CN117309824A - 一种光触媒覆膜层检测系统及方法 - Google Patents
一种光触媒覆膜层检测系统及方法 Download PDFInfo
- Publication number
- CN117309824A CN117309824A CN202311485661.3A CN202311485661A CN117309824A CN 117309824 A CN117309824 A CN 117309824A CN 202311485661 A CN202311485661 A CN 202311485661A CN 117309824 A CN117309824 A CN 117309824A
- Authority
- CN
- China
- Prior art keywords
- unit
- coating layer
- layer
- data
- photocatalyst
- 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
- 239000011941 photocatalyst Substances 0.000 title claims abstract description 102
- 239000011247 coating layer Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000003860 storage Methods 0.000 claims abstract description 30
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000010365 information processing Effects 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 87
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 23
- 239000007888 film coating Substances 0.000 claims description 19
- 238000009501 film coating Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 17
- 235000018185 Betula X alpestris Nutrition 0.000 claims description 16
- 235000018212 Betula X uliginosa Nutrition 0.000 claims description 16
- 238000005299 abrasion Methods 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 239000011248 coating agent Substances 0.000 claims description 8
- 238000000576 coating method Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims description 5
- 230000001699 photocatalysis Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 239000000853 adhesive Substances 0.000 claims description 2
- 230000001070 adhesive effect Effects 0.000 claims description 2
- 238000007146 photocatalysis Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000035484 reaction time Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010061380 Therapeutic reaction time decreased Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000013033 photocatalytic degradation reaction Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000006557 surface reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 210000002489 tectorial membrane Anatomy 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- 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
- G01N21/59—Transmissivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
- G01B17/025—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness for measuring thickness of coating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/04—Measuring adhesive force between materials, e.g. of sealing tape, of coating
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Catalysts (AREA)
Abstract
本发明公开一种光触媒覆膜层检测系统及方法，本发明涉及光触媒监测领域，解决的是光触媒覆膜层检测的速度问题。所述系统包括采集模块、光照模块、存储模块、处理模块和显示模块，通过评估算法评价预测光触媒覆膜层的使用时间以及磨损程度，通过混合聚类算法将异常信息和正常信息分类，通过分布式并行加速模型处理信息数据以及信息处理报表在多终端进行交互式可视化展示，采用多种检测方式进行光触媒覆膜层检测，本发明降低了检测成本，减少了人力、物力和财力的消耗，提高了非破坏性检测方法的准确度，提升了光触媒覆膜层检测问题的实时性。
Description
技术领域
本发明涉及光触媒检测技术领域，具体是一种基于光触媒覆膜层检测系统及方法。
背景技术
光触媒技术是一种新型的空气净化技术，可通过向特殊材料表面施加光触媒达到对有害气体分解净化的作用。光触媒覆膜层是光触媒技术中的一种重要组成部分，常被广泛应用于建筑物内部、人员密集场所以及车辆等空气净化设备中。由于其表面秉承有光触媒，能够降解空气中的有害物质，有效清除空气中的污染物，因此应用场景非常广泛。
其中，光触媒覆膜层的检测和监管尤其重要。光触媒覆膜层表面的反应和光催化降解有害物质的效果和寿命与其质量、成分和制备方法等因素密切相关。合格的光触媒覆膜层可以有效减少空气污染物，保障人们的身体健康和舒适。相反，低质量、劣质的覆膜层不仅不能有效减少污染物，而且可能会被污染物所反作用，降低净化效果，甚至存在健康风险，造成巨大的财产损失和人身伤害。
在此背景下，光触媒覆膜层检测的主要弊端包括以下方面：
1.检测成本高昂，需要耗费大量人力、物力和财力。
2.非破坏性检测方法的准确度较低，需要通过连续性检测之后才能确定问题所在。
3.现有检测方法不能够实时监测和跟踪覆膜层的变化，难以及时发现问题和采取措施。
发明内容
针对上述技术的不足，本发明公开一种光触媒覆膜层检测系统及方法，通过评估算法评价预测光触媒覆膜层的使用时间以及磨损程度，通过混合聚类算法将异常信息和正常信息分类，通过分布式并行加速模型处理信息数据以及信息处理报表在多终端进行交互式可视化展示，采用多种检测方式进行光触媒覆膜层检测，本发明降低了检测成本，减少了人力、物力和财力的消耗，提高了非破坏性检测方法的准确度，提升了光触媒覆膜层检测问题的实时性。
为了实现上述技术效果，本发明采用技术方案：
一种光触媒覆膜层检测系统，包括采集模块、光照模块、存储模块、处理模块和显示模块；
光照模块为光学仪器提供补给光；
采集模块用于获取光触媒覆膜层的表面形态参数信息；
处理模块用于处理获取的光触媒覆膜层表面形态参数信息；所述处理模块包括分析单元、清洗单元、分类单元、去噪单元和排序单元；所述清洗单元采用插值算法对收集的表面形态参数信息进行查缺并对缺失的部分进行补充，所述去噪单元采用小波变换法去除表面形态参数信息异常部分，所述分类单元通过混合聚类算法将异常信息和正常信息分类，所述排序单元用于将数据按照时间顺序进行排序，所述分析单元通过评估算法评价预测光触媒覆膜层的使用时间以及磨损程度，所述清洗单元的输出端连接去噪单元的输入端，所述去噪单元的输出端连接分类单元的输入端，所述分类单元的输出端连接排序单元的输入端，所述排序单元的输出端连接分析单元的输入端；
存储模块用于储存处理后的光触媒覆膜层表面形态参数信息数据；
显示模块通过多终端展示光触媒覆膜层的表面形态以及检测报表；
所述光照模块的输出端连接采集模块的输入端，所述采集模块的输出端连接处理模块的输入端，所述处理模块的输出端连接存储模块的输入端，所述存储模块的输出端连接显示模块的输入端。
作为本发明进一步的实施例，所述采集模块包括光度单元、相位单元、厚度单元、粒度单元和粗糙度单元，所述光度单元用于用于检测光触媒覆膜层的光催化性能，所述相位单元用于检测涂层的厚度及涂层与基底的附着力，所述厚度单元用于测量光触媒薄膜的厚度，所述粒度单元用于获取光触媒中的微观颗粒的粒径、形状和分布信息，所述粗糙度单元用于检测涂层表面的粗糙度；所述表面形态参数信息包括粗糙度、厚度、颗粒直径、形状和分布，所述粗糙度标准范围为0.05-1.6，所述厚度的标准范围为15-21mm，所述颗粒直径的标准范围为1-100nm。
作为本发明的进一步实施例所述显示模块包括远程交互单元和无线传输单元，所述远程交互单元用于远程查看和调整光触媒覆膜层的表面形态，所述无线传输单元用于与多终端进行无线通信并共享信息处理报表和检测日志。
作为本发明进一步的实施例，所述混合聚类算法的工作方法为：首先通过Birch算法将数据进行初步聚类，得到较大的聚类簇，然后使用谱聚类算法对每一个聚类簇进行二次聚类，将簇内的数据进行更加细致的划分，接着使用层次聚类算法对小簇进行聚类，最后合并所有聚类结果，以得到最终的聚类结果。
在本申请中，对于初步聚类阶段，Birch算法根据数据密度进行聚类，在初步聚类过程中，采用阈值参数threshold控制每个叶子节点上最多容纳的样本数量；采用branching factor参数B控制每个内部节点最多有多少个子节点等。
对于二次聚类阶段，将初步聚类得到的聚类簇进一步细分为若干个小簇。在二次聚类过程中，采用高斯核函数计算聚类簇相似度；采用LLE局部嵌入方法进行降维；并根据数据集大小和密度分布因素选择K值。
具体地，通过采用PSCAD4.2.1/EMTDC仿真软件进行初步聚类和二次聚类阶段实验，发现采用随机1000个样本进行聚类时，初步聚类获得的聚类簇大小一直大于样本的10％视为较大，因此Birch算法将数据进行初步聚类得到较大的聚类簇；二次聚类获得的聚类簇大小一直小于样本的0.10％视为小，因此使用谱聚类算法对每一个聚类簇进行二次聚类得到小簇。
对于最后一个阶段，层次聚类算法可以将小簇进一步合并为更大的簇。该算法需要选择合适的距离度量方法、合并策略等参数来进行调参。
因此，在实际应用中，我们需要根据具体数据集和任务需求，不断尝试不同的参数设置，并通过评价指标(如轮廓系数、互信息等)来评估聚类效果，从而找到最佳的聚类结果。
作为本发明进一步的实施例，所述存储模块由多个存储元构成，所述存储模块包括图像数据单元、文本数据单元和电子表格数据单元。
作为本发明进一步的实施例，所述评估算法根据光触媒覆膜层表面形态参数信息的对比预测未来使用时间以及磨损变化程度，首先获取每个形态参数信息的平均得分，
式(1)中，M表示表面形态参数个数，n表示磨损类数目，R(Q,n)表示平均得分，G(m-1,n-d-1)表示累积得分，C(m,n)表示匹配得分，p(d,n)表示磨损因子；
惩罚因子的详细计算公式为：
式(2)中，Sn-d-1表示磨损类序列的前向索引；
匹配得分的详细计算公式为：
式(3)中，p(q|Sn,O)表示后验概率得分，α表示调节因子。
一种光触媒覆膜层检测方法，应用于所述的一种光触媒覆膜层检测系统，包括步骤：
步骤1、准备待检测的光触媒覆膜层样品并搭建测试环境；
通过光照模块搭建待检测的光触媒覆膜层样品所需的测试环境；
步骤2、检测光触媒覆膜层表面形态参数信息数据；
通过采集模块的各个单元获取光触媒覆膜层的粗糙度、厚度、颗粒直径、形状和分布；
步骤3、处理分析获取的光触媒覆膜层表面形态参数信息数据；
通过处理模块将获取的参数形态数据进行清洗、去噪、分类和排序并分析光触媒覆膜层的优劣率；
步骤4、将处理分析完成的表面形态参数信息数据进行储存；
通过存储模块将表面形态参数信息数据按照数据基本结构进行存储；
步骤5、可视化存储模块内的表面形态参数信息数据；
通过显示模块采用分布式并行加速模型将存储模块内部的信息数据以及信息处理报表在多终端进行交互式可视化展示；所述分布式并行加速模型包括分割层、分配层、处理层和整合层，所述分割层用于分割大型数据集，所述分配层根据各个计算节点的状态分配不同的计算任务，所述处理层利用各计算节点的算力处理分配的计算任务，所述整合层用于整理各计算节点的计算结果，所述分割层的输出端连接分配层的输入端，所述分配层的输出端连接处理层的输入端，所述处理层的输出端连接整合层的输入端。
作为本发明进一步的实施例，所述分布式并行加速模型的工作方法为：首先通过分割层采用混合分割算法将原始数据划分为多个子数据集以便在不同的计算节点上进行处理，然后通过分配层将计算任务分配给不同的计算节点以便并行计算，接着各个节点在处理层利用本地化计算能力将分配的数据子集进行处理和计算，最后各个计算节点通过整合层将计算结果传回主节点，并在主节点上对结果进行整合和合并以得到最终结果。
作为本发明进一步的实施例，所述混合分割算法的工作方法为：首先利用LSH分割算法将原始数据集分割成若干个子集，每个子集包含若干个数据点，然后对每个子集使用PageRank分割算法，将子集中的数据点进一步分割成若干个密度相连的区域，最后对所有子集中的区域进行聚类，得到最终的聚类结果。
与现有技术相比，本发明有益的积极效果是：
本发明通过评估算法评价预测光触媒覆膜层的使用时间以及磨损程度，通过混合聚类算法将异常信息和正常信息分类，通过分布式并行加速模型处理信息数据以及信息处理报表在多终端进行交互式可视化展示，采用多种检测方式进行光触媒覆膜层检测，本发明降低了检测成本，减少了人力、物力和财力的消耗，提高了非破坏性检测方法的准确度，提升了光触媒覆膜层检测问题的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术者员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，
图1为本发明总体架构示意图；
图2为处理模块结构图；
图3为采集模块结构图；
图4为分布式并行加速模型结构图；
图5为本发明采用的方法步骤示意图。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1-图4所示，一种光触媒覆膜层检测系统，包括采集模块、光照模块、存储模块、处理模块和显示模块；
光照模块为光学仪器提供补给光；
采集模块用于获取光触媒覆膜层的表面形态参数信息；
处理模块用于处理获取的光触媒覆膜层表面形态参数信息；所述处理模块包括分析单元、清洗单元、分类单元、去噪单元和排序单元；所述清洗单元用于对收集的表面形态参数信息进行查缺并对缺失的部分进行补充，所述去噪单元采用小波变换法去除表面形态参数信息异常部分，所述分类单元通过混合聚类算法将异常信息和正常信息分类，所述排序单元用于将数据按照时间顺序进行排序，所述分析单元通过评估算法评价预测光触媒覆膜层的使用时间以及磨损程度，所述清洗单元的输出端连接去噪单元的输入端，所述去噪单元的输出端连接分类单元的输入端，所述分类单元的输出端连接排序单元的输入端，所述排序单元的输出端连接分析单元的输入端；
存储模块用于储存处理后的光触媒覆膜层表面形态参数信息数据；
显示模块通过多终端展示光触媒覆膜层的表面形态以及检测报表；
所述光照模块的输出端连接采集模块的输入端，所述采集模块的输出端连接处理模块的输入端，所述处理模块的输出端连接存储模块的输入端，所述存储模块的输出端连接显示模块的输入端。
进一步地，所述采集模块包括光度单元、相位单元、厚度单元、粒度单元和粗糙度单元，所述光度单元用于用于检测光触媒覆膜层的光催化性能，所述相位单元用于检测涂层的厚度及涂层与基底的附着力，所述厚度单元用于测量光触媒薄膜的厚度，所述粒度单元用于获取光触媒中的微观颗粒的粒径、形状和分布信息，所述粗糙度单元用于检测涂层表面的粗糙度；所述表面形态参数信息包括粗糙度、厚度、颗粒直径、形状和分布，所述粗糙度标准范围为0.05-1.6，所述厚度的标准范围为15-21mm，所述颗粒直径的标准范围为1-100nm。
所述采集模块的工作原理为：通过检测光触媒覆膜层的透过率，分析光触媒的催化活性能力。使用一个光源照射在光触媒覆膜层上，并测量透过光的光强度，来分析光触媒催化活性的强度。通过对光触媒覆膜层及其下面的基底进行超声检测，来测量涂层的厚度及其附着力。使用超声波，利用超声波的回声来检测不同材料之间的相对距离，然后计算出涂层的厚度和涂层与基底之间的附着力等信息。使用高精度的光学测量仪器测量光触媒覆膜层的厚度。使用激光束或者光学干涉仪等设备对涂层的厚度进行测量，精度较高。通过电子显微镜或者原子力显微镜来获取光触媒覆膜层中的微观颗粒的粒径、形状和分布信息。使用表面粗糙度测量仪器测量光触媒覆膜层表面的粗糙度，来反映覆膜层的表面质量和涂层的均匀性。
进一步地，所述显示模块包括远程交互单元和无线传输单元，所述远程交互单元用于远程查看和调整光触媒覆膜层的表面形态，所述无线传输单元用于与多终端进行无线通信并共享信息处理报表和检测日志。
实施例1
进一步地，所述混合聚类算法的工作方法为：首先通过Birch算法将数据进行初步聚类，得到较大的聚类簇，然后使用谱聚类算法对每一个聚类簇进行二次聚类，将簇内的数据进行更加细致的划分，接着使用层次聚类算法对小簇进行聚类，最后合并所有聚类结果，以得到最终的聚类结果，
所述混合聚类算法的工作原理为：首先对原始数据进行预处理，包括特征提取和标准化等。利用Birch算法来进行数据点的压缩和聚类，获得初步聚类结果。计算数据点之间的相似度矩阵，然后运用谱聚类算法来进行聚类，得到聚类簇的划分结果。使用层次聚类算法来划分不能明确划分的聚类簇，以获得更加准确的聚类结果。最终将不同聚类算法得到的聚类簇结果进行融合，以获得最终的聚类簇划分结果。
在实际应用中，选择合适的簇大小对于聚类结果的准确性和有效性至关重要。较小的簇可能难以捕捉到数据的潜在结构，而较大的簇可能导致噪声和冗余。因此，通常需要在聚类过程中选择一个合适的簇大小，以平衡簇的规模和聚类性能。这可以通过调整聚类算法中的参数来实现。
Birch算法是一种基于层次聚类的聚类分析方法。在Birch算法中，较大的聚类簇通常是指具有较高相似性的数据点集合。这些簇可能包含较多的数据点，并且这些数据点之间具有较高的相似性，因此它们被划分到同一个簇中。
在Birch算法中，簇的大小是由聚类特征树(Cluster Feature Tree，简称CF-Tree)来表示的。CF-Tree是一种基于树结构的数据结构，用于存储和管理聚类信息。在CF-Tree中，每个节点表示一个簇，节点的大小表示簇中数据点的数量。较大的聚类簇在CF-Tree中具有较高的深度，表示它们包含更多的数据点。
Birch算法在聚类过程中主要关注于降低噪声和冗余，提高聚类的有效性。较大的聚类簇可以帮助算法更好地捕捉数据的潜在结构和模式，提高聚类的准确性。然而，较大的簇可能导致计算复杂度的增加，因此在实际应用中需要权衡簇的大小和聚类性能。
实施例2
进一步地，所述混合聚类算法的工作方法为：首先通过Birch算法将数据进行初步聚类，得到较大的聚类簇，然后使用谱聚类算法对每一个聚类簇进行二次聚类，将簇内的数据进行更加细致的划分，接着使用层次聚类算法对小簇进行聚类，最后合并所有聚类结果，以得到最终的聚类结果，
所述混合聚类算法的工作原理为：首先对原始数据进行预处理，包括特征提取和标准化等。利用Birch算法来进行数据点的压缩和聚类，获得初步聚类结果。计算数据点之间的相似度矩阵，然后运用谱聚类算法来进行聚类，得到聚类簇的划分结果。使用层次聚类算法来划分不能明确划分的聚类簇，以获得更加准确的聚类结果。最终将不同聚类算法得到的聚类簇结果进行融合，以获得最终的聚类簇划分结果。
在实际应用中，选择合适的簇大小对于聚类结果的准确性和有效性至关重要。较小的簇可能难以捕捉到数据的潜在结构，而较大的簇可能导致噪声和冗余。因此，通常需要在聚类过程中选择一个合适的簇大小，以平衡簇的规模和聚类性能。这可以通过调整聚类算法中的参数来实现。
Birch算法是一种基于层次聚类的聚类分析方法。在Birch算法中，较小聚类簇通常是指具有较低相似性的数据点集合。这些簇可能包含较少的数据点，并且这些数据点之间具有较低的相似性，因此它们被划分到同一个簇中。
在Birch算法中，簇的大小是由聚类特征树(Cluster Feature Tree，简称CF-Tree)来表示的。CF-Tree是一种基于树结构的数据结构，用于存储和管理聚类信息。在CF-Tree中，每个节点表示一个簇，节点的大小表示簇中数据点的数量。较小的聚类簇在CF-Tree中具有较低的深度，表示它们包含更少的数据点。
Birch算法在聚类过程中主要关注于降低噪声和冗余，提高聚类的有效性。较小的聚类簇可以帮助算法更好地捕捉数据的潜在结构和模式，提高聚类的准确性。然而，较小的簇可能导致计算复杂度的增加，因此在实际应用中需要权衡簇的大小和聚类性能。
进一步地，所述存储模块由多个存储元构成，所述存储模块包括图像数据单元、文本数据单元和电子表格数据单元。
进一步地，所述评估算法根据光触媒覆膜层表面形态参数信息的对比预测未来使用时间以及磨损变化程度，首先获取每个形态参数信息的平均得分，
式(1)中，M表示表面形态参数个数，n表示磨损类数目，R(Q,n)表示平均得分，G(m-1,n-d-1)表示累积得分，C(m,n)表示匹配得分，p(d,n)表示磨损因子；
惩罚因子的详细计算公式为：
式(2)中，Sn-d-1表示磨损类序列的前向索引；
匹配得分的详细计算公式为：
式(3)中，p(q|Sn,O)表示后验概率得分，α表示调节因子，
所述评估算法的工作原理为：主要通过比较光触媒覆膜层表面形态参数信息的变化来预测未来的使用时间和磨损变化程度，能够有效的评估光触媒覆膜层的状态，提供科学依据给使用者，使得对光触媒的使用更加可控，延长其使用寿命并优化其工作效果，如表1所示。
表1光触媒覆膜层磨损预测表
根据表1中的数据可以看出，光度、相位和厚度等参数与磨损度呈负相关关系，而粒度和粗糙度等参数则与磨损度呈正相关关系。
具体地说，待测1的光度和相位都很高，厚度较大，粒度较小，粗糙度较高，但磨损度也很高，预测寿命为1446天，这可能是因为该样品已经处于比较严重的磨损状态，需要及时更换。待测2的光度和相位较低，厚度和粒度都较大，粗糙度也较高，且磨损度也比较高，预测寿命为649天，说明该样品已经有一定的磨损，但还可以继续使用一段时间。而待测3的光度和相位很低，厚度和粒度都很小，粗糙度也较小，但磨损度也很低，预测寿命却很长，达到了5348天，说明该样品处于比较好的状态，可以继续使用很长时间。
综上所述，通过对表中数据的分析，可以对光触媒覆膜层的磨损状态进行预测和评估，为保养和维护提供了科学依据。
如图5所示，一种光触媒覆膜层检测方法，应用于所述的一种光触媒覆膜层检测系统，包括步骤：
步骤1、准备待检测的光触媒覆膜层样品并搭建测试环境；
通过光照模块搭建待检测的光触媒覆膜层样品所需的测试环境；
步骤2、检测光触媒覆膜层表面形态参数信息数据；
通过采集模块的各个单元获取光触媒覆膜层的粗糙度、厚度、颗粒直径、形状和分布；
步骤3、处理分析获取的光触媒覆膜层表面形态参数信息数据；
通过处理模块将获取的参数形态数据进行清洗、去噪、分类和排序并分析光触媒覆膜层的优劣率；
步骤4、将处理分析完成的表面形态参数信息数据进行储存；
通过存储模块将表面形态参数信息数据按照数据基本结构进行存储；
步骤5、可视化存储模块内的表面形态参数信息数据；
通过显示模块采用分布式并行加速模型将存储模块内部的信息数据以及信息处理报表在多终端进行交互式可视化展示；所述分布式并行加速模型包括分割层、分配层、处理层和整合层，所述分割层用于分割大型数据集，所述分配层根据各个计算节点的状态分配不同的计算任务，所述处理层利用各计算节点的算力处理分配的计算任务，所述整合层用于整理各计算节点的计算结果，所述分割层的输出端连接分配层的输入端，所述分配层的输出端连接处理层的输入端，所述处理层的输出端连接整合层的输入端。
进一步地，所述分布式并行加速模型的工作方法为：首先通过分割层采用混合分割算法将原始数据划分为多个子数据集以便在不同的计算节点上进行处理，然后通过分配层将计算任务分配给不同的计算节点以便并行计算，接着各个节点在处理层利用本地化计算能力将分配的数据子集进行处理和计算，最后各个计算节点通过整合层将计算结果传回主节点，并在主节点上对结果进行整合和合并以得到最终结果。
所述分布式并行加速模型的工作原理为：分布式并行加速算法采用将数据和计算任务划分为多个子任务，并将子任务分配到多台计算机上的方式，实现并行处理和计算。在计算过程中，每台计算机利用本地化计算能力进行计算，然后将计算结果传回到主节点进行整合，得到最终结果，如表2所示。
表2加速对比表
| 类型 | 分辨率 | 灵敏度/ms | 反应时间/s |
| 未加速 | 1920*1080 | 1.4 | 3.5 |
| 加速 | 7680*4320 | 0.1 | 0.7 |
从表2中可以看出，经过加速处理后，分辨率从1920*1080提高至7680*4320，灵敏度也从1.4ms降低到0.1ms，反应时间也从3.5s降低到0.7s。说明加速后的处理效果更好，能够更准确地反映出被测试物体的状态变化。
具体来说，加速处理能够显著提高图像的分辨率，使得被测试物体的细节变得更加清晰，更容易被识别和分析。同时，加速处理还能够提高系统的灵敏度，从而可以更加精确地检测到被测试物体的状态变化，从而更准确地进行分析和评估。另外，加速处理还能够缩短系统的反应时间，使得测试结果能够更及时地反馈给用户，有助于用户快速做出决策和调整。同时，缩短反应时间还能够提高系统的实时性和稳定性，避免在长时间运行中出现延迟和失真等。
综上所述，从表2中可以看出，加速处理能够显著提高系统的处理效果和性能，有助于提高测试的准确性和稳定性，为用户提供更准确和可靠的测试结果。
进一步地，所述混合分割算法的工作方法为：首先利用LSH分割算法将原始数据集分割成若干个子集，每个子集包含若干个数据点，然后对每个子集使用PageRank分割算法，将子集中的数据点进一步分割成若干个密度相连的区域，最后对所有子集中的区域进行聚类，得到最终的聚类结果，
所述混合分割算法的工作过程为：将图像中的像素转换成图结构，并利用PageRank算法计算像素的重要性得分。将像素的特征向量构建成局部敏感哈希表，并利用LSH算法对像素进行分割，并得到每组像素的中心向量。根据PageRank计算得到的像素得分和LSH分割得到的像素中心向量，综合计算每个像素的综合得分。将综合得分较高的像素划分到同一个分割簇中，得到最终的分割结果。混合分割算法利用PageRank算法的全局特征计算和LSH算法的局部特征处理，能够提高分割效果，同时较好地解决了大规模图像分割问题，实现了较高的分割准确度和良好的实时性。
虽然以上描述了本发明的具体实施方式，但是本领域的技术者员应当理解，这些具体实施方式仅是举例说明，本领域的技术者员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (9)
1.一种光触媒覆膜层检测系统，包括采集模块、光照模块、存储模块、处理模块和显示模块；其特征在于：
光照模块为光学仪器提供补给光；
采集模块用于获取光触媒覆膜层的表面形态参数信息；
处理模块用于处理获取的光触媒覆膜层表面形态参数信息；所述处理模块包括分析单元、清洗单元、分类单元、去噪单元和排序单元；所述清洗单元采用插值算法对收集的表面形态参数信息进行查缺并对缺失的部分进行补充，所述去噪单元采用小波变换法去除表面形态参数信息异常部分，所述分类单元通过混合聚类算法将异常信息和正常信息分类，所述排序单元用于将数据按照时间顺序进行排序，所述分析单元通过评估算法评价预测光触媒覆膜层的使用时间以及磨损程度，所述清洗单元的输出端连接去噪单元的输入端，所述去噪单元的输出端连接分类单元的输入端，所述分类单元的输出端连接排序单元的输入端，所述排序单元的输出端连接分析单元的输入端；
存储模块用于储存处理后的光触媒覆膜层表面形态参数信息数据；
显示模块通过多终端展示光触媒覆膜层的表面形态以及检测报表；
所述光照模块的输出端连接采集模块的输入端，所述采集模块的输出端连接处理模块的输入端，所述处理模块的输出端连接存储模块的输入端，所述存储模块的输出端连接显示模块的输入端。
2.根据权利要求1所述的一种光触媒覆膜层检测系统，其特征在于：所述采集模块包括光度单元、相位单元、厚度单元、粒度单元和粗糙度单元，所述光度单元用于检测光触媒覆膜层的光催化性能，所述相位单元用于检测涂层的厚度及涂层与基底的附着力，所述厚度单元用于测量光触媒薄膜的厚度，所述粒度单元用于获取光触媒中的微观颗粒的粒径、形状和分布信息，所述粗糙度单元用于检测涂层表面的粗糙度；所述表面形态参数信息包括粗糙度、厚度、颗粒直径、形状和分布，所述粗糙度标准范围为0.05-1.6，所述厚度的标准范围为15-21mm，所述颗粒直径的标准范围为1-100nm。
3.根据权利要求1所述的一种光触媒覆膜层检测系统，其特征在于：所述显示模块包括远程交互单元和无线传输单元，所述远程交互单元用于远程查看和调整光触媒覆膜层的表面形态，所述无线传输单元用于与多终端进行无线通信并共享信息处理报表和检测日志。
4.根据权利要求1所述的一种光触媒覆膜层检测系统，其特征在于：所述混合聚类算法的工作方法为：首先通过Birch算法将数据进行初步聚类，得到较大的聚类簇，然后使用谱聚类算法对每一个聚类簇进行二次聚类，将簇内的数据进行更加细致的划分，接着使用层次聚类算法对小簇进行聚类，最后合并所有聚类结果，以得到最终的聚类结果。
5.根据权利要求1所述的一种光触媒覆膜层检测系统，其特征在于：所述存储模块由多个存储元构成，所述存储模块包括图像数据单元、文本数据单元和电子表格数据单元。
6.根据权利要求1所述的一种光触媒覆膜层检测系统，其特征在于：所述评估算法根据光触媒覆膜层表面形态参数信息的对比预测未来使用时间以及磨损变化程度，首先获取每个形态参数信息的平均得分，
式(1)中，M表示表面形态参数个数，n表示磨损类数目，R(Q,n)表示平均得分，G(m-1,n-d-1)表示累积得分，C(m,n)表示匹配得分，p(d,n)表示磨损因子；
惩罚因子的详细计算公式为：
式(2)中，An-d-1表示磨损类序列的前向索引；
匹配得分的详细计算公式为：
式(3)中，p(q|Sn,O)表示后验概率得分，α表示调节因子。
7.一种光触媒覆膜层检测方法，其特征在于：应用于权利要求1-5中任意一项权利要求所述的一种光触媒覆膜层检测系统，所述方法包括步骤：
步骤1、准备待检测的光触媒覆膜层样品并搭建测试环境；
通过光照模块搭建待检测的光触媒覆膜层样品所需的测试环境；
步骤2、检测光触媒覆膜层表面形态参数信息数据；
通过采集模块的各个单元获取光触媒覆膜层的粗糙度、厚度、颗粒直径、形状和分布；
