CN115761311B - Pvc钙锌稳定剂的性能检测数据分析方法及系统 - Google Patents
Pvc钙锌稳定剂的性能检测数据分析方法及系统 Download PDFInfo
- Publication number
- CN115761311B CN115761311B CN202211367988.6A CN202211367988A CN115761311B CN 115761311 B CN115761311 B CN 115761311B CN 202211367988 A CN202211367988 A CN 202211367988A CN 115761311 B CN115761311 B CN 115761311B
- Authority
- CN
- China
- Prior art keywords
- image
- key information
- information representative
- stabilizer
- liquid
- 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
Links
- 239000003381 stabilizer Substances 0.000 title claims abstract description 334
- IHBCFWWEZXPPLG-UHFFFAOYSA-N [Ca].[Zn] Chemical compound [Ca].[Zn] IHBCFWWEZXPPLG-UHFFFAOYSA-N 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000007405 data analysis Methods 0.000 title claims abstract description 18
- 239000007788 liquid Substances 0.000 claims abstract description 247
- 238000012545 processing Methods 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 56
- 230000006872 improvement Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 334
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000005065 mining Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 10
- 238000011056 performance test Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000843 powder Substances 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 159000000007 calcium salts Chemical class 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 150000003751 zinc Chemical class 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供的PVC钙锌稳定剂的性能检测数据分析方法及系统，涉及数据处理技术领域。在本发明中，形成液体PVC钙锌稳定剂对应的稳定剂图像集合；分别对稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出对应的提升液体稳定剂图像；分别对稳定剂图像集合包括的每一个液体稳定剂图像和对应的提升液体稳定剂图像进行图像识别处理，以输出每一个液体稳定剂图像对应的初始性能识别结果和每一个提升液体稳定剂图像对应的初始性能识别结果，再依据对应的初始性能识别结果进行融合，以输出液体PVC钙锌稳定剂对应的目标性能识别结果。基于上述内容，可以改善现有技术中存在的透明度确定的可靠度不高的问题。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种PVC钙锌稳定剂的性能检测数据分析方法及系统。
背景技术
钙锌稳定剂由钙盐、锌盐、润滑剂、抗氧剂等为主要组分采用特殊复合工艺而合成。它不但可以取代铅镉盐类和有机锡类等有毒稳定剂，而且具有相当好的热稳定性、光稳定性和透明性及着色力。实践证明，在 PVC 树脂制品中，加工性能好，热稳定作用相当于铅盐类稳定剂，是一种良好的无毒稳定剂。其中，液体钙锌稳定剂的外观主要呈浅黄色油状液体。粉体钙锌稳定剂与液体钙锌稳定剂的稳定性的差别不大，液体钙锌稳定剂通常具有较大的溶解度，并且，在PVC树脂粉中有良好的分散性，对透明度的影响也远远小于粉体稳定剂。因此，液体钙锌稳定剂也有诸多的应用，但是，在一些应用中，还是需要对液体钙锌稳定剂的透明度进行确定，例如，在现有技术中，基于人工进行识别，使得存在可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种PVC钙锌稳定剂的性能检测数据分析方法及系统，以改善存在的透明度确定的可靠度不高的问题。
为实现上述目的，本发明实施例采用如下技术方案：
一种PVC钙锌稳定剂的性能检测数据分析方法，所述PVC钙锌稳定剂的性能检测数据分析方法包括：
对待进行性能分析的液体PVC钙锌稳定剂从多个角度进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合，所述稳定剂图像集合包括每一个角度对应的至少一个液体稳定剂图像；
分别对所述稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出每一个所述液体稳定剂图像对应的提升液体稳定剂图像；
分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，再依据每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果进行融合，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果，所述目标性能识别结果用于反映具有的透明度性能信息。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述对待进行性能分析的液体PVC钙锌稳定剂从多个角度进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合的步骤，包括：
在待进行性能分析的液体PVC钙锌稳定剂存放于目标透明容器内部之后，确定出多个角度，使得所述多个角度能够覆盖所述目标透明容器；
