CN116631548A - 一种粉末涂料有效期的智能预测方法及系统 - Google Patents
一种粉末涂料有效期的智能预测方法及系统 Download PDFInfo
- Publication number
- CN116631548A CN116631548A CN202310899879.7A CN202310899879A CN116631548A CN 116631548 A CN116631548 A CN 116631548A CN 202310899879 A CN202310899879 A CN 202310899879A CN 116631548 A CN116631548 A CN 116631548A
- Authority
- CN
- China
- Prior art keywords
- defect
- outputting
- index
- surface image
- branch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000576 coating method Methods 0.000 title claims abstract description 68
- 239000011248 coating agent Substances 0.000 title claims abstract description 66
- 239000000843 powder Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007547 defect Effects 0.000 claims abstract description 96
- 239000003973 paint Substances 0.000 claims abstract description 69
- 239000000463 material Substances 0.000 claims abstract description 32
- 230000007704 transition Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000006978 adaptation Effects 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000012752 auxiliary agent Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000002612 dispersion medium Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 229920001187 thermosetting polymer Polymers 0.000 description 1
- 239000004416 thermosoftening plastic Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- -1 wall surface tiles Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
- G06V10/85—Markov-related models; Markov random fields
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种粉末涂料有效期的智能预测方法及系统,涉及智能预测技术领域,方法包括:根据第一目标区域的墙体表面材料信息对由图像采集装置对第一目标区域进行涂料表面采集输出的涂料表面图像集进行分类,输出表面图像分类结果,生成多类动态视频帧,将多类动态视频帧输入分支识别模型中,输出基于多个分支输出的多个缺陷指数进行马尔科夫预测,输出达到预设缺陷指数条件下的第一周期时长,本发明解决了现有技术中缺乏对粉末涂料有效期的预测,导致粉末涂料存在未在有效期内完成使用导致粉末涂料使用效率低的技术问题,实现了对粉末涂料有效期的合理化精准预测,进而提高粉末涂料的使用效率。
Description
技术领域
本发明涉及智能预测技术领域,具体涉及一种粉末涂料有效期的智能预测方法及系统。
背景技术
粉末涂料是以固体树脂和颜料、填料及助剂等组成的固体粉末状合成树脂涂料,和普通溶剂型涂料及水性涂料不同,它的分散介质不是溶剂和水,而是空气。它具有无溶剂污染,100%成膜,能耗低的特点。粉末涂料有热塑性和热固性两大类普通粉末涂料都是成分均匀的,长期贮存后容易附聚影响正常的喷涂施工,且粉末涂料过期后里面的物质也会跟着变性,所以性能都会变差。
而现有技术中缺乏对粉末涂料有效期的预测,导致粉末涂料存在未在有效期内完成使用导致粉末涂料使用效率低的技术问题。
发明内容
本申请提供了一种粉末涂料有效期的智能预测方法及系统,用于针对解决现有技术中存在的缺乏对粉末涂料有效期的预测,导致粉末涂料存在未在有效期内完成使用导致粉末涂料使用效率低的技术问题。
鉴于上述问题,本申请提供了一种粉末涂料有效期的智能预测方法及系统。
第一方面,本申请提供了一种粉末涂料有效期的智能预测方法,所述方法包括:获取第一目标区域的墙体表面材料信息;根据图像采集装置对所述第一目标区域进行涂料表面采集,输出涂料表面图像集;根据所述墙体表面材料信息对所述涂料表面图像集进行分类,输出表面图像分类结果;根据所述表面图像分类结果生成多类动态视频帧,将所述多类动态视频帧输入分支识别模型中,其中,所述分支识别模型包括多个分支,每个分支对应一类表面图像;根据所述分支识别模型进行识别,输出基于所述多个分支输出的多个缺陷指数;根据所述多个缺陷指数进行马尔科夫预测,输出达到预设缺陷指数条件下的第一周期时长。
第二方面,本申请提供了一种粉末涂料有效期的智能预测系统,所述系统包括:材料信息获取模块,所述材料信息获取模块用于获取第一目标区域的墙体表面材料信息;第一输出模块,所述第一输出模块用于根据图像采集装置对所述第一目标区域进行涂料表面采集,输出涂料表面图像集;第二输出模块,所述第二输出模块用于根据所述墙体表面材料信息对所述涂料表面图像集进行分类,输出表面图像分类结果;输入模块,所述输入模块用于根据所述表面图像分类结果生成多类动态视频帧,将所述多类动态视频帧输入分支识别模型中,其中,所述分支识别模型包括多个分支,每个分支对应一类表面图像;第三输出模块,所述第三输出模块用于根据所述分支识别模型进行识别,输出基于所述多个分支输出的多个缺陷指数;第四输出模块,所述第四输出模块用于根据所述多个缺陷指数进行马尔科夫预测,输出达到预设缺陷指数条件下的第一周期时长。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种粉末涂料有效期的智能预测方法及系统,涉及智能预测技术领域,解决了现有技术中缺乏对粉末涂料有效期的预测,导致粉末涂料存在未在有效期内完成使用导致粉末涂料使用效率低的技术问题,实现了对粉末涂料有效期的合理化精准预测,进而提高粉末涂料的使用效率。
附图说明
图1为本申请提供了一种粉末涂料有效期的智能预测方法流程示意图;
图2为本申请提供了一种粉末涂料有效期的智能预测方法中缺陷特征提取流程示意图;
图3为本申请提供了一种粉末涂料有效期的智能预测方法中进行马尔科夫预测流程示意图;
图4为本申请提供了一种粉末涂料有效期的智能预测系统结构示意图。
附图标记说明:材料信息获取模块1,第一输出模块2,第二输出模块3,输入模块4,第三输出模块5,第四输出模块6。
具体实施方式
本申请通过提供一种粉末涂料有效期的智能预测方法及系统,用于解决现有技术中缺乏对粉末涂料有效期的预测,导致粉末涂料存在未在有效期内完成使用导致粉末涂料使用效率低的技术问题。
实施例1
如图1所示,本申请实施例提供了一种粉末涂料有效期的智能预测方法,该方法包括:
步骤S100:获取第一目标区域的墙体表面材料信息;
具体而言,本申请实施例提供的一种粉末涂料有效期的智能预测方法应用于一种粉末涂料有效期的智能预测系统,为保证对粉末涂料有效期预测的准确性,因此首先需要对第一目标区域内的墙体表面材料信息进行采集,第一目标区域是指在对粉末涂料需要进行刷涂的墙面区域,墙体表面材料可以包含砖材、石材、板材等表面材料,由于不同墙体表面材料需要粉刷适配的涂料,因此获取第一目标区域的墙体表面材料信息为后期对墙体表面材料所适配的涂料进行获取作为参考。
步骤S200:根据图像采集装置对所述第一目标区域进行涂料表面采集,输出涂料表面图像集;
具体而言,为准确地对第一目标区域中墙体表面涂料进行区分,首先通过在第一目标区域中所布设的图像采集装置,对第一目标区域中的墙体表面所粉刷的涂料进行涂料表面的图像进行采集,由于不同涂料对应粉刷在不同墙体表面上会形成不同颜色、不同立体感、不同反光性等,因此通过图像采集装置根据第一目标区域中涂料表面可采集到的颜色、立体感、反光性等信息对涂料表面的图像进行多次采集,并将多次所采集到的图像进行汇总整合后记作涂料表面图像集,进而为后期实现对粉末涂料有效期进行预测做保障。
步骤S300:根据所述墙体表面材料信息对所述涂料表面图像集进行分类,输出表面图像分类结果;