步骤3、处理分析获取的光触媒覆膜层表面形态参数信息数据；
通过处理模块将获取的参数形态数据进行清洗、去噪、分类和排序并分析光触媒覆膜层的优劣率；
步骤4、将处理分析完成的表面形态参数信息数据进行储存；
通过存储模块将表面形态参数信息数据按照数据基本结构进行存储；
步骤5、可视化存储模块内的表面形态参数信息数据；
通过显示模块采用分布式并行加速模型将存储模块内部的信息数据以及信息处理报表在多终端进行交互式可视化展示；所述分布式并行加速模型包括分割层、分配层、处理层和整合层，所述分割层用于分割大型数据集，所述分配层根据各个计算节点的状态分配不同的计算任务，所述处理层利用各计算节点的算力处理分配的计算任务，所述整合层用于整理各计算节点的计算结果，所述分割层的输出端连接分配层的输入端，所述分配层的输出端连接处理层的输入端，所述处理层的输出端连接整合层的输入端。
8.根据权利要求7所述的一种光触媒覆膜层检测方法，其特征在于：所述分布式并行加速模型的工作方法为：首先通过分割层采用混合分割算法将原始数据划分为多个子数据集以便在不同的计算节点上进行处理，然后通过分配层将计算任务分配给不同的计算节点以便并行计算，接着各个节点在处理层利用本地化计算能力将分配的数据子集进行处理和计算，最后各个计算节点通过整合层将计算结果传回主节点，并在主节点上对结果进行整合和合并以得到最终结果。
9.根据权利要求8所述的一种光触媒覆膜层检测方法，其特征在于：所述混合分割算法的工作方法为：首先利用LSH分割算法将原始数据集分割成若干个子集，每个子集包含若干个数据点，然后对每个子集使用PageRank分割算法，将子集中的数据点进一步分割成若干个密度相连的区域，最后对所有子集中的区域进行聚类，得到最终的聚类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485661.3A CN117309824B (zh) | 2023-11-08 | 2023-11-08 | 一种光触媒覆膜层检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485661.3A CN117309824B (zh) | 2023-11-08 | 2023-11-08 | 一种光触媒覆膜层检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117309824A true CN117309824A (zh) | 2023-12-29 |
| CN117309824B CN117309824B (zh) | 2024-03-26 |
Family
ID=89260479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311485661.3A Active CN117309824B (zh) | 2023-11-08 | 2023-11-08 | 一种光触媒覆膜层检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117309824B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117451621A (zh) * | 2023-12-26 | 2024-01-26 | 湖南信健科技有限公司 | 一种感光干膜在线检测与质量控制系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502171A (zh) * | 2023-06-29 | 2023-07-28 | 北京国旭网络科技有限公司 | 一种基于大数据分析算法的网络安全信息动态检测系统 |
| CN116562740A (zh) * | 2023-07-10 | 2023-08-08 | 长沙宜选供应链有限公司 | 一种基于改进型深度学习算法模型的外贸物流平台 |
| CN116756225A (zh) * | 2023-08-14 | 2023-09-15 | 南京展研信息技术有限公司 | 一种基于计算机网络安全的态势数据信息处理方法 |
| CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
| CN116828001A (zh) * | 2023-08-28 | 2023-09-29 | 长春易加科技有限公司 | 一种基于大数据分析的智慧工厂生产效率优化系统及方法 |
-
2023
- 2023-11-08 CN CN202311485661.3A patent/CN117309824B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502171A (zh) * | 2023-06-29 | 2023-07-28 | 北京国旭网络科技有限公司 | 一种基于大数据分析算法的网络安全信息动态检测系统 |
| CN116562740A (zh) * | 2023-07-10 | 2023-08-08 | 长沙宜选供应链有限公司 | 一种基于改进型深度学习算法模型的外贸物流平台 |
| CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
| CN116756225A (zh) * | 2023-08-14 | 2023-09-15 | 南京展研信息技术有限公司 | 一种基于计算机网络安全的态势数据信息处理方法 |
| CN116828001A (zh) * | 2023-08-28 | 2023-09-29 | 长春易加科技有限公司 | 一种基于大数据分析的智慧工厂生产效率优化系统及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117451621A (zh) * | 2023-12-26 | 2024-01-26 | 湖南信健科技有限公司 | 一种感光干膜在线检测与质量控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117309824B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117309824B (zh) | 一种光触媒覆膜层检测系统及方法 | |
| Athanasiou et al. | A machine learning approach based on multifractal features for crack assessment of reinforced concrete shells | |
| Hsu et al. | Ensemble convolutional neural networks with weighted majority for wafer bin map pattern classification | |
| CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
| CN109740254B (zh) | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 | |
| Joutsensaari et al. | Identification of new particle formation events with deep learning | |
| CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
| CN114066073A (zh) | 电网负荷预测方法 | |
| Wang et al. | Direct detection of wear conditions by classification of ferrograph images | |
| Lyu et al. | Probabilistic object detection via deep ensembles | |
| Fuda et al. | Artificial intelligence in clinical multiparameter flow cytometry and mass cytometry–key tools and progress | |
| Yang et al. | Surface defect detection method for air rudder based on positive samples | |
| Ourabah | Large scale data using K-means | |
| CN117095199A (zh) | 一种基于单纯形扩散模型的工业视觉异常检测系统 | |
| CN116108976A (zh) | 一种超短期风速预测方法 | |
| Segundo et al. | Measuring economic activity from space: a case study using flying Airplanes and COVID-19 | |
| CN115293639A (zh) | 一种基于隐马尔可夫模型的战场态势研判方法 | |
| Jia et al. | An object detection network for wear debris recognition in ferrography images | |
| Pan et al. | Reliable and accurate wheel size measurement under highly reflective conditions | |
| CN114155428A (zh) | 基于Yolo-v3算法的水下声呐侧扫图像小目标检测方法 | |
| Evstafev et al. | Surface Defect Detection and Recognition Based on CNN | |
| CN113569902A (zh) | 一种基于李克特量表分析航空企业满意度评价质量的方法及系统 | |
| CN112580509A (zh) | 逻辑推理式道面检测方法及系统 | |
| Xie et al. | Investigation of deep transfer learning for cross-turbine diagnosis of wind turbine faults | |
| CN112884167B (zh) | 一种基于机器学习的多指标异常检测方法及其应用系统 |
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 |