CN115453196A - 一种水性导电笔油墨电阻性能的测试方法 - Google Patents
一种水性导电笔油墨电阻性能的测试方法 Download PDFInfo
- Publication number
- CN115453196A CN115453196A CN202210967993.4A CN202210967993A CN115453196A CN 115453196 A CN115453196 A CN 115453196A CN 202210967993 A CN202210967993 A CN 202210967993A CN 115453196 A CN115453196 A CN 115453196A
- Authority
- CN
- China
- Prior art keywords
- ink
- resistance
- water
- based conductive
- color density
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 7
- 235000013405 beer Nutrition 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000976 ink Substances 0.000 description 77
- 238000004590 computer program Methods 0.000 description 5
- 238000001035 drying Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000001739 density measurement Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000011358 absorbing material Substances 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007646 gravure printing Methods 0.000 description 1
- 238000007641 inkjet printing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007650 screen-printing Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明提供一种水性导电笔油墨电阻性能的测试方法,其特征在于:引入色密度指标对待测水性油墨性能进行表征,所述色密度通过提取油墨打印到纸上形成图案或字迹油墨的密集度得到,采用比尔朗伯定律定量描述;通过结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断。本发明提引入色密度指标对待测水性油墨性能进行表征,克服传统技术方案因仅凭方阻与黏度对油墨电阻测量精确度不够的缺陷。
Description
技术领域
本发明涉及一种水性导电笔油墨电阻性能的测试方法。
背景技术
近些年柔性印刷电子技术已经广泛应用于生物传感器、电化学、储能设备、电子皮肤等领域。随着各种新型纳米导电油墨的出现,纳米压印、喷墨印刷、丝网印刷、凹版印刷等技术也相继被采用来制备更理想的柔性电子器件。柔性电子器件的广泛应用使得人们不得不考虑如何更低成本又便捷的制备柔性电子器件。最近A.Russo等研究者提出了直接用笔绘制柔性电子器件的方法,这种特殊的直接用笔绘制的方式,可以灵活、即时的通过简单的手绘,直接绘制脑海中想象的柔性电子器件。手画的优势是可以根据需求快速有效的设计器件结构、尺寸等,还可以在人体皮肤或在一些不合适印刷的凹凸不平的曲面,直接手绘电子器件。然而,手绘电子器件的电阻测量问题却鲜有人提及,缺乏相关研究。
发明内容
为了解决上述现有技术中存在的不足,本发明提出了一种水性导电笔油墨电阻性能的测试方法。引入色密度指标对待测水性油墨性能进行表征,因仅凭方阻与黏度对油墨电阻测量精确度不够。
为了实现上述目的,本发明提出一种水性导电笔油墨电阻性能的测试方法,引入色密度指标对待测水性油墨性能进行表征,所述色密度通过提取油墨打印到纸上形成图案或字迹油墨的密集度得到,采用比尔朗伯定律定量描述;通过结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断。
而且,结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断,实现方式为通过人工神经网络模型对线阻值进行估计。
而且,对人工神经网络模型采用误差修正、inner-take-all规则进行比较优化,得出优化变量参数。
而且,所述人工神经网络模型采用负反馈人工神经网络BPANN。