对所述液体PVC钙锌稳定剂从所述多个角度分别进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述分别对所述稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出每一个所述液体稳定剂图像对应的提升液体稳定剂图像的步骤，包括：
对所述液体稳定剂图像进行关键信息挖掘处理，以挖掘出所述液体稳定剂图像对应的图像关键信息代表向量；
基于频率域层面，对所述图像关键信息代表向量进行拆分处理，形成所述图像关键信息代表向量对应的至少两个局部图像关键信息代表向量；
依据所述至少两个局部图像关键信息代表向量在频率域层面具有的先后相关性信息，分别分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量，所述先后相关性信息用于反映基于前第一数量个局部图像关键信息代表向量分析出先后排序为第一数量的估计局部图像关键信息代表向量的估计对应信息；
对所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量进行向量融合还原操作，以输出所述液体稳定剂图像对应的提升液体稳定剂图像。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述依据所述至少两个局部图像关键信息代表向量在频率域层面具有的先后相关性信息，分别分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，包括：
对所述液体稳定剂图像进行图像有效性识别处理，以形成所述液体稳定剂图像对应的有效液体稳定剂图像；
对所述有效液体稳定剂图像进行关键信息挖掘处理，以输出所述有效液体稳定剂图像对应的有效图像关键信息代表向量；
基于频率域层面，对所述有效图像关键信息代表向量进行拆分处理，以输出所述有效图像关键信息代表向量对应至少两个有效局部图像关键信息代表向量，所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面一一对应；
依据所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面的融合先后相关性信息，分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量，所述融合先后相关性信息用于反映基于前第一数量个局部图像关键信息代表向量和前第一数量个有效局部图像关键信息代表向量分析出先后排序为第一数量的估计局部图像关键信息代表向量的估计对应信息。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述依据所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面的融合先后相关性信息，分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，包括：
融合前第一数量个有效局部图像关键信息代表向量，以输出先后排序为第一数量的有效局部图像关键信息代表向量对应的有效融合局部图像关键信息代表向量，并融合前第一数量个局部图像关键信息代表向量，以输出先后排序为第一数量的局部图像关键信息代表向量对应的融合局部图像关键信息代表向量；
依据所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量，分析输出先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述依据所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量，分析输出先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，包括：
对所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量进行向量转换操作，以输出先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果；
融合所述先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果和所述先后排序为第一数量的局部图像关键信息代表向量，以输出所述先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述对所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量进行向量转换操作，以输出先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果的步骤，包括：
将所述融合局部图像关键信息代表向量确定为预先配置的目标数据筛选神经网络的待分析数据，并将所述有效融合局部图像关键信息代表向量确定为所述目标数据筛选神经网络的分析结果数据，以分析出所述目标数据筛选神经网络具有的目标分析参数；
对所述目标分析参数进行标记操作，以形成所述先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述对所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量进行向量融合还原操作，以输出所述液体稳定剂图像对应的提升液体稳定剂图像的步骤，包括：
对所述至少两个估计局部图像关键信息代表向量进行向量融合操作，以形成所述至少两个估计局部图像关键信息代表向量对应的估计图像关键信息代表向量；
对所述估计图像关键信息代表向量进行向量还原处理，以输出所述液体稳定剂图像对应的提升液体稳定剂图像。
在一些优选的实施例中，在上述PVC钙锌稳定剂的性能检测数据分析方法中，所述分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，再依据每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果进行融合，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果的步骤，包括：
利用目标图像识别神经网络，分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，所述目标图像识别神经网络基于示例性液体稳定剂图像和所述示例性液体稳定剂图像对应的实际性能数据进行网络优化处理形成；
对每一个所述液体稳定剂图像对应的初始性能识别结果进行均值融合处理，以输出所述液体PVC钙锌稳定剂对应的第一性能识别结果；
对每一个所述提升液体稳定剂图像对应的初始性能识别结果进行均值融合处理，以输出所述液体PVC钙锌稳定剂对应的第二性能识别结果；
对所述第一性能识别结果和所述第二性能识别结果进行加权融合处理，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果。
本发明实施例还提供一种PVC钙锌稳定剂的性能检测数据分析系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的方法。
