CN116544029A - 柔性直流输变电电容器用内串接高方阻膜及其制备方法 - Google Patents
柔性直流输变电电容器用内串接高方阻膜及其制备方法 Download PDFInfo
- Publication number
- CN116544029A CN116544029A CN202310482594.3A CN202310482594A CN116544029A CN 116544029 A CN116544029 A CN 116544029A CN 202310482594 A CN202310482594 A CN 202310482594A CN 116544029 A CN116544029 A CN 116544029A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- image
- film
- pattern feature
- matrix
- 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
- 239000003990 capacitor Substances 0.000 title claims abstract description 73
- 230000005540 biological transmission Effects 0.000 title claims abstract description 71
- 230000009466 transformation Effects 0.000 title claims abstract description 70
- 238000002360 preparation method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000001465 metallisation Methods 0.000 claims abstract description 23
- 238000005507 spraying Methods 0.000 claims abstract description 21
- 238000003698 laser cutting Methods 0.000 claims abstract description 15
- 229910052751 metal Inorganic materials 0.000 claims abstract description 13
- 239000002184 metal Substances 0.000 claims abstract description 13
- 238000001755 magnetron sputter deposition Methods 0.000 claims abstract description 11
- 239000004743 Polypropylene Substances 0.000 claims abstract description 10
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 10
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000001816 cooling Methods 0.000 claims abstract description 10
- -1 polypropylene Polymers 0.000 claims abstract description 10
- 229920001155 polypropylene Polymers 0.000 claims abstract description 10
- 239000000843 powder Substances 0.000 claims abstract description 10
- 238000004804 winding Methods 0.000 claims abstract description 10
- 229910052725 zinc Inorganic materials 0.000 claims abstract description 10
- 239000011701 zinc Substances 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 192
- 239000011159 matrix material Substances 0.000 claims description 115
- 238000013461 design Methods 0.000 claims description 68
- 238000012546 transfer Methods 0.000 claims description 52
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims 1
- 238000011068 loading method Methods 0.000 abstract description 7
- 238000003466 welding Methods 0.000 abstract description 7
- 239000010408 film Substances 0.000 description 179
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011104 metalized film Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 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
- 238000005070 sampling Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES, LIGHT-SENSITIVE OR TEMPERATURE-SENSITIVE DEVICES OF THE ELECTROLYTIC TYPE
- H01G4/00—Fixed capacitors; Processes of their manufacture
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES, LIGHT-SENSITIVE OR TEMPERATURE-SENSITIVE DEVICES OF THE ELECTROLYTIC TYPE
- H01G4/00—Fixed capacitors; Processes of their manufacture
- H01G4/33—Thin- or thick-film capacitors
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
一种柔性直流输变电电容器用内串接高方阻膜及其制备方法，其对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；通过激光切割工艺在所述金属化层上形成安全膜图案；将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。这样在制备过程中实现安全膜成型质量检测，以优化整体制备方案。
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，涉及一种柔性直流输变电电容器用内串接高方阻膜及其制备方法。
背景技术
柔性直流输变电电容器是一种用于柔性直流输电(VSC-HVDC)技术的电力电子电容器，它可以为换流系统的直流侧提供能量缓存、滤波和稳压作用。柔性直流输变电电容器通常采用金属化薄膜电容器，因为它具有耐高电压和高纹波电流、低杂散电感和等效串联电阻、长寿命、干式防爆、无极性、高频性能好等优点。
内串接高方阻膜是一种新型的金属化安全膜，它在绝缘材料上分隔蒸镀上规则的安全膜图案，但图案本身彼此没有交叉，而是通过细小的熔丝相互连接。当金属膜局部弱点形成放电通道时，能量迅速从四面八方涌来，弱点小模块四周的熔丝汽化，迅速自愈而不影响整体金属膜的正常工作。内串接高方阻膜可以提高金属化薄膜电容器的耐受电压和纹波电流能力，减少熔丝部分的损耗，更加可靠安全地工作。
在柔性直流输变电电容器用内串接高方阻膜的制备过程中，关键在于确保金属化层的安全膜图案符合预定样式，这样其能够起到提高金属化薄膜电容器的耐受电压和纹波电流能力的作用。但是，在现有柔性直流输变电电容器用内串接高方阻膜的制备方案中，通常是在产品性能测试阶段来通过内串接高方阻膜的性能来间接地分析安全膜图案是否符合预定要求，这种检测方案是滞后的。
因此，期待一种优化的柔性直流输变电电容器用内串接高方阻膜的制备方法。
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柔性直流输变电电容器用内串接高方阻膜及其制备方法，其对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；通过激光切割工艺在所述金属化层上形成安全膜图案；将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。这样在制备过程中实现安全膜成型质量检测，以优化整体制备方案。
第一方面，提供了一种柔性直流输变电电容器用内串接高方阻膜的制备方法，其包括：
对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；
在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；
通过激光切割工艺在所述金属化层上形成安全膜图案；
将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及
将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，通过激光切割工艺在所述金属化层上形成安全膜图案，包括：获取由显微镜采集的所述安全膜图案的显示图像；获取所述安全膜图案的参考设计图像；对所述显示图像进行图像预处理以得到预处理后显示图像；将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量；计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵；将所述转移矩阵通过空间注意力模块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安全膜图案与设计图案之间的一致性是否符合预定标准。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，所述预处理包括图像滤波和图像增强。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量，包括：使用所述孪生检测模型的第一图像编码器对所述预处理后显示图像进行卷积处理、池化处理和非线性激活处理以由所述第一图像编码器输出所述显示图案特征向量；以及，使用所述孪生检测模型的第二图像编码器对所述参考设计图像进行卷积处理、池化处理和非线性激活处理以由所述第二图像编码器输出所述参考图案特征向量。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵，包括：分别计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述显示图案特征向量和所述参考图案特征向量进行加权以得到加权后显示图案特征向量和加权后参考图案特征向量；以及，计算所述加权后显示图案特征向量相对于所述加权后参考图案特征向量的转移矩阵。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，分别计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：以如下优化公式计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；其中，所述优化公式为：
其中，V1表示所述显示图案特征向量，V2表示所述参考图案特征向量，L是特征向量的长度，μ1和σ1 2分别是所述显示图案特征向量的各个位置的特征集合的均值和方差，μ2和σ2 2分别是所述参考图案特征向量中各个位置的特征集合的均值和方差，log为以2为底的对数，w1是第一高斯回归不确定性因数，w2是第二高斯回归不确定性因数。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵，包括：使用所述空间注意力模块的卷积编码部分对所述转移矩阵进行卷积编码以得到差分卷积特征矩阵；将所述差分卷积特征矩阵输入所述空间注意力模块的空间注意力部分以得到空间注意力矩阵；将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及，计算所述空间注意力特征矩阵和所述差分卷积特征矩阵的按位置点乘以得到所述分类特征矩阵。
在上述柔性直流输变电电容器用内串接高方阻膜及其制备方法中，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安全膜图案与设计图案之间的一致性是否符合预定标准，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。
第二方面，提供了一种柔性直流输变电电容器用内串接高方阻膜，由如所述的柔性直流输变电电容器用内串接高方阻膜的制备方法制得。
与现有技术相比，本申请提供的柔性直流输变电电容器用内串接高方阻膜及其制备方法，其对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；通过激光切割工艺在所述金属化层上形成安全膜图案；将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。这样在制备过程中实现安全膜成型质量检测，以优化整体制备方案。
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柔性直流输变电电容器用内串接高方阻膜的制备方法的场景示意图。
图2为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法的流程图。
图3为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤130的子步骤的流程图。
图4为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤130的架构示意图。
图5为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤134的子步骤的流程图。
图6为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤135的子步骤的流程图。
图7为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤136的子步骤的流程图。
图8为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤137的子步骤的流程图。
图9为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备系统的框图。
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。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
具体地，本申请首先提供了一种柔性直流输变电电容器用内串接高方阻膜的制备方法，其包括步骤：S1、对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；S2、在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；S3、通过激光切割工艺在所述金属化层上形成安全膜图案；S4、将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及，S5、将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。
针对背景技术中所提出的技术问题，本申请的技术构思为：通过显微镜来采集所述安全膜图案的显示图像，并将所述显示图像与所述安全膜图案的参考设计图像进行比对分析以判断安全膜图案与设计图案之间的一致性是否符合预定标准，这样在制备过程中实现安全膜成型质量检测以优化整体制备方案。
具体地，在本申请的技术方案中，首先获取由显微镜采集的所述安全膜图案的显示图像，以及，所述安全膜图案的参考设计图像。应可以理解，在安全膜制造过程中，通常需要对安全膜进行显微观察以确保其质量和一致性。显微镜可以放大并捕捉安全膜表面的细节和纹路。而获取所述安全膜图案的参考设计图像是因为在判断安全膜图案与设计图案之间的一致性时，需要通过将安全膜图案与其对应的参考设计图案进行比较来确定它们是否符合预定标准。所述参考设计图像通常是由设计师根据安全膜制造要求和规格所提供的理论模板或标准图案，因此，所述参考设计图像可以作为安全膜图案质量的“标准”或“黄金样本”，并用于与实际采集到的安全膜图案进行比对，从而检测出可能存在的误差和偏差。
接着，对所述显示图像进行图像预处理以得到预处理后显示图像。这里，对所述显示图像进行图像预处理以得到预处理后显示图像是因为在进行安全膜图案与设计图案之间的一致性判断时，需要减少噪声和干扰等不必要的因素。在本申请的技术方案中，所述预处理通常包括图像滤波和图像增强，其中，所述图像滤波可以去除图像中的高频噪声和低频噪声，使得图像更加平滑和清晰。例如，可以采用高斯滤波、中值滤波等方法来消除噪声和伪影等；而所述图像增强可以增强图像的对比度和亮度等特征，使得图像更具有辨识度和可分辨性，例如，可以采用直方图均衡化、灰度拉伸等方法来调整图像的颜色饱和度和亮度等参数。
进而，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。也就是，在本申请的技术方案中，使用所述包含第一图像编码器和第二图像编码器的孪生检测模型对所述预处理后显示图像和所述参考设计图像进行图像特征提取以将所述预处理后显示图像和所述参考设计图像映射到高维特征空间中以得到所述显示图案特征向量和所述参考图案特征向量。
特别地，在本申请的技术方案中，所述孪生检测模型所包含的第一图像编码器和第二图像编码器具有相同的网络结构，因此，所述预处理后显示图像和所述参考设计图像的不一致的部分会被捕捉并放大，继而通过比较所述显示图案特征向量和所述参考图案特征向量就可以分析安全膜图案与设计图案之间的一致性是否符合预定标准。
具体地，在本申请的技术方案中，进一步计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵是因为在进行安全膜图案与设计图案之间一致性判断时，需要将它们之间的相似度量化为数值，并通过这些数值来判定它们是否符合预定标准。转移矩阵可以从两个特征向量之间建立起一种关系，并将它们映射到一个共同的空间中，以便更好地比较它们之间的相似度。
特别地，在本申请的技术方案中，考虑到所述转移矩阵中各个位置的特征值用于表示所述显示图案特征向量和所述参考图案特征向量的逐位置关联信息，而所述转移矩阵中各个元素的特征值对于最终的分类判断的贡献度不同。为了充分利用空间维度的权重异质性，在本申请的技术方案中，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵。
进而，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安全膜图案与设计图案之间的一致性是否符合预定标准。所述分类器是一种基于机器学习的模型，它可以根据输入的特征向量对其进行分类。分类器通常由训练集得到，并通过学习训练集中的不同特征向量和类别之间的关系，从而实现对新的特征向量进行分类。通过使用分类器，可以很好地区分安全膜图案与设计图案之间的相似程度，从而判断它们是否符合预定标准。分类结果可以是二元的(一致/不一致)或多元的(A/B/C/D等)，并且可以采用不同的评估指标来衡量分类器的性能和精度。通过比较分类结果和标准值，可以得出安全膜图案与设计图案之间的一致性是否符合预定标准的结论。
特别地，在计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵时，考虑到所述显示图像和所述参考设计图像的源图像噪声由所述第一图像编码器和所述第二图像编码器在图像语义特征编码过程中无法保证相同的图像语义编码方向，这就会导致作为所述显示图案特征向量和所述参考图案特征向量之间的图像语义特征域转移表达的转移矩阵内存在由所述显示图案特征向量和所述参考图案特征向量各自的高斯分布不确定性叠加产生的回归误差，从而使得所述转移矩阵通过空间注意力模块得到的所述分类特征矩阵也存在回归误差，影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
基于此，在本申请的技术方案中，分别计算所述显示图案特征向量V1和所述参考图案特征向量V2的高斯回归不确定性因数，表示为：
L是特征向量的长度，μ1和σ1 2分别是特征集合v1i∈V1的均值和方差，且μ2和σ2 2分别是特征集合v2i∈V2的均值和方差，log为以2为底的对数。
这里，针对所述显示图案特征向量V1和所述参考图案特征向量V2各自的集成特征集合由于其分布不确定性信息可能导致的所述分类特征矩阵的不可知回归(agnosticregression)，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将源图像噪声的特征表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对所述显示图案特征向量和所述参考图案特征向量加权后再计算其转移矩阵，就可以实现所述显示图案特征向量和所述参考图案特征向量的自校准的不确定性修正，从而修正所述转移矩阵以及从所述转移矩阵得到的所述分类特征矩阵存在的回归误差，提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
图1为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜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，获取由显微镜(例如，如图1中所示意的M)采集的所述安全膜图案的显示图像(例如，如图1中所示意的C1)，以及，所述安全膜图案的参考设计图像(例如，如图1中所示意的C2)；然后，将获取的所述安全膜图案的显示图像和所述安全膜图案的参考设计图像输入至部署有柔性直流输变电电容器用内串接高方阻膜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柔性直流输变电电容器用内串接高方阻膜的制备算法对所述安全膜图案的显示图像和所述安全膜图案的参考设计图像进行处理，以生成用于表示安全膜图案与设计图案之间的一致性是否符合预定标准的分类结果。
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柔性直流输变电电容器用内串接高方阻膜的制备方法的流程图。如图2所示，根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法100，包括：110，对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；120，在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；130，通过激光切割工艺在所述金属化层上形成安全膜图案；140，将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及，150，将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。
具体地，本申请首先提供了一种柔性直流输变电电容器用内串接高方阻膜的制备方法，其包括步骤：S1、对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；S2、在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；S3、通过激光切割工艺在所述金属化层上形成安全膜图案；S4、将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及，S5、将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。
图3为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤130的子步骤的流程图。如图3所示，通过激光切割工艺在所述金属化层上形成安全膜图案，包括：131，获取由显微镜采集的所述安全膜图案的显示图像；132，获取所述安全膜图案的参考设计图像；133，对所述显示图像进行图像预处理以得到预处理后显示图像；134，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量；135，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵；136，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵；以及，137，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安全膜图案与设计图案之间的一致性是否符合预定标准。
图4为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤130的架构示意图。如图3所示，在该网络架构中，首先，获取由显微镜采集的所述安全膜图案的显示图像；然后，获取所述安全膜图案的参考设计图像；接着，对所述显示图像进行图像预处理以得到预处理后显示图像；然后，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量；接着，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵；然后，将所述转移矩阵通过空间注意力模块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安全膜图案与设计图案之间的一致性是否符合预定标准。
具体地，在步骤131和步骤132中，获取由显微镜采集的所述安全膜图案的显示图像；以及，获取所述安全膜图案的参考设计图像。针对背景技术中所提出的技术问题，本申请的技术构思为：通过显微镜来采集所述安全膜图案的显示图像，并将所述显示图像与所述安全膜图案的参考设计图像进行比对分析以判断安全膜图案与设计图案之间的一致性是否符合预定标准，这样在制备过程中实现安全膜成型质量检测以优化整体制备方案。
具体地，在本申请的技术方案中，首先获取由显微镜采集的所述安全膜图案的显示图像，以及，所述安全膜图案的参考设计图像。应可以理解，在安全膜制造过程中，通常需要对安全膜进行显微观察以确保其质量和一致性。显微镜可以放大并捕捉安全膜表面的细节和纹路。而获取所述安全膜图案的参考设计图像是因为在判断安全膜图案与设计图案之间的一致性时，需要通过将安全膜图案与其对应的参考设计图案进行比较来确定它们是否符合预定标准。所述参考设计图像通常是由设计师根据安全膜制造要求和规格所提供的理论模板或标准图案，因此，所述参考设计图像可以作为安全膜图案质量的“标准”或“黄金样本”，并用于与实际采集到的安全膜图案进行比对，从而检测出可能存在的误差和偏差。
具体地，在步骤133中，对所述显示图像进行图像预处理以得到预处理后显示图像。接着，对所述显示图像进行图像预处理以得到预处理后显示图像。这里，对所述显示图像进行图像预处理以得到预处理后显示图像是因为在进行安全膜图案与设计图案之间的一致性判断时，需要减少噪声和干扰等不必要的因素。
在本申请的技术方案中，所述预处理通常包括图像滤波和图像增强，其中，所述图像滤波可以去除图像中的高频噪声和低频噪声，使得图像更加平滑和清晰。例如，可以采用高斯滤波、中值滤波等方法来消除噪声和伪影等；而所述图像增强可以增强图像的对比度和亮度等特征，使得图像更具有辨识度和可分辨性，例如，可以采用直方图均衡化、灰度拉伸等方法来调整图像的颜色饱和度和亮度等参数。
具体地，在步骤134中，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量。进而，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。也就是，在本申请的技术方案中，使用所述包含第一图像编码器和第二图像编码器的孪生检测模型对所述预处理后显示图像和所述参考设计图像进行图像特征提取以将所述预处理后显示图像和所述参考设计图像映射到高维特征空间中以得到所述显示图案特征向量和所述参考图案特征向量。
特别地，在本申请的技术方案中，所述孪生检测模型所包含的第一图像编码器和第二图像编码器具有相同的网络结构，因此，所述预处理后显示图像和所述参考设计图像的不一致的部分会被捕捉并放大，继而通过比较所述显示图案特征向量和所述参考图案特征向量就可以分析安全膜图案与设计图案之间的一致性是否符合预定标准。
其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型。
图5为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤134的子步骤的流程图，如图5所示，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量，包括：1341，使用所述孪生检测模型的第一图像编码器对所述预处理后显示图像进行卷积处理、池化处理和非线性激活处理以由所述第一图像编码器输出所述显示图案特征向量；以及，1342，使用所述孪生检测模型的第二图像编码器对所述参考设计图像进行卷积处理、池化处理和非线性激活处理以由所述第二图像编码器输出所述参考图案特征向量。
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135中，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵。具体地，在本申请的技术方案中，进一步计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵是因为在进行安全膜图案与设计图案之间一致性判断时，需要将它们之间的相似度量化为数值，并通过这些数值来判定它们是否符合预定标准。转移矩阵可以从两个特征向量之间建立起一种关系，并将它们映射到一个共同的空间中，以便更好地比较它们之间的相似度。
特别地，在本申请的技术方案中，考虑到所述转移矩阵中各个位置的特征值用于表示所述显示图案特征向量和所述参考图案特征向量的逐位置关联信息，而所述转移矩阵中各个元素的特征值对于最终的分类判断的贡献度不同。
图6为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤135的子步骤的流程图，如图6所示，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵，包括：1351，分别计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；1352，以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述显示图案特征向量和所述参考图案特征向量进行加权以得到加权后显示图案特征向量和加权后参考图案特征向量；以及，1353，计算所述加权后显示图案特征向量相对于所述加权后参考图案特征向量的转移矩阵。
特别地，在计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵时，考虑到所述显示图像和所述参考设计图像的源图像噪声由所述第一图像编码器和所述第二图像编码器在图像语义特征编码过程中无法保证相同的图像语义编码方向，这就会导致作为所述显示图案特征向量和所述参考图案特征向量之间的图像语义特征域转移表达的转移矩阵内存在由所述显示图案特征向量和所述参考图案特征向量各自的高斯分布不确定性叠加产生的回归误差，从而使得所述转移矩阵通过空间注意力模块得到的所述分类特征矩阵也存在回归误差，影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
基于此，在本申请的技术方案中，分别计算所述显示图案特征向量V1和所述参考图案特征向量V2的高斯回归不确定性因数，表示为：以如下优化公式计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；其中，所述优化公式为：
其中，V1表示所述显示图案特征向量，V2表示所述参考图案特征向量，L是特征向量的长度，μ1和σ1 2分别是所述显示图案特征向量的各个位置的特征集合的均值和方差，μ2和σ2 2分别是所述参考图案特征向量中各个位置的特征集合的均值和方差，log为以2为底的对数，w1是第一高斯回归不确定性因数，w2是第二高斯回归不确定性因数。
这里，针对所述显示图案特征向量V1和所述参考图案特征向量V2各自的集成特征集合由于其分布不确定性信息可能导致的所述分类特征矩阵的不可知回归(agnosticregression)，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将源图像噪声的特征表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对所述显示图案特征向量和所述参考图案特征向量加权后再计算其转移矩阵，就可以实现所述显示图案特征向量和所述参考图案特征向量的自校准的不确定性修正，从而修正所述转移矩阵以及从所述转移矩阵得到的所述分类特征矩阵存在的回归误差，提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
具体地，在步骤136中，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵。为了充分利用空间维度的权重异质性，在本申请的技术方案中，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵。
图7为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤136的子步骤的流程图，如图7所示，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵，包括：1361，使用所述空间注意力模块的卷积编码部分对所述转移矩阵进行卷积编码以得到差分卷积特征矩阵；1362，将所述差分卷积特征矩阵输入所述空间注意力模块的空间注意力部分以得到空间注意力矩阵；1363，将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及，1364，计算所述空间注意力特征矩阵和所述差分卷积特征矩阵的按位置点乘以得到所述分类特征矩阵。
注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地，在步骤137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安全膜图案与设计图案之间的一致性是否符合预定标准。进而，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安全膜图案与设计图案之间的一致性是否符合预定标准。所述分类器是一种基于机器学习的模型，它可以根据输入的特征向量对其进行分类。
分类器通常由训练集得到，并通过学习训练集中的不同特征向量和类别之间的关系，从而实现对新的特征向量进行分类。通过使用分类器，可以很好地区分安全膜图案与设计图案之间的相似程度，从而判断它们是否符合预定标准。分类结果可以是二元的(一致/不一致)或多元的(A/B/C/D等)，并且可以采用不同的评估指标来衡量分类器的性能和精度。通过比较分类结果和标准值，可以得出安全膜图案与设计图案之间的一致性是否符合预定标准的结论。
图8为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法中步骤137的子步骤的流程图，如图8所示，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安全膜图案与设计图案之间的一致性是否符合预定标准，包括：1371，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；1372，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，1373，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。
综上，基于本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备方法100被阐明，其对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；通过激光切割工艺在所述金属化层上形成安全膜图案；将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。这样在制备过程中实现安全膜成型质量检测，以优化整体制备方案。
在本申请的一个实施例中，还提供一种柔性直流输变电电容器用内串接高方阻膜，其由所述柔性直流输变电电容器用内串接高方阻膜的制备方法制得。
在本申请的一个实施例中，图9为根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备系统的框图。如图9所示，根据本申请实施例的柔性直流输变电电容器用内串接高方阻膜的制备系统200，包括：薄膜处理模块210，用于对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；真空磁控溅射模块220，用于在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；激光切割模块230，用于通过激光切割工艺在所述金属化层上形成安全膜图案；缎面喷涂模块240，用于将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及，电连接模块250，用于将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述激光切割模块，包括：显示图像获取单元231，用于获取由显微镜采集的所述安全膜图案的显示图像；参考图像获取单元232，用于获取所述安全膜图案的参考设计图像；图像预处理单元233，用于对所述显示图像进行图像预处理以得到预处理后显示图像；孪生检测单元234，用于将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量；转移矩阵计算单元235，用于计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵；空间注意力单元236，用于将所述转移矩阵通过空间注意力模块以得到分类特征矩阵；以及，分类结果生成单元237，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安全膜图案与设计图案之间的一致性是否符合预定标准。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述预处理包括图像滤波和图像增强。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述孪生检测单元，包括：第一图像编码子单元，用于使用所述孪生检测模型的第一图像编码器对所述预处理后显示图像进行卷积处理、池化处理和非线性激活处理以由所述第一图像编码器输出所述显示图案特征向量；以及，第二图像编码子单元，用于使用所述孪生检测模型的第二图像编码器对所述参考设计图像进行卷积处理、池化处理和非线性激活处理以由所述第二图像编码器输出所述参考图案特征向量。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述转移矩阵计算单元，包括：不确定性因数计算子单元，用于分别计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；加权子单元，用于以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述显示图案特征向量和所述参考图案特征向量进行加权以得到加权后显示图案特征向量和加权后参考图案特征向量；以及，计算子单元，用于计算所述加权后显示图案特征向量相对于所述加权后参考图案特征向量的转移矩阵。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述不确定性因数计算子单元，用于：以如下优化公式计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；其中，所述优化公式为：
其中，V1表示所述显示图案特征向量，V2表示所述参考图案特征向量，L是特征向量的长度，μ1和σ1 2分别是所述显示图案特征向量的各个位置的特征集合的均值和方差，μ2和σ2 2分别是所述参考图案特征向量中各个位置的特征集合的均值和方差，log为以2为底的对数，w1是第一高斯回归不确定性因数，w2是第二高斯回归不确定性因数。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述空间注意力单元，包括：卷积子单元，用于使用所述空间注意力模块的卷积编码部分对所述转移矩阵进行卷积编码以得到差分卷积特征矩阵；注意力子单元，用于将所述差分卷积特征矩阵输入所述空间注意力模块的空间注意力部分以得到空间注意力矩阵；激活子单元，用于将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及，点乘计算子单元，用于计算所述空间注意力特征矩阵和所述差分卷积特征矩阵的按位置点乘以得到所述分类特征矩阵。
在一个具体示例中，在上述柔性直流输变电电容器用内串接高方阻膜的制备系统中，所述分类结果生成单元，包括：排列子单元，用于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；全连接编码子单元，用于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，分类子单元，用于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。
这里，本领域技术人员可以理解，上述柔性直流输变电电容器用内串接高方阻膜的制备系统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8的柔性直流输变电电容器用内串接高方阻膜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。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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)
1.一种柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，包括：
对聚丙烯薄膜进行处理以得到基膜，其中，所述处理包括拉伸、预热和冷却；
在所述基膜上通过真空磁控溅射工艺形成铝层和锌层以得到金属化层；
通过激光切割工艺在所述金属化层上形成安全膜图案；
将所述金属化层卷绕成元件，并在所述元件的缎面喷涂导电粉末以形成喷金层；以及
将所述元件装入外壳，并与电连接导线焊接连接以得到内串接高方阻膜。
2.根据权利要求1所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，通过激光切割工艺在所述金属化层上形成安全膜图案，包括：
获取由显微镜采集的所述安全膜图案的显示图像；
获取所述安全膜图案的参考设计图像；
对所述显示图像进行图像预处理以得到预处理后显示图像；
将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量；
计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵；
将所述转移矩阵通过空间注意力模块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安全膜图案与设计图案之间的一致性是否符合预定标准。
3.根据权利要求2所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，所述预处理包括图像滤波和图像增强。
4.根据权利要求3所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，所述第一图像编码器和所述第二图像编码器为作为过滤器的卷积神经网络模型。
5.根据权利要求4所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，将所述预处理后显示图像和所述参考设计图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到显示图案特征向量和参考图案特征向量，包括：
使用所述孪生检测模型的第一图像编码器对所述预处理后显示图像进行卷积处理、池化处理和非线性激活处理以由所述第一图像编码器输出所述显示图案特征向量；以及
使用所述孪生检测模型的第二图像编码器对所述参考设计图像进行卷积处理、池化处理和非线性激活处理以由所述第二图像编码器输出所述参考图案特征向量。
6.根据权利要求5所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，计算所述显示图案特征向量和所述参考图案特征向量之间的转移矩阵，包括：
分别计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；
以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述显示图案特征向量和所述参考图案特征向量进行加权以得到加权后显示图案特征向量和加权后参考图案特征向量；以及
计算所述加权后显示图案特征向量相对于所述加权后参考图案特征向量的转移矩阵。
7.根据权利要求6所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，分别计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：以如下优化公式计算所述显示图案特征向量和所述参考图案特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；
其中，所述优化公式为：
其中，V1表示所述显示图案特征向量，V2表示所述参考图案特征向量，L是特征向量的长度，μ1和σ1 2分别是所述显示图案特征向量的各个位置的特征集合的均值和方差，μ2和σ2 2分别是所述参考图案特征向量中各个位置的特征集合的均值和方差，log为以2为底的对数，w1是第一高斯回归不确定性因数，w2是第二高斯回归不确定性因数。
8.根据权利要求7所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵，包括：
使用所述空间注意力模块的卷积编码部分对所述转移矩阵进行卷积编码以得到差分卷积特征矩阵；
将所述差分卷积特征矩阵输入所述空间注意力模块的空间注意力部分以得到空间注意力矩阵；
将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及
计算所述空间注意力特征矩阵和所述差分卷积特征矩阵的按位置点乘以得到所述分类特征矩阵。
9.根据权利要求8所述的柔性直流输变电电容器用内串接高方阻膜的制备方法，其特征在于，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安全膜图案与设计图案之间的一致性是否符合预定标准，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。
10.一种柔性直流输变电电容器用内串接高方阻膜，其特征在于，由如权利要求1至9任一所述的柔性直流输变电电容器用内串接高方阻膜的制备方法制得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310482594.3A CN116544029A (zh) | 2023-04-26 | 2023-04-26 | 柔性直流输变电电容器用内串接高方阻膜及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310482594.3A CN116544029A (zh) | 2023-04-26 | 2023-04-26 | 柔性直流输变电电容器用内串接高方阻膜及其制备方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116544029A true CN116544029A (zh) | 2023-08-04 |
Family
ID=87449934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310482594.3A Pending CN116544029A (zh) | 2023-04-26 | 2023-04-26 | 柔性直流输变电电容器用内串接高方阻膜及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116544029A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152545A (zh) * | 2023-10-31 | 2023-12-01 | 江苏启宸新材料有限公司 | 水刺无纺布成品率管理系统 |
-
2023
- 2023-04-26 CN CN202310482594.3A patent/CN116544029A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152545A (zh) * | 2023-10-31 | 2023-12-01 | 江苏启宸新材料有限公司 | 水刺无纺布成品率管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112710969B (zh) | 一种单相半桥五电平逆变器开关管开路故障诊断方法 | |
| CN110532897B (zh) | 零部件图像识别的方法和装置 | |
| CN111006865A (zh) | 一种电机轴承故障诊断方法 | |
| CN116544029A (zh) | 柔性直流输变电电容器用内串接高方阻膜及其制备方法 | |
| CN112611982A (zh) | 模块化多电平换流器的深度小波孪生网络故障诊断方法 | |
| CN113066065B (zh) | 无参考图像质量检测方法、系统、终端及介质 | |
| CN109934226A (zh) | 关键区域确定方法、装置及计算机可读存储介质 | |
| CN114283320B (zh) | 基于全卷积的无分支结构目标检测方法 | |
| Wang et al. | Global aligned structured sparsity learning for efficient image super-resolution | |
| CN108629410B (zh) | 基于主成分分析降维和/或升维的神经网络处理方法 | |
| Xu et al. | Loop optimization noise-reduced LSTM based classifier for PD detection | |
| CN117456230A (zh) | 一种数据分类方法、系统及电子设备 | |
| CN116071268A (zh) | 基于对比学习的图像去光照模型及其训练方法 | |
| CN113505751B (zh) | 一种基于差异图卷积神经网络的人体骨骼动作识别方法 | |
| CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 | |
| CN116977250A (zh) | 一种工业零件的缺陷检测方法、装置和计算机设备 | |
| CN114943655A (zh) | 基于循环深度卷积生成对抗网络结构的图像修复系统 | |
| CN114638809A (zh) | 基于pa-mlfpn工件表面多尺度微小缺陷检测方法 | |
| Lee et al. | Pruning from Scratch via Shared Pruning Module and Nuclear norm-based Regularization | |
| CN113792640B (zh) | 基于DenseNet的海洋遥感图像噪声识别方法 | |
| Varga | Comprehensive evaluation of no-reference image quality assessment algorithms on KADID-10k database | |
| Su et al. | Single Image Super-Resolution Via A Progressive Mixture Model | |
| Kulkarni et al. | A Survey of Image Fusion using Genetic Algorithm | |
| CN118100914B (zh) | 基于人工智能的双频率合成器控制方法及系统 | |
| CN116525295B (zh) | 一种高频脉冲电容用金属化薄膜及其制备方法 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 318000 Room 201, building 3, No. 988, Donghuan Avenue, Baiyun Street, Taizhou bay new area, Taizhou City, Zhejiang Province (office only) Applicant after: Zhejiang Nanyang Huacheng Technology Co.,Ltd. Address before: 318000 Room 201, building 3, No. 988, Donghuan Avenue, Baiyun Street, Taizhou bay new area, Taizhou City, Zhejiang Province (office only) Applicant before: Zhejiang Nanyang Huacheng Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |