Figure DEST_PATH_IMAGE148
表示矩阵
Figure 962824DEST_PATH_IMAGE128
坐标为
Figure DEST_PATH_IMAGE150
的元素值，
Figure DEST_PATH_IMAGE152
符号表示向下取距离
Figure DEST_PATH_IMAGE154
最近的整数数学符号。
Figure DEST_PATH_IMAGE156
表示矩阵O坐标为
Figure 616790DEST_PATH_IMAGE056
的元素值。
Figure 421935DEST_PATH_IMAGE090
定义同上。
矩阵O与输入源图像等尺寸，并且像素坐标之间一一对应。约定矩阵O中坐标为
Figure 6500DEST_PATH_IMAGE056
的元素的取值为：如果输入的一组图像的首张图像
Figure DEST_PATH_IMAGE158
中坐标为
Figure 174176DEST_PATH_IMAGE056
的像素属于高分子材料目标物，取值为1；否则，取值为0。
利用A.1-A.6所述模型，当输入一组检测图像时，模型将输出一等尺寸矩阵，矩阵每个位置的值代表输入图像对应位置上的像素是否属于高分子材料目标物，故可以自动检测出高分子材料目标物在图像中的位置。当高分子材料受到拉伸发生形变时，其在图像中像素分布也随之发生变化，可被上述方法检测出。故可通过图像像素的变化检测材料形变参数，并进一步推算性能。
上述神经网络模型中，各层映射中未知参数通过自主学习获得。准备若干组包含高分子材料的训练样本图像，并对每幅样本图像逐像素进行标记，若该像素属于高分子材料的一部分，标记为1，否则标记为0。将所有训练样本图像代入A.1-A.6所述模型，并计算预期值和真实值之差：
Figure DEST_PATH_IMAGE160
其中，
Figure DEST_PATH_IMAGE162
为一幅图像根据模型计算输出的预期值，
Figure DEST_PATH_IMAGE164
表示训练样本图像标记的真实值。参数
Figure DEST_PATH_IMAGE166
用于平抑噪声，作为优选值取
Figure DEST_PATH_IMAGE168
。代入所有训练样本图像，并通过BP算法求取式(9)的最优解，可求得神经网络模型A.1-A.6中所述各项参数。并进一步使用模型对性能检测过程中采集的输入图像进行检测。
步骤3：利用得到的标记矩阵以及其对应图像的采集时间，计算一定时序内材料的形变参数。
根据步骤2所述输出的高分子材料目标物标记矩阵，对任一图像采集时间的图像进行检测，并输出对应时间材料的性能检测结果。沿时序可获一组试验检测结果，作为高分子材料在试验过程中形变性能是否满足要求的依据。
步骤2所述神经网络模型的输出高分子材料目标物标记矩阵
Figure 763158DEST_PATH_IMAGE156
为一个二值矩阵，代表着高分子材料在图像中对应区域。为了获取材料的形状，采用Canny算法对
Figure 603069DEST_PATH_IMAGE156
进行边缘提取，可以获得一封闭曲线E，代表高分子材料的边缘。
通过对该边缘的任一点进行曲率检测等计算，即可获得材料的形变参数。由此，可以对任意时间段内的形变情况进行评估。
表1给出了通过本发明方法测量高分子材料四向拉伸形变的误差值，可见本发明方法的相对误差值在3%以下，精度较高。表2给出了本发明所提出的神经网络模型与经典神经网络图像检测模型的性能对比，可见本发明方法在材料像素检测率相当的前提下具有更高的计算效率。
表1、形变测量相对误差
Figure DEST_PATH_IMAGE170
表2、图像检测模型对比
Figure DEST_PATH_IMAGE172
本发明设计了专门适用于薄膜拉伸的算法和模型进行薄膜拉伸的识别和应变的检测，能够配合拉伸设备和拉伸方法使用，通过逐像素的标记提高了检测的精度，避免了常规图像算法必须要使用额外标记所带来的的材料的损坏，并且通过优化模型，在保证精度的同时，减小了运算负担。不仅可以用于后期检测，也可以与拉伸设备相配合用于拉伸工艺生产线中的在线检测，从而使得拉伸设备能够更精确地控制拉伸比。
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)

1.一种高分子复合多层材料的拉伸设备，其特征在于：包括
上夹持固定装置、下夹持固定装置，用来夹持待拉伸基膜；
上夹持固定装置外侧固定有上驱动装置，下夹持固定装置外侧固定有下驱动装置，上驱动装置的下表面为齿条结构，下驱动装置的上表面为齿条结构；
上驱动轮与上驱动装置啮合，上驱动轮转动带动上驱动装置左右移动；下驱动轮与下驱动装置啮合，下驱动轮转动带动下驱动装置左右移动；
上同步轮与上驱动轮啮合，从而使得上同步轮转动时带动上驱动轮转动；下同步轮与下驱动轮啮合，从而使得下同步轮转动时带动下驱动轮转动；上同步轮和下同步轮相互啮合，且两者半径相同，从而使得两者同步转动，转速相同；
其中，上驱动轮包括内轮和外轮，内轮半径小于外轮半径，即存在轮间差，外轮与下驱动轮半径相同，且外轮与上同步轮啮合转动，内轮与上驱动装置的齿条相互啮合；由此，在上同步轮和下同步轮以相同角速度同步转动时，上驱动轮的内轮、外轮以及下驱动轮均以相同角速度同步转动，但上驱动轮的内轮半径小，因此产生的线速度小，由此使得上驱动装置比下驱动装置移动位移小，在进行拉伸操作时，产生了上层拉伸力与下层拉伸力的差别；其中，内轮半径r与外轮半径R的大小关系应当符合轮间差H=(R-r)/R的要求，其中H<0.32%；
上摄像机和下摄像机，设置在待拉伸基膜上上表面上部和下表面下部，用于连续实时拍摄基膜在拉伸过程中的一系列上表面图像和下表面图像；
还包括处理器，用于接收上摄像机和下摄像机采集的一系列上表面图像和下表面图像，并利用神经网络模型对图像进行判别，从而确定拉伸是否符合预期要求。
2.如权利要求1所述的一种高分子复合多层材料的拉伸设备，其特征在于：上夹持固定装置和下夹持固定装置成对出现，构成夹持固定装置对。
3.如权利要求2所述的一种高分子复合多层材料的拉伸设备，其特征在于：夹持固定装置对在基膜的长度方向两侧或宽度方向两侧设置。
4.如权利要求1所述的一种高分子复合多层材料的拉伸设备，其特征在于： 还包括控制器，用于控制电机驱动上同步轮和下同步轮同步转动。
5.如权利要求4所述的一种高分子复合多层材料的拉伸设备，其特征在于：控制器存储有膜层-轮间差数据库。
6.如权利要求5所述的一种高分子复合多层材料的拉伸设备，其特征在于：控制器具有显示屏。
7.如权利要求6所述的一种高分子复合多层材料的拉伸设备，其特征在于：当用户输入膜层信息时，处理器查询数据库，并显示应当选择的具有合适轮间差数据的上驱动轮型号。
8.如权利要求1所述的一种高分子复合多层材料的拉伸设备，其特征在于：处理器为远程平台。
9.如权利要求5所述的一种高分子复合多层材料的拉伸设备，其特征在于：膜层-轮间差数据库存储有膜层成分-轮间差数据。
10.如权利要求5所述的一种高分子复合多层材料的拉伸设备，其特征在于：膜层-轮间差数据库存储有膜层力学特性值-轮间差。
CN202210526241.4A 2022-05-16 2022-05-16 一种高分子复合多层材料的拉伸设备 Active CN114654710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210526241.4A CN114654710B (zh) 2022-05-16 2022-05-16 一种高分子复合多层材料的拉伸设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210526241.4A CN114654710B (zh) 2022-05-16 2022-05-16 一种高分子复合多层材料的拉伸设备

Publications (2)

Publication Number Publication Date
CN114654710A CN114654710A (zh) 2022-06-24
CN114654710B true CN114654710B (zh) 2022-08-23

Family

ID=82037429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210526241.4A Active CN114654710B (zh) 2022-05-16 2022-05-16 一种高分子复合多层材料的拉伸设备

Country Status (1)

Country Link
CN (1) CN114654710B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5143679A (en) * 1991-02-28 1992-09-01 The Procter & Gamble Company Method for sequentially stretching zero strain stretch laminate web to impart elasticity thereto without rupturing the web
JP4228703B2 (ja) * 2003-01-20 2009-02-25 コニカミノルタホールディングス株式会社 位相差フィルムの製造方法
JP3747210B2 (ja) * 2003-11-18 2006-02-22 日東電工株式会社 光学フィルムの製造方法、光学フィルム、液晶表示装置および画像表示装置
JP4724481B2 (ja) * 2005-07-01 2011-07-13 出光ユニテック株式会社 二軸延伸フィルムの製造方法及び二軸延伸フィルム製造装置
CN104169757B (zh) * 2012-03-15 2017-08-18 日本瑞翁株式会社 相位差膜叠层体、相位差膜叠层体的制造方法以及相位差膜的制造方法
WO2014119457A1 (ja) * 2013-02-04 2014-08-07 日本ゼオン株式会社 積層位相差フィルム及びその製造方法
CN105722899A (zh) * 2013-09-03 2016-06-29 兴人薄膜与化学株式会社 冷成型用双轴拉伸尼龙膜
JP2020203483A (ja) * 2019-06-12 2020-12-24 宇部興産株式会社 延伸フィルムの変形量解析方法
CN110303740B (zh) * 2019-07-18 2024-08-09 昆山加浦包装材料有限公司 一种多层共挤出双向拉伸复合薄膜
US11597198B2 (en) * 2020-10-05 2023-03-07 Meta Platforms Technologies, Llc Methods of manufacturing optically anisotropic polymer thin films

Also Published As

Publication number Publication date
CN114654710A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN103220482B (zh) 一种全自由度调整投影画面位置及尺寸的方法
CN109615661A (zh) 光场相机内参数标定装置及方法
CN101394573B (zh) 一种基于特征匹配的全景图生成方法及系统
CN108090896B (zh) 木板平整度检测及其机器学习方法、装置及电子设备
JP7166189B2 (ja) 画像生成装置、検査装置及び画像生成方法
CN110895807A (zh) 用于评估图像的系统、运行辅助方法和工作设备
CN116990993B (zh) 一种lcd显示面板质量检测方法
CN110738644A (zh) 一种基于深度学习的汽车涂装表面缺陷检测方法及系统
CN115816471A (zh) 多视角3d视觉引导机器人的无序抓取方法、设备及介质
CN114654710B (zh) 一种高分子复合多层材料的拉伸设备
CN112767546A (zh) 移动机器人基于双目图像的视觉地图生成方法
CN115457026A (zh) 一种基于改进YOLOv5的纸病检测方法
CN111861949A (zh) 一种基于生成对抗网络的多曝光图像融合方法及系统
CN113706607B (zh) 一种基于圆环阵列图的亚像素定位方法、计算机设备与装置
CN113420776B (zh) 一种基于模型融合的多侧面联合检测物品分类方法
CN116385401B (zh) 一种高精度纺织品缺陷可视化检测方法
CN110567684B (zh) 一种能够用于抬头显示玻璃设计开发的检测系统及方法
CN117761060A (zh) 一种视觉检测系统及其检测方法
CN117252839A (zh) 基于改进YOLO-v7模型的纤维预浸料缺陷检测方法及系统
CN116343708A (zh) 一种消除动态图像色彩偏移的方法及系统
CN111486790A (zh) 一种电池全尺寸检测方法与装置
CN114633460B (zh) 一种聚酯膜的多向拉伸设备
CN115471482A (zh) 基于计算机视觉的小口径容器内壁缺陷检测方法
CN112903093B (zh) 基于深度学习的近场分布光度测量方法及装置
CN111912854B (zh) 基于振镜快速扫描的大面积表面缺陷光学检测系统及方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220624

Assignee: HENAN DAXINYUAN NEW MATERIAL Co.,Ltd.

Assignor: HENAN YINJINDA NEW MATERIALS CO.,LTD.

Contract record no.: X2023980037584

Denomination of invention: A Stretching Equipment for Polymer Composite Multilayer Materials

Granted publication date: 20220823

License type: Common License

Record date: 20230705

EE01 Entry into force of recordation of patent licensing contract