本发明实施例提供的一种PVC钙锌稳定剂的性能检测数据分析方法及系统，可以先形成液体PVC钙锌稳定剂对应的稳定剂图像集合；分别对稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出对应的提升液体稳定剂图像；分别对稳定剂图像集合包括的每一个液体稳定剂图像和对应的提升液体稳定剂图像进行图像识别处理，以输出每一个液体稳定剂图像对应的初始性能识别结果和每一个提升液体稳定剂图像对应的初始性能识别结果，再依据对应的初始性能识别结果进行融合，以输出液体PVC钙锌稳定剂对应的目标性能识别结果。基于此，通过对液体稳定剂图像进行质量提升操作以输出对应的提升液体稳定剂图像，然后，再每一个液体稳定剂图像和对应的提升液体稳定剂图像进行图像识别处理。最后再进行初始性能识别结果的融合，使得最后得到的目标性能识别结果对应的识别依据更为充分，从而保障目标性能识别结果对应的可靠度，进而改善现有技术中存在的透明度确定的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的PVC钙锌稳定剂的性能检测数据分析系统的结构框图。
图2为本发明实施例提供的PVC钙锌稳定剂的性能检测数据分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的PVC钙锌稳定剂的性能检测数据分析装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种PVC钙锌稳定剂的性能检测数据分析系统。其中，所述性能检测数据分析系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例（如后文所述）提供的PVC钙锌稳定剂的性能检测数据分析方法。
举例来说，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
举例来说，在一些实施方式中，所述PVC钙锌稳定剂的性能检测数据分析系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种PVC钙锌稳定剂的性能检测数据分析方法，可应用于上述PVC钙锌稳定剂的性能检测数据分析系统。其中，所述PVC钙锌稳定剂的性能检测数据分析方法有关的流程所定义的方法步骤，可以由所述PVC钙锌稳定剂的性能检测数据分析系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤110，对待进行性能分析的液体PVC钙锌稳定剂从多个角度进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合。
在本发明实施例中，所述PVC钙锌稳定剂的性能检测数据分析系统可以对待进行性能分析的液体PVC钙锌稳定剂从多个角度进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合。所述稳定剂图像集合包括每一个角度对应的至少一个液体稳定剂图像。
步骤120，分别对所述稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出每一个所述液体稳定剂图像对应的提升液体稳定剂图像。
在本发明实施例中，所述PVC钙锌稳定剂的性能检测数据分析系统可以分别对所述稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出每一个所述液体稳定剂图像对应的提升液体稳定剂图像。
步骤130，分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，再依据每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果进行融合，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果。
在本发明实施例中，所述PVC钙锌稳定剂的性能检测数据分析系统可以分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，再依据每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果进行融合，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果。所述目标性能识别结果用于反映具有的透明度性能信息。
基于此（即上述的步骤110、步骤120和步骤130），通过对液体稳定剂图像进行质量提升操作以输出对应的提升液体稳定剂图像，然后，再每一个液体稳定剂图像和对应的提升液体稳定剂图像进行图像识别处理。最后再进行初始性能识别结果的融合，使得最后得到的目标性能识别结果对应的识别依据更为充分，从而保障目标性能识别结果对应的可靠度，进而改善现有技术中存在的透明度确定的可靠度不高的问题。
举例来说，在一些实施方式中，上述的步骤110，可以进一步包括：
在待进行性能分析的液体PVC钙锌稳定剂存放于目标透明容器内部之后，确定出多个角度，使得所述多个角度能够覆盖所述目标透明容器（例如，对应的图像采集设备域所述液体PVC钙锌稳定剂与所述目标透明容器之间的距离越近，则所述多个角度的数量就越多）；
对所述液体PVC钙锌稳定剂从所述多个角度分别进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合。
举例来说，在一些实施方式中，上述的步骤120，可以进一步包括：
对所述液体稳定剂图像进行关键信息挖掘处理，以挖掘出所述液体稳定剂图像对应的图像关键信息代表向量（示例性地，可以将所述液体稳定剂图像加载到关键信息挖掘网络中，分析输出所述液体稳定剂图像对应的图像关键信息代表向量；或者，在对液体稳定剂图像进行分割处理之后，通过关键信息挖掘网络，对每一个局部液体稳定剂图像进行关键信息挖掘处理，再通过拼接形成所述液体稳定剂图像对应的图像关键信息代表向量；另外，所述关键信息挖掘网络可以是一种编码网络，以将数据格式的所述液体稳定剂图像，转换为向量形式的图像关键信息代表向量）；
基于频率域层面（自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图；频谱图描述了信号的频率结构及频率与该频率信号幅度的关系；也就是说，所述图像关键信息代表向量可以是对所述液体稳定剂图像对应的频谱图进行关键信息挖掘处理以得到；或者说，也可以是将对应频率信息作为进行拆分处理的依据），对所述图像关键信息代表向量进行拆分处理，形成所述图像关键信息代表向量对应的至少两个局部图像关键信息代表向量（使得所述图像关键信息代表向量被拆分为一系列局部图像关键信息代表向量，如一个局部图像关键信息代表向量序列，包括第一个局部图像关键信息代表向量、第二个局部图像关键信息代表向量、第三个局部图像关键信息代表向量等）；