具体而言,为对不同涂料表面图像进行准确分类,需要以第一目标区域的墙体表面材料信息作为分类基准,以所获涂料表面图像集作为分类目标,可以根据墙体表面砖材、石材、板材等不同材料,根据涂料表面图像集中所采集图片呈现出的颜色、立体感、反光性等不同图像,对涂料表面图像集中使用不同涂料的涂料表面图像进行区分,将涂料表面图像之间基于不同墙体表面材料所包含的颜色、立体感、反光性进行相似性判断,若相似性小于80%则视为所判断的两个涂料表面图像为不同类别的涂料,以此迭代,直到对涂料表面图像集中的所有图像完成分类后停止,由此将完成分类后的涂料表面图像记作表面图像分类结果,为后期实现对粉末涂料有效期进行预测作为重要参考依据。
步骤S400:根据所述表面图像分类结果生成多类动态视频帧,将所述多类动态视频帧输入分支识别模型中,其中,所述分支识别模型包括多个分支,每个分支对应一类表面图像;
具体而言,以上述所获的表面图像分类结果作为基础,将表面图像分类结果内的每一类表面图像进行关联,并生成每一类类所对应的动态视频帧,是指首先对表面图像数据库进行建立,表面图像数据库是用于读取和写入图像数据的库,可以支持多种格式,即从表面图像分类结果中读取多类图像数据并返回一个对应数组,将该数组写入到文件后,用表面图像分类结果中每一类图像内的多个图像帧组成的列表保存为动态视频帧,由此可以方便地读取、写入和处理表面图像分类结果中的图像,在此基础上,对与表面图像分类结果所对应的多类动态视频帧进行生成,进一步的,将所获多类动态视频帧输入至分支识别模型中,该分支识别模型是用于对多类动态视频帧内的每一类动态视频帧进行缺陷识别的模型,其中,分支识别模型内包括多个分支,且每个分支对应识别一类表面图像,是指基于表面图像分类结果中所包含的每一类表面图像分别作为构建数据集,对每一类表面图像所对应的分支进行数据训练,是指使用标注好的每一类表面图像来训练所对应的分支的算法,以使算法能够对每一类表面图像进行准确的分类,最终将所训练好的每一类分支进行级联,从而完成分支模型的构建,为后续实现对粉末涂料有效期进行预测夯实基础。
步骤S500:根据所述分支识别模型进行识别,输出基于所述多个分支输出的多个缺陷指数;
进一步而言,如图2所示,本申请步骤S500还包括:
步骤S510:按照所述动态变化指数获取用于关键帧提取的步长,输出与所述多类动态视频帧对应的多个步长参数;
步骤S520:根据所述多个步长参数对所述分支识别模型中的各个分支进行配置,输出各个分支对应的关键图像帧,对所述各个分支对应的关键图像帧进行缺陷特征提取。
具体而言,由于每一类的涂料不同,因此每一类涂料所对应的有效周期就不同,进而基于上述分支识别模型对表面图像分类结果进行识别,首先按照动态变化指数获取用于关键帧提取的步长,是指
使用镜头边界检测法,对表面图像分类结果进行动态视频分割,其中镜头边界检测法的输入为表面图像分类结果,进一步的,对表面图像分类结果视频每一帧压缩到统一的小尺寸48x27x3,每隔100帧作为一个关键帧提取步长,进一步的,将上述所获的分割视频中对定义镜头的起始帧为关键帧,并基于动态变化指数对表面图像分类结果进行关键帧提取,动态变化指数是用于反映表面图像分类结果中的涂料变化现象数量方面的时间上的变动程度,进一步的,对与多类动态视频帧对应的多个步长参数进行输出,在所输出的多个步长参数的基础上,对分支识别模型中的各个分支进行配置,是指在多个步长参数下,对分支识别模型内所包含的各个分支对应的关键图像帧进行提取,示例性的,若从M帧开始,往后寻找8帧中的最大图像帧,若最大图像帧的间隔小于M,则M帧得以保留,否则进行下一步,若存在大于M帧的图像帧,我们将其命名为P,计算M和P之间帧间隔的平均值,并判断P是否大于平均值的倍数,若没有大于,则M得以保留,否则P为新的M帧,并接下来继续判断,并从新的关键图像帧开始,后面的每一帧与之相比较,直至最后一帧,比较完之后,判断实际得到的关键图像帧个数是否满足关系式,不满足则重组关键图像帧,重复上面的步骤,直到关键图像帧的数目达到要求,算法结束,从而对各个分支对应的关键图像帧进行输出,进一步的,对各个分支中所对应的关键图像帧内存在异于其他涂料的特征记作缺陷特征,并同时对所标记的缺陷特征进行提取。
最终根据所提取的缺陷特征对表面图像分类结果中每一类的缺陷指数进行生成,且所提取的缺陷特征与缺陷指数为正比关系,即缺陷特征越多,则缺陷指数越高,表面图像分类识别结果中涂料存在的缺陷也就越多,从而根据每一类所对应的缺陷指数,通过分支识别模型输出基于多个分支输出的多个缺陷指数实现对粉末涂料有效期进行预测有着限定的作用。
步骤S600:根据所述多个缺陷指数进行马尔科夫预测,输出达到预设缺陷指数条件下的第一周期时长。
进一步而言,如图3所示,本申请步骤S600还包括:
步骤S610:获取所述第一目标区域的墙体暴露环境;