或者,所述结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断,实现方式为采用非线性拟合对线阻值进行估计。
而且,对非线性拟合采用Henmiter插值、最小二乘进行模型优化,得出优化变量参数。
或者,所述结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断,实现方式为分别通过非线性拟合和人工神经网络模型对线阻值进行估计,并通过交叉检测验证精度。
本发明考虑到,传统表征油墨导电性的指标主要为方阻、电导率,不能直接表征划线电阻阻值。因方阻与划线阻值非一一对应,还与厚度、油墨流动性等有关。虽方阻与划线电阻均与油墨电学性质相关,但并非完全一致。因电导率不是影响划线电阻的唯一因素,诸多其他因素对其亦有重大影响,如油墨流动性及墨层厚度。油墨流动性一般可用黏度指标加以表征,通过粘度计可轻易测试其数值。仅靠方阻与粘度对划线电阻估量不够准确,试引入墨层厚度指标。因通过导电笔写出来的油墨形貌立体,具有一定厚度,而厚度亦为电阻重要影响因素,与划线电阻关系密切。然油墨厚度难以精确测量。根据比尔朗伯定律,色密度与墨层厚度成正比,故可反映墨层厚度。最终选择色密度、方阻、粘度三因素对油墨划线电阻进行估计。通过非线性拟合与人工神经网络对线阻阻值进行估计,模型R-squared分别为0.963和0.9995,并通过交叉检测验证了模型的准确度。
与现有技术相比,本发明的有益效果在于:
1)与方阻测量相比,能够更准确地对线阻进行估计测量。虽然方阻和电阻都与油墨的电学性质有关,但并非完全一致。因电导率不是影响划线电阻唯一因素,诸多其他因素对其亦有重大影响,如书写速度、书写角度、基底材料等。
2)仅靠方阻对划线电阻表征不够准确。同时引入方阻、黏度、色密度三指标对电阻进行估计,其精度较单一方阻估计更高。色密度指油墨打印到纸上形成图案或字迹油墨的密集度。可用比尔朗伯公式定量描述。其与油墨厚度呈线性关系。故色密度的引入可解决墨层厚度难以测量的问题。
3)运用非线性拟合、人工神经网络等模型,结合方阻、色密度、黏度等因素预估划线阻值提高模型预估精度并通过交叉验证对其验证-模型。实验数据引入非线性拟合、人工神经网络模型,分别对非线性拟合采用Henmiter插值、最小二乘等进行模型优化,对人工神经网络采用误差修正、Winner-take-all规则进行比较优化,得出优化变量参数。
4)本发明方案实施简单方便,实用性强,解决了相关技术存在的实用性低及实际应用不便的问题,能够提高用户体验,具有重要的市场价值。
具体实施方式
以下结合实施例具体说明本发明的技术方案。
本发明实施例提出一种水性导电笔油墨电阻性能的测试方法,引入色密度指标对待测水性油墨性能进行表征,因仅凭方阻与黏度对油墨电阻测量精确度不够。色密度指油墨打印到纸上形成图案或字迹油墨的密集度。可用比尔朗伯定律定量描述。故最终通过方阻、黏度、色密度三指标对水性导电油墨电阻性能进行判断。
本发明进一步提出,通过结合色密度、方阻、粘度三因素,结合非线性拟合、人工神经网络等方法,构建划线电阻与上述变量之间的数学关系,实现以上述因素对划线电阻阻值的估计。导电油墨是一个受粘度、湿度等多种因素影响的复杂体系。本发明中通过一些容易测量且重要的油墨指数来估计写在纸张基材上的油墨痕迹的电阻。为了保持测量的准确性,必须保持外部因素不变。因为写在基底上的油墨电阻不仅受到油墨本身的影响,还受到众多外部因素的影响,如书写速度、书写角度、基底材料等。一般认为油墨的导电性能与其内部的导电粒子浓度相关,导电粒子相互形成通路使得油墨具有导电性能。通常情况下,导电油墨的电学性能表征方式是通过方阻(Rsq)或电导率(c)。虽然方阻和划线电阻都与油墨的电学性质有关,但它们并不完全一致。因为电导率不是影响划线电阻的唯一因素,还有许多其他因素对其值有重大影响,如油墨的流动性及墨层的厚度。油墨的流动性一般是用黏度这一指标加以表征,通过粘度计可以很容易地测试出来。考虑到仅靠方阻与粘度对划线电阻估量不够准确,本发明尝试引入墨层厚度这一指标。通过导电笔写出来的油墨其形貌是立体的,具有一定的厚度,而厚度亦为电阻的重要影响因素,其与划线电阻的关系密切,外部因素如书写速度、书写角度均或多或少通过影响膜层厚度来影响划线电阻阻值。然而,油墨的厚度很难用千分尺进行精确测量。因为在大多数情况下,写在纸上的油墨厚度很薄(通常为10-50微米)。此外,电子笔在划线时不可避免地会在纸面留下凹痕,这使得油墨厚度的测量更加困难。因此,要么寻找一种能够容易、准确测量油墨厚度的方法,要么寻找一容易测量而又与油墨厚度密切联系的变量来代替它。色密度是指油墨打印到纸上形成图案或字迹时油墨的密集性,根据朗伯-比尔定律,油墨的色密度一般表达式如式
ρ=λcl
由上式,色密度与摩尔衰减系数λ、吸光物质体积摩尔浓度c、吸光材料的厚度l直接相关,即色密度与墨层厚度成正比。故可反映油墨的厚度。最终选择色密度、方阻、粘度三因素对油墨划线电阻进行估计。
实施例采用的测试过程如下:
1)测量线阻:在测量线阻前需进行划线。实施例的具体实现包括以下子步骤:
1.1)设置机器参数(优选设置书写速度500mm/min,书写角度90°)并保持一致,排除外部因素。依次从左至右划线,重复上述划线操作,得若干划线样本。
具体实施时,书写速度建议设置为200-2000mm/min,角度建议设置为45-135°。具体实施时,可以设置机械控制自动划线,或者根据软件指示由用户划线。
1.2)室温下静置,待自然干燥后,用万用表测量每一条线中间的线阻并记录,每一油墨样本测若干条线,每条线测量多次。
具体实施时,建议静置10分钟以上,用万用表测量每一条线中间5-15cm的线阻,每一油墨样本测3-5条线。
实施例中,优选方案是室温下静置30分钟,待自然干燥后,用万用表测量每一条线中间10cm的线阻并记录,每一油墨样本测5条线,每条线测量三次。
2)色密度测量:色密度测量需预先规划黑色墨块,然后用导电笔画出油墨相同色块,。
具体实施时,建议画出油墨色块静置10分钟以上,每一油墨样本测量3-5个色块。
可以采用应用程序软件预先设置墨块大小(一般取最小值,例如2cm×2cm)使各色块大小保持一致。用导电笔在A4纸上通过程序控制自动画出油墨相同色块,室温下静置干燥30分钟。待完全干燥后,准备开始测试。将色差仪贴附于A4纸,单机测量环境样本,去除环境因素。后将其置于色块上方,单击测量,得到所需色密度数据,每一油墨样本测量5个色块,每一色块测量三次,得所需数据。
3)建模拟合:
本发明提出可以运用非线性拟合、人工神经网络等模型,结合方阻、色密度、黏度等因素预估划线阻值。实验数据引入非线性拟合、人工神经网络模型,进一步地分别对非线性拟合采用Henmiter插值、最小二乘等进行模型优化,对人工神经网络采用误差修正、Winner-take-all规则进行比较优化,得出优化变量参数。
实施例中,通过线性拟合对三因素与变量之间的线性关系进行探讨,发现其拟合系数Rsquared为0.869,不是很高。这可能是某些指标与因变量之间存在非线性关系的结果。
因此,应用非线性回归模型来检验这一假设。用x1、x2、x3表示Rsq、ν、ρ,利用下列模型探讨了指数之间可能的二次关系:
其中,
n代表因素数,此处为3;i,j=1,2,3;
x代表某一因素(x1、x2、x3分别代表Rsq、ν、ρ),xi、xj代表某一因素;
y为模型所得线阻值;
α、βi、β(i,j)、βii为拟合参数,由拟合模型结果给出,其中α为常数项参数,βi为一次项参数,β(i,j)为交叉项参数,βii为二次项参数。
在非线性模型中,变量之间的存在交互关系,其系数验证了该项存在的重要性。这也可以部分解释该模型拟合效果较好的原因。此外,二次项系数的显著性也为这些因素之间存在非线性关系的假设提供了有力的证据。
表2非线性拟合结果
根据表2,模型R square为0.963,远远高于线性估计模型(0.869)。为了验证模型的有效性,选取5个具有不同线阻的样本,并将实验结果及估计结果列于表3。
表3非线性方程系数值
将每个变量值输入上述非线性回归方程,便可得出结果的估计值。从表中4可以看出,误差控制在6%以内。故认为回归方程的准确性良好。
表4模型测试结果
此外,还通过负反馈人工神经网络(BPANN)对线阻值进行估计。人工神经网络隐藏层的神经元数目对预测结果的准确度有十分重要的影响。因此有必要对神经元数目的选择进行探究。所应用模型的神经元数量设置从1到8不等。其拟合均方差的结果显示,隐层中的四个神经元在R-squared(0.9995)和MSE(0.008004)方面获得了最佳的性能。人工神经网络无法提供具体的数学方程,然而,与非线性回归模型相比,人工神经网络的R-squared和MSE的观测精度更高。实验数据记录如下:
表5实验数据
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种水性导电笔油墨电阻性能的测试系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种水性导电笔油墨电阻性能的测试方法。
在一些可能的实施例中,提供一种水性导电笔油墨电阻性能的测试系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种水性导电笔油墨电阻性能的测试方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种水性导电笔油墨电阻性能的测试方法,其特征在于:引入色密度指标对待测水性油墨性能进行表征,所述色密度通过提取油墨打印到纸上形成图案或字迹油墨的密集度得到,采用比尔朗伯定律定量描述;通过结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断。
2.根据权利要求1所述水性导电笔油墨电阻性能的测试方法,其特征在于:所述结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断,实现方式为通过人工神经网络模型对线阻值进行估计。
3.根据权利要求2所述水性导电笔油墨电阻性能的测试方法,其特征在于:对人工神经网络模型采用误差修正、inner-take-all规则进行比较优化,得出优化变量参数。
4.根据权利要求2或3所述水性导电笔油墨电阻性能的测试方法,其特征在于:所述人工神经网络模型采用负反馈人工神经网络BPANN。
5.根据权利要求1所述水性导电笔油墨电阻性能的测试方法,其特征在于:所述结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断,实现方式为采用非线性拟合对线阻值进行估计。
6.根据权利要求5述水性导电笔油墨电阻性能的测试方法,其特征在于:对非线性拟合采用Henmiter插值、最小二乘进行模型优化,得出优化变量参数。
7.根据权利要求1所述水性导电笔油墨电阻性能的测试方法,其特征在于:所述结合方阻、黏度和色密度对水性导电油墨电阻性能进行判断,实现方式为分别通过非线性拟合和人工神经网络模型对线阻值进行估计,并通过交叉检测验证精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967993.4A CN115453196B (zh) | 2022-08-12 | 2022-08-12 | 一种水性导电笔油墨电阻性能的测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967993.4A CN115453196B (zh) | 2022-08-12 | 2022-08-12 | 一种水性导电笔油墨电阻性能的测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115453196A true CN115453196A (zh) | 2022-12-09 |
CN115453196B CN115453196B (zh) | 2024-06-14 |
Family
ID=84298313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967993.4A Active CN115453196B (zh) | 2022-08-12 | 2022-08-12 | 一种水性导电笔油墨电阻性能的测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115453196B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298645A (ja) * | 2001-03-29 | 2002-10-11 | Alps Electric Co Ltd | 抵抗インクと抵抗体、及びそれを用いた歪み抵抗素子とこの歪み抵抗素子の製造方法 |
WO2009145788A1 (en) * | 2008-05-30 | 2009-12-03 | Hewlett-Packard Development Company | Method for measuring conductivity of ink |
CN102928671A (zh) * | 2012-11-13 | 2013-02-13 | 大连太平洋电子有限公司 | 一种印制线路板导电油墨阻值的测试方法 |
CN104569592A (zh) * | 2013-10-11 | 2015-04-29 | 大连太平洋电子有限公司 | 一种压力传感式导电油墨阻值的测试方法 |
CN113628821A (zh) * | 2021-08-08 | 2021-11-09 | 西安瑞特三维科技有限公司 | 一种3d打印电阻的制备及阻值调整方法 |
-
2022
- 2022-08-12 CN CN202210967993.4A patent/CN115453196B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298645A (ja) * | 2001-03-29 | 2002-10-11 | Alps Electric Co Ltd | 抵抗インクと抵抗体、及びそれを用いた歪み抵抗素子とこの歪み抵抗素子の製造方法 |
WO2009145788A1 (en) * | 2008-05-30 | 2009-12-03 | Hewlett-Packard Development Company | Method for measuring conductivity of ink |
CN102928671A (zh) * | 2012-11-13 | 2013-02-13 | 大连太平洋电子有限公司 | 一种印制线路板导电油墨阻值的测试方法 |
CN104569592A (zh) * | 2013-10-11 | 2015-04-29 | 大连太平洋电子有限公司 | 一种压力传感式导电油墨阻值的测试方法 |
CN113628821A (zh) * | 2021-08-08 | 2021-11-09 | 西安瑞特三维科技有限公司 | 一种3d打印电阻的制备及阻值调整方法 |
Non-Patent Citations (1)
Title |
---|
朱先梅;丁瑾;: "pH值对水性油墨印刷质量的影响", 中华纸业, no. 02, 23 January 2017 (2017-01-23) * |
Also Published As
Publication number | Publication date |
---|---|
CN115453196B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103854305B (zh) | 一种基于多尺度建模的模型传递方法 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
Hong et al. | A new method of artificial latent fingerprint creation using artificial sweat and inkjet printer | |
CN111145163A (zh) | 一种纸张褶皱缺陷检测方法及装置 | |
CN108519314A (zh) | 一种基于数字图像处理的纸张孔隙率测量与孔径分析方法 | |
CN115438584A (zh) | 一种基于深度学习的翼型气动力预测方法 | |
CN103076334A (zh) | 一种定量评价数字印刷线条与文本感知质量的方法 | |
CN115453196B (zh) | 一种水性导电笔油墨电阻性能的测试方法 | |
CN109992928B (zh) | 一种建立书画纸输出质量预测模型的方法 | |
CN109799440B (zh) | 基于高光谱技术的绝缘子污层电导检测方法 | |
CN113903407A (zh) | 成分识别方法、装置、电子设备和存储介质 | |
CN112326187A (zh) | 一种应用液晶涂层和深度学习算法测量摩擦力场的方法 | |
CN108694375A (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
CN108171002A (zh) | 一种基于半监督混合模型的聚丙烯熔融指数预测方法 | |
CN111832401A (zh) | 一种电子阅卷识别方法 | |
CN113191073B (zh) | 一种基于bp神经网络的光学特性参数反演方法 | |
CN111027891A (zh) | 印刷原辅材料质量管控方法 | |
CN115409841A (zh) | 一种基于视觉的印刷品检验方法 | |
CN115527067A (zh) | 一种图文印刷物内容校验方法、系统及存储介质 | |
CN114299323A (zh) | 一种结合机器视觉与深度学习技术的印刷品缺陷检测方法 | |
RU2478198C1 (ru) | Способ определения давности события создания объекта, содержащего целлюлозу, метка давности события ее создания на поверхности изделия и способ защиты изделия от фальсификации давности события его создания | |
US10012607B2 (en) | Determination of the remoteness of an event of a man made object creation for protection against falsification | |
Omori et al. | Estimated distribution of specific membrane resistance in hippocampal CA1 pyramidal neuron | |
CN102944653A (zh) | 一种基于Learn++的浆纱过程上浆率软测量 | |
RU2533315C1 (ru) | Способ определения возраста штрихов красящих веществ реквизитов документов по динамике их выцветания |
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 |