依据所述至少两个局部图像关键信息代表向量在频率域层面具有的先后相关性信息（即先后关系或排序关系），分别分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量，所述先后相关性信息用于反映基于前第一数量个局部图像关键信息代表向量分析出先后排序为第一数量的估计局部图像关键信息代表向量的估计对应信息（也就是说，在确定先后排序为第一数量的局部图像关键信息代表向量对应的先后排序为第一数量的估计局部图像关键信息代表向量时，不仅仅将先后排序为第一数量的局部图像关键信息代表向量作为依据，而是将频率域层面上前第一数量个局部图像关键信息代表向量都作为依据，以进行整体上的估计）；
对所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量进行向量融合还原操作（示例性地，所述向量融合还原操作可以与前述的关键信息挖掘处理和拆分处理相反），以输出所述液体稳定剂图像对应的提升液体稳定剂图像。
举例来说，在一些实施方式中，所述基于频率域层面，对所述图像关键信息代表向量进行拆分处理，形成所述图像关键信息代表向量对应的至少两个局部图像关键信息代表向量的步骤，可以进一步包括：
基于图像空间层面（空间域又称图像空间，image space，由图像像元组成的空间。其中，在图像空间中以长度，即距离，为自变量直接对像元值进行处理称为空间域处理），对所述液体稳定剂图像对应的图像关键信息代表向量进行向量分类操作，以形成至少两个分类结果中的每一个分类结果对应的分类图像关键信息代表向量（另外，在对所述图像关键信息代表向量进行向量分类操作时，可以基于等尺寸的原则对所述图像关键信息代表向量进行向量分类操作，使得得到的每一个分类图像关键信息代表向量的向量尺寸都等于预先配置的目标尺寸，维度可以保持不变）；
基于频率域层面，对所述分类图像关键信息代表向量进行拆分处理，以在每一个图像空间区间内形成所述分类图像关键信息代表向量对应的至少两个局部分类图像关键信息代表向量（示例性地，在所述至少两个局部分类图像关键信息代表向量中，每两个局部分类图像关键信息代表向量的的向量尺寸和维度可以都是相同的）；
分别对每一个图像空间区间内形成的所述至少两个局部分类图像关键信息代表向量进行标记，以形成对应一个局部图像关键信息代表向量，以形成所述图像关键信息代表向量对应的至少两个局部图像关键信息代表向量（也就是说，将同一个图像空间区间内的至少两个局部分类图像关键信息代表向量标记为一个局部图像关键信息代表向量）。
举例来说，在一些实施方式中，所述依据所述至少两个局部图像关键信息代表向量在频率域层面具有的先后相关性信息，分别分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，可以进一步包括：
对所述液体稳定剂图像进行图像有效性识别处理，以形成所述液体稳定剂图像对应的有效液体稳定剂图像（示例性地，所述图像有效性识别处理，可以是对所述液体稳定剂图像进行图像噪声消除处理，具体的图像噪声消除处理方式可以参照相关的现有技术，在此不做具体限定）；
对所述有效液体稳定剂图像进行关键信息挖掘处理（如前相关描述），以输出所述有效液体稳定剂图像对应的有效图像关键信息代表向量；
基于频率域层面，对所述有效图像关键信息代表向量进行拆分处理（如前相关描述），以输出所述有效图像关键信息代表向量对应至少两个有效局部图像关键信息代表向量，所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面一一对应；
依据所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面的融合先后相关性信息，分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量，所述融合先后相关性信息用于反映基于前第一数量个局部图像关键信息代表向量和前第一数量个有效局部图像关键信息代表向量分析出先后排序为第一数量的估计局部图像关键信息代表向量的估计对应信息（即对应关系）。
举例来说，在一些实施方式中，所述依据所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面的融合先后相关性信息，分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，可以进一步包括：
融合前第一数量个有效局部图像关键信息代表向量，以输出先后排序为第一数量的有效局部图像关键信息代表向量对应的有效融合局部图像关键信息代表向量，并融合前第一数量个局部图像关键信息代表向量，以输出先后排序为第一数量的局部图像关键信息代表向量对应的融合局部图像关键信息代表向量（示例性地，此步骤中的融合可以是指叠加或拼接，只要两个融合的具体方式一致即可，另外，“融合前第一数量个有效局部图像关键信息代表向量”可以是指，将前3个有效局部图像关键信息代表向量进行叠加或拼接，以得到第3个有效局部图像关键信息代表向量对应的有效融合局部图像关键信息代表向量；以及，“融合前第一数量个局部图像关键信息代表向量”可以是指，将前3个局部图像关键信息代表向量进行叠加或拼接，以得到第3个局部图像关键信息代表向量对应的融合局部图像关键信息代表向量）；
依据所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量，分析输出先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量（示例性地，可以对所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量进行拼接或叠加，以输出先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量，或者，也可以是其它处理方式）。
举例来说，在一些实施方式中，所述依据所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量，分析输出先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，可以进一步包括：
对所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量进行向量转换操作，以输出先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果；
融合所述先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果和所述先后排序为第一数量的局部图像关键信息代表向量，以输出所述先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量（示例性地，对所述先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果和所述先后排序为第一数量的局部图像关键信息代表向量进行乘积运算，以输出所述先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量）。
举例来说，在一些实施方式中，所述对所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量进行向量转换操作，以输出先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果的步骤，可以进一步包括：
将所述融合局部图像关键信息代表向量确定为预先配置的目标数据筛选神经网络的待分析数据，并将所述有效融合局部图像关键信息代表向量确定为所述目标数据筛选神经网络的分析结果数据，以分析出所述目标数据筛选神经网络具有的目标分析参数（示例性地，所述目标数据筛选神经网络具有一个参数队列，该参数队列可以分别与所述融合局部图像关键信息代表向量中相同大小的区域进行点乘，如依次从左往右、从上往下滑过所述融合局部图像关键信息代表向量包括的所有的区域，然后，对各个点乘的乘积进行求和运算，此时，如果求和运算的结果的数值较大，可以认为该参数队列与对应的向量区域匹配，如此，倘若该参数队列与所述融合局部图像关键信息代表向量的大小相同，则认为该参数队列就是所述目标分析参数，倘若该参数队列与所述融合局部图像关键信息代表向量的大小不相同，如前者小于后者，可以将该参数队列作为所述目标分析参数的一部分，即通过确定出多个参数队列，可以组合形成所述目标分析，如一个向量区域对应一个参数队列，则认为该参数队列就是所述目标分析参数，基于此原理，就可以分析出所述目标分析参数）；
对所述目标分析参数进行标记操作，以形成所述先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果（也就是说，可以将所述目标分析参数作为所述向量转换结果）。
举例来说，在另一些实施方式中，所述依据所述至少两个局部图像关键信息代表向量在频率域层面具有的先后相关性信息，分别分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，可以进一步包括：
对于所述至少两个分类结果中的每一个分类结果，依据对应的至少两个局部分类图像关键信息代表向量在频率域层面具有的先后相关性信息，分析输出每一个所述局部分类图像关键信息代表向量对应的有效局部分类图像关键信息代表向量；
基于频率域层面，对所述有效局部分类图像关键信息代表向量进行融合（如拼接，具体的处理过程可以与前述的基于频率域层面进行向量拆分处理相反），以输出对应的融合有效局部分类图像关键信息代表向量；
基于图像空间层面，对所述融合有效局部分类图像关键信息代表向量进行融合（如拼接，具体处理过程可以与后文的基于图像空间层面进行向量分类操作相反），输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量。
举例来说，在一些实施方式中，所述对于所述至少两个分类结果中的每一个分类结果，依据对应的至少两个局部分类图像关键信息代表向量在频率域层面具有的先后相关性信息，分析输出每一个所述局部分类图像关键信息代表向量对应的有效局部分类图像关键信息代表向量的步骤，可以进一步包括：
对所述液体稳定剂图像进行图像有效性识别处理，以形成所述液体稳定剂图像对应的有效液体稳定剂图像（如前相关描述）；
对所述有效液体稳定剂图像进行关键信息挖掘处理，以输出所述有效液体稳定剂图像对应的有效图像关键信息代表向量（如前相关描述）；
基于图像空间层面，对所述有效图像关键信息代表向量进行向量分类操作，以输出所述有效图像关键信息代表向量对应的至少两个分类结果中的每一个分类结果对应的有效分类图像关键信息代表向量（示例性地，同一个有效分类图像关键信息代表向量对应的多个图像像元可以组合形成一个图像空间区域，其中，图像像元可以是指图像像素点），所述至少两个有效分类图像关键信息代表向量和所述至少两个分类图像关键信息代表向量在图像空间层面上具有一一对应的关系；
基于频率域层面（即基于对应的频谱图中的相关性信息），对所述有效分类图像关键信息代表向量进行拆分操作（可以是任意形式的拆分，只要使得每一个有效拆分分类图像关键信息代表向量的尺寸和维度可以一致即可，如基于高频区域和低频区域进行划分等），以输出所述有效分类图像关键信息代表向量对应的至少两个有效拆分分类图像关键信息代表向量，所述至少两个有效拆分分类图像关键信息代表向量和所述至少两个局部分类图像关键信息代表向量在频率域层面上具有一一对应的关系；
对于所述至少两个分类结果中的每一个分类结果，依据对应的至少两个局部分类图像关键信息代表向量和至少两个有效拆分分类图像关键信息代表向量在频率域层面具有的融合先后相关性信息，分析输出每一个所述局部分类图像关键信息代表向量对应的有效局部分类图像关键信息代表向量（如将前两个局部分类图像关键信息代表向量和前两个有效拆分分类图像关键信息代表向量进行处理，如前相关描述，可以得到第二个局部分类图像关键信息代表向量对应的有效局部分类图像关键信息代表向量）。
举例来说，在一些实施方式中，所述对所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量进行向量融合还原操作，以输出所述液体稳定剂图像对应的提升液体稳定剂图像的步骤，可以进一步包括：
对所述至少两个估计局部图像关键信息代表向量进行向量融合操作（如叠加或拼接），以形成所述至少两个估计局部图像关键信息代表向量对应的估计图像关键信息代表向量；
对所述估计图像关键信息代表向量进行向量还原处理（即将向量形式的信息转化为图像形式或数据形式的信息，以得到所述提升液体稳定剂图像，可以前述的编码网络，即关键信息挖掘网络的处理过程相反），以输出所述液体稳定剂图像对应的提升液体稳定剂图像。
举例来说，在一些实施方式中，上述的步骤130，可以进一步包括：
利用目标图像识别神经网络，分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，所述目标图像识别神经网络基于示例性液体稳定剂图像和所述示例性液体稳定剂图像对应的实际性能数据进行网络优化处理形成（其中，所述网络优化处理的具体过程不受限制，可以参照相关的现有技术即可，例如，可以先利用初始的图像识别神经网分析输出所述示例性液体稳定剂图像具有的预测性能数据，再基于所述预测性能数据和所述实际性能数据之间的差异，确定出本次学习的误差值，即损失值，可以基于任意一种损失函数计算得到，然后，再基于所述误差值对初始的图像识别神经网进行网络优化处理络，以及，再当前的误差值小于阈值时，得到目标图像识别神经网络；
对每一个所述液体稳定剂图像对应的初始性能识别结果进行均值融合处理，以输出所述液体PVC钙锌稳定剂对应的第一性能识别结果；
对每一个所述提升液体稳定剂图像对应的初始性能识别结果进行均值融合处理，以输出所述液体PVC钙锌稳定剂对应的第二性能识别结果；
对所述第一性能识别结果和所述第二性能识别结果进行加权融合处理，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果（示例性地，所述加权融合处理可以是加权求和，如此，所述第一性能识别结果对应的加权系数可以小于所述第二性能识别结果对应的加权系数）。
结合图3，本发明实施例还提供一种PVC钙锌稳定剂的性能检测数据分析装置，可应用于上述PVC钙锌稳定剂的性能检测数据分析系统。其中，所述PVC钙锌稳定剂的性能检测数据分析装置可以包括：