步骤S620:根据所述墙体暴露环境,确定多个环境影响因子,其中,所述多个环境影响因子为造成墙体缺陷的环境影响因子;
步骤S630:根据所述多个环境影响因子,生成基于所述多个环境影响因子对应的多个因子影响概率;
步骤S640:根据所述多个环境影响因子和所述多个因子影响概率生成转移概率,基于所述转移概率进行马尔科夫预测。
进一步而言,本申请步骤S600还包括:
步骤S650:将墙体-涂料适应度模型与所述分支识别模型连接,其中,所述墙体-涂料适应度模型通过多组训练数据训练至收敛获得,所述多组训练数据包括对应类别的墙体表面材料信息、表面涂料成分信息和标识表面质量的等级;
步骤S660:根据所述墙体-涂料适应度模型,输出与所述表面图像分类结果一一对应的适应周期,根据所述适应周期分别配置所述表面图像分类结果中每类图像的预设缺陷指数。
具体而言,基于上述所获的多个缺陷指数进行马尔科夫预测,首先对第一目标区域内的墙体暴露环境进行获取,是指在第一目标区域内未使用涂料或涂料由于各种因素造成脱落后裸露出的墙体所处的环境信息进行提取,该环境信息中可以包含环境温度信息、环境湿度信息等,进一步的,在当前所确定的墙体暴露环境内,对多个环境影响因子进行确定,其中,多个环境影响因子为造成墙体存在缺陷的环境影响因子,示例性的,当湿度达到60%时,则会造成水溶性涂料的脱落,导致对应墙体存在缺陷,此时湿度就属于环境影响因子,进一步的,以所确定的多个环境影响因子,对多个环境影响因子所对应的多个因子影响概率进行确定,是指在多个环境影响因子中,不同的环境影响因子对墙体造成影响的概率不同,是根据墙体涂料与环境影响因子的相关性进行决定的,即墙体涂料与环境影响因子的相关性越高,则该环境影响因子对应的因子影响概率就越高,进一步的,根据多个环境影响因子和多个因子影响概率将环境对墙体造成的缺陷影响生成对应的转移概率,是指由于环境变化的影响转移造成的墙体缺陷的概率,并根据转移概率进行涂料有效时长的马尔科夫预测,是指对马尔科夫模型进行构建后,通过将马尔科夫模型所输出的周期时长所具有的缺陷指数与预设缺陷指数进行比较,该预设缺陷指数是指首先将墙体-涂料适应度模型与分支识别模型连接,其中,墙体-涂料适应度模型通过多组训练数据训练至收敛获得,多组训练数据包括对应类别的墙体表面材料信息、表面涂料成分信息和标识表面质量的等级。
进一步的,根据多组训练数据对墙体-涂料适应度模型进行构建,其中,墙体-涂料适应度模型通过多组训练数据和多组监督数据训练获得,其中,多组训练数据中的每组训练数据均包括对应类别的墙体表面材料信息、表面涂料成分信息和标识表面质量的等级,多组监督数据为与多组训练数据一一对应的监督数据。
进一步的,墙体-涂料适应度模型构建过程为:将多组训练数据中每一组训练数据输入墙体-涂料适应度模型,通过这组训练数据对应的监督数据进行墙体-涂料适应度模型的输出监督调整,当墙体-涂料适应度模型的输出结果与监督数据一致,则当前组训练结束,将多组训练数据中全部的训练数据均训练结束,则墙体-涂料适应度模型训练完成。
为了保证墙体-涂料适应度模型的收敛以及准确性,其收敛过程可以使墙体-涂料适应度模型中的输出数据会聚于一点时,向某一个值靠近则为收敛,其准确性可以通过测试数据集进行墙体-涂料适应度模型的测试处理,举例而言,测试准确率可以设定为80%,当测试数据集的测试准确率满足80%时,则墙体-涂料适应度模型构建完成。
最终根据墙体-涂料适应度模型,输出与表面图像分类结果中每一类图像所对应的适应周期,并根据适应周期对表面图像分类结果中每类图像分别配置预设缺陷指数,当马尔科夫模型所输出的周期时长所具有的缺陷指数满足预设缺陷指数,则输出达到预设缺陷指数条件下的周期时长,将其记作第一周期时长,实现了对粉末涂料有效期的合理化精准预测,进而提高粉末涂料的使用效率。
进一步而言,本申请步骤S640包括:
步骤S641:对所述多类动态视频帧进行识别,获取动态变化指数,根据所述动态变化指数,确定多个周期节点;
步骤S642:基于所述多个缺陷指数获取所述多个周期节点对应的缺陷指数;
步骤S643:以所述多个周期节点和所述多个周期节点对应的缺陷指数,生成周期-缺陷分布链;
步骤S644:基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测。
进一步而言,本申请步骤S643包括:
步骤S6431:对所述转移概率进行平稳性分析,获取n个转移过程的n个转移概率;
步骤S6432:对所述n个转移概率进行平稳性识别,输出第一平稳指数;
步骤S6433:判断所述第一平稳指数是否大于等于预设平稳指数,若所述第一平稳指数大于等于所述预设平稳指数,基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测。
进一步而言,本申请步骤S644包括:
步骤S6441:以所述预设缺陷指数为目标,以所述转移概率为状态转移条件,对所述周期-缺陷分布链进行马尔科夫预测,当实时缺陷指数达到所述预设缺陷指数的概率满足预设期望概率,输出与所述实时缺陷指数对应的第一周期时长。
具体而言,为保证根据多个缺陷指数进行马尔科夫预测的准确性,首先对表面图像分类结果中所包含的多类动态视频帧进行识别后,根据涂料在动态视频帧中变化的速率,对动态变化指数进行获取,进一步的,将动态变化指数在固定时间段内的变化极值记作多个周期节点,同时根据多个缺陷指数与多个周期节点进行匹配,将与周期节点匹配成功的缺陷指数记作多个周期节点对应的缺陷指数,以多个周期节点和多个周期节点对应的缺陷指数,对周期-缺陷分布链进行生成,是指首先对转移概率进行平稳性分析,即转移概率的分布是否平坦,对n个转移过程的n个转移概率进行对应提取,其中,n为大于1的正整数,进一步的,对n个转移概率进行平稳性识别,即根据n个转移概率的统计特征,如均值、方差、协方差是否随转移概率的变化而变化确定第一平稳指数,同时对第一平稳指数是否大于等于预设平稳指数进行判断,其中所获预设平稳指数由相关技术人员根据大数据中转移概率的平稳数据量进行预设,若第一平稳指数第一平稳指数大于等于预设平稳指数,则在此时转移概率的基础上对周期-缺陷分布链进行确定,并根据所确定的周期-缺陷分布链进行马尔科夫预测。
是指以预设缺陷指数为目标,以转移概率为状态转移条件,对周期-缺陷分布链进行马尔科夫预测,首先对马尔科夫链预测模型进行构建,马尔科夫链预测模型是用于分析表面图像分类结果在预设缺陷指数内所包含的缺陷指数的可能性,即变化的概率,首先,定义马尔科夫链预测模型的状态空间,状态空间中包含涂料的各种状态、材料、情况等,再对状态之间的转移概率进行确定。这些概率表示在一个状态下转移到另一个状态的可能性。通过分析多个缺陷指数进行概率估算。同时可以将所估算出的概率构成一个矩阵,其中每个元素表示从一个状态到另一个状态的概率。
在模型中,定义表面图像分类结果在初始状态的概率分布,即在开始模拟之前每个状态出现的概率,可根据实际数据或经验进行估计。
基于状态空间、估算概率和初始状态概率进行采样,采样是根据初始状态概率分布、估算概率以及转移概率生成一条马尔可夫链,即周期-缺陷分布链。即从一个状态转移到另一个状态,再根据估算概率继续转移,以此类推,形成一个状态序列。
为了验证马尔科夫链预测模型的有效性,需要对马尔科夫链预测模型进行收敛检验。收敛检验用于判断生成的马尔可夫链是否趋向于平稳分布。可使用各种统计方法和指标来进行检验,以确保生成的马尔科夫链具有理想的性质。
进一步的,在马尔科夫链预测模型中所包含的状态预测链上具有的周期时长包含的实时缺陷指数进行下一节点周期时长实时缺陷指数的概率分析,以此迭代后根据周期时长包含的实时缺陷指数内的概率与上述预设缺陷指数进行比对后,若迭代后的周期时长包含的实时缺陷指数内概率满足预设缺陷指数时,则输出与实时缺陷指数对应的周期时长,即达到预设缺陷指数条件下的第一周期时长,达到为后期实现对轴承加工参数进行检测提供重要依据的技术效果。
综上所述,本申请实施例提供的一种粉末涂料有效期的智能预测方法,至少包括如下技术效果,实现了对粉末涂料有效期的合理化精准预测,进而提高粉末涂料的使用效率。
实施例2
基于与前述实施例中一种粉末涂料有效期的智能预测方法相同的发明构思,如图4所示,本申请提供了一种粉末涂料有效期的智能预测系统,系统包括:
材料信息获取模块,所述材料信息获取模块用于获取第一目标区域的墙体表面材料信息;
第一输出模块1,所述第一输出模块1用于根据图像采集装置对所述第一目标区域进行涂料表面采集,输出涂料表面图像集;
第二输出模块2,所述第二输出模块2用于根据所述墙体表面材料信息对所述涂料表面图像集进行分类,输出表面图像分类结果;
输入模块3,所述输入模块3用于根据所述表面图像分类结果生成多类动态视频帧,将所述多类动态视频帧输入分支识别模型中,其中,所述分支识别模型包括多个分支,每个分支对应一类表面图像;
第三输出模块4,所述第三输出模块4用于根据所述分支识别模型进行识别,输出基于所述多个分支输出的多个缺陷指数;
第四输出模块5,所述第四输出模块5用于根据所述多个缺陷指数进行马尔科夫预测,输出达到预设缺陷指数条件下的第一周期时长。
进一步而言,系统还包括:
环境获取模块,所述环境获取模块用于获取所述第一目标区域的墙体暴露环境;
因子确定模块,所述因子确定模块用于根据所述墙体暴露环境,确定多个环境影响因子,其中,所述多个环境影响因子为造成墙体缺陷的环境影响因子;
影响概率模块,所述影响概率模块用于根据所述多个环境影响因子,生成基于所述多个环境影响因子对应的多个因子影响概率;
第一预测模块,所述第一预测模块用于根据所述多个环境影响因子和所述多个因子影响概率生成转移概率,基于所述转移概率进行马尔科夫预测。
进一步而言,系统还包括:
变化指数模块,所述变化指数模块用于对所述多类动态视频帧进行识别,获取动态变化指数,根据所述动态变化指数,确定多个周期节点;
缺陷指数模块,所述缺陷指数模块用于基于所述多个缺陷指数获取所述多个周期节点对应的缺陷指数;
分布链模块,所述分布链模块用于以所述多个周期节点和所述多个周期节点对应的缺陷指数,生成周期-缺陷分布链;
第二预测模块,所述第二预测模块用于基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测。
进一步而言,系统还包括:
第五输出模块,所述第五输出模块用于以所述预设缺陷指数为目标,以所述转移概率为状态转移条件,对所述周期-缺陷分布链进行马尔科夫预测,当实时缺陷指数达到所述预设缺陷指数的概率满足预设期望概率,输出与所述实时缺陷指数对应的第一周期时长。
进一步而言,系统还包括:
第六输出模块,所述第六输出模块用于按照所述动态变化指数获取用于关键帧提取的步长,输出与所述多类动态视频帧对应的多个步长参数;
缺陷特征提取模块,所述缺陷特征提取模块用于根据所述多个步长参数对所述分支识别模型中的各个分支进行配置,输出各个分支对应的关键图像帧,对所述各个分支对应的关键图像帧进行缺陷特征提取。
进一步而言,系统还包括:
模型连接模块,所述模型连接模块用于将墙体-涂料适应度模型与所述分支识别模型连接,其中,所述墙体-涂料适应度模型通过多组训练数据训练至收敛获得,所述多组训练数据包括对应类别的墙体表面材料信息、表面涂料成分信息和标识表面质量的等级;
预设缺陷指数模块,所述预设缺陷指数模块用于根据所述墙体-涂料适应度模型,输出与所述表面图像分类结果一一对应的适应周期,根据所述适应周期分别配置所述表面图像分类结果中每类图像的预设缺陷指数。
进一步而言,系统还包括:
转移概率模块,所述转移概率模块用于对所述转移概率进行平稳性分析,获取n个转移过程的n个转移概率;
平稳指数模块,所述平稳指数模块用于对所述n个转移概率进行平稳性识别,输出第一平稳指数;
第三预测模块,所述第三预测模块用于判断所述第一平稳指数是否大于等于预设平稳指数,若所述第一平稳指数大于等于所述预设平稳指数,基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测。
本说明书通过前述对一种粉末涂料有效期的智能预测方法的详细描述,本领域技术人员可以清楚地知道本实施例中一种粉末涂料有效期的智能预测系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种粉末涂料有效期的智能预测方法,其特征在于,所述方法包括:
获取第一目标区域的墙体表面材料信息;
根据图像采集装置对所述第一目标区域进行涂料表面采集,输出涂料表面图像集;
根据所述墙体表面材料信息对所述涂料表面图像集进行分类,输出表面图像分类结果;
根据所述表面图像分类结果生成多类动态视频帧,将所述多类动态视频帧输入分支识别模型中,其中,所述分支识别模型包括多个分支,每个分支对应一类表面图像;
根据所述分支识别模型进行识别,输出基于所述多个分支输出的多个缺陷指数;
根据所述多个缺陷指数进行马尔科夫预测,输出达到预设缺陷指数条件下的第一周期时长。
2.如权利要求1所述的方法,其特征在于,根据所述多个缺陷指数进行马尔科夫预测,方法包括:
获取所述第一目标区域的墙体暴露环境;
根据所述墙体暴露环境,确定多个环境影响因子,其中,所述多个环境影响因子为造成墙体缺陷的环境影响因子;
根据所述多个环境影响因子,生成基于所述多个环境影响因子对应的多个因子影响概率;
根据所述多个环境影响因子和所述多个因子影响概率生成转移概率,基于所述转移概率进行马尔科夫预测。
3.如权利要求2所述的方法,其特征在于,基于所述转移概率进行马尔科夫预测还包括:
对所述多类动态视频帧进行识别,获取动态变化指数,根据所述动态变化指数,确定多个周期节点;
基于所述多个缺陷指数获取所述多个周期节点对应的缺陷指数;
以所述多个周期节点和所述多个周期节点对应的缺陷指数,生成周期-缺陷分布链;
基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测。
4.如权利要求3所述的方法,其特征在于,基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测包括:
以所述预设缺陷指数为目标,以所述转移概率为状态转移条件,对所述周期-缺陷分布链进行马尔科夫预测,当实时缺陷指数达到所述预设缺陷指数的概率满足预设期望概率,输出与所述实时缺陷指数对应的第一周期时长。
5.如权利要求3所述的方法,其特征在于,将所述多类动态视频帧输入分支识别模型中,方法还包括:
按照所述动态变化指数获取用于关键帧提取的步长,输出与所述多类动态视频帧对应的多个步长参数;
根据所述多个步长参数对所述分支识别模型中的各个分支进行配置,输出各个分支对应的关键图像帧,对所述各个分支对应的关键图像帧进行缺陷特征提取。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
将墙体-涂料适应度模型与所述分支识别模型连接,其中,所述墙体-涂料适应度模型通过多组训练数据训练至收敛获得,所述多组训练数据包括对应类别的墙体表面材料信息、表面涂料成分信息和标识表面质量的等级;
根据所述墙体-涂料适应度模型,输出与所述表面图像分类结果一一对应的适应周期,根据所述适应周期分别配置所述表面图像分类结果中每类图像的预设缺陷指数。
7.如权利要求3所述的方法,其特征在于,基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测之前,方法还包括:
对所述转移概率进行平稳性分析,获取n个转移过程的n个转移概率;
对所述n个转移概率进行平稳性识别,输出第一平稳指数;
判断所述第一平稳指数是否大于等于预设平稳指数,若所述第一平稳指数大于等于所述预设平稳指数,基于所述转移概率对所述周期-缺陷分布链进行马尔科夫预测。
8.一种粉末涂料有效期的智能预测系统,其特征在于,所述系统包括:
材料信息获取模块,所述材料信息获取模块用于获取第一目标区域的墙体表面材料信息;
第一输出模块,所述第一输出模块用于根据图像采集装置对所述第一目标区域进行涂料表面采集,输出涂料表面图像集;
第二输出模块,所述第二输出模块用于根据所述墙体表面材料信息对所述涂料表面图像集进行分类,输出表面图像分类结果;
输入模块,所述输入模块用于根据所述表面图像分类结果生成多类动态视频帧,将所述多类动态视频帧输入分支识别模型中,其中,所述分支识别模型包括多个分支,每个分支对应一类表面图像;
第三输出模块,所述第三输出模块用于根据所述分支识别模型进行识别,输出基于所述多个分支输出的多个缺陷指数;
第四输出模块,所述第四输出模块用于根据所述多个缺陷指数进行马尔科夫预测,输出达到预设缺陷指数条件下的第一周期时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310899879.7A CN116631548B (zh) | 2023-07-21 | 2023-07-21 | 一种粉末涂料有效期的智能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310899879.7A CN116631548B (zh) | 2023-07-21 | 2023-07-21 | 一种粉末涂料有效期的智能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116631548A true CN116631548A (zh) | 2023-08-22 |
CN116631548B CN116631548B (zh) | 2023-10-03 |
Family
ID=87636873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310899879.7A Active CN116631548B (zh) | 2023-07-21 | 2023-07-21 | 一种粉末涂料有效期的智能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631548B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152150A (zh) * | 2023-10-31 | 2023-12-01 | 张家港广大特材股份有限公司 | 用于特种钢材的服役寿命评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875792A (zh) * | 2018-05-25 | 2018-11-23 | 魔金真彩网络科技(长沙)有限公司 | 一种基于机器学习的涂料修色方法及系统 |
CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
CN115099044A (zh) * | 2022-07-01 | 2022-09-23 | 广东能源集团科学技术研究院有限公司 | 一种涂层寿命预测方法、系统、计算机设备和存储介质 |
-
2023
- 2023-07-21 CN CN202310899879.7A patent/CN116631548B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875792A (zh) * | 2018-05-25 | 2018-11-23 | 魔金真彩网络科技(长沙)有限公司 | 一种基于机器学习的涂料修色方法及系统 |
CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
CN115099044A (zh) * | 2022-07-01 | 2022-09-23 | 广东能源集团科学技术研究院有限公司 | 一种涂层寿命预测方法、系统、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
彭远新: "地理学定量方法与应用", 北京理工大学出版社, pages: 128 - 130 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152150A (zh) * | 2023-10-31 | 2023-12-01 | 张家港广大特材股份有限公司 | 用于特种钢材的服役寿命评估方法及系统 |
CN117152150B (zh) * | 2023-10-31 | 2024-03-01 | 张家港广大特材股份有限公司 | 用于特种钢材的服役寿命评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116631548B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569886B (zh) | 一种双向通道注意力元学习的图像分类方法 | |
CN116631548B (zh) | 一种粉末涂料有效期的智能预测方法及系统 | |
CN112215822B (zh) | 一种基于轻量级回归网络的人脸图像质量评估方法 | |
CN110717526A (zh) | 一种基于图卷积网络的无监督迁移学习方法 | |
CN109993236A (zh) | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 | |
CN108427713A (zh) | 一种用于自制视频的视频摘要方法及系统 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN111639561A (zh) | 基于类别自适应聚类的无监督行人重识别方法 | |
CN109325420A (zh) | 一种基于大数据的车辆特征检索方法和系统 | |
CN112926453A (zh) | 基于运动特征增强和长时时序建模的考场作弊行为分析方法 | |
CN112766237A (zh) | 一种基于簇特征点聚类的无监督行人重识别方法 | |
CN114926693A (zh) | 基于加权距离的sar图像小样本识别方法及装置 | |
CN113065516B (zh) | 一种基于样本分离的无监督行人重识别系统及方法 | |
CN113095229B (zh) | 一种无监督域自适应行人重识别系统及方法 | |
CN114266321A (zh) | 一种基于无约束先验信息模式的弱监督模糊聚类算法 | |
CN117288441A (zh) | 一种Langley定标辅助方法及系统 | |
CN112446305A (zh) | 一种基于分类权重等距分布损失模型的行人重识别方法 | |
CN111126297A (zh) | 一种基于学习者表情的体验分析方法 | |
US20230304941A1 (en) | System and method for assessing a coated surface with respect to surface defects | |
CN113393035B (zh) | 一种电动汽车日充放电功率预测方法 | |
CN109165587A (zh) | 智能图像信息抽取方法 | |
CN113724197A (zh) | 基于元学习的螺纹旋合性判定方法 | |
CN114220016B (zh) | 面向开放场景下的无人机航拍图像的域自适应识别方法 | |
CN117491357B (zh) | 一种涂料的质量监测方法及系统 |
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 |