CN116754467B - 一种天然橡胶老化性能的测评方法 - Google Patents
一种天然橡胶老化性能的测评方法 Download PDFInfo
- Publication number
- CN116754467B CN116754467B CN202310816479.5A CN202310816479A CN116754467B CN 116754467 B CN116754467 B CN 116754467B CN 202310816479 A CN202310816479 A CN 202310816479A CN 116754467 B CN116754467 B CN 116754467B
- Authority
- CN
- China
- Prior art keywords
- rubber
- data
- temperature
- image data
- natural rubber
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 244000043261 Hevea brasiliensis Species 0.000 title claims abstract description 264
- 229920003052 natural elastomer Polymers 0.000 title claims abstract description 264
- 229920001194 natural rubber Polymers 0.000 title claims abstract description 264
- 230000032683 aging Effects 0.000 title claims abstract description 177
- 238000011156 evaluation Methods 0.000 title claims description 56
- 229920001971 elastomer Polymers 0.000 claims abstract description 727
- 238000012545 processing Methods 0.000 claims abstract description 173
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 12
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 188
- 238000001514 detection method Methods 0.000 claims description 89
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 28
- 239000000463 material Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000009477 glass transition Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- 230000003993 interaction Effects 0.000 description 9
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003878 thermal aging Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/004—Investigating resistance of materials to the weather, to corrosion, or to light to light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/16—Investigating or analyzing materials by the use of thermal means by investigating thermal coefficient of expansion
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Environmental Sciences (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Ecology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种天然橡胶老化性能的测评方法。所述方法包括以下步骤:将天然橡胶进行室外光照,利用照相机根据预设的时间间隔利用图像拍摄技术获取天然橡胶图像数据;利用红外线测温仪根据预设的时间间隔对天然橡胶进行温度测量处理获取天然橡胶温度数据;对天然橡胶图像数据集进行图像数据预处理,生成标准天然橡胶图像数据,其中包括橡胶形状图像数据、橡胶颜色图像数据;对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据;本发明通过对橡胶进行颜色、形状、温度综合分析建模预测,以实现天然橡胶老化性能的测评方法。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种天然橡胶老化性能的测评方法。
背景技术
天然橡胶是一种重要的工业原料,在汽车轮胎、医药、航空、电器、建筑等领域中均有广泛应用。但是,由于自然老化和外力作用,天然橡胶表面容易出现硬化、开裂、脆化等问题,导致性能下降,从而影响产品的寿命和安全性。近年来,随着传感器技术和智能化技术的不断发展,基于振动、温度、声音和图像等多种信号的天然橡胶老化性能检测技术不断涌现,然而,目前的天然橡胶老化仍然受限于人工实验从而进行性能评估,老化性能预测缺乏精准性和效率性。
发明内容
基于此,有必要提供一种天然橡胶老化性能的测评方法,以解决至少一个上述技术问题。
为实现上述目的,一种天然橡胶老化性能的测评方法,所述方法包括以下步骤:
步骤S1:将天然橡胶进行室外光照,利用照相机根据预设的时间间隔利用图像拍摄技术获取天然橡胶图像数据;利用红外线测温仪根据预设的时间间隔对天然橡胶进行温度测量处理获取天然橡胶温度数据;
步骤S2:对天然橡胶图像数据集进行图像数据预处理,生成标准天然橡胶图像数据,其中包括橡胶形状图像数据、橡胶颜色图像数据;
步骤S3:对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据;利用核心区域形变检测公式对橡胶核心区域形状图像数据进行橡胶形变检测处理,生成橡胶形变数据;
步骤S4:利用ImageJ软件对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶颜色变化数据;
步骤S5:基于橡胶温变检测公式对天然橡胶温度数据进行温度变幅分析处理,生成橡胶温度变幅数据;
步骤S6:将橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行深度学习处理,生成天然橡胶老化预测模型;
步骤S7:利用天然橡胶老化预测模型对天然橡胶图像数据与天然橡胶温度数据进行老化性能预测处理,生成老化性能预测结果。
本发明通过预设的时间间隔进行图像拍摄和温度测量,可以实现对天然橡胶的实时数据采集,可以获取到天然橡胶在不同时间点的图像和温度信息,反映其动态变化情况,通过图像拍摄和温度测量,可以获得天然橡胶的多维数据,包括视觉信息和温度信息,利用照相机和红外线测温仪进行数据采集,可以实现非接触式的测量过程,无需直接接触天然橡胶样本,避免了可能对样本产生的影响,同时提高了测量的效率和安全性,通过预设的时间间隔进行数据采集,可以控制数据的时间分辨率,更好地捕捉到老化过程中的细微变化;对天然橡胶图像数据集进行图像数据预处理,生成标准天然橡胶图像数据,可以消除图像中的噪声、伪影和不良影响,提高数据的准确性和可信度,更直观地了解橡胶的形状和颜色特征,有助于对橡胶样本进行观察和比较,从而更好地理解其老化性能和变化趋势;对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据,可以将图像中的橡胶核心区域与背景区域进行区分,有助于聚焦在橡胶的主要形状区域上,减少噪声和干扰因素对形变分析的影响,利用核心区域形变检测公式对橡胶核心区域形状图像数据进行橡胶形变检测处理,生成橡胶形变数据,可以量化橡胶形状的变化程度,减少处理的数据量,提高形变检测的效率和准确性;利用ImageJ软件对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶颜色变化数据,可以了解橡胶表面颜色的分布情况和变化趋势,评估橡胶在光照、氧化、热老化等条件下的性能变化情况;基于橡胶温变检测公式对天然橡胶温度数据进行温度变幅分析处理,生成橡胶温度变幅数据,可以了解橡胶在不同温度条件下的热胀冷缩情况,以及橡胶材料的热稳定性,提高橡胶老化性能测评的准确性;将橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行深度学习处理,生成天然橡胶老化预测模型,可以根据输入的橡胶数据,给出对未来老化情况的预测,帮助判断橡胶材料的寿命、耐久性和可靠性,提高橡胶制品的可靠性和降低成本;利用天然橡胶老化预测模型对天然橡胶图像数据与天然橡胶温度数据进行老化性能预测处理,生成老化性能预测结果,可以更准确地捕捉橡胶老化的模式和趋势,从而提高老化性能的预测准确性。因此,本发明的一种天然橡胶老化性能的测评方法通过对天然橡胶通过形状数据、颜色数据、温度数据进行综合分析,并通过建立模型进行老化性能预测,以实现天然橡胶老化性能测评的智能化与精准化。
