CN116004105A - 水性自修复硅pu面漆及其制备方法 - Google Patents
水性自修复硅pu面漆及其制备方法 Download PDFInfo
- Publication number
- CN116004105A CN116004105A CN202310132821.XA CN202310132821A CN116004105A CN 116004105 A CN116004105 A CN 116004105A CN 202310132821 A CN202310132821 A CN 202310132821A CN 116004105 A CN116004105 A CN 116004105A
- Authority
- CN
- China
- Prior art keywords
- feature
- solution state
- parts
- rotating speed
- convolution
- 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.)
- Pending
Links
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 99
- 239000010703 silicon Substances 0.000 title claims abstract description 99
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 89
- 239000003973 paint Substances 0.000 title claims abstract description 61
- 238000002360 preparation method Methods 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000002002 slurry Substances 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 176
- 239000010410 layer Substances 0.000 claims description 72
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 239000006185 dispersion Substances 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 16
- 239000007788 liquid Substances 0.000 claims description 14
- 239000004408 titanium dioxide Substances 0.000 claims description 14
- 239000003094 microcapsule Substances 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 239000002270 dispersing agent Substances 0.000 claims description 12
- 238000003756 stirring Methods 0.000 claims description 12
- 239000006184 cosolvent Substances 0.000 claims description 11
- 239000000945 filler Substances 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 239000002562 thickening agent Substances 0.000 claims description 11
- 239000000080 wetting agent Substances 0.000 claims description 11
- 239000013530 defoamer Substances 0.000 claims description 10
- 239000000839 emulsion Substances 0.000 claims description 10
- 238000011217 control strategy Methods 0.000 claims description 9
- 239000008367 deionised water Substances 0.000 claims description 9
- 229910021641 deionized water Inorganic materials 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 abstract description 159
- 239000011259 mixed solution Substances 0.000 abstract description 42
- 230000008859 change Effects 0.000 abstract description 23
- 230000000694 effects Effects 0.000 abstract description 18
- 238000009826 distribution Methods 0.000 abstract description 10
- 238000013507 mapping Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000004814 polyurethane Substances 0.000 description 88
- 229920002635 polyurethane Polymers 0.000 description 87
- LYCAIKOWRPUZTN-UHFFFAOYSA-N Ethylene glycol Chemical group OCCO LYCAIKOWRPUZTN-UHFFFAOYSA-N 0.000 description 12
- 239000000463 material Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 9
- 229920001296 polysiloxane Polymers 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- NIXOWILDQLNWCW-UHFFFAOYSA-N 2-Propenoic acid Natural products OC(=O)C=C NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 5
- -1 formaldehyde, benzene series Chemical class 0.000 description 5
- SMZOUWXMTYCWNB-UHFFFAOYSA-N 2-(2-methoxy-5-methylphenyl)ethanamine Chemical compound COC1=CC=C(C)C=C1CCN SMZOUWXMTYCWNB-UHFFFAOYSA-N 0.000 description 4
- 238000007792 addition Methods 0.000 description 4
- FPAFDBFIGPHWGO-UHFFFAOYSA-N dioxosilane;oxomagnesium;hydrate Chemical group O.[Mg]=O.[Mg]=O.[Mg]=O.O=[Si]=O.O=[Si]=O.O=[Si]=O.O=[Si]=O FPAFDBFIGPHWGO-UHFFFAOYSA-N 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000004043 responsiveness Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- DNIAPMSPPWPWGF-UHFFFAOYSA-N Propylene glycol Chemical compound CC(O)CO DNIAPMSPPWPWGF-UHFFFAOYSA-N 0.000 description 3
