CN116988309A - 一种防静电阻燃尼龙帘子布及其制备方法 - Google Patents

一种防静电阻燃尼龙帘子布及其制备方法 Download PDF

Info

Publication number
CN116988309A
CN116988309A CN202310958011.XA CN202310958011A CN116988309A CN 116988309 A CN116988309 A CN 116988309A CN 202310958011 A CN202310958011 A CN 202310958011A CN 116988309 A CN116988309 A CN 116988309A
Authority
CN
China
Prior art keywords
surface state
graphene composite
master batch
composite master
graphene
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
Application number
CN202310958011.XA
Other languages
English (en)
Other versions
CN116988309B (zh
Inventor
董丽琴
李明
王平
董卓妮
徐小波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dikai Fabrics Co ltd
Original Assignee
Hangzhou Dikai Fabrics Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dikai Fabrics Co ltd filed Critical Hangzhou Dikai Fabrics Co ltd
Priority to CN202310958011.XA priority Critical patent/CN116988309B/zh
Publication of CN116988309A publication Critical patent/CN116988309A/zh
Application granted granted Critical
Publication of CN116988309B publication Critical patent/CN116988309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D15/00—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used
    • D03D15/20—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the material of the fibres or filaments constituting the yarns or threads
    • D03D15/292—Conjugate, i.e. bi- or multicomponent, fibres or filaments
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01F—CHEMICAL FEATURES IN THE MANUFACTURE OF ARTIFICIAL FILAMENTS, THREADS, FIBRES, BRISTLES OR RIBBONS; APPARATUS SPECIALLY ADAPTED FOR THE MANUFACTURE OF CARBON FILAMENTS
    • D01F1/00—General methods for the manufacture of artificial filaments or the like
    • D01F1/02—Addition of substances to the spinning solution or to the melt
    • D01F1/09—Addition of substances to the spinning solution or to the melt for making electroconductive or anti-static filaments
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01F—CHEMICAL FEATURES IN THE MANUFACTURE OF ARTIFICIAL FILAMENTS, THREADS, FIBRES, BRISTLES OR RIBBONS; APPARATUS SPECIALLY ADAPTED FOR THE MANUFACTURE OF CARBON FILAMENTS
    • D01F6/00—Monocomponent artificial filaments or the like of synthetic polymers; Manufacture thereof
    • D01F6/88—Monocomponent artificial filaments or the like of synthetic polymers; Manufacture thereof from mixtures of polycondensation products as major constituent with other polymers or low-molecular-weight compounds
    • D01F6/90—Monocomponent artificial filaments or the like of synthetic polymers; Manufacture thereof from mixtures of polycondensation products as major constituent with other polymers or low-molecular-weight compounds of polyamides
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06B—TREATING TEXTILE MATERIALS USING LIQUIDS, GASES OR VAPOURS
    • D06B3/00—Passing of textile materials through liquids, gases or vapours to effect treatment, e.g. washing, dyeing, bleaching, sizing, impregnating
    • D06B3/10—Passing of textile materials through liquids, gases or vapours to effect treatment, e.g. washing, dyeing, bleaching, sizing, impregnating of fabrics
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06M—TREATMENT, NOT PROVIDED FOR ELSEWHERE IN CLASS D06, OF FIBRES, THREADS, YARNS, FABRICS, FEATHERS OR FIBROUS GOODS MADE FROM SUCH MATERIALS
    • D06M15/00—Treating fibres, threads, yarns, fabrics, or fibrous goods made from such materials, with macromolecular compounds; Such treatment combined with mechanical treatment
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06M—TREATMENT, NOT PROVIDED FOR ELSEWHERE IN CLASS D06, OF FIBRES, THREADS, YARNS, FABRICS, FEATHERS OR FIBROUS GOODS MADE FROM SUCH MATERIALS
    • D06M15/00—Treating fibres, threads, yarns, fabrics, or fibrous goods made from such materials, with macromolecular compounds; Such treatment combined with mechanical treatment
    • D06M15/693—Treating fibres, threads, yarns, fabrics, or fibrous goods made from such materials, with macromolecular compounds; Such treatment combined with mechanical treatment with natural or synthetic rubber, or derivatives thereof
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06M—TREATMENT, NOT PROVIDED FOR ELSEWHERE IN CLASS D06, OF FIBRES, THREADS, YARNS, FABRICS, FEATHERS OR FIBROUS GOODS MADE FROM SUCH MATERIALS
    • D06M2101/00—Chemical constitution of the fibres, threads, yarns, fabrics or fibrous goods made from such materials, to be treated
    • D06M2101/16—Synthetic fibres, other than mineral fibres
    • D06M2101/30—Synthetic polymers consisting of macromolecular compounds obtained otherwise than by reactions only involving carbon-to-carbon unsaturated bonds
    • D06M2101/34—Polyamides
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06M—TREATMENT, NOT PROVIDED FOR ELSEWHERE IN CLASS D06, OF FIBRES, THREADS, YARNS, FABRICS, FEATHERS OR FIBROUS GOODS MADE FROM SUCH MATERIALS
    • D06M2200/00—Functionality of the treatment composition and/or properties imparted to the textile material
    • D06M2200/30—Flame or heat resistance, fire retardancy properties