优选地,步骤S4包括以下步骤:
步骤S41:基于颜色衰减先验的去雾算法对橡胶颜色图像数据进行图像去雾处理,生成橡胶颜色去雾图像数据;
步骤S42:对橡胶颜色去雾图像数据进行图像切割处理,生成橡胶颜色图像块;
步骤S43:利用ImageJ软件中的颜色分析工具对橡胶颜色图像块进行颜色提取处理,生成橡胶颜色像素点;
步骤S44:将橡胶颜色像素点进行多重像素点堆叠处理,生成堆叠颜色像素点;
步骤S45:根据颜色差异度算法对堆叠颜色像素点进行颜色差异变化计算,从而生成橡胶颜色变化数据。
本发明通过基于颜色衰减先验的去雾算法对橡胶颜色图像数据进行图像去雾处理,可以提高橡胶颜色图像的质量和清晰度,减少雾霾的影响,使得后续的颜色处理步骤更加准确和可靠,生成橡胶颜色去雾图像数据;对橡胶颜色去雾图像数据进行图像切割处理,可以将橡胶颜色图像数据分解为更小的图像块,提供更精细和局部的颜色信息,生成生成橡胶颜色图像块;利用ImageJ软件中的颜色分析工具对橡胶颜色图像块进行颜色提取处理,可以获取橡胶颜色图像块中的颜色信息,提供有关橡胶颜色的定量数据,生成橡胶颜色像素点;将橡胶颜色像素点进行多重像素点堆叠处理,可以增强颜色的变化效果,使得橡胶颜色更加饱满和多样化,生成堆叠颜色像素点;根据颜色差异度算法对堆叠颜色像素点进行颜色差异变化计算,可以提供橡胶颜色的变化程度和模式,帮助了解橡胶材料的颜色特征和变化规律,从而生成橡胶颜色变化数据。
优选的,步骤S5包括以下步骤:
步骤S51:对天然橡胶温度数据进行历史温度数据收集处理,生成天然橡胶历史温度数据;
步骤S52:根据天然橡胶历史温度数据进行场域温度构建,生成标准橡胶场域温度曲线图;对标准橡胶场域温度曲线进行温度阈值提取处理,得到标准橡胶场域温度阈值;
步骤S53:利用橡胶温变检测公式对天然橡胶温度数据进行温度变化检测处理,生成橡胶温变数据;
步骤S54:对橡胶温变数据进行傅里叶变换,生成橡胶温变频谱图;将橡胶温变频谱图与标准橡胶场域温度阈值进行振幅对比处理,生成高振幅温变数据和低振幅温变数据;
步骤S55:对高振幅温变数据与低振幅温变数据进行均值计算,从而生成橡胶温度变幅数据。
本发明通过对天然橡胶温度数据进行历史温度数据收集处理,可以提供天然橡胶在不同时间段的温度记录,生成天然橡胶历史温度数据;根据天然橡胶历史温度数据进行场域温度构建,生成标准橡胶场域温度曲线图,可以提供橡胶温度的参考模式,对标准橡胶场域温度曲线进行温度阈值提取处理,得到标准橡胶场域温度阈值,可以确定标准橡胶场域温度的临界值;利用橡胶温变检测公式对天然橡胶温度数据进行温度变化检测处理,可以根据温度数据的变化趋势,判断橡胶温度是否发生显著变化,定量地检测橡胶温度的变化情况,提供橡胶温度变化的信息;对橡胶温变数据进行傅里叶变换,生成橡胶温变频谱图,可以将温变数据从时域转换到频域,将橡胶温变频谱图与标准橡胶场域温度阈值进行振幅对比处理,可以将温变频谱与标准场域温度阈值进行对比,分析橡胶温度变化的振幅特征,生成高振幅温变数据和低振幅温变数据;对高振幅温变数据与低振幅温变数据进行均值计算,可以提供橡胶温度变幅的平均值,帮助了解橡胶材料的温度变化幅度,生成橡胶温度变幅数据。
优选地,步骤S53中的橡胶温变检测公式具体如下:
式中,F(x,u)表示为橡胶受温度影响的性能老化程度的指标,x表示为橡胶的形状特征参数,u表示为橡胶所受到的环境温度,表示为x变化率的大小和方向,α表示为橡胶的温度敏感系数,c表示为橡胶热膨胀系数,T0表示为橡胶材料的基准温度,Tg表示为橡胶的玻璃转化温度,k1表示为第一阶段老化速率常数,k2表示为第二阶段老化速率常数,ω表示为橡胶温变检测异常修正量。
本发明构建了一种橡胶温变检测公式,用于对橡胶在不同环境温度中进行性能老化程度测量,该橡胶温变检测公式可以根据橡胶所受到的环境温度在第一阶段老化速率和第二阶段老化速率的偏移量进行调整,实现最佳的温度变化数值提取效率,根据计算得到的橡胶的温度敏感系数来确定橡胶随着温度变化的形状特征参数,从而精准测量因温度影响的橡胶老化性能。在实际应用中,该公式可以通过数值计算的方法来预测和分析橡胶材料在不同温度下的力学性质,该公式充分考虑了橡胶的形状特征参数x、橡胶所受到的环境温度u、x变化率的大小和方向橡胶的温度敏感系数α、橡胶热膨胀系数c、橡胶材料的基准温度T0、橡胶的玻璃转化温度Tg、第一阶段老化速率常数k1、第二阶段老化速率常数k2、橡胶温变检测异常修正量ω,通过分析橡胶所受到的环境温度和橡胶的温度敏感系数的相互作用,计算橡胶的温度变化,与橡胶热膨胀系数进行求解以及函数之间的相互作用,以形成函数关系:
通过橡胶所受到的环境温度加上橡胶的玻璃转化温度的比率的相互作用关系,可以了解橡胶在受热膨胀时具体温度,保证区域数据精确的情况下进行橡胶温变检测,利用第一阶段老化速率常数和第二阶段老化速率常数,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过橡胶温变检测异常修正量ω对橡胶温变计算小数点进行调整,更加准确的生成橡胶受温度影响的性能老化程度的指标F(x,u),提高了橡胶温变检测的准确性和可靠性。同时该公式中的x变化率的大小和方向、橡胶材料的基准温度等参数可以根据实际情况进行调整,从而适应不同的橡胶温变检测场景,提高了算法的适用性和灵活性。
优选地,步骤S6包括以下步骤:
步骤S61:对橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行数据归一化处理,生成橡胶归一化数据;
步骤S62:将橡胶归一化数据进行数据划分处理,得到橡胶模型训练集、橡胶模型测试集和橡胶模型验证集;
步骤S63:通过激活函数和损失函数根据卷积神经网络进行橡胶模型架构设计,生成橡胶模型架构;
步骤S64:利用橡胶模型训练集通过反向传播算法对橡胶模型架构进行模型训练,生成橡胶预测预模型;
步骤S65:根据橡胶模型验证集对橡胶预测预模型进行仿真模拟预测处理,生成橡胶老化仿真结果数据;
步骤S66:利用橡胶模型测试集对橡胶老化仿真结果数据进行预测准确率评估,生成橡胶预测预模型评估数据;将橡胶预测预模型评估数据与预设的标准评估数据进行数据对比处理,当橡胶预测预模型评估数据大于标准评估数据,则生成天然橡胶老化预测模型;当橡胶预测预模型评估数据小于标准评估数据,则利用随机梯度下降优化器对橡胶预测预模型进行迭代优化处理,直至生成天然橡胶老化预测模型。
本发明通过对橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行数据归一化处理,可以消除数据之间的尺度差异,将输入特征数据的范围限制在一定的范围内,使得神经网络的输出结果更加准确和稳定,从而生成橡胶归一化数据;将橡胶归一化数据进行数据划分处理,得到橡胶模型训练集、橡胶模型测试集和橡胶模型验证集,可以保证模型在训练过程中有足够的数据进行学习和调整,并能评估模型在新数据上的性能;通过激活函数和损失函数根据卷积神经网络进行橡胶模型架构设计,生成橡胶模型架构,可以根据具体的问题和数据特征,提供合适的网络结构和算法,以获得较好的预测效果;利用橡胶模型训练集通过反向传播算法对橡胶模型架构进行模型训练,生成橡胶预测预模型,可以通过学习数据的规律和特征,使模型具备预测橡胶老化的能力;根据橡胶模型验证集对橡胶预测预模型进行仿真模拟预测处理,生成橡胶老化仿真结果数据,可以提供橡胶老化情况的预测;利用橡胶模型测试集对橡胶老化仿真结果数据进行预测准确率评估,生成橡胶预测预模型评估数据;将橡胶预测预模型评估数据与预设的标准评估数据进行数据对比处理,当橡胶预测预模型评估数据大于标准评估数据,则生成天然橡胶老化预测模型;当橡胶预测预模型评估数据小于标准评估数据,则利用随机梯度下降优化器对橡胶预测预模型进行迭代优化处理,直至生成天然橡胶老化预测模型,可以得到准确预测天然橡胶老化的模型,并根据标准评估数据进行模型的验证和改进,提高模型的预测能力和准确度。
优选地,步骤S7包括以下步骤:
步骤S71:将天然橡胶图像数据与天然橡胶温度数据导入至天然橡胶老化预测模型进行特征提取处理,生成橡胶图像特征数据和橡胶温度特征数据;
步骤S72:将橡胶图像特征数据与橡胶温度特征数据进行向量拼接处理,生成橡胶特征向量;
步骤S73:根据天然橡胶老化预测模型对橡胶特征向量进行老化性能预测,生成老化性能预测结果。
本发明通过将天然橡胶图像数据与天然橡胶温度数据导入至天然橡胶老化预测模型进行特征提取处理,生成橡胶图像特征数据和橡胶温度特征数据,可以从原始数据中提取出与老化性能相关的特征,提高数据的可靠性;将橡胶图像特征数据与橡胶温度特征数据进行向量拼接处理,生成橡胶特征向量,可以综合利用不同类型的特征信息,提高模型对橡胶老化性能的预测准确度;根据天然橡胶老化预测模型对橡胶特征向量进行老化性能预测,生成老化性能预测结果,可以提供对橡胶材料老化情况的预测,帮助评估橡胶材料的性能和可靠性。
本发明通过将天然橡胶被放置在室外光照下,并使用照相机按预设的时间间隔使用图像拍摄技术获取天然橡胶的图像数据。同时,使用红外线测温仪按照预设的时间间隔对天然橡胶进行温度测量,以获取天然橡胶的温度数据,可以提高数据精确度和可信度,对天然橡胶图像数据集进行图像数据预处理,以生成标准的天然橡胶图像数据,预处理过程可以包括图像去噪、图像增强、图像校正等操作,以提高图像质量和可用性,在预处理过程中,可以提取橡胶的形状图像数据和颜色图像数据,对橡胶形状图像数据进行区域划分处理,生成橡胶的核心区域形状图像数据,利用核心区域形变检测公式对橡胶的核心区域形状图像数据进行形变检测处理,生成橡胶的形变数据,利用图像处理软件(例如ImageJ)对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶的颜色变化数据,可以了解橡胶在老化过程中颜色的变化情况,基于橡胶温变检测公式,对天然橡胶的温度数据进行温度变幅分析处理,生成橡胶的温度变幅数据,可以了解橡胶在不同温度条件下的变化情况,将橡胶的形变数据、颜色变化数据和温度变幅数据作为输入,通过深度学习处理,生成天然橡胶的老化预测模型。深度学习技术可以通过训练模型来学习数据之间的复杂关系,从而实现对橡胶老化性能的预测,利用已训练好的天然橡胶老化预测模型,对天然橡胶的图像数据和温度数据进行老化性能预测处理,生成老化性能预测结果。因此,本发明的一种天然橡胶老化性能的测评方法通过对天然橡胶通过形状数据、颜色数据、温度数据进行综合分析,并通过建立模型进行老化性能预测,以实现天然橡胶老化性能测评的智能化与精准化。
附图说明
图1为一种天然橡胶老化性能的测评方法的步骤流程示意图;
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种天然橡胶老化性能的测评方法,所述方法包括以下步骤:
步骤S1:将天然橡胶进行室外光照,利用照相机根据预设的时间间隔利用图像拍摄技术获取天然橡胶图像数据;利用红外线测温仪根据预设的时间间隔对天然橡胶进行温度测量处理获取天然橡胶温度数据;
步骤S2:对天然橡胶图像数据集进行图像数据预处理,生成标准天然橡胶图像数据,其中包括橡胶形状图像数据、橡胶颜色图像数据;
步骤S3:对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据;利用核心区域形变检测公式对橡胶核心区域形状图像数据进行橡胶形变检测处理,生成橡胶形变数据;
步骤S4:利用ImageJ软件对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶颜色变化数据;
步骤S5:基于橡胶温变检测公式对天然橡胶温度数据进行温度变幅分析处理,生成橡胶温度变幅数据;
步骤S6:将橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行深度学习处理,生成天然橡胶老化预测模型;
步骤S7:利用天然橡胶老化预测模型对天然橡胶图像数据与天然橡胶温度数据进行老化性能预测处理,生成老化性能预测结果。
本发明通过预设的时间间隔进行图像拍摄和温度测量,可以实现对天然橡胶的实时数据采集,可以获取到天然橡胶在不同时间点的图像和温度信息,反映其动态变化情况,通过图像拍摄和温度测量,可以获得天然橡胶的多维数据,包括视觉信息和温度信息,利用照相机和红外线测温仪进行数据采集,可以实现非接触式的测量过程,无需直接接触天然橡胶样本,避免了可能对样本产生的影响,同时提高了测量的效率和安全性,通过预设的时间间隔进行数据采集,可以控制数据的时间分辨率,更好地捕捉到老化过程中的细微变化;对天然橡胶图像数据集进行图像数据预处理,生成标准天然橡胶图像数据,可以消除图像中的噪声、伪影和不良影响,提高数据的准确性和可信度,更直观地了解橡胶的形状和颜色特征,有助于对橡胶样本进行观察和比较,从而更好地理解其老化性能和变化趋势;对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据,可以将图像中的橡胶核心区域与背景区域进行区分,有助于聚焦在橡胶的主要形状区域上,减少噪声和干扰因素对形变分析的影响,利用核心区域形变检测公式对橡胶核心区域形状图像数据进行橡胶形变检测处理,生成橡胶形变数据,可以量化橡胶形状的变化程度,减少处理的数据量,提高形变检测的效率和准确性;利用ImageJ软件对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶颜色变化数据,可以了解橡胶表面颜色的分布情况和变化趋势,评估橡胶在光照、氧化、热老化等条件下的性能变化情况;基于橡胶温变检测公式对天然橡胶温度数据进行温度变幅分析处理,生成橡胶温度变幅数据,可以了解橡胶在不同温度条件下的热胀冷缩情况,以及橡胶材料的热稳定性,提高橡胶老化性能测评的准确性;将橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行深度学习处理,生成天然橡胶老化预测模型,可以根据输入的橡胶数据,给出对未来老化情况的预测,帮助判断橡胶材料的寿命、耐久性和可靠性,提高橡胶制品的可靠性和降低成本;利用天然橡胶老化预测模型对天然橡胶图像数据与天然橡胶温度数据进行老化性能预测处理,生成老化性能预测结果,可以更准确地捕捉橡胶老化的模式和趋势,从而提高老化性能的预测准确性。因此,本发明的一种天然橡胶老化性能的测评方法通过对天然橡胶通过形状数据、颜色数据、温度数据进行综合分析,并通过建立模型进行老化性能预测,以实现天然橡胶老化性能测评的智能化与精准化。
本发明实施例中,参考图1所述,为本发明一种天然橡胶老化性能的测评方法的步骤流程示意图,在本实例中,所述一种天然橡胶老化性能的测评方法包括以下步骤:
步骤S1:将天然橡胶进行室外光照,利用照相机根据预设的时间间隔利用图像拍摄技术获取天然橡胶图像数据;利用红外线测温仪根据预设的时间间隔对天然橡胶进行温度测量处理获取天然橡胶温度数据;
本发明实施例中,通过将天然橡胶放置在室外光照的环境中,并准备好照相机和红外线测温仪,根据需要和实验设计,设定适当的时间间隔,即拍摄图像和测量温度的时间间隔,使用照相机根据预设的时间间隔进行图像拍摄,例如确保照相机设置合适的参数,例如焦距、曝光时间等,以获取清晰且具有足够细节的天然橡胶图像数据,使用红外线测温仪根据预设的时间间隔对天然橡胶进行温度测量处理,例如将红外线测温仪对准橡胶表面,触发测量并记录天然橡胶温度数据。
步骤S2:对天然橡胶图像数据集进行图像数据预处理,生成标准天然橡胶图像数据,其中包括橡胶形状图像数据、橡胶颜色图像数据;
本发明实施例中,通过将天然橡胶图像数据集进行校正处理,例如去除图像噪声、消除图像畸变等,通过使用图像处理软件或编程库来实现,对天然橡胶图像进行裁剪,以获取感兴趣的橡胶区域,使用图像分割算法将橡胶图像中的橡胶形状和背景分离,使用图像处理技术从橡胶图像中提取颜色信息,生成标准天然橡胶图像数据。
步骤S3:对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据;利用核心区域形变检测公式对橡胶核心区域形状图像数据进行橡胶形变检测处理,生成橡胶形变数据;
本发明实施例中,通过对橡胶形状图像数据进行区域划分处理,例如使用图像分割算法,如阈值分割、边缘检测、区域生长等,利用核心区域形变检测公式对橡胶核心区域形状图像数据进行橡胶形变检测处理,形变检测公式可以是基于形状特征的定量评估方法,例如面积变化、周长变化、轮廓变化等,生成橡胶形变数据。
步骤S4:利用ImageJ软件对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶颜色变化数据;
本发明实施例中,通过利用ImageJ软件对橡胶颜色图像数据进行像素点颜色分析处理,使用ImageJ提供的各种选择工具(如矩形选择、椭圆选择或魔棒工具)来选择区域,选择所需的测量参数,例如"Mean","Standard Deviation","Min&Max","IntegratedDensity"等,用于获取颜色信息和计算颜色变化,生成橡胶颜色变化数据。
步骤S5:基于橡胶温变检测公式对天然橡胶温度数据进行温度变幅分析处理,生成橡胶温度变幅数据;
本发明实施例中,通过基于橡胶温变检测公式,计算每个时间点上的温度变幅,温度变幅可以通过计算当前温度与初始温度之间的差值来获得,从而生成橡胶温度变幅数据。
步骤S6:将橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行深度学习处理,生成天然橡胶老化预测模型;
本发明实施例中,通过整理橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据,确保数据格式一致且对齐,对数据进行预处理,包括数据归一化、特征工程等操作,以确保数据在合适的范围内,并提取有用的特征,选择适合的深度学习模型,例如卷积神经网络(CNN)或循环神经网络(RNN),或者它们的组合,以根据数据的特点和预测目标来设计模型架构,使用准备好的数据集进行模型训练,使用测试集评估训练好的模型的性能和预测能力,例如准确率、精确率、召回率、F1分数等,根据评估结果,对模型进行调优和优化,生成天然橡胶老化预测模型。
步骤S7:利用天然橡胶老化预测模型对天然橡胶图像数据与天然橡胶温度数据进行老化性能预测处理,生成老化性能预测结果。
本发明实施例中,通过将需要进行老化性能预测的天然橡胶图像数据和天然橡胶温度数据整理成合适的格式,对天然橡胶图像数据进行特征提取,可以使用图像处理技术、计算机视觉方法或深度学习模型提取图像的关键特征,将特征数据输入到天然橡胶老化预测模型中进行预测,根据预测模型的输出,生成老化性能预测结果,根据具体的预测任务确定输出的形式,例如分类结果、预测值或概率值等生成老化性能预测结果。
优选地,步骤S1包括以下步骤:
步骤S11:利用时钟根据预设的时间戳设置时间间隔;
步骤S12:根据时间间隔对天然橡胶进行拍摄处理,生成天然橡胶图像;
步骤S13:通过图像转化工具对天然橡胶图像进行格式转换,生成天然橡胶图像数据;
步骤S14:根据时间间隔对天然橡胶进行温度检测处理,生成天然橡胶温度数据。
根据预设的时间戳,使用时钟或计时器设备设置合适的时间间隔,以便在固定时间间隔内进行下一步的处理;利用照相机或图像采集设备对天然橡胶进行拍摄处理,可以确保在每个时间间隔内获取一张天然橡胶图像;使用图像转换工具对拍摄得到的天然橡胶图像进行格式转换,以生成适合后续处理的天然橡胶图像数据;利用温度检测设备(如红外线测温仪)对天然橡胶进行温度检测处理,可以根据预设的时间间隔,在每个时间点上测量天然橡胶的温度,并记录下相应的温度数据。
本发明实施例中。通过用时钟设置时间间隔。根据预设的时间戳和时间间隔要求,使用合适的时钟或计时器设备进行设置,例如使用硬件时钟、软件定时器或操作系统提供的时间函数等方式来确保时间间隔的准确性和稳定性,使用照相机或图像采集设备对天然橡胶进行拍摄,例如根据预设的时间间隔,在每个时间点上进行拍摄操作,以获取天然橡胶图像数据,使用图像转换工具(如ImageJ、OpenCV等)对拍摄得到的天然橡胶图像数据进行格式转换,可以进行图像尺寸调整、色彩空间转换、图像压缩等操作,根据预设的时间间隔,在每个时间点上使用温度检测设备(如红外线测温仪)对天然橡胶进行温度检测,得到天然橡胶温度数据。
优选的,步骤S2包括以下步骤:
步骤S21:对天然橡胶图像数据集进行图像去噪处理,生成天然橡胶去噪图像数据;
步骤S22:将天然橡胶去噪图像数据进行图像增强处理,生成天然橡胶增强图像数据;
步骤S23:对天然橡胶增强图像数据进行橡胶轮廓提取处理,生成橡胶形状图像数据;
步骤S24:对天然橡胶增强图像数据进行颜色空间转换处理,生成橡胶颜色图像数据;
步骤S25:将形状图像数据和颜色图像数据进行数据整合处理,生成标准天然橡胶图像数据。
本发明通过对天然橡胶图像数据集进行图像去噪处理,可以清除天然橡胶图像中的噪声、小斑点等不必要的细节信息,生成天然橡胶去噪图像数据;将天然橡胶去噪图像数据进行图像增强处理,可以增强天然橡胶图像的对比度、亮度等特征,使图像更加清晰、明亮,生成天然橡胶增强图像数据;对天然橡胶增强图像数据进行橡胶轮廓提取处理,可以将天然橡胶图像中的橡胶形状提取出来,便于后续的形状分析和识别;对天然橡胶增强图像数据进行颜色空间转换处理,可以将颜色空间转换为更容易处理和分析的格式,这有助于更好地理解橡胶的各个特征,生成橡胶颜色图像数据;将形状图像数据和颜色图像数据进行数据整合处理,可以综合形状和颜色信息,使得标准天然橡胶图像数据更加具有完整性和准确性,适用于各种橡胶图像处理和分析任务,从而生成标准天然橡胶图像数据。
本发明实施例中,通过使用图像处理算法(如中值滤波、高斯滤波、小波降噪等)对天然橡胶图像数据集进行去噪处理,生成天然橡胶去噪图像数据,对天然橡胶去噪图像数据进行图像增强处理,例如使用方图均衡化、对比度增强、锐化等图像增强方法生成天然橡胶增强图像数据,利用图像处理技术(如边缘检测、阈值分割、形态学操作等)对天然橡胶增强图像数据进行轮廓提取处理,以获取橡胶的形状信息,轮廓提取算法可以选择例如Canny边缘检测、Sobel算子等,生成橡胶形状图像数据,对天然橡胶增强图像数据进行颜色空间转换,以获取橡胶的颜色信息,颜色空间包括RGB、HSV、Lab等,生成橡胶颜色图像数据,通过图像拼接、叠加或特征提取等方式将形状图像数据和颜色图像数据进行合并,形成最终的标准天然橡胶图像数据。
优选的,步骤S3包括以下步骤:
步骤S31:利用边缘检测对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据和橡胶边缘区域形状图像数据;
步骤S32:根据Sobel算子算法对橡胶边缘区域形状图像数据进行橡胶边缘形变检测,生成橡胶边缘区域形变数据;
步骤S33:利用核心区域形变检测公式对橡胶核心区域形状图像数据进行形变检测处理,生成橡胶核心区域形变数据;
步骤S34:利用形状匹配算法对橡胶边缘区域形变数据和橡胶核心区域形变数据进行形变分析处理,生成橡胶形变数据。
本发明通过利用边缘检测对橡胶形状图像数据进行区域划分处理,可以将橡胶图像中的核心区域和边缘区域分开,使得后续的形变分析步骤可以对不同区域进行独立处理,生成橡胶核心区域形状图像数据和橡胶边缘区域形状图像数据;根据Sobel算子算法对橡胶边缘区域形状图像数据进行橡胶边缘形变检测,可以定量地分析橡胶边缘区域的形变程度,提供有关橡胶边缘变形的信息,生成橡胶边缘区域形变数据;利用核心区域形变检测公式对橡胶核心区域形状图像数据进行形变检测处理,可以提供橡胶核心区域的形变信息,帮助了解橡胶在不同应力或环境下的变形情况,生成橡胶核心区域形变数据;利用形状匹配算法对橡胶边缘区域形变数据和橡胶核心区域形变数据进行形变分析处理,可以综合考虑橡胶边缘区域和核心区域的形变信息,提供全面的橡胶形变数据,帮助了解橡胶材料的性能和变形特点,生成橡胶形变数据。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S3包括:
步骤S31:利用边缘检测对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据和橡胶边缘区域形状图像数据;
本发明实施例中,通过使用Canny边缘检测算法对橡胶形状图像数据进行区域划分处理,其中Canny边缘检测首先对橡胶形状图像数据进行高斯滤波以降低噪声影响,然后通过计算图像的梯度强度和方向来检测边缘,以此区分区域,生成橡胶核心区域形状图像数据和橡胶边缘区域形状图像数据。
步骤S32:根据Sobel算子算法对橡胶边缘区域形状图像数据进行橡胶边缘形变检测,生成橡胶边缘区域形变数据;
本发明实施例中,通过根据Sobel算子算法对橡胶边缘区域形状图像数据进行橡胶边缘形变检测,其中将橡胶边缘区域形状图像数据应用Sobel算子,分别计算水平方向(Gx)和垂直方向(Gy)的梯度,计算每个像素点的梯度幅值:G=sqrt(Gx^2+Gy^2),根据梯度幅值,可以得到一个梯度图像,其中较大的梯度值表示橡胶边缘的位置,根据实际需求,可以设定一个阈值来确定形变的程度。例如,如果梯度值大于设定的阈值,则判定为橡胶边缘发生了形变,生成橡胶边缘区域形变数据。
步骤S33:利用核心区域形变检测公式对橡胶核心区域形状图像数据进行形变检测处理,生成橡胶核心区域形变数据;
本发明实施例中,通过获取橡胶核心区域形状图像数据,该图像应包含橡胶的核心区域,利用核心区域形变检测公式对橡胶核心区域形状图像数据进行形变检测,需要计算橡胶核心区域的面积、周长、形状参数等,生成橡胶核心区域形变数据。
步骤S34:利用形状匹配算法对橡胶边缘区域形变数据和橡胶核心区域形变数据进行形变分析处理,生成橡胶形变数据。
本发明实施例中,通过对橡胶边缘区域形变数据和橡胶核心区域形变数据进行预处理,如去除异常值、平滑处理等,选择适合的形状匹配算法进行形变分析,例如基于形状上下文、轮廓匹配、模板匹配等方法,应用选择的形状匹配算法对橡胶边缘区域形变数据和橡胶核心区域形变数据进行形变分析,包括计算形状之间的距离、相似度或其他形状特征,生成橡胶形变数据。
优选的,步骤S33中的核心区域形变检测公式具体如下:
式中,D(t)表示为在时间t内核心区域的形状发生的总变化量,r0表示为橡胶核心区域的初始半径,r(t)表示为橡胶核心区域在时间t内的半径,h表示为橡胶测量起始时间内的曲率变化量,vi表示为第i层橡胶核心在x方向上的扭曲程度,bi表示为第i层橡胶核心在y方向上的扭曲程度,n表示为橡胶核心区域的层级数,表示为橡胶核心区域形变异常调整值。
本发明构建了一种核心区域形变检测公式,用于通过橡胶核心区域形状对比从而进行橡胶形变分析,该核心区域形变检测公式可以根据两组橡胶图像橡胶核心区域在时间t内的半径形变量进行调整,实现核心区域形变检测效率,根据计算得到的特征在时间序列上的周期性模式或运动方向的频率来确定消费图像特征在图像上的扫描频率,从而精确确定图像特征的区域。在实际应用中,该公式可以通过比较两个橡胶图像的核心区域面积和周长的差异,以及该区域的距离变化,来量化橡胶的变化程度,该公式充分考虑了橡胶核心区域的初始半径r0、橡胶核心区域在时间t内的半径r(t)、橡胶测量起始时间内的曲率变化量h、第i层橡胶核心在x方向上的扭曲程度vi、第i层橡胶核心在y方向上的扭曲程度bi、橡胶核心区域的层级数n、橡胶核心区域形变异常调整值通过分析橡胶核心区域的初始半径和橡胶核心区域在时间t内的半径的相互作用,计算橡胶的半径变化率,与第i层橡胶核心在x方向上的扭曲程度进行求解以及函数之间的相互作用,以形成函数关系:
通过橡胶核心区域的初始半径加上橡胶核心区域在时间t内的半径的比率的相互作用关系,可以了解橡胶在时间t内发生的形状变化详情,保证区域数据精确的情况下进行橡胶核心区域形变检测,利用第i层橡胶核心在x方向上的扭曲程度和第i层橡胶核心在y方向上的扭曲程度,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过橡胶核心区域形变异常调整值对橡胶核心区域形变计算小数点进行调整,更加准确的生成在时间t内核心区域的形状发生的总变化量D(t),提高了橡胶核心区域形变检测的准确性和可靠性。同时该公式中的橡胶核心区域的层级数、橡胶测量起始时间内的曲率变化量等参数可以根据实际情况进行调整,从而适应不同的橡胶核心区域检测场景,提高了算法的适用性和灵活性。
优选地,步骤S4包括以下步骤:
步骤S41:基于颜色衰减先验的去雾算法对橡胶颜色图像数据进行图像去雾处理,生成橡胶颜色去雾图像数据;
步骤S42:对橡胶颜色去雾图像数据进行图像切割处理,生成橡胶颜色图像块;
步骤S43:利用ImageJ软件中的颜色分析工具对橡胶颜色图像块进行颜色提取处理,生成橡胶颜色像素点;
步骤S44:将橡胶颜色像素点进行多重像素点堆叠处理,生成堆叠颜色像素点;
步骤S45:根据颜色差异度算法对堆叠颜色像素点进行颜色差异变化计算,从而生成橡胶颜色变化数据。
本发明通过基于颜色衰减先验的去雾算法对橡胶颜色图像数据进行图像去雾处理,可以提高橡胶颜色图像的质量和清晰度,减少雾霾的影响,使得后续的颜色处理步骤更加准确和可靠,生成橡胶颜色去雾图像数据;对橡胶颜色去雾图像数据进行图像切割处理,可以将橡胶颜色图像数据分解为更小的图像块,提供更精细和局部的颜色信息,生成橡胶颜色图像块;利用ImageJ软件中的颜色分析工具对橡胶颜色图像块进行颜色提取处理,可以获取橡胶颜色图像块中的颜色信息,提供有关橡胶颜色的定量数据,生成橡胶颜色像素点;将橡胶颜色像素点进行多重像素点堆叠处理,可以增强颜色的变化效果,使得橡胶颜色更加饱满和多样化,生成堆叠颜色像素点;根据颜色差异度算法对堆叠颜色像素点进行颜色差异变化计算,可以提供橡胶颜色的变化程度和模式,帮助了解橡胶材料的颜色特征和变化规律,从而生成橡胶颜色变化数据。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S4包括:
步骤S41:基于颜色衰减先验的去雾算法对橡胶颜色图像数据进行图像去雾处理,生成橡胶颜色去雾图像数据;
本发明实施例中,通过基于颜色衰减先验的去雾算法对橡胶颜色图像数据进行图像去雾处理,其中去雾算法基于图像中颜色的衰减特性,通过恢复图像中受雾影响的颜色信息来减少雾霾效果,在算法中,根据颜色衰减先验的假设,通过对图像中的颜色进行分析和建模,估计图像中的雾浓度和雾霾颜色,从而校正图像中的雾霾效果,将去雾处理后的结果保存为橡胶颜色去雾图像数据。
步骤S42:对橡胶颜色去雾图像数据进行图像切割处理,生成橡胶颜色图像块;
本发明实施例中,通过确定图像切割的方法和策略,例如使用基于阈值的分割、边缘检测、区域生长等图像切割方法,将图像划分为多个块,根据选择的图像切割方法,实施图像切割操作,可以通过编程实现,也可以使用图像处理软件(如ImageJ、OpenCV等)进行操作,在进行图像切割时,可以考虑设置合适的参数,如阈值、边缘检测算子、区域增长的种子点等,以根据橡胶颜色图像的特点和需求得到较好的切割结果,生成橡胶颜色图像块。
步骤S43:利用ImageJ软件中的颜色分析工具对橡胶颜色图像块进行颜色提取处理,生成橡胶颜色像素点;
本发明实施例中,通过打开ImageJ软件,并加载橡胶颜色图像块,在ImageJ软件中,选择菜单栏中的"Analyze"(分析)选项,然后选择"Set Measurements"(设置测量参数),在"Set Measurements"对话框中,勾选"Mean"(均值)和其他你感兴趣的颜色相关参数,比如"Red"(红色通道)、"Green"(绿色通道)、"Blue"(蓝色通道)等,点击"OK"确认设置,在ImageJ软件中选择"Analyze"(分析)菜单,然后选择"Measure"(测量),这将在图像上显示每个选定区域的颜色测量结果,包括均值和其他设置的颜色参数,生成橡胶颜色像素点。
步骤S44:将橡胶颜色像素点进行多重像素点堆叠处理,生成堆叠颜色像素点;
本发明实施例中,通过创建一个空白的图像或画布,大小与原始图像相同,遍历橡胶颜色像素点数据,对于每个像素点,根据其颜色值和位置信息,在空白图像上进行绘制,可以使用绘图工具或编程语言中的图像处理库来实现,通过重复上述步骤,将所有橡胶颜色像素点都绘制到空白图像上,对于多个重叠的像素点,可以选择不同的堆叠方式,如叠加、平均、最大值等,生成的堆叠颜色像素点表示了原始橡胶颜色图像中各个位置上像素点的颜色叠加效果。
步骤S45:根据颜色差异度算法对堆叠颜色像素点进行颜色差异变化计算,从而生成橡胶颜色变化数据。
本发明实施例中,通过对于每个堆叠颜色像素点数据,可以选择一种颜色差异计算方法,如欧氏距离、差异度指标等,针对每个像素点,计算其与相邻像素点之间的颜色差异度。可以使用以下公式进行计算:差异度=sqrt((R2-R1)^2+(G2-G1)^2+(B2-B1)^2),其中,(R1,G1,B1)表示当前像素点的颜色值,(R2,G2,B2)表示相邻像素点的颜色值,选择计算其与所有相邻像素点的颜色差异度,并取平均值作为该像素点的颜色变化值,通过重复上述步骤,对所有堆叠颜色像素点进行颜色差异度计算,生成橡胶颜色变化数据。
优选的,步骤S5包括以下步骤:
步骤S51:对天然橡胶温度数据进行历史温度数据收集处理,生成天然橡胶历史温度数据;
步骤S52:根据天然橡胶历史温度数据进行场域温度构建,生成标准橡胶场域温度曲线图;对标准橡胶场域温度曲线进行温度阈值提取处理,得到标准橡胶场域温度阈值;
步骤S53:利用橡胶温变检测公式对天然橡胶温度数据进行温度变化检测处理,生成橡胶温变数据;
步骤S54:对橡胶温变数据进行傅里叶变换,生成橡胶温变频谱图;将橡胶温变频谱图与标准橡胶场域温度阈值进行振幅对比处理,生成高振幅温变数据和低振幅温变数据;
步骤S55:对高振幅温变数据与低振幅温变数据进行均值计算,从而生成橡胶温度变幅数据。
本发明通过对天然橡胶温度数据进行历史温度数据收集处理,可以提供天然橡胶在不同时间段的温度记录,生成天然橡胶历史温度数据;根据天然橡胶历史温度数据进行场域温度构建,生成标准橡胶场域温度曲线图,可以提供橡胶温度的参考模式,对标准橡胶场域温度曲线进行温度阈值提取处理,得到标准橡胶场域温度阈值,可以确定标准橡胶场域温度的临界值;利用橡胶温变检测公式对天然橡胶温度数据进行温度变化检测处理,可以根据温度数据的变化趋势,判断橡胶温度是否发生显著变化,定量地检测橡胶温度的变化情况,提供橡胶温度变化的信息;对橡胶温变数据进行傅里叶变换,生成橡胶温变频谱图,可以将温变数据从时域转换到频域,将橡胶温变频谱图与标准橡胶场域温度阈值进行振幅对比处理,可以将温变频谱与标准场域温度阈值进行对比,分析橡胶温度变化的振幅特征,生成高振幅温变数据和低振幅温变数据;对高振幅温变数据与低振幅温变数据进行均值计算,可以提供橡胶温度变幅的平均值,帮助了解橡胶材料的温度变化幅度,生成橡胶温度变幅数据。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S3包括:
步骤S51:对天然橡胶温度数据进行历史温度数据收集处理,生成天然橡胶历史温度数据;
本发明实施例中,通过选择过去一段时间内的温度数据,并确定采集的时间间隔,如每小时、每天或每周采集一次,生成天然橡胶历史温度数据。
步骤S52:根据天然橡胶历史温度数据进行场域温度构建,生成标准橡胶场域温度曲线图;对标准橡胶场域温度曲线进行温度阈值提取处理,得到标准橡胶场域温度阈值;
本发明实施例中,通过使用数据处理和可视化工具,如电子表格软件或数据分析软件,将天然橡胶历史温度数据绘制成温度随时间变化的曲线图。横坐标表示时间,纵坐标表示温度,根据特定的需求和标准,确定需要提取的温度阈值,可以根据温度曲线的特征,如峰值、波动范围等,对标准橡胶场域温度曲线进行处理,提取出符合要求的温度阈值。
步骤S53:利用橡胶温变检测公式对天然橡胶温度数据进行温度变化检测处理,生成橡胶温变数据;
本发明实施例中,通过将天然橡胶温度数据代入温度变化检测公式中进行计算,根据温度变化检测公式的计算结果,生成橡胶温变数据。
步骤S54:对橡胶温变数据进行傅里叶变换,生成橡胶温变频谱图;将橡胶温变频谱图与标准橡胶场域温度阈值进行振幅对比处理,生成高振幅温变数据和低振幅温变数据;
本发明实施例中,通过对橡胶温变数据应用傅里叶变换,可以使用现有的信号处理工具或库进行傅里叶变换计算,例如使用Python中的NumPy库或MATLAB等,傅里叶变换将温变数据从时域转换为频域,生成橡胶温变频谱图,对橡胶温变频谱图进行分析,识别频谱图中的高振幅和低振幅区域,可以通过设置阈值或基于统计方法来确定高振幅和低振幅的频率范围,将标准橡胶场域温度阈值与橡胶温变频谱图进行对比处理,比较频谱图中的每个频率点的振幅与对应位置的场域温度阈值,根据振幅大小,将频谱图中的频率点分为高振幅和低振幅两类,根据频谱图中的高振幅和低振幅区域,提取对应的温变数据,可以选择高振幅温变数据作为异常或故障的指示,低振幅温变数据则表示正常运行。
步骤S55:对高振幅温变数据与低振幅温变数据进行均值计算,从而生成橡胶温度变幅数据。
本发明实施例中,通过将高振幅温变数据和低振幅温变数据分别提取出来,这些数据可以是频谱图中对应的温变数据或其他表示异常和正常情况的数据,针对高振幅温变数据和低振幅温变数据,分别计算其均值,其中均值是将数据集中的所有数值相加,然后除以数据集中的总数得到的结果,具体的计算方式如下:将高振幅温变数据集中的所有数值相加,然后除以数据集中的总数得到高振幅温变数据的均值,将低振幅温变数据集中的所有数值相加,然后除以数据集中的总数得到低振幅温变数据的均值,将高振幅温变数据和低振幅温变数据的均值进行相减操作,得到橡胶温度变幅数据。
优选地,步骤S53中的橡胶温变检测公式具体如下:
式中,F(x,u)表示为橡胶受温度影响的性能老化程度的指标,x表示为橡胶的形状特征参数,u表示为橡胶所受到的环境温度,表示为x变化率的大小和方向,α表示为橡胶的温度敏感系数,c表示为橡胶热膨胀系数,T0表示为橡胶材料的基准温度,Tg表示为橡胶的玻璃转化温度,k1表示为第一阶段老化速率常数,k2表示为第二阶段老化速率常数,ω表示为橡胶温变检测异常修正量。
本发明构建了一种橡胶温变检测公式,用于对橡胶在不同环境温度中进行性能老化程度测量,该橡胶温变检测公式可以根据橡胶所受到的环境温度在第一阶段老化速率和第二阶段老化速率的偏移量进行调整,实现最佳的温度变化数值提取效率,根据计算得到的橡胶的温度敏感系数来确定橡胶随着温度变化的形状特征参数,从而精准测量因温度影响的橡胶老化性能。在实际应用中,该公式可以通过数值计算的方法来预测和分析橡胶材料在不同温度下的力学性质,该公式充分考虑了橡胶的形状特征参数x、橡胶所受到的环境温度u、x变化率的大小和方向橡胶的温度敏感系数α、橡胶热膨胀系数c、橡胶材料的基准温度T0、橡胶的玻璃转化温度Tg、第一阶段老化速率常数k1、第二阶段老化速率常数k2、橡胶温变检测异常修正量ω,通过分析橡胶所受到的环境温度和橡胶的温度敏感系数的相互作用,计算橡胶的温度变化,与橡胶热膨胀系数进行求解以及函数之间的相互作用,以形成函数关系:
通过橡胶所受到的环境温度加上橡胶的玻璃转化温度的比率的相互作用关系,可以了解橡胶在受热膨胀时具体温度,保证区域数据精确的情况下进行橡胶温变检测,利用第一阶段老化速率常数和第二阶段老化速率常数,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过橡胶温变检测异常修正量ω对橡胶温变计算小数点进行调整,更加准确的生成橡胶受温度影响的性能老化程度的指标F(x,u),提高了橡胶温变检测的准确性和可靠性。同时该公式中的x变化率的大小和方向、橡胶材料的基准温度等参数可以根据实际情况进行调整,从而适应不同的橡胶温变检测场景,提高了算法的适用性和灵活性。
优选地,步骤S6包括以下步骤:
步骤S61:对橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行数据归一化处理,生成橡胶归一化数据;
步骤S62:将橡胶归一化数据进行数据划分处理,得到橡胶模型训练集、橡胶模型测试集和橡胶模型验证集;
步骤S63:通过激活函数和损失函数根据卷积神经网络进行橡胶模型架构设计,生成橡胶模型架构;
步骤S64:利用橡胶模型训练集通过反向传播算法对橡胶模型架构进行模型训练,生成橡胶预测预模型;
步骤S65:根据橡胶模型验证集对橡胶预测预模型进行仿真模拟预测处理,生成橡胶老化仿真结果数据;
步骤S66:利用橡胶模型测试集对橡胶老化仿真结果数据进行预测准确率评估,生成橡胶预测预模型评估数据;将橡胶预测预模型评估数据与预设的标准评估数据进行数据对比处理,当橡胶预测预模型评估数据大于标准评估数据,则生成天然橡胶老化预测模型;当橡胶预测预模型评估数据小于标准评估数据,则利用随机梯度下降优化器对橡胶预测预模型进行迭代优化处理,直至生成天然橡胶老化预测模型。
本发明通过对橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行数据归一化处理,可以消除数据之间的尺度差异,将输入特征数据的范围限制在一定的范围内,使得神经网络的输出结果更加准确和稳定,从而生成橡胶归一化数据;将橡胶归一化数据进行数据划分处理,得到橡胶模型训练集、橡胶模型测试集和橡胶模型验证集,可以保证模型在训练过程中有足够的数据进行学习和调整,并能评估模型在新数据上的性能;通过激活函数和损失函数根据卷积神经网络进行橡胶模型架构设计,生成橡胶模型架构,可以根据具体的问题和数据特征,提供合适的网络结构和算法,以获得较好的预测效果;利用橡胶模型训练集通过反向传播算法对橡胶模型架构进行模型训练,生成橡胶预测预模型,可以通过学习数据的规律和特征,使模型具备预测橡胶老化的能力;根据橡胶模型验证集对橡胶预测预模型进行仿真模拟预测处理,生成橡胶老化仿真结果数据,可以提供橡胶老化情况的预测;利用橡胶模型测试集对橡胶老化仿真结果数据进行预测准确率评估,生成橡胶预测预模型评估数据;将橡胶预测预模型评估数据与预设的标准评估数据进行数据对比处理,当橡胶预测预模型评估数据大于标准评估数据,则生成天然橡胶老化预测模型;当橡胶预测预模型评估数据小于标准评估数据,则利用随机梯度下降优化器对橡胶预测预模型进行迭代优化处理,直至生成天然橡胶老化预测模型,可以得到准确预测天然橡胶老化的模型,并根据标准评估数据进行模型的验证和改进,提高模型的预测能力和准确度。
本发明实施例中,通过对橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行归一化处理。常用的归一化方法包括最大最小值归一化、均值方差归一化等,生成橡胶归一化数据,将归一化后的橡胶数据集划分为橡胶模型训练集、橡胶模型测试集和橡胶模型验证集,例如采用随机划分或者按一定比例划分的方式,确保训练集、测试集和验证集的样本分布具有代表性,基于卷积神经网络(CNN)进行橡胶模型架构设计,通过选择合适的卷积层、池化层、全连接层等结构,并添加激活函数和损失函数,设计橡胶模型的网络结构,采用反向传播算法,使用橡胶模型训练集进行橡胶模型的训练,通过优化器对模型参数进行调整,使得模型能够逐步学习和适应橡胶数据的特征,生成橡胶预测预模型,利用橡胶模型验证集进行橡胶老化仿真预测处理,将验证集中的橡胶数据输入到橡胶预测预模型中,通过模型进行预测,生成橡胶老化仿真结果数据,利用橡胶模型测试集对橡胶老化仿真结果数据进行预测准确率评估,得到橡胶预测预模型的评估数据,将橡胶预测预模型的评估数据与预设的标准评估数据进行对比处理,如果橡胶预测预模型的评估数据大于标准评估数据,则生成天然橡胶老化预测模型,如果橡胶预测预模型的评估数据小于标准评估数据,则使用随机梯度下降优化器对橡胶预测预模型进行迭代优化处理,不断调整模型参数,直至生成满足要求的天然橡胶老化预测模型。
优选地,步骤S7包括以下步骤:
步骤S71:将天然橡胶图像数据与天然橡胶温度数据导入至天然橡胶老化预测模型进行特征提取处理,生成橡胶图像特征数据和橡胶温度特征数据;
步骤S72:将橡胶图像特征数据与橡胶温度特征数据进行向量拼接处理,生成橡胶特征向量;
步骤S73:根据天然橡胶老化预测模型对橡胶特征向量进行老化性能预测,生成老化性能预测结果。
本发明通过将天然橡胶图像数据与天然橡胶温度数据导入至天然橡胶老化预测模型进行特征提取处理,生成橡胶图像特征数据和橡胶温度特征数据,可以从原始数据中提取出与老化性能相关的特征,提高数据的可靠性;将橡胶图像特征数据与橡胶温度特征数据进行向量拼接处理,生成橡胶特征向量,可以综合利用不同类型的特征信息,提高模型对橡胶老化性能的预测准确度;根据天然橡胶老化预测模型对橡胶特征向量进行老化性能预测,生成老化性能预测结果,可以提供对橡胶材料老化情况的预测,帮助评估橡胶材料的性能和可靠性。
本发明实施例中,通过将天然橡胶图像数据和天然橡胶温度数据导入至天然橡胶老化预测模型中,通过模型进行特征提取处理,模型会对输入的图像和温度数据进行处理,提取橡胶的相关特征信息,生成橡胶图像特征数据和橡胶温度特征数据,将橡胶图像特征数据和橡胶温度特征数据进行向量拼接处理,生成橡胶特征向量,通过将两部分特征数据按顺序拼接成一个向量,将图像特征和温度特征结合起来,形成完整的橡胶特征向量,将橡胶特征向量输入到模型中,模型会根据学习到的规律和特征,对橡胶的老化性能进行预测,生成老化性能预测结果。
本发明通过将天然橡胶图像数据与天然橡胶温度数据导入至天然橡胶老化预测模型进行特征提取处理,生成橡胶图像特征数据和橡胶温度特征数据,可以从原始数据中提取出与老化性能相关的特征,提高数据的可靠性;将橡胶图像特征数据与橡胶温度特征数据进行向量拼接处理,生成橡胶特征向量,可以综合利用不同类型的特征信息,提高模型对橡胶老化性能的预测准确度;根据天然橡胶老化预测模型对橡胶特征向量进行老化性能预测,生成老化性能预测结果,可以提供对橡胶材料老化情况的预测,帮助评估橡胶材料的性能和可靠性。
本发明通过将天然橡胶被放置在室外光照下,并使用照相机按预设的时间间隔使用图像拍摄技术获取天然橡胶的图像数据。同时,使用红外线测温仪按照预设的时间间隔对天然橡胶进行温度测量,以获取天然橡胶的温度数据,可以提高数据精确度和可信度,对天然橡胶图像数据集进行图像数据预处理,以生成标准的天然橡胶图像数据,预处理过程可以包括图像去噪、图像增强、图像校正等操作,以提高图像质量和可用性,在预处理过程中,可以提取橡胶的形状图像数据和颜色图像数据,对橡胶形状图像数据进行区域划分处理,生成橡胶的核心区域形状图像数据,利用核心区域形变检测公式对橡胶的核心区域形状图像数据进行形变检测处理,生成橡胶的形变数据,利用图像处理软件(例如ImageJ)对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶的颜色变化数据,可以了解橡胶在老化过程中颜色的变化情况,基于橡胶温变检测公式,对天然橡胶的温度数据进行温度变幅分析处理,生成橡胶的温度变幅数据,可以了解橡胶在不同温度条件下的变化情况,将橡胶的形变数据、颜色变化数据和温度变幅数据作为输入,通过深度学习处理,生成天然橡胶的老化预测模型。深度学习技术可以通过训练模型来学习数据之间的复杂关系,从而实现对橡胶老化性能的预测,利用已训练好的天然橡胶老化预测模型,对天然橡胶的图像数据和温度数据进行老化性能预测处理,生成老化性能预测结果。因此,本发明的一种天然橡胶老化性能的测评方法通过对天然橡胶通过形状数据、颜色数据、温度数据进行综合分析,并通过建立模型进行老化性能预测,以实现天然橡胶老化性能测评的智能化与精准化。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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发明的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种天然橡胶老化性能的测评方法,其特征在于,包括以下步骤:
步骤S1:将天然橡胶进行室外光照,利用照相机根据预设的时间间隔利用图像拍摄技术获取天然橡胶图像数据;利用红外线测温仪根据预设的时间间隔对天然橡胶进行温度测量处理获取天然橡胶温度数据;
步骤S2:对天然橡胶图像数据集进行图像数据预处理,生成标准天然橡胶图像数据,其中标准天然橡胶图像数据包括橡胶形状图像数据、橡胶颜色图像数据;
步骤S3:对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据;利用核心区域形变检测公式对橡胶核心区域形状图像数据进行橡胶形变检测处理,生成橡胶形变数据;步骤S3包括以下步骤:
步骤S31:利用边缘检测对橡胶形状图像数据进行区域划分处理,生成橡胶核心区域形状图像数据和橡胶边缘区域形状图像数据;
步骤S32:根据Sobel算子算法对橡胶边缘区域形状图像数据进行橡胶边缘形变检测,生成橡胶边缘区域形变数据;
步骤S33:利用核心区域形变检测公式对橡胶核心区域形状图像数据进行形变检测处理,生成橡胶核心区域形变数据;
步骤S33中的核心区域形变检测公式如下所示:
;
式中,表示为在时间内核心区域的形状发生的总变化量,表示为橡胶核心区域的初始半径,表示为橡胶核心区域在时间内的半径,表示为橡胶测量起始时间内的曲率变化量,表示为第层橡胶核心在方向上的扭曲程度,表示为第层橡胶核心在方向上的扭曲程度,表示为橡胶核心区域的层级数,表示为橡胶核心区域形变异常调整值;
步骤S34:利用形状匹配算法对橡胶边缘区域形变数据和橡胶核心区域形变数据进行形变分析处理,生成橡胶形变数据;
步骤S4:利用ImageJ软件对橡胶颜色图像数据进行像素点颜色分析处理,从而生成橡胶颜色变化数据;步骤S4包括以下步骤:
步骤S41:基于颜色衰减先验的去雾算法对橡胶颜色图像数据进行图像去雾处理,生成橡胶颜色去雾图像数据;
步骤S42:对橡胶颜色去雾图像数据进行图像切割处理,生成橡胶颜色图像块;
步骤S43:利用ImageJ软件中的颜色分析工具对橡胶颜色图像块进行颜色提取处理,生成橡胶颜色像素点;
步骤S44:将橡胶颜色像素点进行多重像素点堆叠处理,生成堆叠颜色像素点;
步骤S45:根据颜色差异度算法对堆叠颜色像素点进行颜色差异变化计算,从而生成橡胶颜色变化数据;
步骤S5:基于橡胶温变检测公式对天然橡胶温度数据进行温度变幅分析处理,生成橡胶温度变幅数据;步骤S5包括以下步骤:
步骤S51:对天然橡胶温度数据进行历史温度数据收集处理,生成天然橡胶历史温度数据;
步骤S52:根据天然橡胶历史温度数据进行场域温度构建,生成标准橡胶场域温度曲线图;对标准橡胶场域温度曲线进行温度阈值提取处理,得到标准橡胶场域温度阈值;
步骤S53:利用橡胶温变检测公式对天然橡胶温度数据进行温度变化检测处理,生成橡胶温变数据;步骤S53中的橡胶温变检测公式如下所示:
;
式中,表示为橡胶受温度影响的性能老化程度的指标,表示为橡胶的形状特征参数,表示为橡胶所受到的环境温度,表示为变化率的大小和方向,表示为橡胶的温度敏感系数,表示为橡胶热膨胀系数,表示为橡胶材料的基准温度,表示为橡胶的玻璃转化温度,表示为第一阶段老化速率常数,表示为第二阶段老化速率常数,表示为橡胶核心区域的层级数,表示为橡胶温变检测异常修正量;
步骤S54:对橡胶温变数据进行傅里叶变换,生成橡胶温变频谱图;将橡胶温变频谱图与标准橡胶场域温度阈值进行振幅对比处理,生成高振幅温变数据和低振幅温变数据;
步骤S55:对高振幅温变数据与低振幅温变数据进行均值计算,从而生成橡胶温度变幅数据;
步骤S6:将橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行深度学习处理,生成天然橡胶老化预测模型;步骤S6包括以下步骤:
步骤S61:对橡胶形变数据、橡胶颜色变化数据和橡胶温度变幅数据进行数据归一化处理,生成橡胶归一化数据;
步骤S62:将橡胶归一化数据进行数据划分处理,得到橡胶模型训练集、橡胶模型测试集和橡胶模型验证集;
步骤S63:通过激活函数和损失函数根据卷积神经网络进行橡胶模型架构设计,生成橡胶模型架构;
步骤S64:利用橡胶模型训练集通过反向传播算法对橡胶模型架构进行模型训练,生成橡胶预测预模型;
步骤S65:根据橡胶模型验证集对橡胶预测预模型进行仿真模拟预测处理,生成橡胶老化仿真结果数据;
步骤S66:利用橡胶模型测试集对橡胶老化仿真结果数据进行预测准确率评估,生成橡胶预测预模型评估数据;将橡胶预测预模型评估数据与预设的标准评估数据进行数据对比处理,当橡胶预测预模型评估数据大于标准评估数据,则生成天然橡胶老化预测模型;当橡胶预测预模型评估数据小于标准评估数据,则利用随机梯度下降优化器对橡胶预测预模型进行迭代优化处理,直至生成天然橡胶老化预测模型;
步骤S7:利用天然橡胶老化预测模型对天然橡胶图像数据与天然橡胶温度数据进行老化性能预测处理,生成老化性能预测结果。
2.根据权利要求1所述的天然橡胶老化性能的测评方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用时钟根据预设的时间戳设置时间间隔;
步骤S12:根据时间间隔对天然橡胶进行拍摄处理,生成天然橡胶图像;
步骤S13:通过图像转化工具对天然橡胶图像进行格式转换,生成天然橡胶图像数据;
步骤S14:根据时间间隔对天然橡胶进行温度检测处理,生成天然橡胶温度数据。
3.根据权利要求2所述的天然橡胶老化性能的测评方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对天然橡胶图像数据集进行图像去噪处理,生成天然橡胶去噪图像数据;
步骤S22:将天然橡胶去噪图像数据进行图像增强处理,生成天然橡胶增强图像数据;
步骤S23:对天然橡胶增强图像数据进行橡胶轮廓提取处理,生成橡胶形状图像数据;
步骤S24:对天然橡胶增强图像数据进行颜色空间转换处理,生成橡胶颜色图像数据;
步骤S25:将形状图像数据和颜色图像数据进行数据整合处理,生成标准天然橡胶图像数据。
4.根据权利要求1所述的天然橡胶老化性能的测评方法,其特征在于,步骤S7包括以下步骤:
步骤S71:将天然橡胶图像数据与天然橡胶温度数据导入至天然橡胶老化预测模型进行特征提取处理,生成橡胶图像特征数据和橡胶温度特征数据;
步骤S72:将橡胶图像特征数据与橡胶温度特征数据进行向量拼接处理,生成橡胶特征向量;
步骤S73:根据天然橡胶老化预测模型对橡胶特征向量进行老化性能预测,生成老化性能预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816479.5A CN116754467B (zh) | 2023-07-04 | 2023-07-04 | 一种天然橡胶老化性能的测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816479.5A CN116754467B (zh) | 2023-07-04 | 2023-07-04 | 一种天然橡胶老化性能的测评方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116754467A CN116754467A (zh) | 2023-09-15 |
CN116754467B true CN116754467B (zh) | 2024-03-08 |
Family
ID=87956981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816479.5A Active CN116754467B (zh) | 2023-07-04 | 2023-07-04 | 一种天然橡胶老化性能的测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116754467B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006200937A (ja) * | 2005-01-18 | 2006-08-03 | Bridgestone Corp | ゴム材料の変形挙動予測方法及びゴム材料の変形挙動予測装置 |
CN110544009A (zh) * | 2019-07-26 | 2019-12-06 | 中国人民解放军海军航空大学青岛校区 | 基于数字图像处理的航空有机涂层老化损伤量化评估方法 |
CN112924395A (zh) * | 2020-12-25 | 2021-06-08 | 广东电网有限责任公司电力科学研究院 | 一种基于rgb分量的硅橡胶老化程度判断方法及系统 |
CN112989691A (zh) * | 2021-02-09 | 2021-06-18 | 航天材料及工艺研究所 | 一种优化的橡胶老化性能预测方法 |
CN113920476A (zh) * | 2021-11-11 | 2022-01-11 | 云南电网有限责任公司电力科学研究院 | 一种基于分割和颜色相结合的图像识别方法及系统 |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
-
2023
- 2023-07-04 CN CN202310816479.5A patent/CN116754467B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006200937A (ja) * | 2005-01-18 | 2006-08-03 | Bridgestone Corp | ゴム材料の変形挙動予測方法及びゴム材料の変形挙動予測装置 |
CN110544009A (zh) * | 2019-07-26 | 2019-12-06 | 中国人民解放军海军航空大学青岛校区 | 基于数字图像处理的航空有机涂层老化损伤量化评估方法 |
CN112924395A (zh) * | 2020-12-25 | 2021-06-08 | 广东电网有限责任公司电力科学研究院 | 一种基于rgb分量的硅橡胶老化程度判断方法及系统 |
CN112989691A (zh) * | 2021-02-09 | 2021-06-18 | 航天材料及工艺研究所 | 一种优化的橡胶老化性能预测方法 |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
CN113920476A (zh) * | 2021-11-11 | 2022-01-11 | 云南电网有限责任公司电力科学研究院 | 一种基于分割和颜色相结合的图像识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116754467A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
JP2019035626A (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
KR100957716B1 (ko) | 가변 피부색 모델을 이용한 피부색 영역 검출 방법 | |
CN116309537A (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
JP4728444B2 (ja) | 異常領域検出装置および異常領域検出方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
CN116778520B (zh) | 一种海量证照数据质量检验方法 | |
CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
CN112598632B (zh) | 一种压接连接器接触件外观检测方法及装置 | |
CN113077002A (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
CN112767365A (zh) | 一种探伤方法 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
EP2380110B1 (en) | A method for evaluating quality of image representing a fingerprint pattern | |
CN118397617B (zh) | 基于图像处理的食品变质检测方法及系统 | |
CN117790353B (zh) | 一种el检测系统及el检测方法 |
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 |