- ZMANZCXQSJIPKH-UHFFFAOYSA-N Triethylamine Chemical compound CCN(CC)CC ZMANZCXQSJIPKH-UHFFFAOYSA-N 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 3
- 230000001070 adhesive effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- LQZZUXJYWNFBMV-UHFFFAOYSA-N ethyl butylhexanol Natural products CCCCCCCCCCCCO LQZZUXJYWNFBMV-UHFFFAOYSA-N 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000010445 mica Substances 0.000 description 3
- 229910052618 mica group Inorganic materials 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 125000000129 anionic group Chemical group 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- YXRKNIZYMIXSAD-UHFFFAOYSA-N 1,6-diisocyanatohexane Chemical group O=C=NCCCCCCN=C=O.O=C=NCCCCCCN=C=O.O=C=NCCCCCCN=C=O YXRKNIZYMIXSAD-UHFFFAOYSA-N 0.000 description 1
- CUDYYMUUJHLCGZ-UHFFFAOYSA-N 2-(2-methoxypropoxy)propan-1-ol Chemical compound COC(C)COC(C)CO CUDYYMUUJHLCGZ-UHFFFAOYSA-N 0.000 description 1
- 239000005995 Aluminium silicate Substances 0.000 description 1
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 1
- 239000004354 Hydroxyethyl cellulose Substances 0.000 description 1
- 229920000663 Hydroxyethyl cellulose Polymers 0.000 description 1
- 239000005058 Isophorone diisocyanate Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000012211 aluminium silicate Nutrition 0.000 description 1
- 239000002518 antifoaming agent Substances 0.000 description 1
- 239000012752 auxiliary agent Substances 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003995 emulsifying agent Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000008098 formaldehyde solution Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 235000019447 hydroxyethyl cellulose Nutrition 0.000 description 1
- 239000012948 isocyanate Substances 0.000 description 1
- 150000002513 isocyanates Chemical class 0.000 description 1
- NIMLQBUJDJZYEJ-UHFFFAOYSA-N isophorone diisocyanate Chemical compound CC1(C)CC(N=C=O)CC(C)(CN=C=O)C1 NIMLQBUJDJZYEJ-UHFFFAOYSA-N 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002480 mineral oil Substances 0.000 description 1
- 235000010446 mineral oil Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 239000013638 trimer Substances 0.000 description 1
- 239000010456 wollastonite Substances 0.000 description 1
- 229910052882 wollastonite Inorganic materials 0.000 description 1
Images
Landscapes
- Paints Or Removers (AREA)
Abstract
一种水性自修复硅PU面漆及其制备方法，其获取预定时间段内多个预定时间点的转速值，以及，由摄像头采集的所述多个预定时间点的溶液状态检测图像；使用基于人工智能的图像处理算法，挖掘溶液状态检测图像中关于混合溶液的状态高维隐含特征分布信息，并提取出转速值在预定时间段内的不同时间周期跨度下的动态多尺度邻域关联特征；建立混合溶液的状态变化与转速值之间的映射关系，以基于混合溶液的状态变化来自适应地调整所述当前时间点的转速值。这样，可以提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
Description
技术领域
本申请涉及智能化制备技术领域，并且更具体地，涉及一种水性自修复硅PU面漆及其制备方法。
背景技术
硅PU是在PU球场材料的基础上开发研制出来的新一代球场材料，该材料是以聚氨酯(PU)材料与含有有机硅成分的材料科学地复合在一起,所生产出来的材料用在球场面层上,有良好的的缓冲性和延展性，粘接力强，对基础有一定的治愈功能，能够自动找平，施工简单，抗老化性优秀，施工后化学性能稳定，不易产生气泡等优点。从根本上有效地解决了PU球场材料在专业性能、环保施工、使用寿命、日常维护等方面的不足,具有革命性的创新性能,是替代双组份PU的新一代环保产品。
市面上硅PU面漆有溶剂型和水性两种，溶剂型涂料中甲醛、苯系物、TVOC等严重超标，对人们的健康有很大影响，同时还严重污染环境，非常不环保。近些年，水性丙烯酸与PUD为主体树脂的双组份硅PU面漆在中国市场上逐渐兴起，其中，水性丙烯酸赋予双组份硅PU面漆较好的硬度和附着力，而PUD赋予双组份硅PU面漆高弹柔韧特性，为此，水性丙烯酸与PUD为主体树脂的双组份硅PU面漆逐步取代了水性丙烯酸材料为主体材料的硅PU面漆，赢得一定的市场份额。
现在的硅PU漆面都具有很好的耐磨性，一般不会产生直接的磨损坑洞，但是会因为利器的划伤而造成漆面及其附着层与硅PU本体脱离，造成硅PU的整体性受到影响。
因此，期望一种水性自修复硅PU面漆的制备方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种水性自修复硅PU面漆及其制备方法，其获取预定时间段内多个预定时间点的转速值，以及，由摄像头采集的所述多个预定时间点的溶液状态检测图像；使用基于人工智能的图像处理算法，挖掘溶液状态检测图像中关于混合溶液的状态高维隐含特征分布信息，并提取出转速值在预定时间段内的不同时间周期跨度下的动态多尺度邻域关联特征；建立混合溶液的状态变化与转速值之间的映射关系，以基于混合溶液的状态变化来自适应地调整所述当前时间点的转速值。这样，可以提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
第一方面，提供了一种水性自修复硅PU面漆的制备方法，其包括：
将0.2-1.1份分散剂、0.1-0.5份润湿剂0.1-0.8份消泡剂和增稠剂0.1-0.5份加入12-30份去离子水中，在300rpm-500rpm的转速条件下搅拌3min-5min制备成分散液；
再将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料；以及
将转速调整至800rpm-1000rpm，将0.3-1.8份成膜助剂、20-60份硅改性羟基丙烯酸乳液、0.1-0.5份流平剂和15-30份自修复微胶囊加入所述白色浆料中，搅拌5-10min，再加入8-20份固化剂以得到水性自修复硅PU面漆。
在上述水性自修复硅PU面漆的制备方法中，再将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料，包括：获取预定时间段内多个预定时间点的转速值以及由摄像头采集的所述多个预定时间点的溶液状态检测图像；将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量；对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量；将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量；将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到转速时序特征向量；计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；以及，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。
在上述水性自修复硅PU面漆的制备方法中，将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个溶液状态特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
在上述水性自修复硅PU面漆的制备方法中，对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量，包括：将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图；对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及，分别计算每组对应的所述加权特征向量和所述溶液状态特征向量之间的按位置点乘以得到所述多个优化溶液状态特征向量。
在上述水性自修复硅PU面漆的制备方法中，将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图，包括：使用所述作为特征提取器的辅助卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为特征提取器的辅助卷积神经网络模型的最后一层的输出为所述多个辅助特征图，其中，所述作为特征提取器的辅助卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
在上述水性自修复硅PU面漆的制备方法中，对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得多个加权特征向量，包括：以如下公式对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得所述多个加权特征向量；其中，所述公式为：
其中，Fi表示所述多个辅助特征图中的各个辅助特征图，cov1(·)和cov2(·)分别表示对特征图进行基于不同卷积核的单层卷积操作，ReLU(·)表示ReLU激活函数，Sigmoid(·)表示Sigmoid激活函数，且GAP表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，Vi表示所述多个加权特征向量中的各个加权特征向量。
在上述水性自修复硅PU面漆的制备方法中，将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量，包括：使用所述基于转换器的上下文编码器对所述多个优化溶液状态特征向量进行基于全局的上下文语义编码以得到多个溶液状态语义理解特征向量；以及，将所述多个溶液状态语义理解特征向量进行级联以得到所述溶液状态时序语义理解特征向量。
在上述水性自修复硅PU面漆的制备方法中，所述多尺度邻域特征提取模块包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述水性自修复硅PU面漆的制备方法中，计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
其中，Vs表示所述溶液状态时序语义理解特征向量，Vl表示所述转速时序特征向量，M表示所述分类特征矩阵。
第二方面，提供了一种水性自修复硅PU面漆，所述水性自修复硅PU面漆由所述的水性自修复硅PU面漆的制备方法制得。
与现有技术相比，本申请提供的水性自修复硅PU面漆及其制备方法，其获取预定时间段内多个预定时间点的转速值，以及，由摄像头采集的所述多个预定时间点的溶液状态检测图像；使用基于人工智能的图像处理算法，挖掘溶液状态检测图像中关于混合溶液的状态高维隐含特征分布信息，并提取出转速值在预定时间段内的不同时间周期跨度下的动态多尺度邻域关联特征；建立混合溶液的状态变化与转速值之间的映射关系，以基于混合溶液的状态变化来自适应地调整所述当前时间点的转速值。这样，可以提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的水性自修复硅PU面漆的制备方法的场景示意图。
图2为根据本申请实施例的水性自修复硅PU面漆的制备方法的流程图。
图3为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤120的子步骤的流程图。
图4为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤120的架构示意图。
图5为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤230的子步骤的流程图。
图6为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤240的子步骤的流程图。
图7为根据本申请实施例的水性自修复硅PU面漆的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
如上所述，现在的硅PU漆面都具有很好的耐磨性，一般不会产生直接的磨损坑洞，但是会因为利器的划伤而造成漆面及其附着层与硅PU本体脱离，造成硅PU的整体性受到影响。因此，期望一种水性自修复硅PU面漆的制备方案。
具体地，在本申请的技术方案中，提出了一种水性自修复硅PU面漆的制备方法，其包括：将0.2-1.1份分散剂、0.1-0.5份润湿剂0.1-0.8份消泡剂和增稠剂0.1-0.5份加入12-30份去离子水中，在300rpm-500rpm的转速条件下搅拌3min-5min制备成分散液；再将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料；以及，将转速调整至800rpm-1000rpm，将0.3-1.8份成膜助剂、20-60份硅改性羟基丙烯酸乳液、0.1-0.5份流平剂和15-30份自修复微胶囊加入所述白色浆料中，搅拌5-10min，再加入8-20份固化剂以得到水性自修复硅PU面漆。
相应地，在实际进行水性自修复硅PU面漆的制备过程中，在将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料的工艺中，发现制备的白色浆料效果不佳，使得最终制得的水性自修复硅PU面漆的性能质量难以达到预期的效果。这是由于在实际制备白色浆料的过程中，只是将转速参数控制在特定的数值下，并没有考虑到实际的混合液的状态变化，也就是说，应基于混合溶液的状态变化特征来进行转速的自适应控制，以提高制备的白色浆料的质量。在此过程中，难点在于如何建立所述混合溶液的状态变化与转速值之间的映射关系，以使得基于混合溶液的状态变化来自适应地调整所述当前时间点的转速值以提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述混合溶液的状态变化与转速值之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述混合溶液的状态变化与转速值之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，通过速度传感器采集预定时间段内多个预定时间点的转速值，以及通过摄像头采集所述多个预定时间点的溶液状态检测图像。接着，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述多个预定时间点的溶液状态检测图像的特征挖掘，以此来提取出所述各个预定时间点的溶液状态检测图像中关于混合溶液的状态高维隐含特征分布信息，从而得到多个溶液状态特征向量。
进一步地，考虑到所述各个预定时间点的溶液状态检测图像中关于混合溶液的隐含特征间具有着时序关联关系，也就是说，所述混合溶液的状态特征在时间维度上是不断变化的，因此，为了能够准确地提取出所述混合溶液的状态在时间维度上的动态关联特征，以此来准确地进行当前时间点的转速值控制，在本申请的技术方案中，进一步将所述多个溶液状态特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点下的溶液状态检测图像中基于时序全局的关于所述混合溶液状态特征的时序动态关联特征信息，以得到溶液状态时序语义理解特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个溶液状态特征向量中各个溶液状态特征向量进行基于全局的上下文语义编码以得到以所述多个溶液状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述溶液状态时序语义理解特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的编码器可以捕捉所述各个预定时间点下的溶液状态检测图像中关于所述混合溶液的状态隐含特征相对于所述预定时间段内基于时序整体的所述混合溶液状态特征的时序动态关联特征的上下文语义关联特征表示。
然后，考虑到所述转速值在所述预定时间段内的不同时间周期跨度下具有不一样的变化特征信息，其还在时间维度上具有着波动性和不确定性，因此，在本申请的技术方案中，为了能够充分地挖掘出所述转速值的变化特征，以此来准确地进行当前时间点的转速控制，进一步将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述转速值在所述预定时间段内的不同时间周期跨度下的动态多尺度邻域关联特征，从而得到转速时序特征向量。
接着，进一步再计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计，以此来表示所述混合溶液的时序动态关联特征和所述转速值的多尺度动态变化特征间的关联性特征分布信息，并以此作为分类特征矩阵通过分类器中进行分类处理来得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的转速值应增大(第一标签)，以及，当前时间点的转速值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为当前时间点的转速值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的转速值，以此来提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
特别地，在本申请的技术方案中，在将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型得到多个溶液状态特征向量时，如果能够对每个溶液状态特征向量的各个位置的特征值进行适当的加权以区分每个溶液状态特征向量的各个位置的特征值的重要性，即，所述作为过滤器的卷积神经网络模型沿通道维度提取的特征的置信度，则显然能够提升每个溶液状态特征向量的表达效果。
将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图，例如每个辅助特征图记为Fi，再对所述多个辅助特征图中的每个辅助特征图Fi进行特征相关性累积区分机制建模以获得多个加权特征向量，例如每个加权特征向量记为Vi，Vi表示为：
其中，cov1(·)和cov2(·)分别表示对特征图进行基于不同卷积核的单层卷积操作，且GAP表示对所述特征图的每个特征矩阵的全局池化操作。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。这样，通过以所述每个加权特征向量Vi分别对每个溶液状态特征向量进行点乘，就可以使得优化后的溶液状态特征向量能够区分各个位置的特征值的重要性，从而提升其表达效果。这样，能够实时准确地基于混合溶液的实际状态变化情况来自适应地调整当前时间点的转速值，以此来提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
图1为根据本申请实施例的水性自修复硅PU面漆的制备方法的场景示意图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的转速值(例如，如图1中所示意的C1)以及由摄像头采集的所述多个预定时间点的溶液状态检测图像(例如，如图1中所示意的C2)；然后，将获取的转速值和溶液状态检测图像输入至部署有水性自修复硅PU面漆的制备算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于水性自修复硅PU面漆的制备算法对所述转速值和所述溶液状态检测图像进行处理，以生成用于表示当前时间点的转速值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的水性自修复硅PU面漆的制备方法的流程图。如图2所示，根据本申请实施例的水性自修复硅PU面漆的制备方法，包括步骤：110，将0.2-1.1份分散剂、0.1-0.5份润湿剂0.1-0.8份消泡剂和增稠剂0.1-0.5份加入12-30份去离子水中，在300rpm-500rpm的转速条件下搅拌3min-5min制备成分散液；120，再将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料；以及，130，将转速调整至800rpm-1000rpm，将0.3-1.8份成膜助剂、20-60份硅改性羟基丙烯酸乳液、0.1-0.5份流平剂和15-30份自修复微胶囊加入所述白色浆料中，搅拌5-10min，再加入8-20份固化剂以得到水性自修复硅PU面漆。
在本申请的一个实施例中，所述水性自修复硅PU面漆包括以下重量单位的材料组成：去离子水12-30份，硅改性羟基丙烯酸乳液20-60份，二氧化钛1-15份，填料10-20份，自修复微胶囊15-30份，增稠剂0.1-0.5份，分散剂0.2-1.1份，润湿剂0.1-0.5份，消泡剂0.1-0.8份，助溶剂0.4-2份，流平剂0.1-0.5份，成膜助剂0.3-1.8份，固化剂8-20份。
进一步的，所述硅改性羟基丙烯酸乳液Tg12℃-25℃，羟基含量0.6％-3.4％。
进一步的，所述二氧化钛为金红石型钛白粉。
进一步的，所述填料为滑石粉、高岭土、云母粉、硅灰石等。
其中，所述自修复微胶囊的制备方式如下：将20.7g-36.5g甲醛溶液和12.6g-28.9g尿素加入四口烧瓶中搅拌至尿素完全溶解，用三乙胺将溶液PH调制7-9，加热至60℃-80℃反应1-2h得到预聚体，将转速调整至350-550后，向预聚体中缓慢滴加30-60g异氰酸酯固化剂，搅拌20min-50min后降至室温，经过滤、洗涤、干燥后得到微胶囊A。
向四口烧瓶中加入100g-250g去离子水和3.2g-5.6g乳化剂，升温至30-50℃将转速调整至50-150搅拌均匀后，缓慢滴加53-90g预聚体，反应3-5h后，在升温至60-80℃，反应1-2h降至室温，经过滤、洗涤、干燥后得到微胶囊B，将微胶囊以2-5:1混合得到自修复微胶囊。
进一步的，所述增稠剂为羟乙基纤维素、聚氨酯增稠剂,、碱溶涨增稠剂等
进一步的，所述分散剂为阴离子型分散剂、丙烯酸酯类分散剂、高分子类分散剂等
进一步的，所述润湿剂为硅改性润湿剂、阴离子型润湿剂。
进一步的，所述消泡剂为有机硅消泡剂、矿物油消泡剂。
进一步的，所述助溶剂为乙二醇、二丙二醇甲醚、丙二醇等。
进一步的，所述成膜助剂为醇酯十二。
进一步的，所述固化剂为HDI三聚体、IPDI三聚体等。
应可以理解，本申请的有益效果在于：(1)采用水性体系具有环保健康等优点，有利于行业的可持续发展；(2)具有自修复功能，大幅度延长了面漆使用寿命，能够更好的保护硅PU材料；(3)采用硅改性羟基丙烯酸乳液，具有较好的耐污能力和附着力。
在本申请的实施例1中：
将0.5份分散剂、0.2份润湿剂0.2份消泡剂和0.2份增稠剂加入14.4份去离子水中，在500rpm搅拌5min制备成分散液。
再将5份钛白粉、12份滑石粉、4份云母粉和0.6份乙二醇缓慢加入分散液中，在900rpm分散5min，再将转速调制1900rpm搅拌30分钟，制成白色浆料。
将转速调整至1000rpm，将0.5份十二碳醇酯、40份硅改性羟基丙烯酸乳液、0.2份流平剂和15份自修复微胶囊加入白色浆料中，搅拌5min，最后加入8份固化剂即可得到一种水性自修复硅PU面漆。
在本申请的实施例2中：
将0.8份分散剂、0.3份润湿剂0.2份消泡剂和0.2增稠剂份加入12.2份去离子水中，在500rpm搅拌5min制备成分散液。
再将7份钛白粉、6份滑石粉、4份云母粉和0.6份乙二醇缓慢加入分散液中，在900rpm分散5min，再将转速调制1900rpm搅拌30分钟，制成白色浆料。
将转速调整至900rpm，将0.5份十二碳醇酯、40份硅改性羟基丙烯酸乳液、0.2份流平剂和20份自修复微胶囊加入白色浆料中，搅拌10min，最后加入8份固化剂即可得到一种水性自修复硅PU面漆。
在本申请的实施例3中：
将0.3份分散剂、0.1份润湿剂0.2份消泡剂和0.2增稠剂加入15份去离子水中，在300搅拌5min制备成分散液。
再将5份钛白粉、10份滑石粉和0.6份乙二醇缓慢加入分散液中，在900rpm分散5min，再将转速调制1200rpm搅拌30分钟，制成白色浆料。
将转速调整至800rpm，将0.5份十二碳醇酯、44份硅改性羟基丙烯酸乳液、0.2份流平剂和30份自修复微胶囊加入白色浆料中，搅拌10min，最后加入8.6份固化剂即可得到一种水性自修复硅PU面漆。
应可以理解，以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其架构形式能够灵活多变，可以派生系列产品。只是做出若干简单推演或替换，都应当视为属于本发明由所提交的权利要求书确定的专利保护范围。
在本申请的一个实施例中，图3为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤120的子步骤的流程图。如图3所示，再将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料，包括：210，获取预定时间段内多个预定时间点的转速值以及由摄像头采集的所述多个预定时间点的溶液状态检测图像；220，将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量；230，对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量；240，将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量；250，将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到转速时序特征向量；260，计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；以及，270，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。
图4为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤120的架构示意图。如图4所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的转速值以及由摄像头采集的所述多个预定时间点的溶液状态检测图像；然后，将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量；接着，对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量；然后，将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量；接着，将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到转速时序特征向量；然后，计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；以及，最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。
具体地，在步骤210中，获取预定时间段内多个预定时间点的转速值以及由摄像头采集的所述多个预定时间点的溶液状态检测图像。在实际进行水性自修复硅PU面漆的制备过程中，在将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料的工艺中，发现制备的白色浆料效果不佳，使得最终制得的水性自修复硅PU面漆的性能质量难以达到预期的效果。
这是由于在实际制备白色浆料的过程中，只是将转速参数控制在特定的数值下，并没有考虑到实际的混合液的状态变化，也就是说，应基于混合溶液的状态变化特征来进行转速的自适应控制，以提高制备的白色浆料的质量。在此过程中，难点在于如何建立所述混合溶液的状态变化与转速值之间的映射关系，以使得基于混合溶液的状态变化来自适应地调整所述当前时间点的转速值以提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述混合溶液的状态变化与转速值之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述混合溶液的状态变化与转速值之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，通过速度传感器采集预定时间段内多个预定时间点的转速值，以及通过摄像头采集所述多个预定时间点的溶液状态检测图像。
具体地，在步骤220中，将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量。接着，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述多个预定时间点的溶液状态检测图像的特征挖掘，以此来提取出所述各个预定时间点的溶液状态检测图像中关于混合溶液的状态高维隐含特征分布信息，从而得到多个溶液状态特征向量。
其中，将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个溶液状态特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤230中，对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量。特别地，在本申请的技术方案中，在将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型得到多个溶液状态特征向量时，如果能够对每个溶液状态特征向量的各个位置的特征值进行适当的加权以区分每个溶液状态特征向量的各个位置的特征值的重要性，即，所述作为过滤器的卷积神经网络模型沿通道维度提取的特征的置信度，则显然能够提升每个溶液状态特征向量的表达效果。
图5为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤230的子步骤的流程图，如图5所示，对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量，包括：231，将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图；232，对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及，233，分别计算每组对应的所述加权特征向量和所述溶液状态特征向量之间的按位置点乘以得到所述多个优化溶液状态特征向量。
其中，将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图，包括：使用所述作为特征提取器的辅助卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为特征提取器的辅助卷积神经网络模型的最后一层的输出为所述多个辅助特征图，其中，所述作为特征提取器的辅助卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
进一步地，将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图，例如每个辅助特征图记为Fi，再对所述多个辅助特征图中的每个辅助特征图Fi进行特征相关性累积区分机制建模以获得多个加权特征向量，例如每个加权特征向量记为Vi。
也就是，对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得多个加权特征向量，包括：以如下公式对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得所述多个加权特征向量；其中，所述公式为：
其中，Fi表示所述多个辅助特征图中的各个辅助特征图，cov1(·)和cov2(·)分别表示对特征图进行基于不同卷积核的单层卷积操作，ReLU(·)表示ReLU激活函数，Sigmoid(·)表示Sigmoid激活函数，且GAP表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，Vi表示所述多个加权特征向量中的各个加权特征向量。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。这样，通过以所述每个加权特征向量Vi分别对每个溶液状态特征向量进行点乘，就可以使得优化后的溶液状态特征向量能够区分各个位置的特征值的重要性，从而提升其表达效果。这样，能够实时准确地基于混合溶液的实际状态变化情况来自适应地调整当前时间点的转速值，以此来提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
具体地，在步骤240中，将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量。进一步地，考虑到所述各个预定时间点的溶液状态检测图像中关于混合溶液的隐含特征间具有着时序关联关系，也就是说，所述混合溶液的状态特征在时间维度上是不断变化的。
因此，为了能够准确地提取出所述混合溶液的状态在时间维度上的动态关联特征，以此来准确地进行当前时间点的转速值控制，在本申请的技术方案中，进一步将所述多个溶液状态特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点下的溶液状态检测图像中基于时序全局的关于所述混合溶液状态特征的时序动态关联特征信息，以得到溶液状态时序语义理解特征向量。
也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个溶液状态特征向量中各个溶液状态特征向量进行基于全局的上下文语义编码以得到以所述多个溶液状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述溶液状态时序语义理解特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的编码器可以捕捉所述各个预定时间点下的溶液状态检测图像中关于所述混合溶液的状态隐含特征相对于所述预定时间段内基于时序整体的所述混合溶液状态特征的时序动态关联特征的上下文语义关联特征表示。
图6为根据本申请实施例的水性自修复硅PU面漆的制备方法中步骤240的子步骤的流程图，如图6所示，将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量，包括：241，使用所述基于转换器的上下文编码器对所述多个优化溶液状态特征向量进行基于全局的上下文语义编码以得到多个溶液状态语义理解特征向量；以及，242，将所述多个溶液状态语义理解特征向量进行级联以得到所述溶液状态时序语义理解特征向量。
具体地，在步骤250中，将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到转速时序特征向量。然后，考虑到所述转速值在所述预定时间段内的不同时间周期跨度下具有不一样的变化特征信息，其还在时间维度上具有着波动性和不确定性。
因此，在本申请的技术方案中，为了能够充分地挖掘出所述转速值的变化特征，以此来准确地进行当前时间点的转速控制，进一步将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述转速值在所述预定时间段内的不同时间周期跨度下的动态多尺度邻域关联特征，从而得到转速时序特征向量。
其中，所述多尺度邻域特征提取模块包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
进一步地，使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到第一尺度转速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述转速输入向量；
使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到第二尺度转速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；
其中，所述公式为：
其中，b为第二卷积核在y方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，Y表示所述转速输入向量；以及，将所述第一尺度转速特征向量和所述第二尺度转速特征向量进行级联以得到所述转速时序特征向量。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在步骤260中，计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵。接着，进一步再计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计，以此来表示所述混合溶液的时序动态关联特征和所述转速值的多尺度动态变化特征间的关联性特征分布信息，并以此作为分类特征矩阵通过分类器中进行分类处理来得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。
其中，计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
其中，Vs表示所述溶液状态时序语义理解特征向量，Vl表示所述转速时序特征向量，M表示所述分类特征矩阵。
具体地，在步骤270中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。在本申请的技术方案中，所述分类器的标签包括当前时间点的转速值应增大(第一标签)，以及，当前时间点的转速值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为当前时间点的转速值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的转速值，以此来提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
进一步地，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小，包括：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中，使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：
O＝softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，Project(F)为将所述分类特征矩阵投影为向量。
综上，基于本申请实施例的水性自修复硅PU面漆的制备方法被阐明，其获取预定时间段内多个预定时间点的转速值，以及，由摄像头采集的所述多个预定时间点的溶液状态检测图像；使用基于人工智能的图像处理算法，挖掘溶液状态检测图像中关于混合溶液的状态高维隐含特征分布信息，并提取出转速值在预定时间段内的不同时间周期跨度下的动态多尺度邻域关联特征；建立混合溶液的状态变化与转速值之间的映射关系，以基于混合溶液的状态变化来自适应地调整所述当前时间点的转速值。这样，可以提高白色浆料的制备效果，进而提高水性自修复硅PU面漆的制备性能和质量。
在本申请的一个实施例中，图7为根据本申请实施例的水性自修复硅PU面漆的框图。如图7所示，根据本申请实施例的水性自修复硅PU面漆300，包括：数据获取模块310，用于获取预定时间段内多个预定时间点的转速值以及由摄像头采集的所述多个预定时间点的溶液状态检测图像；特征提取模块320，用于将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量；特征值区分度增强模块330，用于对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量；上下文编码模块340，用于将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量；多尺度特征提取模块350，用于将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到转速时序特征向量；响应性估计计算模块360，用于计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；以及，转速值控制结果生成模块370，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。
在一个具体示例中，在上述水性自修复硅PU面漆中，所述特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个溶液状态特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
在一个具体示例中，在上述水性自修复硅PU面漆中，所述特征值区分度增强模块，包括：辅助卷积单元，用于将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图；累积区分机制建模单元，用于对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及，计算单元，用于分别计算每组对应的所述加权特征向量和所述溶液状态特征向量之间的按位置点乘以得到所述多个优化溶液状态特征向量。
在一个具体示例中，在上述水性自修复硅PU面漆中，所述辅助卷积单元，用于：使用所述作为特征提取器的辅助卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为特征提取器的辅助卷积神经网络模型的最后一层的输出为所述多个辅助特征图，其中，所述作为特征提取器的辅助卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
在一个具体示例中，在上述水性自修复硅PU面漆中，所述累积区分机制建模单元，用于：以如下公式对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得所述多个加权特征向量；其中，所述公式为：
其中，Fi表示所述多个辅助特征图中的各个辅助特征图，cov1(·)和cov2(·)分别表示对特征图进行基于不同卷积核的单层卷积操作，ReLU(·)表示ReLU激活函数，Sigmoid(·)表示Sigmoid激活函数，且GAP表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，Vi表示所述多个加权特征向量中的各个加权特征向量。
在一个具体示例中，在上述水性自修复硅PU面漆中，所述上下文编码模块，包括：编码单元，用于使用所述基于转换器的上下文编码器对所述多个优化溶液状态特征向量进行基于全局的上下文语义编码以得到多个溶液状态语义理解特征向量；以及，级联单元，用于将所述多个溶液状态语义理解特征向量进行级联以得到所述溶液状态时序语义理解特征向量。
在一个具体示例中，在上述水性自修复硅PU面漆中，所述多尺度特征提取模块包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中，在上述水性自修复硅PU面漆中，所述响应性估计计算模块，用于：以如下公式计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
其中，Vs表示所述溶液状态时序语义理解特征向量，Vl表示所述转速时序特征向量，M表示所述分类特征矩阵。
这里，本领域技术人员可以理解，上述水性自修复硅PU面漆300中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的水性自修复硅PU面漆的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种水性自修复硅PU面漆的制备方法，其特征在于，包括：
将0.2-1.1份分散剂、0.1-0.5份润湿剂0.1-0.8份消泡剂和增稠剂0.1-0.5份加入12-30份去离子水中，在300rpm-500rpm的转速条件下搅拌3min-5min制备成分散液；
再将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料；以及
将转速调整至800rpm-1000rpm，将0.3-1.8份成膜助剂、20-60份硅改性羟基丙烯酸乳液、0.1-0.5份流平剂和15-30份自修复微胶囊加入所述白色浆料中，搅拌5-10min，再加入8-20份固化剂以得到水性自修复硅PU面漆。
2.根据权利要求1所述的水性自修复硅PU面漆的制备方法，其特征在于，再将1-15份二氧化钛、10-20份填料和0.4-2份助溶剂缓慢加入所述分散液中，并在预定转速控制策略下分散3min-5min以得到白色浆料，包括：
获取预定时间段内多个预定时间点的转速值以及由摄像头采集的所述多个预定时间点的溶液状态检测图像；
将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量；
对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量；
将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量；
将所述多个预定时间点的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到转速时序特征向量；
计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的转速值应增大或应减小。
3.根据权利要求2所述的水性自修复硅PU面漆的制备方法，其特征在于，将所述多个预定时间点的溶液状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个溶液状态特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个溶液状态特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
4.根据权利要求3所述的水性自修复硅PU面漆的制备方法，其特征在于，对所述多个溶液状态特征向量进行特征值区分度增强以得到多个优化溶液状态特征向量，包括：
将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图；
对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及
分别计算每组对应的所述加权特征向量和所述溶液状态特征向量之间的按位置点乘以得到所述多个优化溶液状态特征向量。
5.根据权利要求4所述的水性自修复硅PU面漆的制备方法，其特征在于，将所述多个预定时间点的溶液状态检测图像分别通过作为特征提取器的辅助卷积神经网络模型以得到多个辅助特征图，包括：使用所述作为特征提取器的辅助卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为特征提取器的辅助卷积神经网络模型的最后一层的输出为所述多个辅助特征图，其中，所述作为特征提取器的辅助卷积神经网络模型的第一层的输入为所述多个预定时间点的溶液状态检测图像。
6.根据权利要求5所述的水性自修复硅PU面漆的制备方法，其特征在于，对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得多个加权特征向量，包括：
以如下公式对所述多个辅助特征图中的每个辅助特征图进行特征相关性累积区分机制建模以获得所述多个加权特征向量；
其中，所述公式为：
其中，Fi表示所述多个辅助特征图中的各个辅助特征图，cov1(·)和cov2(·)分别表示对特征图进行基于不同卷积核的单层卷积操作，ReLU(·)表示ReLU激活函数，Sigmoid(·)表示Sigmoid激活函数，且GAP表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，Vi表示所述多个加权特征向量中的各个加权特征向量。
7.根据权利要求6所述的水性自修复硅PU面漆的制备方法，其特征在于，将所述多个优化溶液状态特征向量通过基于转换器的上下文编码器以得到溶液状态时序语义理解特征向量，包括：
使用所述基于转换器的上下文编码器对所述多个优化溶液状态特征向量进行基于全局的上下文语义编码以得到多个溶液状态语义理解特征向量；以及
将所述多个溶液状态语义理解特征向量进行级联以得到所述溶液状态时序语义理解特征向量。
8.根据权利要求7所述的水性自修复硅PU面漆的制备方法，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
9.根据权利要求8所述的水性自修复硅PU面漆的制备方法，其特征在于，计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述溶液状态时序语义理解特征向量相对于所述转速时序特征向量的响应性估计以得到分类特征矩阵；
其中，所述公式为：
其中，Vs表示所述溶液状态时序语义理解特征向量，Vl表示所述转速时序特征向量，M表示所述分类特征矩阵。
10.一种水性自修复硅PU面漆，其特征在于，所述水性自修复硅PU面漆由如权利要求1至9任一所述的水性自修复硅PU面漆的制备方法制得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310132821.XA CN116004105A (zh) | 2023-02-17 | 2023-02-17 | 水性自修复硅pu面漆及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310132821.XA CN116004105A (zh) | 2023-02-17 | 2023-02-17 | 水性自修复硅pu面漆及其制备方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116004105A true CN116004105A (zh) | 2023-04-25 |
Family
ID=86026925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310132821.XA Pending CN116004105A (zh) | 2023-02-17 | 2023-02-17 | 水性自修复硅pu面漆及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116004105A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107312435A (zh) * | 2017-07-13 | 2017-11-03 | 洛阳双瑞防腐工程技术有限公司 | 一种超耐水自修复型水性丙烯酸聚氨酯涂料及其制备方法 |
| CN114133851A (zh) * | 2021-12-20 | 2022-03-04 | 嘉宝莉化工集团股份有限公司 | 有机硅改性羟基聚丙烯酸酯分散体及其制备方法和应用 |
| CN115472242A (zh) * | 2022-08-15 | 2022-12-13 | 福建天甫电子材料有限公司 | 用于剥膜液生产的自动配料系统及其配料方法 |
-
2023
- 2023-02-17 CN CN202310132821.XA patent/CN116004105A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107312435A (zh) * | 2017-07-13 | 2017-11-03 | 洛阳双瑞防腐工程技术有限公司 | 一种超耐水自修复型水性丙烯酸聚氨酯涂料及其制备方法 |
| CN114133851A (zh) * | 2021-12-20 | 2022-03-04 | 嘉宝莉化工集团股份有限公司 | 有机硅改性羟基聚丙烯酸酯分散体及其制备方法和应用 |
| CN115472242A (zh) * | 2022-08-15 | 2022-12-13 | 福建天甫电子材料有限公司 | 用于剥膜液生产的自动配料系统及其配料方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Soydaner | A comparison of optimization algorithms for deep learning | |
| CN109753992B (zh) | 基于条件生成对抗网络的无监督域适应图像分类方法 | |
| Gelada et al. | Deepmdp: Learning continuous latent space models for representation learning | |
| Ladicky et al. | Locally linear support vector machines | |
| CN111080675B (zh) | 一种基于时空约束相关滤波的目标跟踪方法 | |
| Srinivasan et al. | An efficient implementation of artificial neural networks with K-fold cross-validation for process optimization | |
| CN116048031B (zh) | 用于石油助剂生产的控制系统及其方法 | |
| CN110503251B (zh) | 一种基于Stacking算法的非节假日负荷预测方法 | |
| CN109131348A (zh) | 一种基于生成式对抗网络的智能车驾驶决策方法 | |
| CN112686976A (zh) | 骨骼动画数据的处理方法、装置及通信设备 | |
| CN116726788B (zh) | 一种压裂用交联剂的制备方法 | |
| CN102708294A (zh) | 基于半监督局部线性回归的自适应参数软测量方法 | |
| CN113256520A (zh) | 一种域自适应的水下图像增强方法 | |
| Singh | Noise impact on time-series forecasting using an intelligent pattern matching technique | |
| CN116082579A (zh) | 单组份自交联环氧改性丙烯酸酯乳液及其制备方法 | |
| CN113408449A (zh) | 基于语音驱动的人脸动作合成方法、电子设备及存储介质 | |
| CN107038419A (zh) | 一种基于视频序列深度学习的人物行为语义识别方法 | |
| CN116004105A (zh) | 水性自修复硅pu面漆及其制备方法 | |
| CN110443273B (zh) | 一种用于自然图像跨类识别的对抗零样本学习方法 | |
| CN103400158A (zh) | 基于动态形状码本学习的水平集跟踪方法 | |
| CN116899423A (zh) | 水性涂料的智能化制备方法及其系统 | |
| CN113298895A (zh) | 一种面向收敛性保障的无监督双向生成自动编码方法及系统 | |
| CN116521863A (zh) | 一种基于半监督学习的标签抗噪文本分类方法 | |
| CN109636600A (zh) | 一种使用维度约减的投资组合方法 | |
| CN111781840B (zh) | 基于深度强化学习无模型自适应混水温度控制系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230425 |