图像信息采集处理模块，用于对待进行性能分析的液体PVC钙锌稳定剂从多个角度进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合，所述稳定剂图像集合包括每一个角度对应的至少一个液体稳定剂图像（所述图像信息采集处理模块作为一种软件功能模块，其具体的功能可以参照前文所述的步骤110）；
质量提升操作执行模块，用于分别对所述稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出每一个所述液体稳定剂图像对应的提升液体稳定剂图像（所述质量提升操作执行模块作为一种软件功能模块，其具体的功能可以参照前文所述的步骤120）；
图像识别处理模块，用于分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，再依据每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果进行融合，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果，所述目标性能识别结果用于反映具有的透明度性能信息（所述图像识别处理模块作为一种软件功能模块，其具体的功能可以参照前文所述的步骤130）。
综上所述，本发明提供的一种PVC钙锌稳定剂的性能检测数据分析方法及系统，可以先形成液体PVC钙锌稳定剂对应的稳定剂图像集合；分别对稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出对应的提升液体稳定剂图像；分别对稳定剂图像集合包括的每一个液体稳定剂图像和对应的提升液体稳定剂图像进行图像识别处理，以输出每一个液体稳定剂图像对应的初始性能识别结果和每一个提升液体稳定剂图像对应的初始性能识别结果，再依据对应的初始性能识别结果进行融合，以输出液体PVC钙锌稳定剂对应的目标性能识别结果。基于此，通过对液体稳定剂图像进行质量提升操作以输出对应的提升液体稳定剂图像，然后，再每一个液体稳定剂图像和对应的提升液体稳定剂图像进行图像识别处理。最后再进行初始性能识别结果的融合，使得最后得到的目标性能识别结果对应的识别依据更为充分，从而保障目标性能识别结果对应的可靠度，进而改善现有技术中存在的透明度确定的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种PVC钙锌稳定剂的性能检测数据分析方法，其特征在于，所述PVC钙锌稳定剂的性能检测数据分析方法包括：
对待进行性能分析的液体PVC钙锌稳定剂从多个角度进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合，所述稳定剂图像集合包括每一个角度对应的至少一个液体稳定剂图像；
分别对所述稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出每一个所述液体稳定剂图像对应的提升液体稳定剂图像；
分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，再依据每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果进行融合，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果，所述目标性能识别结果用于反映具有的透明度性能信息，所述初始性能识别结果用于反映具有的透明度性能信息；
其中，所述分别对所述稳定剂图像集合包括的每一个液体稳定剂图像进行质量提升操作，以输出每一个所述液体稳定剂图像对应的提升液体稳定剂图像的步骤，包括：
对所述液体稳定剂图像进行关键信息挖掘处理，以挖掘出所述液体稳定剂图像对应的图像关键信息代表向量，所述对所述液体稳定剂图像进行关键信息挖掘处理，以挖掘出所述液体稳定剂图像对应的图像关键信息代表向量的步骤，包括：将所述液体稳定剂图像加载到关键信息挖掘网络中，分析输出所述液体稳定剂图像对应的图像关键信息代表向量；或者，在对液体稳定剂图像进行分割处理之后，通过关键信息挖掘网络，对每一个局部液体稳定剂图像进行关键信息挖掘处理，再通过拼接形成所述液体稳定剂图像对应的图像关键信息代表向量，所述关键信息挖掘网络是一种编码网络，以将数据格式的所述液体稳定剂图像，转换为向量形式的图像关键信息代表向量；
基于频率域层面，对所述图像关键信息代表向量进行拆分处理，形成所述图像关键信息代表向量对应的至少两个局部图像关键信息代表向量，所述图像关键信息代表向量是对所述液体稳定剂图像对应的频谱图进行关键信息挖掘处理以得到；
依据所述至少两个局部图像关键信息代表向量在频率域层面具有的先后相关性信息，分别分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量，所述先后相关性信息用于反映基于前第一数量个局部图像关键信息代表向量分析出先后排序为第一数量的估计局部图像关键信息代表向量的估计对应信息，使得将频率域层面上前第一数量个局部图像关键信息代表向量都作为依据，以进行整体上的估计，得到先后排序为第一数量的估计局部图像关键信息代表向量；
对所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量进行向量融合还原操作，以输出所述液体稳定剂图像对应的提升液体稳定剂图像。
2.如权利要求1所述的PVC钙锌稳定剂的性能检测数据分析方法，其特征在于，所述对待进行性能分析的液体PVC钙锌稳定剂从多个角度进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合的步骤，包括：
在待进行性能分析的液体PVC钙锌稳定剂存放于目标透明容器内部之后，确定出多个角度，使得所述多个角度能够覆盖所述目标透明容器；
对所述液体PVC钙锌稳定剂从所述多个角度分别进行图像信息采集处理，以形成所述液体PVC钙锌稳定剂对应的稳定剂图像集合。
3.如权利要求1所述的PVC钙锌稳定剂的性能检测数据分析方法，其特征在于，所述依据所述至少两个局部图像关键信息代表向量在频率域层面具有的先后相关性信息，分别分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，包括：
对所述液体稳定剂图像进行图像有效性识别处理，以形成所述液体稳定剂图像对应的有效液体稳定剂图像；
对所述有效液体稳定剂图像进行关键信息挖掘处理，以输出所述有效液体稳定剂图像对应的有效图像关键信息代表向量；
基于频率域层面，对所述有效图像关键信息代表向量进行拆分处理，以输出所述有效图像关键信息代表向量对应至少两个有效局部图像关键信息代表向量，所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面一一对应；
依据所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面的融合先后相关性信息，分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量，所述融合先后相关性信息用于反映基于前第一数量个局部图像关键信息代表向量和前第一数量个有效局部图像关键信息代表向量分析出先后排序为第一数量的估计局部图像关键信息代表向量的估计对应信息。