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Woven Fabrics (AREA)
  • Carbon And Carbon Compounds (AREA)

Abstract

公开了一种防静电阻燃尼龙帘子布及其制备方法。其首先将切片与石墨烯混合，双螺杆挤出、造粒，得到石墨烯复合母粒，接着，对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒，然后，对所述干燥后石墨烯复合母粒进行纺丝，然后缓冷成型，上油，拉伸和卷绕，得到石墨烯纳米复合纤维，接着，将所述石墨烯纳米复合纤维制成捻线丝，并进行捻织，制成石墨烯帘子布，最后，将所述石墨烯帘子布浸入浸胶液中浸泡2‑8小时，然后进行干燥、拉伸定型，由储布架卷取，得到防静电阻燃尼龙帘子布。通过这样的方式，可以减少不良现象，同时保证最终产品的质量。

Description

一种防静电阻燃尼龙帘子布及其制备方法
技术领域
本公开涉及智能制备领域，且更为具体地，涉及一种防静电阻燃尼龙帘子布及其制备方法。
背景技术
帘子布本身具有良好的综合性能包括耐化学腐蚀性，以及较高的表面硬度、韧性。但是其阻燃性及耐磨性能还需要进一步的提升，从而加强在轮胎使用中的安全性。而传统的提高阻燃性和耐磨性的方法为改变乳胶体系配方或浸胶工艺，过程复杂多变且收效不大，因而提高纤维本身的阻燃性能和耐磨性才是解决帘子布散热不均易燃及磨损率大等问题的关键。
石墨烯是一种由碳原子按六边形排列而成的二维材料，具有优异的力学性能，导电性能和导热性能。氧化石墨烯在石墨烯的表层具有羧基，环氧基，羟基等含有基团修饰，各层之间堆垛得比较松散，呈蓬松状。同时氧化石墨烯由于表面的一些含氧官能团的存在，降低了其表面能，能与有机聚合物和无机填料之间均能有很好的界面结构，分散性较好，也更容易接枝。
因此，期待一种结合石墨烯材料的帘子布制备方案。
发明内容
有鉴于此，本公开提出了一种防静电阻燃尼龙帘子布及其制备方法，其可以智能化地判断何时停止干燥，以提高生产效率和产品质量的一致性。
根据本公开的一方面，提供了一种防静电阻燃尼龙帘子布的制备方法，其包括：
将切片与石墨烯混合，双螺杆挤出、造粒，得到石墨烯复合母粒；
对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒；
对所述干燥后石墨烯复合母粒进行纺丝，然后缓冷成型，上油，拉伸和卷绕，得到石墨烯纳米复合纤维；
将所述石墨烯纳米复合纤维制成捻线丝，并进行捻织，制成石墨烯帘子布；以及
将所述石墨烯帘子布浸入浸胶液中浸泡2-8小时，然后进行干燥、拉伸定型，由储布架卷取，得到防静电阻燃尼龙帘子布。
根据本公开的另一方面，提供了一种防静电阻燃尼龙帘子布，其中，所述防静电阻燃尼龙帘子布由前述的防静电阻燃尼龙帘子布的制备方法制得。
根据本公开的实施例，其首先将切片与石墨烯混合，双螺杆挤出、造粒，得到石墨烯复合母粒，接着，对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒，然后，对所述干燥后石墨烯复合母粒进行纺丝，然后缓冷成型，上油，拉伸和卷绕，得到石墨烯纳米复合纤维，接着，将所述石墨烯纳米复合纤维制成捻线丝，并进行捻织，制成石墨烯帘子布，最后，将所述石墨烯帘子布浸入浸胶液中浸泡2-8小时，然后进行干燥、拉伸定型，由储布架卷取，得到防静电阻燃尼龙帘子布。通过这样的方式，可以减少不良现象，同时保证最终产品的质量。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的流程图。
图2示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的子步骤S120的流程图。
图3示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的子步骤S120的架构示意图。
图4示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的子步骤S122的流程图。
图5示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的子步骤S1222的流程图。
图6示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的子步骤S123的流程图。
图7示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备系统的框图。
图8示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开提供了一种防静电阻燃尼龙帘子布的制备方法，图1示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的流程图。如图1所示，根据本公开实施例的防静电阻燃尼龙帘子布的制备方法，包括步骤：S110，将切片与石墨烯混合，双螺杆挤出、造粒，得到石墨烯复合母粒；S120，对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒；S130，对所述干燥后石墨烯复合母粒进行纺丝，然后缓冷成型，上油，拉伸和卷绕，得到石墨烯纳米复合纤维；S140，将所述石墨烯纳米复合纤维制成捻线丝，并进行捻织，制成石墨烯帘子布；以及，S150，将所述石墨烯帘子布浸入浸胶液中浸泡2-8小时，然后进行干燥、拉伸定型，由储布架卷取，得到防静电阻燃尼龙帘子布。
值得一提的是，双螺杆挤出是一种常用的塑料加工方法，用于将混合物或熔融物料通过挤压的方式形成所需的形状。在制备防静电阻燃尼龙帘子布的过程中，双螺杆挤出用于将切片与石墨烯混合后进行挤出造粒，得到石墨烯复合母粒。双螺杆挤出机由两个相互螺旋的螺杆组成，它们旋转并推动物料向前移动。物料在挤出机的进料区域被加入，然后通过螺杆的旋转，在螺杆槽内受到剪切和加热，使其熔化和混合。在挤出机的出料端，通过模具或挤出头的形状，将熔融物料挤出成所需的形状，例如颗粒、片材、管材等。在制备防静电阻燃尼龙帘子布的过程中，双螺杆挤出用于将切片与石墨烯混合后进行挤出造粒，将石墨烯分散均匀地混合到塑料基体中，形成石墨烯复合母粒，为后续纺丝和制备石墨烯纳米复合纤维提供原料。
值得一提的是，捻织是一种纺织工艺，用于制造纺织品，特别是线、绳和织物，它是通过将两个或多个纱线或纤维以相对的旋转方向交织在一起来形成捻线或捻织物。在捻织过程中，纱线或纤维通过旋转的方式相互缠绕在一起，以增加其强度和稳定性。捻织通常使用捻线机或捻织机进行操作。捻织可以分为两种类型：单向捻织和双向捻织。在单向捻织中，纱线或纤维以一个方向进行旋转，形成捻线或捻织物。而在双向捻织中，两个或多个纱线或纤维以相对的旋转方向进行交织，形成捻线或捻织物。捻织可以用于制造各种纺织品，如绳索、绳网、织物和线，它可以改变纱线或纤维的结构和性能，如强度、弹性、柔软度和耐磨性。捻织还可以改变纺织品的外观和手感，使其更具有纹理和立体感。换言之，捻织是一种通过将纱线或纤维以相对的旋转方式交织在一起的工艺，用于制造各种纺织品。
值得一提的是，浸胶液是一种含有胶粘剂或树脂的液体，常用于纺织、印刷、涂覆等工艺中，它的主要作用是在某些材料表面形成一层胶粘剂或树脂薄膜，以增加材料的黏附性、耐磨性、防水性或其他特定性能。浸胶液通常由胶粘剂、树脂、溶剂和其他添加剂组成。胶粘剂或树脂可以是天然胶、合成胶、丙烯酸胶等，具体选择取决于所需的性能和应用领域。溶剂用于将胶粘剂或树脂溶解成液体形式，便于涂覆或浸渍材料。其他添加剂如稀释剂、增稠剂、防腐剂等可以根据需要添加以调整液体的黏度、干燥速度和保质期等。浸胶液的主要用途包括：将纺织品浸泡在浸胶液中，使其吸收胶粘剂或树脂，增加纺织品的强度、耐磨性、防水性等性能；通过刷涂、滚涂或喷涂等方式，将浸胶液涂覆在材料表面，形成一层胶粘剂或树脂薄膜，提供保护或改善表面性能。
在S120步骤中进行干燥处理的目的是去除石墨烯复合母粒中的水分，以确保纺丝过程中不会发生不良现象，同时保证最终产品的质量。具体来说，在纺丝过程中，如果石墨烯复合母粒含有较高水分，纺丝时可能会发生气泡、孔洞、断裂等问题，影响纤维的形成和质量。此外，石墨烯复合母粒中的含水量超过预定要求，还可能对石墨烯复合母粒的流动性和挤出性能产生负面影响。因此，通常需要对干燥处理进行控制。目前，较为常见的方式是人工对干燥处理进行控制，也就是，由技术人员来主观地判断何时停止干燥。但这会导致控制结果不一致。由此，期待一种优化的方案。
对此，本公开的技术构思为：通过采集和分析实时的表面状态图像，智能化地判断何时停止干燥，以提高生产效率和产品质量的一致性。具体来说，在干燥过程中，水分的蒸发会导致石墨烯复合母粒的表面状态发生变化，例如出现颜色变化等。通过采集并分析石墨烯复合母粒的表面状态图像，可以从中捕捉关于其含水量和干燥程度的特征信息。
基于此，图2示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的子步骤S120的流程图。图3示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的子步骤S120的架构示意图。如图2和图3所示，根据本公开实施例的防静电阻燃尼龙帘子布的制备方法，对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒，包括步骤：S121，获取由摄像头采集的所述石墨烯复合母粒的表面状态图像；S122，对所述表面状态图像进行图像特征提取以得到多尺度融合石墨烯复合母粒表面状态特征图；以及，S123，基于所述多尺度融合石墨烯复合母粒表面状态特征图，确定是否停止干燥。
相应地，在本公开的技术方案中，首先，获取由摄像头采集的所述石墨烯复合母粒的表面状态图像。接着，提取所述表面状态图像的邻域状态特征以得到石墨烯复合母粒表面状态特征图。也就是，捕捉所述表面状态图像所蕴含的石墨烯复合母粒表面状态特征分布。
在本公开的一个具体示例中，提取所述表面状态图像的邻域状态特征以得到石墨烯复合母粒表面状态特征图的编码过程，包括：将所述表面状态图像通过基于卷积神经网络模型的表面状态特征提取器以得到石墨烯复合母粒表面状态特征图。
然而，由于所述表面状态特征提取器通过堆叠卷积与池化操作对所述表面状态图像提取特征，图像分辨率不断下降,会出现位置信息的损失。也就是，池化操作会减小特征图的空间维度，从而导致原始像素的位置信息无法被精确保留。因此，在本公开的技术方案中，对所述石墨烯复合母粒表面状态特征图进行位置信息增益以得到所述多尺度融合石墨烯复合母粒表面状态特征图。
在本公开的一个具体示例中，对所述石墨烯复合母粒表面状态特征图进行位置信息增益以得到所述多尺度融合石墨烯复合母粒表面状态特征图的编码过程，包括：先将所述石墨烯复合母粒表面状态特征图通过包含多个反卷积层的上采样模块以得到分辨率重构石墨烯复合母粒表面状态特征图；随后，将所述石墨烯复合母粒表面状态特征图与所述分辨率重构石墨烯复合母粒表面状态特征图通过跳跃连接层进行融合以得到多尺度融合石墨烯复合母粒表面状态特征图。
相应地，如图4所示，对所述表面状态图像进行图像特征提取以得到多尺度融合石墨烯复合母粒表面状态特征图，包括：S1221，提取所述表面状态图像的邻域状态特征以得到石墨烯复合母粒表面状态特征图；以及，S1222，对所述石墨烯复合母粒表面状态特征图进行位置信息增益以得到所述多尺度融合石墨烯复合母粒表面状态特征图。应可以理解，在步骤S1221中，提取表面状态图像的邻域状态特征以得到石墨烯复合母粒表面状态特征图，首先需要对表面状态图像进行特征提取，特征提取是从原始图像中提取出具有代表性的信息的过程。对于表面状态图像，可能包含了纹理、形状、颜色等特征。通过提取这些特征，可以获取表面状态的相关信息，然后，针对石墨烯复合母粒的特定需求，选择合适的邻域状态特征进行提取。邻域状态特征是指图像中某一像素点周围的像素值或像素分布等信息，通过提取邻域状态特征，可以更好地描述石墨烯复合母粒表面的状态特征。在步骤S1222中，对石墨烯复合母粒表面状态特征图进行位置信息增益以得到多尺度融合石墨烯复合母粒表面状态特征图。在这一步骤中，针对石墨烯复合母粒表面状态特征图，需要增加位置信息的影响，以得到更全面和准确的特征图。位置信息增益是指在特征图中引入位置信息，使得特征图中的每个特征值与其所在位置相关联。这可以通过考虑像素的位置坐标或者使用具有空间关系的滤波器进行实现。通过增加位置信息的影响，可以更好地捕捉到不同尺度上的特征，并提高石墨烯复合母粒表面状态特征图的综合表达能力。综合来说，S1221步骤是提取表面状态图像的邻域状态特征，以获取石墨烯复合母粒表面状态的相关信息；而S1222步骤是对石墨烯复合母粒表面状态特征图进行位置信息增益，以获得多尺度融合的表面状态特征图。这两个步骤的目的是通过图像特征提取和位置信息增益，更全面地描述石墨烯复合母粒的表面状态特征。
更具体地，在步骤S1221中，提取所述表面状态图像的邻域状态特征以得到石墨烯复合母粒表面状态特征图，包括：将所述表面状态图像通过基于卷积神经网络模型的表面状态特征提取器以得到所述石墨烯复合母粒表面状态特征图。值得一提的是，卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习模型，主要用于图像识别和图像处理任务。卷积神经网络模型通过多层卷积和池化层来提取图像的特征，并通过全连接层进行分类或回归等任务。其主要特点是局部感知野、权值共享和层次化结构。通过卷积操作，卷积神经网络可以自动学习到图像中的局部特征，例如边缘、纹理等。池化层可以对特征图进行降采样，减少参数数量，同时保留重要的特征。在石墨烯复合母粒表面状态特征提取中，使用基于卷积神经网络的表面状态特征提取器可以有效地提取表面状态图像的邻域状态特征。通过训练一个适应于石墨烯复合母粒表面状态的卷积神经网络模型，该模型可以学习到石墨烯复合母粒表面的特征表示。通过将表面状态图像输入到该模型中，可以得到石墨烯复合母粒表面状态特征图，其中包含了经过卷积神经网络提取的具有代表性的特征。卷积神经网络模型在图像特征提取方面具有很强的表达能力和适应性，可以自动学习到图像中的抽象特征。因此，在石墨烯复合母粒表面状态特征提取中，使用卷积神经网络模型可以提高特征提取的准确性和效果，从而更好地描述石墨烯复合母粒表面的状态特征。
更具体地，在步骤S1221中，如图5所示，对所述石墨烯复合母粒表面状态特征图进行位置信息增益以得到所述多尺度融合石墨烯复合母粒表面状态特征图，包括：S12221，将所述石墨烯复合母粒表面状态特征图通过包含多个反卷积层的上采样模块以得到分辨率重构石墨烯复合母粒表面状态特征图；以及，S12222，将所述石墨烯复合母粒表面状态特征图与所述分辨率重构石墨烯复合母粒表面状态特征图通过跳跃连接层进行融合以得到所述多尺度融合石墨烯复合母粒表面状态特征图。
值得一提的是，反卷积层(Deconvolutional Layer)是卷积神经网络中的一种操作，也称为转置卷积层(Transpose Convolutional Layer)或上采样层(UpsamplingLayer)。它的主要作用是将特征图的尺寸进行扩大，从而实现分辨率的重构。在石墨烯复合母粒表面状态特征图的位置信息增益中，反卷积层被用于实现分辨率重构石墨烯复合母粒表面状态特征图。具体而言，包含多个反卷积层的上采样模块(S12221)将石墨烯复合母粒表面状态特征图进行上采样操作，使得特征图的尺寸扩大，从而增加了图像的细节和空间信息。反卷积层通过使用转置卷积操作，将每个输入像素周围的值进行插值和填充，从而实现尺寸的扩大。通过反卷积操作，特征图的分辨率得到提高，细节信息得到恢复，有助于更好地捕捉石墨烯复合母粒表面的状态特征。反卷积层通常与跳跃连接层一起使用，通过跳跃连接层将石墨烯复合母粒表面状态特征图与分辨率重构石墨烯复合母粒表面状态特征图进行融合。这样可以在保留高层抽象特征的同时，融合了更多的低层细节信息，生成多尺度融合的石墨烯复合母粒表面状态特征图。换言之，反卷积层通过上采样操作实现特征图的分辨率重构，从而提高了图像的细节和空间信息。在石墨烯复合母粒表面状态特征图的位置信息增益中，反卷积层用于生成分辨率重构的特征图，为后续的多尺度融合提供更全面的特征表示。
值得一提的是，跳跃连接层(Skip Connection Layer)是卷积神经网络中的一种连接方式，用于在网络的不同层之间建立直接的连接，它的主要目的是解决深层网络中的梯度消失问题，并促进信息的流动。在石墨烯复合母粒表面状态特征图的位置信息增益中，跳跃连接层被用于将石墨烯复合母粒表面状态特征图与分辨率重构石墨烯复合母粒表面状态特征图进行融合。具体而言，跳跃连接层通过将低层特征与高层特征进行连接，将底层和高层的信息进行融合，以提高网络的表达能力和特征的丰富性。跳跃连接层可以帮助网络更好地传递梯度信息，使得底层的细节特征能够直接传递到高层，从而避免了梯度在深层网络中逐渐消失的问题。同时，跳跃连接层还可以增加网络的非线性表达能力，使得网络可以更好地适应不同尺度和复杂度的特征。通过跳跃连接层的融合操作，可以得到多尺度融合石墨烯复合母粒表面状态特征图，其中包含了来自不同层级的特征信息，有助于更全面地描述石墨烯复合母粒表面的状态特征。
进一步地，将所述多层级融合石墨烯复合母粒表面状态特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止干燥。
相应地，如图6所示，基于所述多尺度融合石墨烯复合母粒表面状态特征图，确定是否停止干燥，包括：S1231，对所述多尺度融合石墨烯复合母粒表面状态特征图进行特征分布优化以得到优化多尺度融合石墨烯复合母粒表面状态特征图；以及，S1232，将所述优化多层级融合石墨烯复合母粒表面状态特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止干燥。
在本公开的技术方案中，在将所述石墨烯复合母粒表面状态特征图与所述分辨率重构石墨烯复合母粒表面状态特征图通过跳跃连接层进行融合以得到多尺度融合石墨烯复合母粒表面状态特征图时，考虑到所述表面状态图像通过基于卷积神经网络模型的表面状态特征提取器提取的所述表面状态图像的图像语义特征在分类规则下的重要性，因此期望所述多尺度融合石墨烯复合母粒表面状态特征图能够在基于分类规则的特征表示方面尽量与所述石墨烯复合母粒表面状态特征图保持一致。
因此，本公开的申请人对所述石墨烯复合母粒表面状态特征图，例如记为F1，和所述多尺度融合石墨烯复合母粒表面状态特征图，例如记为F2进行平滑响应参数化解耦融合，来获得优化后的多尺度融合石墨烯复合母粒表面状态特征图，例如记为F2′。
相应地，在一个具体示例中，对所述多尺度融合石墨烯复合母粒表面状态特征图进行特征分布优化以得到优化多尺度融合石墨烯复合母粒表面状态特征图，包括：以如下优化公式对所述石墨烯复合母粒表面状态特征图和所述多尺度融合石墨烯复合母粒表面状态特征图进行平滑响应参数化解耦融合以得到所述优化多尺度融合石墨烯复合母粒表面状态特征图；其中，所述优化公式为：
其中，F1表示所述石墨烯复合母粒表面状态特征图，F2表示所述多尺度融合石墨烯复合母粒表面状态特征图，cov(F1,F2)表示所述石墨烯复合母粒表面状态特征图F1和所述多尺度融合石墨烯复合母粒表面状态特征图F2之间的余弦距离，且log为以2为底的对数函数，exp(·)表示特征图的指数运算，所述特征图的指数运算表示以特征图中各个位置特征值为幂的自然指数函数值，表示按位置减法，/>表示按位置加法，⊙表示按位置点乘，F2′表示所述优化多尺度融合石墨烯复合母粒表面状态特征图。
这里，所述平滑响应参数化解耦融合通过使用平滑参数化函数的解耦原则，基于所述石墨烯复合母粒表面状态特征图F1和所述多尺度融合石墨烯复合母粒表面状态特征图F2之间的余弦距离的非负对称性来编译所述石墨烯复合母粒表面状态特征图F1和所述多尺度融合石墨烯复合母粒表面状态特征图F2的特征之间的逐点嵌入，从而以特征之间的空间变换(transformation)来推断所述石墨烯复合母粒表面状态特征图F1和所述多尺度融合石墨烯复合母粒表面状态特征图F2之间的信息分布转移(information distributionshift)，从而表达特征之间的平滑响应在分类规则下的信息结构化融合，从而提升优化后的多尺度融合石墨烯复合母粒表面状态特征图F2′在基于分类规则的特征表示方面与所述石墨烯复合母粒表面状态特征图F1的一致性，以提升所述优化后的多尺度融合石墨烯复合母粒表面状态特征图通过分类器得到的分类结果的准确性。
进一步地，在步骤S1232中，将所述优化多层级融合石墨烯复合母粒表面状态特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止干燥，包括：将所述优化多层级融合石墨烯复合母粒表面状态特征图按照行向量或者列向量展开为优化分类特征向量；使用所述分类器的全连接层对所述优化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输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括停止干燥(第一标签)，以及，不停止干燥(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化多层级融合石墨烯复合母粒表面状态特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否停止干燥”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否停止干燥的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否停止干燥”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接编码(Fully Connected Encoding)是指在卷积神经网络中，将输入数据通过全连接层进行编码的过程。全连接层是一种神经网络层，其中每个神经元与上一层的所有神经元相连接。在分类任务中，全连接层通常用于将高维特征映射到分类结果的空间。在优化多层级融合石墨烯复合母粒表面状态特征图的分类过程中，全连接编码被用于对优化分类特征向量进行编码，以得到编码分类特征向量。具体而言，优化多层级融合石墨烯复合母粒表面状态特征图首先按照行向量或列向量展开为优化分类特征向量。然后，通过全连接层对这个优化分类特征向量进行编码，将其映射到具有更高维度的特征空间。全连接层的每个神经元都与前一层的所有神经元相连接，这意味着它可以捕捉到输入特征中的更多信息。通过全连接编码，网络可以学习到更复杂的特征表示，从而提高分类器对输入数据的表达能力。最后，将编码分类特征向量输入分类器的Softmax分类函数，可以得到分类结果。Softmax函数将编码分类特征向量映射到一个概率分布上，表示不同类别的概率。通过比较各类别的概率，可以确定石墨烯复合母粒表面状态是否应该停止干燥。
即，全连接编码通过全连接层将优化分类特征向量映射到高维特征空间，提高了网络对输入数据的表达能力。这样，分类器可以利用编码分类特征向量进行分类，并通过Softmax函数得到分类结果，用于表示是否停止干燥。
综上，基于本公开实施例的防静电阻燃尼龙帘子布的制备方法，其可以智能化地判断何时停止干燥，以提高生产效率和产品质量的一致性。
进一步地，在本公开的实施例中，还提供一种防静电阻燃尼龙帘子布，其中，所述防静电阻燃尼龙帘子布由如前述任一所述的防静电阻燃尼龙帘子布的制备方法制得。
图7示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备系统100的框图。如图7所示，根据本公开实施例的防静电阻燃尼龙帘子布的制备系统100，包括：混合造粒模块110，用于将切片与石墨烯混合，双螺杆挤出、造粒，得到石墨烯复合母粒；干燥处理模块120，用于对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒；纤维化模块130，用于对所述干燥后石墨烯复合母粒进行纺丝，然后缓冷成型，上油，拉伸和卷绕，得到石墨烯纳米复合纤维；捻织模块140，用于将所述石墨烯纳米复合纤维制成捻线丝，并进行捻织，制成石墨烯帘子布；以及，成型模块150，用于将所述石墨烯帘子布浸入浸胶液中浸泡2-8小时，然后进行干燥、拉伸定型，由储布架卷取，得到防静电阻燃尼龙帘子布。
在一种可能的实现方式中，所述干燥处理模块120，包括：图像获取单元，用于获取由摄像头采集的所述石墨烯复合母粒的表面状态图像；图像特征提取单元，用于对所述表面状态图像进行图像特征提取以得到多尺度融合石墨烯复合母粒表面状态特征图；以及，干燥控制单元，用于基于所述多尺度融合石墨烯复合母粒表面状态特征图，确定是否停止干燥。
这里，本领域技术人员可以理解，上述防静电阻燃尼龙帘子布的制备系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的防静电阻燃尼龙帘子布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。
如上所述，根据本公开实施例的防静电阻燃尼龙帘子布的制备系统100可以实现在各种无线终端中，例如具有防静电阻燃尼龙帘子布的制备算法的服务器等。在一种可能的实现方式中，根据本公开实施例的防静电阻燃尼龙帘子布的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该防静电阻燃尼龙帘子布的制备系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该防静电阻燃尼龙帘子布的制备系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该防静电阻燃尼龙帘子布的制备系统100与该无线终端也可以是分立的设备，并且该防静电阻燃尼龙帘子布的制备系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图8示出根据本公开的实施例的防静电阻燃尼龙帘子布的制备方法的应用场景图。如图8所示，在该应用场景中，首先，获取由摄像头采集的所述石墨烯复合母粒的表面状态图像(例如，图8中所示意的D)，然后，将所述表面状态图像输入至部署有防静电阻燃尼龙帘子布的制备算法的服务器中(例如，图8中所示意的S)，其中，所述服务器能够使用所述防静电阻燃尼龙帘子布的制备算法对所述表面状态图像进行处理以得到用于表示是否停止干燥的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种防静电阻燃尼龙帘子布的制备方法，其特征在于，包括：
将切片与石墨烯混合，双螺杆挤出、造粒，得到石墨烯复合母粒；
对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒；
对所述干燥后石墨烯复合母粒进行纺丝，然后缓冷成型，上油，拉伸和卷绕，得到石墨烯纳米复合纤维；
将所述石墨烯纳米复合纤维制成捻线丝，并进行捻织，制成石墨烯帘子布；以及
将所述石墨烯帘子布浸入浸胶液中浸泡2-8小时，然后进行干燥、拉伸定型，由储布架卷取，得到防静电阻燃尼龙帘子布。
2.根据权利要求1所述的防静电阻燃尼龙帘子布的制备方法，其特征在于，对所述石墨烯复合母粒进行干燥处理以得到干燥后石墨烯复合母粒，包括：
获取由摄像头采集的所述石墨烯复合母粒的表面状态图像；
对所述表面状态图像进行图像特征提取以得到多尺度融合石墨烯复合母粒表面状态特征图；以及
基于所述多尺度融合石墨烯复合母粒表面状态特征图，确定是否停止干燥。
3.根据权利要求2所述的防静电阻燃尼龙帘子布的制备方法，其特征在于，对所述表面状态图像进行图像特征提取以得到多尺度融合石墨烯复合母粒表面状态特征图，包括：
提取所述表面状态图像的邻域状态特征以得到石墨烯复合母粒表面状态特征图；以及
对所述石墨烯复合母粒表面状态特征图进行位置信息增益以得到所述多尺度融合石墨烯复合母粒表面状态特征图。
4.根据权利要求3所述的防静电阻燃尼龙帘子布的制备方法，其特征在于，提取所述表面状态图像的邻域状态特征以得到石墨烯复合母粒表面状态特征图，包括：
将所述表面状态图像通过基于卷积神经网络模型的表面状态特征提取器以得到所述石墨烯复合母粒表面状态特征图。
5.根据权利要求4所述的防静电阻燃尼龙帘子布的制备方法，其特征在于，对所述石墨烯复合母粒表面状态特征图进行位置信息增益以得到所述多尺度融合石墨烯复合母粒表面状态特征图，包括：
将所述石墨烯复合母粒表面状态特征图通过包含多个反卷积层的上采样模块以得到分辨率重构石墨烯复合母粒表面状态特征图；以及
将所述石墨烯复合母粒表面状态特征图与所述分辨率重构石墨烯复合母粒表面状态特征图通过跳跃连接层进行融合以得到所述多尺度融合石墨烯复合母粒表面状态特征图。
6.根据权利要求5所述的防静电阻燃尼龙帘子布的制备方法，其特征在于，基于所述多尺度融合石墨烯复合母粒表面状态特征图，确定是否停止干燥，包括：
对所述多尺度融合石墨烯复合母粒表面状态特征图进行特征分布优化以得到优化多尺度融合石墨烯复合母粒表面状态特征图；以及
将所述优化多层级融合石墨烯复合母粒表面状态特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止干燥。
7.根据权利要求6所述的防静电阻燃尼龙帘子布的制备方法，其特征在于，对所述多尺度融合石墨烯复合母粒表面状态特征图进行特征分布优化以得到优化多尺度融合石墨烯复合母粒表面状态特征图，包括：
以如下优化公式对所述石墨烯复合母粒表面状态特征图和所述多尺度融合石墨烯复合母粒表面状态特征图进行平滑响应参数化解耦融合以得到所述优化多尺度融合石墨烯复合母粒表面状态特征图；
其中，所述优化公式为：
其中，F1表示所述石墨烯复合母粒表面状态特征图，F2表示所述多尺度融合石墨烯复合母粒表面状态特征图，cov(F1,F2)表示所述石墨烯复合母粒表面状态特征图F1和所述多尺度融合石墨烯复合母粒表面状态特征图F2之间的余弦距离，且log为以2为底的对数函数，exp(·)表示特征图的指数运算，所述特征图的指数运算表示以特征图中各个位置特征值为幂的自然指数函数值，表示按位置减法，/>表示按位置加法，⊙表示按位置点乘，F2′表示所述优化多尺度融合石墨烯复合母粒表面状态特征图。
8.一种防静电阻燃尼龙帘子布，其特征在于，所述防静电阻燃尼龙帘子布由如权利要求1-7任一所述的防静电阻燃尼龙帘子布的制备方法制得。
CN202310958011.XA 2023-08-01 2023-08-01 一种防静电阻燃尼龙帘子布及其制备方法 Active CN116988309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310958011.XA CN116988309B (zh) 2023-08-01 2023-08-01 一种防静电阻燃尼龙帘子布及其制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310958011.XA CN116988309B (zh) 2023-08-01 2023-08-01 一种防静电阻燃尼龙帘子布及其制备方法

Publications (2)

Publication Number Publication Date
CN116988309A true CN116988309A (zh) 2023-11-03
CN116988309B CN116988309B (zh) 2024-03-05

Family

ID=88522766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310958011.XA Active CN116988309B (zh) 2023-08-01 2023-08-01 一种防静电阻燃尼龙帘子布及其制备方法

Country Status (1)

Country Link
CN (1) CN116988309B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107151919A (zh) * 2017-06-19 2017-09-12 南通强生石墨烯科技有限公司 石墨烯阻燃帘子布及其制备方法
CN111079784A (zh) * 2019-11-11 2020-04-28 河南农业大学 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法
CN111122635A (zh) * 2019-12-10 2020-05-08 北京农业智能装备技术研究中心 一种食用菌干燥状态在线评估方法及系统
CN113283447A (zh) * 2021-05-28 2021-08-20 青岛海尔科技有限公司 食物烘焙方法及装置、存储介质及电子装置
CN115438577A (zh) * 2022-08-23 2022-12-06 浙江东成生物科技股份有限公司 酵母水解物智能化制备方法及其系统
CN115526839A (zh) * 2022-09-06 2022-12-27 浪潮工业互联网股份有限公司 一种基于神经网络的鲜花烘干控制方法、设备及介质
CN115527203A (zh) * 2022-10-21 2022-12-27 中粮工程装备无锡有限公司 一种基于物联网的谷物干燥远程控制方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107151919A (zh) * 2017-06-19 2017-09-12 南通强生石墨烯科技有限公司 石墨烯阻燃帘子布及其制备方法
CN111079784A (zh) * 2019-11-11 2020-04-28 河南农业大学 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法
CN111122635A (zh) * 2019-12-10 2020-05-08 北京农业智能装备技术研究中心 一种食用菌干燥状态在线评估方法及系统
CN113283447A (zh) * 2021-05-28 2021-08-20 青岛海尔科技有限公司 食物烘焙方法及装置、存储介质及电子装置
CN115438577A (zh) * 2022-08-23 2022-12-06 浙江东成生物科技股份有限公司 酵母水解物智能化制备方法及其系统
CN115526839A (zh) * 2022-09-06 2022-12-27 浪潮工业互联网股份有限公司 一种基于神经网络的鲜花烘干控制方法、设备及介质
CN115527203A (zh) * 2022-10-21 2022-12-27 中粮工程装备无锡有限公司 一种基于物联网的谷物干燥远程控制方法及系统

Also Published As

Publication number Publication date
CN116988309B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
Xiang et al. Fabric image retrieval system using hierarchical search based on deep convolutional neural network
DE102018111407A1 (de) Methode zum maschinellen lernen für automatisches modellieren von mehrwertigen ausgaben
Whitney et al. Understanding visual concepts with continuation learning
CN105220259B (zh) 一种聚合物纳米导电纤维及其制备方法
Deng et al. Brain tumor segmentation based on improved convolutional neural network in combination with non-quantifiable local texture feature
CN116988309B (zh) 一种防静电阻燃尼龙帘子布及其制备方法
CN109344898A (zh) 基于稀疏编码预训练的卷积神经网络图像分类方法
CN112598053A (zh) 基于半监督学习的主动显著性目标检测方法
CN110263865A (zh) 一种半监督多模态多类别的图像翻译方法
Li et al. Dual guided loss for ground-based cloud classification in weather station networks
WO2019233079A1 (zh) 标识编织
Cui et al. Compact feature representation for image classification using elms
CN110414626A (zh) 一种猪只品种识别方法、装置和计算机可读存储介质
CN110400370A (zh) 一种构建三维cad模型的语义级部件模板的方法
Elemmi et al. Defective and nondefective classif ication of fabric images using shallow and deep networks
Wu et al. Cotton-containing printing wires based on the two-dimensional braiding method for three-dimensional printing of clothing
Zhang et al. Knowledge distillation for unsupervised defect detection of yarn‐dyed fabric using the system DAERD: Dual attention embedded reconstruction distillation
KR102100953B1 (ko) 열가소성 프리프레그의 제조방법
Al Sasongko et al. Application of Gray Scale Matrix Technique for Identification of Lombok Songket Patterns Based on Backpropagation Learning
Palasek et al. Discriminative convolutional fisher vector network for action recognition
CN117021409B (zh) 一种增强尼龙复合材料及其制备方法
CN108776785A (zh) 一种基于多特征融合的羊毛羊绒识别方法
Xu et al. Deeply exploiting long-term view dependency for 3d shape recognition
CN116657348B (zh) 真丝前处理方法及其系统
Tyagi et al. Optimization of fuzzy c means clustering using genetic algorithm for an image

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