CN116152216B - 基于神经网络的防护材料疲劳样本制备方法及设备 - Google Patents

基于神经网络的防护材料疲劳样本制备方法及设备 Download PDF

Info

Publication number
CN116152216B
CN116152216B CN202310196066.1A CN202310196066A CN116152216B CN 116152216 B CN116152216 B CN 116152216B CN 202310196066 A CN202310196066 A CN 202310196066A CN 116152216 B CN116152216 B CN 116152216B
Authority
CN
China
Prior art keywords
fatigue
fatigue sample
neural network
preparation
protective material
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
CN202310196066.1A
Other languages
English (en)
Other versions
CN116152216A (zh
Inventor
张宏
刘梦真
黄广炎
李豪天
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.)
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of Technology
Original Assignee
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of Technology
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 Beijing Institute of Technology BIT, Chongqing Innovation Center of Beijing University of Technology filed Critical Beijing Institute of Technology BIT
Priority to CN202310196066.1A priority Critical patent/CN116152216B/zh
Publication of CN116152216A publication Critical patent/CN116152216A/zh
Application granted granted Critical
Publication of CN116152216B publication Critical patent/CN116152216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于神经网络的防护材料疲劳样本制备方法及设备，包括：将所要制备疲劳样本的防护材料样品固定在防护材料疲劳样本制备设备中，通过图像采集系统获取图像信息数据，通过激光传感器和压力传感器获得位移信息数据和压力信息数据，通过多波混合模糊神经网络对三通道信息流进行模糊分析后控制电机制备疲劳样本，通过分步共享神经网络分析图像信息获取疲劳样本最终效果图。本发明的制备方法能够批量高效的产生疲劳样本，既能控制疲劳样本产生疲劳的强度，也能够控制疲劳样本的制备时长，避免了在人为制造疲劳样本时无法定量研究的缺陷，也解决了疲劳样本本身难以大量获得的困难，实现了标准化、定量化制备疲劳样本的全流程。

Description

基于神经网络的防护材料疲劳样本制备方法及设备
技术领域
本发明属于机器学习、计算机视觉和机械设计领域，特别是涉及一种基于神经网络的防护材料疲劳样本制备方法及设备。
背景技术
目前使用较为广泛的防刺材料多为由树脂作为基体、由浸胶芳纶布作为增强体制成的浸胶芳纶布，浸胶芳纶布根据芳纶聚酰胺纤维种类不同以及基体和增强体的配比不同，性能也会有差异。而此种新型复合增强材料在物理性能方面有多种优势，例如强度高、剪切模量高、拉伸模量高，并且具有良好的拉伸性能、热稳定性能等，所以被广泛的应用于多种特种行业领域。而这种典型的防刺材料在穿着使用或是生产制造的过程中，由于特殊的应用场景例如警察执法、军事战争、应急消防、建筑施工和较为极端的使用环境例如极寒高温环境、酸碱腐蚀威胁、刀割锥刺伤害等都会对其性能产生损伤。
目前存在的主流检测手段都是依靠传统的实验方式来探究对防护性能造成的影响，这样存在的问题就是检测成本高、误差大并且过程复现困难。所以研制可以精准控制防护材料疲劳样本制备的方法和设备成为了分析防护性能影响的必要条件，也是在为后续的定量化分析奠定基础。
近年来，随着人工智能技术和计算水平的快速发展，神经网络作为一种由大量神经元相互关联组成的算法数学模型，也应用于越来越多领域，能够解决多种复杂的问题。机器视觉技术也随着网络技术的发展得到了更广泛的应用。并且随着硬件技术的跨越式发展，机器视觉现在不仅仅是对视觉功能的替代，更能从获取的视觉信息中提取特征信息，对其进行分析和理解。所以实现通过机器视觉监控疲劳样本的产生状态并将图像信息作为控制疲劳样本制备过程的指标之一成为了可能。除此之外，实现对全方面、多角度的设备信息调控也在神经网络的算法下成为可能并且可以得到稳定准确地输出结果用以调控设备的运转。这使得智能化的防护材料疲劳样本制备方案可以得到有效落实。
发明内容
本发明的目的是提供一种基于神经网络的防护材料疲劳样本制备方法及设备，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于神经网络的防护材料疲劳样本制备方法，包括：
获取制备疲劳样本的防护材料，并将所述防护材料固定于制备设备上的固定板与移动板之间开始制备；
实时获取制备过程中的阶段性疲劳样本图像与所述防护材料的位移数据、压力数据；
构建多波混合模糊神经网络；
基于所述阶段性疲劳样本图像、所述位移数据、所述压力数据，通过所述多波混合模糊神经网络，获得电机控制信号，基于所述电机控制信号对所述制备设备进行调控；
构建分步共享神经网络，获取参考疲劳样本图像，将所述阶段性疲劳样本图像与所述参考疲劳样本图像输入分步共享神经网络进行对比分析，获得疲劳样本处理效果图并存储，根据疲劳样本处理效果图判断误差，当差值低于设定值时，完成疲劳样本制备。
可选的，分别通过激光传感器与压力传感器获得所述位移数据与所述压力数据，通过图像采集系统获取阶段性疲劳样本图像；所述激光传感器与所述压力传感器安装于所述固定板上，所述位移数据为一维数据流，采用以16进制进行表示，所述压力数据为一维数据散点。
可选的，所述多波混合模糊神经网络由输入层、模糊化层、深度可分离卷积层、模糊规则层、模糊决策层构成；
将所述阶段性疲劳样本图像、所述位移数据、所述压力数据的波形信息分别通过输入层的三个通道输入至模糊化层进行模糊化处理，所述深度可分离卷积层对模糊化后的数据进行筛选汇合，再通过模糊规则层对筛选汇合后的数据进行分类，并分别进行权重模糊化，所述模糊决策层将所述模糊规则层处理后的数据与物理意义结合，获得所述电机控制信号，其中，所述电机控制信号包括电机频率与力的大小。
可选的，采用权重模糊系数算法进行权重模糊化，所述权重模糊系数算法为：
其中，c和σ系数为权重模糊算法中的常数系数。
可选的，所述电机控制信号的获取过程还包括：将所述模糊规则层处理后的数据与物理意义结合后，获得多段波形信息与所述电机控制信号的对应关系，进而获得电机控制信号。
可选的，对比分析的过程包括：所述分步共享神经网络包括分步网络与共享网络，基于分步网络与参考疲劳样本图像获得预测疲劳样本图像；将阶段性疲劳样本图像与所述预测疲劳样本图像输入共享网络中进行对比分析；其中，所述分步网络包括特征提取分割网络和图像折痕预测网络，所述共享网络中采用反向传播学习算法，所述参考疲劳样本图像存储于数据库中。
本发明还提供了一种基于神经网络的防护材料疲劳样本制备设备,包括：
图像采集模块、疲劳制备模块、电极运转模块、模糊控制模块；
所述图像采集模块用于获取疲劳样本图像；所述图像采集模块包括圆柱形支撑杆，支撑杆顶端架设有可旋转摄像头，摄像头内置有阈值分割算法；
所述疲劳制备模块用于固定防护材料进行疲劳样本制备，并采集位移数据与压力数据；
所述模糊控制模块用于根据获取疲劳样本图像、位移数据与压力数据获得电机控制信号；
所述电极运转模块根据电机控制信号实时调整疲劳样本制备状态。
可选的，所述疲劳制备模块包括底座、固定板、移动板、传动杆、传动杆固定器、可伸缩转动杆、激光传感器、压力传感器；所述固定板与所述移动板为规格相同的金属板，所述固定板固定在底座上，所述移动板与底座保持固定距离，所述固定板与所述移动板间隔预设距离，移动板连接有三根传动杆，三根传动杆保持平行状态，通过所述传动杆固定器与所述可伸缩转动杆连接；所述固定杆上还固定安装有所述激光传感器与所述压力传感器，所述激光传感器为点状激光模组，所述压力传感器为电阻式薄膜压力传感器探头。
可选的，所述电极运转模块包括工控机、往复电机、主动杆，所述工控机用于接收所述电机控制信号并对往复电机进行调控，所述主动杆与所述可伸缩转动杆连接，受往复电机控制，所述可伸缩转动杆内置可伸缩弹簧。
本发明的技术效果为：
在本发明的基于神经网络的防护材料疲劳样本制备方法及设备应用中，将要制备疲劳样本的防护材料样品固定在防护材料疲劳样本制备设备中后，通过本发明的制备方法能够批量高效的产生疲劳样本，既能控制疲劳样本产生疲劳的强度，也能够控制疲劳样本的制备时长，这些都是会对防护材料样品的防护性能产生影响的因素。避免了在人为制造疲劳样本时无法定量研究的缺陷，也解决了疲劳样本本身难以大量获得的困难，实现了标准化、定量化制备疲劳样本的全流程，为下一步研究样本疲劳对防护材料样品防护性能的影响奠定基础。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的基于神经网络的防护材料疲劳样本制备流程图；
图2为本发明实施例中的基于神经网络的防护材料疲劳样本制备设备图；
图3为本发明实施例中的防护材料疲劳样本制备设备结构功能示意图；
图4为本发明实施例中的多波混合模糊神经网络结构示意图；
图5为本发明实施例中的分步共享神经网络结构示意图；
附图标记：201-底座，202-图像采集系统，203-支撑杆，204-固定板，205-移动板，206-激光传感器，207-压力传感器，208-传动杆，209-传动杆固定器，210-可伸缩转动杆，211-主动杆，212-往复电机，213-工控机。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-5所示，本实施例中提供一种基于神经网络的防护材料疲劳样本制备方法及设备，包括：
将所要制备疲劳样本的防护材料样品固定在防护材料疲劳样本制备设备的固定板204与移动板205之间，防护材料样品为由树脂作为基体、由芳纶纤维作为增强体的复合材料(高性能组合材料)，复合材料样品长200mm、宽200mm，复合材料可以是单层，也可以是多层叠加的，本实施例中所选用的防护材料样本为长200毫米、宽200毫米的北京普诺泰公司所研制的浸胶芳纶布材料。
所述防护材料疲劳样本制备设备的固定板204上布置有激光传感器206与压力传感器207，本实施例中选择的激光传感器206TOF激光测距传感器模块，选择的压力传感器207为电阻式薄膜压力传感器207。所述防护材料疲劳样本制备设备的支撑杆203上固定有图像采集系统202，如图2所示；
为制备设备根据经验值设置一个初始电机频率，保证电机不会短路或抱死即可。
在制作阶段，实时获取相关数据，使用所述激光传感器206获取位移数据A，使用所述压力传感器207获取压力数据F。所述激光传感器206获取的位移数据为每秒30次的一维数据流，以16进制表示，所述压力传感器207获取的压力数据为每秒60次的一维数据散点，单位为N。使用所述图像采集系统202获取疲劳样本图像，疲劳样本图像信息数据量记为Q，图像宽度记为W，高度记为H；
将所述位移数据A、压力数据F以及疲劳样本图像Q输入多波混合模糊神经网络中，所述多波混合模糊神经网络(Multiwave Hybrid Fuzzy Neural Network，以下简称MHFNN网络)将疲劳样本图像波段信息、激光传感器206获取的位移数据以及压力传感器207获取的压力数据作为MHFNN网络的三个输入波段信息，MHFNN网络结构如图4所示，分别通过第二层模糊化层对输入的波形信息进行模糊化，模糊化的过程为 t为时间节点；然后在第三层深度可分离卷积层中将三个通道的输入信息进行汇合，深度可分离卷积的优势就是不仅关注每个通道的信息特征而且还关注到不同通道之间信息特征的相关性，所以在信息通过深度可分离卷积层后会保留更多有效信息；第四层为模糊规则层，对深度可分离卷积网络筛选过的信息进行分类，将图像信息波形、位移信息波形以及压力信息波形的数据权重模糊化处理，权重模糊系数算法为/>c和σ系数为权重模糊算法中的常数系数；第五层为模糊决策层，对分类后的信息特征去模糊化后与物理意义相结合，使得在最后的输出层输出所需要设置的电机频率和力的大小的对应关系。多段波形信息为/>γ为多段波形处理的常数系数，/>为每段信息模糊化处理后合并的对应系数，与所需要设置的电机频率的对应关系为与电机力的大小的对应关系为/>ai为与电机对应处理系数，得到最终的输出结果。通过对三种波信息的提取处理分析，得到控制往复电机212运转的两个参数，电机频率与力的大小；MHFNN网络的优势就在于处理这样非线性、模糊化的问题，本网络实现了对于信息的智能化处理。
使用所述防护材料疲劳样本制备设备在工控机213调节好电机频率与力的大小后进行相应疲劳样本的制备；
将所述图像采集系统202获取的疲劳样本图像与数据库中存储的参考疲劳样本图像输入分步共享网络进行图像信息对比分析，所述分步共享网络(Segmented SharedNeural Network，以下简称SSNN)的流程就是分两步来进行两段神经网络的计算，SSNN网络结构如图5所示。第一步是针对数据库中参考疲劳样本图像的处理，设置了由特征提取分割网络和图像折痕预测网络组成的分段网络，实现对数据库中图像的特征信息识别与处理，分步网络的输出为根据数据库中图像所预测的疲劳样本图像；第二步共享网络将第一步中分步网络输出的预测的疲劳样本图像以及防护材料疲劳样本制备设备中图像采集系统202采集到的样本图像作为两个输入，网络1和网络2中通过使用反向传播学习算法对两个输入的图像信息进行对比分析并根据损失函数的变化情况判断疲劳样本的制备程度，得到疲劳样本处理效果图；
将所述疲劳样本处理效果图进行保存确认后即完成一次防护材料疲劳样本的制备全流程。
本实施例提供了基于神经网络的防护材料疲劳样本制备设备，如图2所示，主要功能模块如图3所示，该设备包括：
图像分析模块，在一次完整的防护材料疲劳样本制备过程中，实现在疲劳样本的制备过程中实时拍摄防护材料样品状态并进行图像处理。所述图像采集模块包含长30厘米，直径为1.5厘米的圆柱状支撑杆203，支撑杆203顶端架设有分辨率为1024×768、焦距8毫米、360度可旋转摄像头，用于对疲劳样本制备过程中不同角度以及不同高度的样品目标进行图像采集，本实施例中选用的为萤石C6c，300万像素，水平360度循环转动摄像机，采集到的图像为1024×1024×3的三维图像信息，每秒60帧。在摄像头中内置阈值分割算法，对设备采集的图像进行处理后输出；
疲劳制备模块，用于固定防护材料样品进行疲劳制备。所述疲劳产生模块设置了间距20厘米的固定板204与移动板205，固定板204与移动板205的大小相同，为30厘米长、30厘米宽、0.5厘米厚的金属板，固定板204保持固定在底座201上，移动板205与底座201保持3厘米距离以减小摩擦力。移动板205由3根传动杆208相连，三根传动杆208由传动杆固定器209保持平行状态并链接在可伸缩转动杆210上。所述疲劳制备模块的固定杆上还固定有激光传感器206与压力传感器207。所述激光传感器206为650nm波长、功率为5mW的点状激光模组，尺寸大小为直径10mm、长度30mm，所述压力传感器207为电阻式薄膜压力传感器207探头，探头使用耐弯折并且灵敏度高的柔性纳米功能材料制作，厚度为0.3mm、直径为10mm，能够在保证轻薄的基础上实现高灵敏性，实现了输出位移数据与压力数据；
电机运转模块，主要包含往复电机212控制下的可伸缩转动杆210与主动杆211。所述主动杆211受往复电机212控制来传动力与频率，所述可伸缩转动杆210通过调节杆的长度来调节移动板205移动的距离从而调整疲劳制备的频率，可伸缩转动杆210中内置有20厘米的可伸缩弹簧杆；
模糊控制模块，MHFNN网络对输入的疲劳样本图像数据数据、1024×1024×3的三维图像信息，位移信息数据流以及压力信息数据流进行分析处理，将电机频率和力的大小反馈给工控机213，工控机213实现对往复电机212的调控来控制疲劳样本的制备过程；
存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现设备中主要模块的步骤。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于神经网络的防护材料疲劳样本制备方法，其特征在于，包括以下步骤：
获取制备疲劳样本的防护材料，并将所述防护材料固定于制备设备上的固定板与移动板之间开始制备；
实时获取制备过程中的阶段性疲劳样本图像与所述防护材料的位移数据、压力数据；
构建多波混合模糊神经网络；
基于所述阶段性疲劳样本图像、所述位移数据、所述压力数据，通过所述多波混合模糊神经网络，获得电机控制信号，基于所述电机控制信号对所述制备设备进行调控；
所述多波混合模糊神经网络由输入层、模糊化层、深度可分离卷积层、模糊规则层、模糊决策层构成；
将所述阶段性疲劳样本图像、所述位移数据、所述压力数据的波形信息分别通过输入层的三个通道输入至模糊化层进行模糊化处理，所述深度可分离卷积层对模糊化后的数据进行筛选汇合，再通过模糊规则层对筛选汇合后的数据进行分类，并分别进行权重模糊化，所述模糊决策层将所述模糊规则层处理后的数据与物理意义结合，获得所述电机控制信号，其中，所述电机控制信号包括电机频率与力的大小；
构建分步共享神经网络，获取参考疲劳样本图像，将所述阶段性疲劳样本图像与所述参考疲劳样本图像输入分步共享神经网络进行对比分析，获得疲劳样本处理效果图并存储，根据疲劳样本处理效果图判断误差，当差值低于设定值时，完成疲劳样本制备。
2.根据权利要求1所述的基于神经网络的防护材料疲劳样本制备方法，其特征在于，
分别通过激光传感器与压力传感器获得所述位移数据与所述压力数据，通过图像采集系统获取阶段性疲劳样本图像；所述激光传感器与所述压力传感器安装于所述固定板上，所述位移数据为一维数据流，采用以16进制进行表示，所述压力数据为一维数据散点。
3.根据权利要求1所述的基于神经网络的防护材料疲劳样本制备方法，其特征在于，
采用权重模糊系数算法进行权重模糊化，所述权重模糊系数算法为：
其中，c和σ系数为权重模糊算法中的常数系数。
4.根据权利要求1所述的基于神经网络的防护材料疲劳样本制备方法，其特征在于，
所述电机控制信号的获取过程还包括：将所述模糊规则层处理后的数据与物理意义结合后，获得多段波形信息与所述电机控制信号的对应关系，进而获得电机控制信号。
5.根据权利要求1所述的基于神经网络的防护材料疲劳样本制备方法，其特征在于，
对比分析的过程包括：所述分步共享神经网络包括分步网络与共享网络，基于分步网络与参考疲劳样本图像获得预测疲劳样本图像；将阶段性疲劳样本图像与所述预测疲劳样本图像输入共享网络中进行对比分析；其中，所述分步网络包括特征提取分割网络和图像折痕预测网络，所述共享网络中采用反向传播学习算法，所述参考疲劳样本图像存储于数据库中。
6.一种用于执行权利要求1-5任一项所述基于神经网络的防护材料疲劳样本制备方法的制备设备，包括：
图像采集模块、疲劳制备模块、电极运转模块、模糊控制模块；
所述图像采集模块用于获取疲劳样本图像；所述图像采集模块包括圆柱形支撑杆，支撑杆顶端架设有可旋转摄像头，摄像头内置有阈值分割算法；
所述疲劳制备模块用于固定防护材料进行疲劳样本制备，并采集位移数据与压力数据；
所述模糊控制模块用于根据获取疲劳样本图像、位移数据与压力数据获得电机控制信号；
所述电极运转模块根据电机控制信号实时调整疲劳样本制备状态。
7.根据权利要求6所述的基于神经网络的防护材料疲劳样本制备方法的制备设备，其特征在于，
所述疲劳制备模块包括底座、固定板、移动板、传动杆、传动杆固定器、可伸缩转动杆、激光传感器、压力传感器；所述固定板与所述移动板为规格相同的金属板，所述固定板固定在底座上，所述移动板与底座保持固定距离，所述固定板与所述移动板间隔预设距离，移动板连接有三根传动杆，三根传动杆保持平行状态，通过所述传动杆固定器与所述可伸缩转动杆连接；所述固定板上还固定安装有所述激光传感器与所述压力传感器，所述激光传感器为点状激光模组，所述压力传感器为电阻式薄膜压力传感器探头。
8.根据权利要求7所述的基于神经网络的防护材料疲劳样本制备方法的制备设备，其特征在于，
所述电极运转模块包括工控机、往复电机、主动杆，所述工控机用于接收所述电机控制信号并对往复电机进行调控，所述主动杆与所述可伸缩转动杆连接，受往复电机控制，所述可伸缩转动杆内置可伸缩弹簧。
CN202310196066.1A 2023-03-03 2023-03-03 基于神经网络的防护材料疲劳样本制备方法及设备 Active CN116152216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310196066.1A CN116152216B (zh) 2023-03-03 2023-03-03 基于神经网络的防护材料疲劳样本制备方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310196066.1A CN116152216B (zh) 2023-03-03 2023-03-03 基于神经网络的防护材料疲劳样本制备方法及设备

Publications (2)

Publication Number Publication Date
CN116152216A CN116152216A (zh) 2023-05-23
CN116152216B true CN116152216B (zh) 2023-08-25

Family

ID=86358152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310196066.1A Active CN116152216B (zh) 2023-03-03 2023-03-03 基于神经网络的防护材料疲劳样本制备方法及设备

Country Status (1)

Country Link
CN (1) CN116152216B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107607372A (zh) * 2017-08-22 2018-01-19 哈尔滨工程大学 一种脆性材料疲劳裂纹预制试验机
CN112213503A (zh) * 2020-09-03 2021-01-12 深圳迈瑞生物医疗电子股份有限公司 样本分析系统、图像分析系统及其处理样本图像的方法
CN113935989A (zh) * 2021-11-23 2022-01-14 沈阳建筑大学 基于深度学习的金属材料断口疲劳条带识别与分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11526808B2 (en) * 2019-05-29 2022-12-13 The Board Of Trustees Of The Leland Stanford Junior University Machine learning based generation of ontology for structural and functional mapping

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107607372A (zh) * 2017-08-22 2018-01-19 哈尔滨工程大学 一种脆性材料疲劳裂纹预制试验机
CN112213503A (zh) * 2020-09-03 2021-01-12 深圳迈瑞生物医疗电子股份有限公司 样本分析系统、图像分析系统及其处理样本图像的方法
CN113935989A (zh) * 2021-11-23 2022-01-14 沈阳建筑大学 基于深度学习的金属材料断口疲劳条带识别与分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"小样本驱动特征分段网络的防护材料折痕检测";刘梦真等;《兵工学报》;全文 *

Also Published As

Publication number Publication date
CN116152216A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Jin et al. Monitoring anomalies in 3D bioprinting with deep neural networks
Athanasiou et al. A machine learning approach based on multifractal features for crack assessment of reinforced concrete shells
Junos et al. Automatic detection of oil palm fruits from UAV images using an improved YOLO model
Xu et al. Wind turbine blade surface inspection based on deep learning and UAV-taken images
CN111079655A (zh) 一种基于融合神经网络的视频中人体行为识别方法
WO2019238518A2 (de) Materialprüfung von optischen prüflingen
CN108846473A (zh) 基于方向和尺度自适应卷积神经网络的光场深度估计方法
CN110751209B (zh) 一种融合深度图像分类和检索的智能台风定强方法
Chen et al. Mobile convolution neural network for the recognition of potato leaf disease images
DE102012111504A1 (de) Röntgenanalyseapparatur
Campbell et al. Outlook for artificial intelligence and machine learning at the NSLS-II
CN109239670B (zh) 基于结构嵌入和深度神经网络的雷达hrrp识别方法
Sarkar et al. Wind turbine blade structural state evaluation by hybrid object detector relying on deep learning models
Chapelle et al. Determination of the fibre orientation distribution of a mineral wool network and prediction of its transverse stiffness using X-ray tomography
CN116152216B (zh) 基于神经网络的防护材料疲劳样本制备方法及设备
DE102022126665A1 (de) Ermöglichung der bedeutung von merkmalen mit hilfe von siamesischenautoencodern für eine effektive erkennung von bildveränderungen
Xiong et al. Application of improved YOLOV5 in plate defect detection
Hu et al. Telescope performance real-time monitoring based on machine learning
CN112862766B (zh) 一种基于图像数据扩充技术的绝缘子检测方法及系统
Yu et al. MobileNet-YOLO v5s: An improved lightweight method for real-time detection of sugarcane stem nodes in complex natural environments
DE112022002153T5 (de) Vorhersageverfahren für optische korrekturkoeffizienten, vorhersagevorrichtung für optische korrekturkoeffizienten, maschinelles lernverfahren, vorverarbeitungsverfahren für maschinelles lernen und trainiertes lernmodell
Kendrick et al. Anysize GAN: A solution to the image-warping problem
Timchenko et al. Processing laser beam spot images using the parallel-hierarchical network for classification and forecasting their energy center coordinates
Özsoy et al. Optimization of thermal modeling using machine learning techniques in fused deposition modeling 3-D printing
CN113657182A (zh) 一种基于变权理论的动态贝叶斯网络的目标意图识别方法

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