4.如权利要求3所述的PVC钙锌稳定剂的性能检测数据分析方法，其特征在于，所述依据所述至少两个有效局部图像关键信息代表向量和所述至少两个局部图像关键信息代表向量在频率域层面的融合先后相关性信息，分析输出所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，包括：
融合前第一数量个有效局部图像关键信息代表向量，以输出先后排序为第一数量的有效局部图像关键信息代表向量对应的有效融合局部图像关键信息代表向量，并融合前第一数量个局部图像关键信息代表向量，以输出先后排序为第一数量的局部图像关键信息代表向量对应的融合局部图像关键信息代表向量；
依据所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量，分析输出先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量。
5.如权利要求4所述的PVC钙锌稳定剂的性能检测数据分析方法，其特征在于，所述依据所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量，分析输出先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量的步骤，包括：
对所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量进行向量转换操作，以输出先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果；
融合所述先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果和所述先后排序为第一数量的局部图像关键信息代表向量，以输出所述先后排序为第一数量的局部图像关键信息代表向量对应的估计局部图像关键信息代表向量；
其中，所述对所述有效融合局部图像关键信息代表向量和所述融合局部图像关键信息代表向量进行向量转换操作，以输出先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果的步骤，包括：
将所述融合局部图像关键信息代表向量确定为预先配置的目标数据筛选神经网络的待分析数据，并将所述有效融合局部图像关键信息代表向量确定为所述目标数据筛选神经网络的分析结果数据，以分析出所述目标数据筛选神经网络具有的目标分析参数，所述目标分析参数基于所述目标数据筛选神经网络具有的一个参数队列与所述有效融合局部图像关键信息代表向量进行对比分析操作以得到；
对所述目标分析参数进行标记操作，以形成所述先后排序为第一数量的局部图像关键信息代表向量对应的向量转换结果。
6.如权利要求1所述的PVC钙锌稳定剂的性能检测数据分析方法，其特征在于，所述对所述至少两个局部图像关键信息代表向量中的每一个局部图像关键信息代表向量对应的估计局部图像关键信息代表向量进行向量融合还原操作，以输出所述液体稳定剂图像对应的提升液体稳定剂图像的步骤，包括：
对所述至少两个估计局部图像关键信息代表向量进行向量融合操作，以形成所述至少两个估计局部图像关键信息代表向量对应的估计图像关键信息代表向量；
对所述估计图像关键信息代表向量进行向量还原处理，以输出所述液体稳定剂图像对应的提升液体稳定剂图像。
7.如权利要求1-6任意一项所述的PVC钙锌稳定剂的性能检测数据分析方法，其特征在于，所述分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，再依据每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果进行融合，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果的步骤，包括：
利用目标图像识别神经网络，分别对所述稳定剂图像集合包括的每一个液体稳定剂图像和每一个所述液体稳定剂图像对应的提升液体稳定剂图像进行图像识别处理，以输出每一个所述液体稳定剂图像对应的初始性能识别结果和每一个所述提升液体稳定剂图像对应的初始性能识别结果，所述目标图像识别神经网络基于示例性液体稳定剂图像和所述示例性液体稳定剂图像对应的实际性能数据进行网络优化处理形成；
对每一个所述液体稳定剂图像对应的初始性能识别结果进行均值融合处理，以输出所述液体PVC钙锌稳定剂对应的第一性能识别结果；
对每一个所述提升液体稳定剂图像对应的初始性能识别结果进行均值融合处理，以输出所述液体PVC钙锌稳定剂对应的第二性能识别结果；
对所述第一性能识别结果和所述第二性能识别结果进行加权融合处理，以输出所述液体PVC钙锌稳定剂对应的目标性能识别结果。
8.一种PVC钙锌稳定剂的性能检测数据分析系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211367988.6A CN115761311B (zh) | 2022-11-03 | 2022-11-03 | Pvc钙锌稳定剂的性能检测数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211367988.6A CN115761311B (zh) | 2022-11-03 | 2022-11-03 | Pvc钙锌稳定剂的性能检测数据分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115761311A CN115761311A (zh) | 2023-03-07 |
| CN115761311B true CN115761311B (zh) | 2023-07-07 |
Family
ID=85357126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211367988.6A Active CN115761311B (zh) | 2022-11-03 | 2022-11-03 | Pvc钙锌稳定剂的性能检测数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115761311B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102731934A (zh) * | 2012-07-10 | 2012-10-17 | 苏州宝津塑业有限公司 | 一种利用液态Ca/Zn制备PVC热稳定剂的方法 |
| CN110189331A (zh) * | 2018-05-31 | 2019-08-30 | 上海快仓智能科技有限公司 | 建图方法、图像采集和处理系统和定位方法 |
| CN114605687A (zh) * | 2022-05-13 | 2022-06-10 | 河南银金达新材料股份有限公司 | 一种抗老化聚酯膜材料的制备方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012063516A (ja) * | 2010-09-15 | 2012-03-29 | Ricoh Co Ltd | 像担持体保護剤、並びにこれを用いた保護層形成装置及び画像形成装置 |
| CN102250434B (zh) * | 2011-05-23 | 2014-07-16 | 嘉兴中诚化工股份有限公司 | 聚氯乙烯稳定剂及其合成工艺 |
| CN105754252A (zh) * | 2016-03-04 | 2016-07-13 | 广东尚鑫新材料股份有限公司 | 一种高清透明家居净化膜及其制备方法 |
| WO2018201310A1 (en) * | 2017-05-03 | 2018-11-08 | Taizhou Huali Plastic Co., Ltd. | Pvc board and method of manufacture |
| AU2018368424B2 (en) * | 2017-11-14 | 2024-07-18 | Avery Dennison Corporation | PVC compositions, films, laminates and related methods |
| CN112313944A (zh) * | 2019-11-28 | 2021-02-02 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111793198A (zh) * | 2020-06-19 | 2020-10-20 | 广东鑫达新材料科技有限公司 | 一种适用于pvc钙锌稳定剂的钙盐及制备方法 |
| CN114386931A (zh) * | 2021-12-11 | 2022-04-22 | 中国电信集团系统集成有限责任公司河北分公司 | 一种基于ai技术的图像分析系统及方法 |
| CN115187988A (zh) * | 2022-06-21 | 2022-10-14 | 平安银行股份有限公司 | 区域文本识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-03 CN CN202211367988.6A patent/CN115761311B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102731934A (zh) * | 2012-07-10 | 2012-10-17 | 苏州宝津塑业有限公司 | 一种利用液态Ca/Zn制备PVC热稳定剂的方法 |
| CN110189331A (zh) * | 2018-05-31 | 2019-08-30 | 上海快仓智能科技有限公司 | 建图方法、图像采集和处理系统和定位方法 |
| CN114605687A (zh) * | 2022-05-13 | 2022-06-10 | 河南银金达新材料股份有限公司 | 一种抗老化聚酯膜材料的制备方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115761311A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113066002A (zh) | 对抗样本的生成方法、神经网络的训练方法、装置及设备 | |
| CN115660520B (zh) | 一种基于交通运输物流的数据分析方法及系统 | |
| CN105095835A (zh) | 行人检测方法及系统 | |
| CN115620211B (zh) | 阻燃低烟无卤护套的性能数据处理方法及系统 | |
| CN113449586A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN112801122A (zh) | 异常检测模型的训练方法及使用此方法的电子装置 | |
| CN116310744A (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
| CN115761311B (zh) | Pvc钙锌稳定剂的性能检测数据分析方法及系统 | |
| CN113610736B (zh) | 基于循环生成对抗残差网络及qtp损失项的黑夜图像增强方法及系统 | |
| CN117191816B (zh) | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 | |
| CN115588157B (zh) | 交联低烟低卤聚烯烃材料的性能数据处理方法及系统 | |
| CN117809168A (zh) | 一种基于水下目标的固有属性特征进行检测的方法及装置 | |
| CN109785312B (zh) | 一种图像模糊检测方法、系统及电子设备 | |
| CN115439509B (zh) | 一种多目标跟踪方法、装置、计算机设备及存储介质 | |
| CN115512203A (zh) | 信息检测方法、装置、设备及存储介质 | |
| CN112465037B (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN114677649A (zh) | 图像识别方法、装置、设备和介质 | |
| CN113762120A (zh) | 绝缘子图像分割方法、装置、电子设备及存储介质 | |
| CN114386476A (zh) | 对抗样本生成方法、目标识别模型的训练方法及相关装置 | |
| CN115908280B (zh) | 基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 | |
| CN115375412B (zh) | 基于图像识别的商品智能推荐处理方法及系统 | |
| CN116935052B (zh) | 智能座舱环境下的语义分割方法及相关设备 | |
| CN114494392B (zh) | 一种图像处理方法、装置、计算机设备以及可读存储介质 | |
| CN113822270B (zh) | 一种结构健康监测高频数据异常值的确定方法及装置 | |
| Dovgan et al. | Detection of irregularities on automotive semiproducts |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Analysis Method and System for Performance Testing Data of PVC Calcium Zinc Stabilizer Effective date of registration: 20231030 Granted publication date: 20230707 Pledgee: Yunfu branch of Guangdong Nanyue Bank Co.,Ltd. Pledgor: Guangdong Keli New Material Co.,Ltd. Registration number: Y2023980063148 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |