CN117474905A - 材料性能检测方法、装置、设备及存储介质 - Google Patents
材料性能检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117474905A CN117474905A CN202311804919.1A CN202311804919A CN117474905A CN 117474905 A CN117474905 A CN 117474905A CN 202311804919 A CN202311804919 A CN 202311804919A CN 117474905 A CN117474905 A CN 117474905A
- Authority
- CN
- China
- Prior art keywords
- rubber material
- thermal imaging
- material product
- sample
- key frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 182
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000001931 thermography Methods 0.000 claims abstract description 110
- 238000010438 heat treatment Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims description 49
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000001364 causal effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 238000010998 test method Methods 0.000 claims 1
- 238000009432 framing Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000008542 thermal sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- G06T2207/10016—Video; Image sequence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了一种材料性能检测方法、装置、设备及存储介质，该方法包括：根据测试参数对目标橡胶材料制品进行加热处理，并进行热成像拍摄，得到对应的热成像视频；对热成像视频进行分帧操作，得到热成像视频的多个图像帧并逐帧计算各图像帧之间的相似度；根据多个图像帧的时间轴，将相似度大于预设相似度阈值的图像帧抽取为热成像视频的关键帧图像，得到多个关键帧图像；将多个关键帧图像输入预设的橡胶材料制品检测模型中，计算目标橡胶材料制品的待检测性能的性能参数。本方法通过对目标橡胶材料制品进行加热处理，并同时进行热成像拍摄，可以快速获取热成像视频，并进行图像处理，无需长时间的加热处理，从而提高了检测效率和准确率。
Description
技术领域
本发明涉及材料性能测试领域，尤其涉及一种材料性能检测方法、装置、设备及存储介质。
背景技术
橡胶材料是一种广泛应用于各种工业和消费品领域的材料。由于其具有优异的弹性、耐磨、抗老化、耐腐蚀等特性，在汽车、电子、建筑、医疗、鞋类和运动装备等行业中得到了广泛应用。为确保橡胶材料的质量和性能符合标准要求，需要对其进行严格的性能测试。
加热测试是材料性能检测的重要方法之一。在实际使用过程中，橡胶材料会受到各种环境因素的影响，如温度、湿度、紫外线照射等。其中，温度是最为常见和重要的因素之一。在高温下，橡胶材料容易软化、变形、老化甚至失效，而在低温下则容易变脆、硬化、开裂等。因此，加热测试可以模拟橡胶材料在高温环境下的实际使用情况，评估其耐热性能、稳定性等参数，为橡胶材料的选材和使用提供重要参考。现有的对橡胶材料进行加热测试主要是使用热空气老化测试，然而，热空气老化测试热空气老化测试需要进行长时间的加热处理，并且在加热过程中的需要对样品进行周期性的监测，例如测量硬度、拉伸强度、断裂伸长率等参数的变化，检测效率低下。
发明内容
本发明的主要目的在于解决现有的使用橡胶材料检测效率低的技术问题。
本发明第一方面提供了一种材料性能检测方法，所述材料性能检测方法包括：
获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频；
对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧并对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数。
可选的，在本发明第一方面的第一种实现方式中，所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数包括：
将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示；
将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；
通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数。
可选的，在本发明第一方面的第二种实现方式中，所述橡胶材料制品检测模型包括残差神经网络，所述残差神经网络包括多个卷积层和全连接层；
所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示包括：
将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行图像预处理；
通过所述橡胶材料制品检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作；
将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示，得到各关键帧图像的特征表示。
可选的，在本发明第一方面的第三种实现方式中，所述橡胶材料制品检测模型还包括时间卷积网络；
所述通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数包括：
对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；
通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；
使用激活函数对所述特征信息进行非线性映射，得到所述目标橡胶材料制品的待检测性能的性能参数。
可选的，在本发明第一方面的第四种实现方式中，所述对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络包括：
确定所述特征信息的序列长度，并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同；
若否，则对所述时序数据进行填充操作，使得所述时序数据的序列长度与所述特征信息的序列长度相同。
可选的，在本发明第一方面的第五种实现方式中，在获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频之前，还包括：
获取所述目标橡胶材料制品同一类型的样本制品的样本数据，其中，所述样本数据包括所述样本制品加热处理过程中的样本热成像视频以及对应的待检测性能的样本实测性能参数；
对所述样本数据进行数据预处理，并获取预设的神经网络模型；
将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数；
判断所述样本预测性能参数与所述样本实测性能参数的偏差值是否小于预设偏差阈值；
若否，则根据所述偏差值调整所述神经网络模型的网络参数，并返回将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数的步骤，直至所述偏差值小于所述预设偏差阈值，得到橡胶材料制品检测模型；
若是，则将所述神经网络模型作为橡胶材料制品检测模型。
可选的，在本发明第一方面的第六种实现方式中，所述待检测性能包括热传导性能、热稳定性、力学性能和热膨胀性能中的一个或多个；
所述将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数包括：
判断所述待检测性能是否包括热传导性能、热稳定性、力学性能和热膨胀性能中的任意两个及以上；
若是，则根据所述待检测性能选择多头神经网络模型，并将所述样本热成像视频输入所述多头神经网络模型；
通过所述多头神经网络模型确定各待检测性能的任务权重和任务超参数；
将所述多个样本图像帧输入所述多头神经网络模型中，对所述多个样本图像帧进行特征提取，得到各多个样本图像帧的特征表示；
将各所述特征表示按照所述样本热成像视频的时间轴，生成对应的样本时序数据；
通过所述多头神经网络模型基于所述超参数和任务权重，对所述时序数据进行多输出分类，得到所述样本热成像视频对应的各项待检测性能的样本预测性能参数。
本发明第二方面提供了一种材料性能检测装置，所述材料性能检测装置包括：
获取模块，用于获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频；
视频处理模块，用于对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧并对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
图像筛选模块，用于根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
模型检测模块，用于将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数。
本发明第三方面提供了一种材料性能检测装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述材料性能检测设备执行上述的材料性能检测方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的材料性能检测方法的步骤。
上述材料性能检测方法、装置、设备及存储介质，通过根据测试参数对目标橡胶材料制品进行加热处理，并进行热成像拍摄，得到对应的热成像视频；对热成像视频进行分帧操作，得到热成像视频的多个图像帧并逐帧计算各图像帧之间的相似度；根据多个图像帧的时间轴，将相似度大于预设相似度阈值的图像帧抽取为热成像视频的关键帧图像，得到多个关键帧图像；将多个关键帧图像输入预设的橡胶材料制品检测模型中，计算目标橡胶材料制品的待检测性能的性能参数。本方法通过对目标橡胶材料制品进行加热处理，并同时进行热成像拍摄，可以快速获取热成像视频，并进行图像处理，无需长时间的加热处理，从而提高了检测效率和准确率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例中材料性能检测方法的一个实施例示意图；
图2为本发明实施例中材料性能检测装置的一个实施例示意图；
图3为本发明实施例中材料性能检测设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种材料性能检测方法进行详细介绍。如图1所示，该材料性能检测的方法，本方法包括如下步骤：
101、获取目标橡胶材料制品和检测项目，根据检测项目中的测试参数对目标橡胶材料制品进行加热处理，并在进行加热处理时对目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频；
在本发明的一个实施例中，检测项目包括多种检测类型，包括老化测试、耐热性测试、热稳定性测试等在选定目标橡胶材料制品和检测项目后，根据选定的检测项目，可以：使用恒温培养箱、热风循环干燥箱、热板法或其他加热设备，根据测试参数中规定的温度范围和持续时间，对目标橡胶材料制品进行加热处理，根据检测项目的测试参数，确定适当的加热温度和持续时间。这些参数通常由相关标准或测试要求指定，以模拟实际使用条件下的材料性能变化，在加热过程中，确保加热过程中温度的稳定性和均匀性，避免温度过高或过低导致测试结果失真。可以通过温度控制器和监测仪器来实时监测和调整加热过程。在进行热成像拍摄的过程中，需要选择合适的红外热像仪或红外相机等热成像设备，并设置适当的参数，包括热敏感度、测温范围等。确定适当的拍摄角度和距离，以保证对目标橡胶材料制品全面的热成像拍摄。最后在加热处理过程中，通过热成像设备对目标橡胶材料制品进行实时拍摄，记录其温度分布和变化情况，得到对应的热成像视频。
进一步的，在获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频之前，还包括：获取所述目标橡胶材料制品同一类型的样本制品的样本数据，其中，所述样本数据包括所述样本制品加热处理过程中的样本热成像视频以及对应的待检测性能的样本实测性能参数；对所述样本数据进行数据预处理，并获取预设的神经网络模型；将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数；判断所述样本预测性能参数与所述样本实测性能参数的偏差值是否小于预设偏差阈值；若否，则根据所述偏差值调整所述神经网络模型的网络参数，并返回将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数的步骤，直至所述偏差值小于所述预设偏差阈值，得到橡胶材料制品检测模型；若是，则将所述神经网络模型作为橡胶材料制品检测模型。
具体的，在获取目标橡胶材料制品同一类型的样本制品的样本数据后，需要对这些数据进行数据预处理，并获取预设的神经网络模型。这些样本数据包括样本制品加热处理过程中的样本热成像视频以及对应的样本实测性能状态。首先，对这些样本数据进行数据预处理，包括去除噪声、归一化、平滑等步骤。然后，获取预设的神经网络模型，该模型可以用于对样本热成像视频对应的样本预测性能参数的计算。接下来，将样本热成像视频输入到神经网络模型中，通过神经网络模型计算出样本热成像视频对应的预测性能状态。然后，需要判断该预测性能状态与样本实测性能状态之间的偏差值是否小于预设的偏差阈值。如果偏差值小于预设的偏差阈值，则可以将该神经网络模型作为橡胶材料制品检测模型。如果偏差值大于预设的偏差阈值，则需要根据偏差值调整神经网络模型的网络参数，再次将样本热成像视频输入到神经网络模型中进行预测性能状态的计算。这个过程将会重复进行，直到偏差值小于预设的偏差阈值为止。最终，可以得到一个准确度较高的橡胶材料制品检测模型，该模型可以用于对目标橡胶材料制品的性能状态进行评估和预测。
进一步的，所述待检测性能包括热传导性能、热稳定性、力学性能和热膨胀性能中的一个或多个；所述将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数包括：判断所述待检测性能是否包括热传导性能、热稳定性、力学性能和热膨胀性能中的任意两个及以上；若是，则根据所述待检测性能选择多头神经网络模型，并将所述样本热成像视频输入所述多头神经网络模型；通过所述多头神经网络模型确定各待检测性能的任务权重和任务超参数；将所述多个样本图像帧输入所述多头神经网络模型中，对所述多个样本图像帧进行特征提取，得到各多个样本图像帧的特征表示；将各所述特征表示按照所述样本热成像视频的时间轴，生成对应的样本时序数据；通过所述多头神经网络模型基于所述超参数和任务权重，对所述时序数据进行多输出分类，得到所述样本热成像视频对应的各项待检测性能的样本预测性能参数。
具体的，当待检测性能包括热传导性能、热稳定性、力学性能和热膨胀性能中的一个或多个时，需要设计一个多头神经网络，其中每个头对应一个性能评估任务。每个头可以具有独立的网络结构，用于提取与对应任务相关的特征。确保每个头的输出层与任务的性能评估指标相匹配。为每个头定义合适的损失函数，用于衡量该任务的预测结果与真实值之间的差距。可以根据具体情况选择适当的损失函数，如均方误差、交叉熵等。需要注意的是，在设计多头神经网络时，需要平衡各个任务之间的权衡关系，以及不同任务之间的相关性，可以通过为每个任务设置权重来调整任务之间的重要性。对于重要性较高的任务，可以赋予更大的权重，使其在损失函数中具有更大的影响力。这样可以确保网络更加关注重要性较高的任务。在训练多头神经网络时，可以通过调整超参数来平衡各个任务之间的权衡关系。例如，学习率的选择、正则化项的权重、批次大小等都可以对任务之间的影响进行调整，以达到更好的平衡。最后，在设计多头神经网络时，可以使用交叉验证或独立的验证集来评估网络在不同任务上的性能。通过分析不同任务的性能指标，可以得出网络在各个任务上的表现，并根据需要进行调整和优化。
102、对热成像视频进行分帧操作，得到热成像视频的多个图像帧并对多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
在本发明的一个实施例中，对热成像视频进行分帧操作，这个操作可以理解为将连续的视频剥离成多个独立的静态图像帧。在具体操作过程中，每一帧图像代表了橡胶制品在一个特定时间点的热成像情况。这样，就能得到一系列热成像图像，每个图像都代表了橡胶制品在加热过程中的某一时间点的热状态。
103、根据多个图像帧的时间轴，将相似度大于预设相似度阈值的图像帧抽取为热成像视频的关键帧图像，得到多个关键帧图像；
在本发明的一个实施例中，对于关键帧的获取可以通过多种方式获取热成像拍摄的关键帧图像，例如基于时间间隔，按照设定的时间间隔从视频中均匀地提取关键帧。例如，每隔一秒或每隔几秒提取一帧作为关键帧，或者通过评估图像质量来选择关键帧。可以使用图像质量评估算法，如图像清晰度、对比度、亮度等指标来衡量每一帧的质量，选择质量最好的帧作为关键帧。而在本实施例中，主要通过计算各图像帧之间相似度的方式，对这些图像帧进行逐帧比对，计算各图像帧之间的相似度。这是为了找出在温度变化上有显著差异的帧，也就是说，要找出橡胶制品在加热过程中温度变化的关键时刻。同一时间，这个步骤也有助于发现和定位可能存在的异常温度区域。然后，可以设置一个预设的相似度阈值，这个阈值会根据的特定需求设定，比如可以设定阈值为70%。这意味着，只有当两个连续的图像帧在热成像上的相似度低于70%时，才认为橡胶制品在这两个时间点经历了显著的温度变化。最后，在整个时间轴上，将那些相似度大于预设相似度阈值的图像帧抽取出来作为关键帧图像。这些关键帧图像代表了橡胶制品在整个加热过程中的关键热成像变化。
104、将多个关键帧图像输入预设的橡胶材料制品检测模型中，通过橡胶材料制品检测模型根据多个关键帧图像计算目标橡胶材料制品的待检测性能的性能参数。
在本发明的一个实施例中，所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数包括：将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示；将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数。
具体的，通过特征提取，可以从图像中提取出与橡胶制品性能相关的关键信息，从而更好地理解和分析橡胶制品的状态。在这个过程中，橡胶材料制品检测模型会利用其内部的算法和学习能力，对每个关键帧图像进行深入分析。它会识别图像中的不同特征并将它们转化为数值化的特征表示。这些特征表示可以被视为对图像内容的抽象表达，其中包含了反映橡胶制品性能的重要特征。通过对多个关键帧图像进行特征提取，可以综合考虑橡胶制品在不同时间点的状态变化，从而更全面地了解橡胶制品的性能特征。例如可以将每个关键帧的特征向量展开成一维向量，得到一个形状为(D)的向量。接下来，将这些一维向量按时间顺序连接起来，形成一个形状为(T, D)的二维矩阵。这个矩阵的每一行代表一个关键帧的特征向量，而每列则代表特征向量的不同维度。
进一步的，所述橡胶材料制品检测模型包括残差神经网络，所述残差神经网络包括多个卷积层和全连接层；所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示包括：将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行图像预处理；通过所述橡胶材料制品检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作；将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示，得到各关键帧图像的特征表示。
具体的，在进行特征提取时，需要将原始图像进行预处理，通常包括缩放、剪裁和归一化等操作。这些预处理操作的目的是将图像转换为合适的尺寸和格式，便于后续的特征提取。在特征提取过程中使用残差神经网络，即ResNet模型，首先，加载预训练的ResNet模型。可以使用深度学习框架提供的模型库或者自行训练得到的模型。在PyTorch中，可以使用torchvision.models.resnet50(pretrained=True)来加载预训练的ResNet50模型。将预处理后的图像输入到ResNet模型中，通过前向传播计算得到模型的输出结果。在PyTorch中，可以直接使用model(image)将图像输入ResNet模型，得到前向传播后的输出。ResNet模型由卷积层和全连接层构成，通常选择卷积层的输出作为图像的特征表示。在ResNet50模型中，可以通过model.avgpool和model.fc之间的部分来获取特征表示。最后，将提取得到的特征表示保存下来，以便进行后续处理和分析。
进一步的，所述橡胶材料制品检测模型还包括时间卷积网络；所述通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数包括：对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；使用激活函数对所述特征信息进行非线性映射，得到所述目标橡胶材料制品的待检测性能的性能参数。
具体的，TCN（Temporal Convolutional Network，时间卷积网络）模型使用TCN模型对时序数据进行分类分析。首先，将预处理和特征提取步骤得到的时序数据输入到已经训练好的TCN模型中。TCN模型能够捕捉时序信息，并在不引入循环结构的情况下进行建模。TCN模型会将关键帧数据表示为一个序列。每个关键帧可以是图像、向量或其他形式的数据。这些关键帧按照时间顺序排列，形成一个输入序列。对关键帧序列进行一维卷积操作。一维卷积操作会在时间维度上滑动卷积核，提取局部特征。卷积核的长度通常小于序列的长度，这样可以提取层次化的特征信息。在卷积操作之后，通常会应用非线性激活函数，如ReLU（修正线性单元），以引入非线性因素。在TCN模型中，可以使用池化操作来降低序列的长度和维度。最大池化或平均池化可以减少计算量，并保留关键的特征信息。为了提取更高级别的特征，TCN模型可以通过堆叠多个卷积层来增加模型的深度。每个卷积层的输出经过非线性激活函数后，成为下一层的输入。此外，为了解决梯度消失和训练困难问题，一些TCN模型采用残差连接，即将前一层的输出与当前层的输入相加，以保留更多低级别的特征信息。最后一层可以是全连接层、池化层或其它适当的层次结构，用于将TCN模型的输出映射到所需的任务，即所述目标橡胶材料制品的性能状态上。此外，在进行卷积操作时，TCN模型中使用的卷积操作是循环因果卷积（causal convolution）。循环因果卷积是指卷积操作的输出只依赖于输入序列中当前和过去的元素，不依赖于未来的元素。当输入一个序列数据进行循环因果卷积时，假设有一个长度为n的时间序列x = [x1, x2, ..., xn]，其中xi表示在i时刻的某种数值或特征。现在想要用TCN模型对这个时间序列进行处理和建模。假设有一个长度为n的时间序列x = [x1, x2, ..., xn]，其中xi表示在i时刻的某种数值或特征。现在想要用TCN模型对这个时间序列进行处理和建模。首先，将时间序列x表示为一个序列数据，在TCN模型的第一个卷积层中，使用了一个长度为k的卷积核（k通常被称作卷积核的大小）。假设使用了n_out个输出通道，那么得到的第一个卷积层的输出z1可以表示为：
；
其中w1是一个形状为(k, n_in, n_out)的卷积核张量，b1是一个形状为(n_out,)的偏置向量，f是一个非线性激活函数，例如ReLU。
这里的关键是，由于期望模型只能根据当前时刻之前的信息进行预测，所以采用了循环因果卷积，来实现对滞后时序的建模。具体地说，将卷积核进行填充，确保在每个时刻t处，只考虑t之前的信息，而不包括t及以后的信息。常见的做法是在卷积核左侧添加k-1个零，使得卷积操作可以保证输出序列长度与输入序列相同。然后，可以将第一个卷积层的输出作为下一层的输入，也就是下一层的输入为z1 = [z1[1], z1[2], ..., z1[n]]。重复上述步骤，通过堆叠多个卷积层，可以提取更高级别的特征，并且通过残差连接来确保信息的传递和特征的保留。
进一步的，所述对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络包括：确定所述特征信息的序列长度，并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同；若否，则对所述时序数据进行填充操作，使得所述时序数据的序列长度与所述特征信息的序列长度相同。
具体的，TCN模型使用一维的卷积操作对输入的序列数据进行特征提取。为了确保循环因果性，通常会进行数据预处理，设置适当的填充（padding）和偏移（dilation）参数。在填充方面，可以通过在输入序列两侧添加适当数量的零值来实现。这样可以保持卷积操作前后序列长度不变。填充的数量通常根据卷积核的大小来确定，以确保输出特征与输入序列具有相同的长度。在偏移方面，通过调整卷积核的间隔来控制卷积操作的感受野。较大的偏移值可以扩大感受野范围，从而更好地捕捉长时间依赖关系。而较小的偏移值可以捕捉更细粒度的位置信息。
在本实施例中，通过根据测试参数对目标橡胶材料制品进行加热处理，并进行热成像拍摄，得到对应的热成像视频；对热成像视频进行分帧操作，得到热成像视频的多个图像帧并逐帧计算各图像帧之间的相似度；根据多个图像帧的时间轴，将相似度大于预设相似度阈值的图像帧抽取为热成像视频的关键帧图像，得到多个关键帧图像；将多个关键帧图像输入预设的橡胶材料制品检测模型中，计算目标橡胶材料制品的待检测性能的性能参数。本方法通过对目标橡胶材料制品进行加热处理，并同时进行热成像拍摄，可以快速获取热成像视频，并进行图像处理，无需长时间的加热处理，从而提高了检测效率和准确率。
上面对本发明实施例中材料性能检测方法进行了描述，下面对本发明实施例中材料性能检测装置进行描述，请参阅图2，本发明实施例中材料性能检测装置一个实施例包括：
获取模块201，用于获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频；
视频处理模块202，用于对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧并对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
图像筛选模块203，用于根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
模型检测模块204，用于将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数。
本发明实施例中，所述材料性能检测装置运行上述材料性能检测方法，所述材料性能检测装置根据测试参数对目标橡胶材料制品进行加热处理，并进行热成像拍摄，得到对应的热成像视频；对热成像视频进行分帧操作，得到热成像视频的多个图像帧并逐帧计算各图像帧之间的相似度；根据多个图像帧的时间轴，将相似度大于预设相似度阈值的图像帧抽取为热成像视频的关键帧图像，得到多个关键帧图像；将多个关键帧图像输入预设的橡胶材料制品检测模型中，计算目标橡胶材料制品的待检测性能的性能参数。本方法通过对目标橡胶材料制品进行加热处理，并同时进行热成像拍摄，可以快速获取热成像视频，并进行图像处理，无需长时间的加热处理，从而提高了检测效率和准确率。
上面图2从模块化功能实体的角度对本发明实施例中的中材料性能检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中材料性能检测设备进行详细描述。
图3是本发明实施例提供的一种材料性能检测设备的结构示意图，该材料性能检测设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）310（例如，一个或一个以上处理器）和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330（例如一个或一个以上海量存储设备）。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对材料性能检测设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在材料性能检测设备300上执行存储介质330中的一系列指令操作，以实现上述材料性能检测方法的步骤。
材料性能检测设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的材料性能检测设备结构并不构成对本发明提供的材料性能检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述材料性能检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种材料性能检测方法，其特征在于，所述材料性能检测方法包括：
获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频；
对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧并对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数。
2.根据权利要求1所述的材料性能检测方法，其特征在于，所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数包括：
将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示；
将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；
通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数。
3.根据权利要求2所述的材料性能检测方法，其特征在于，所述橡胶材料制品检测模型包括残差神经网络，所述残差神经网络包括多个卷积层和全连接层；
所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示包括：
将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行图像预处理；
通过所述橡胶材料制品检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作；
将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示，得到各关键帧图像的特征表示。
4.根据权利要求3所述的材料性能检测方法，其特征在于，所述橡胶材料制品检测模型还包括时间卷积网络；
所述通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数包括：
对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；
通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；
使用激活函数对所述特征信息进行非线性映射，得到所述目标橡胶材料制品的待检测性能的性能参数。
5.根据权利要求4所述的材料性能检测方法，其特征在于，所述对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络包括：
确定所述特征信息的序列长度，并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同；
若否，则对所述时序数据进行填充操作，使得所述时序数据的序列长度与所述特征信息的序列长度相同。
6.根据权利要求1所述的材料性能检测方法，其特征在于，在获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频之前，还包括：
获取所述目标橡胶材料制品同一类型的样本制品的样本数据，其中，所述样本数据包括所述样本制品加热处理过程中的样本热成像视频以及对应的待检测性能的样本实测性能参数；
对所述样本数据进行数据预处理，并获取预设的神经网络模型；
将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数；
判断所述样本预测性能参数与所述样本实测性能参数的偏差值是否小于预设偏差阈值；
若否，则根据所述偏差值调整所述神经网络模型的网络参数，并返回将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数的步骤，直至所述偏差值小于所述预设偏差阈值，得到橡胶材料制品检测模型；
若是，则将所述神经网络模型作为橡胶材料制品检测模型。
7.根据权利要求6所述的材料性能检测方法，其特征在于，所述待检测性能包括热传导性能、热稳定性、力学性能和热膨胀性能中的一个或多个；
所述将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数包括：
判断所述待检测性能是否包括热传导性能、热稳定性、力学性能和热膨胀性能中的任意两个及以上；
若是，则根据所述待检测性能选择多头神经网络模型，并将所述样本热成像视频输入所述多头神经网络模型；
通过所述多头神经网络模型确定各待检测性能的任务权重和任务超参数；
将所述多个样本图像帧输入所述多头神经网络模型中，对所述多个样本图像帧进行特征提取，得到各多个样本图像帧的特征表示；
将各所述特征表示按照所述样本热成像视频的时间轴，生成对应的样本时序数据；
通过所述多头神经网络模型基于所述超参数和任务权重，对所述时序数据进行多输出分类，得到所述样本热成像视频对应的各项待检测性能的样本预测性能参数。
8.一种材料性能检测装置，其特征在于，所述材料性能检测装置包括：
获取模块，用于获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频；
视频处理模块，用于对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧并对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
图像筛选模块，用于根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
模型检测模块，用于将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数。
9.一种材料性能检测设备，其特征在于，所述材料性能检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述材料性能检测设备执行如权利要求1-7中任意一项所述的材料性能检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述材料性能检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311804919.1A CN117474905A (zh) | 2023-12-26 | 2023-12-26 | 材料性能检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311804919.1A CN117474905A (zh) | 2023-12-26 | 2023-12-26 | 材料性能检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117474905A true CN117474905A (zh) | 2024-01-30 |
Family
ID=89625957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311804919.1A Pending CN117474905A (zh) | 2023-12-26 | 2023-12-26 | 材料性能检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474905A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689275A (zh) * | 2024-02-02 | 2024-03-12 | 广东贝洛新材料科技有限公司 | 橡胶材料生产配料方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656689A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 模型生成方法和网络信息的推送方法 |
| CN115116035A (zh) * | 2022-06-22 | 2022-09-27 | 南京佑驾科技有限公司 | 一种基于神经网络的道路交通灯识别系统及方法 |
| CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
-
2023
- 2023-12-26 CN CN202311804919.1A patent/CN117474905A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656689A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 模型生成方法和网络信息的推送方法 |
| CN115116035A (zh) * | 2022-06-22 | 2022-09-27 | 南京佑驾科技有限公司 | 一种基于神经网络的道路交通灯识别系统及方法 |
| CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 乔宁编著: "《材料科学中的计算机应用》", 31 January 2007, 中国纺织出版社, pages: 208 - 212 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689275A (zh) * | 2024-02-02 | 2024-03-12 | 广东贝洛新材料科技有限公司 | 橡胶材料生产配料方法、装置、设备及存储介质 |
| CN117689275B (zh) * | 2024-02-02 | 2024-05-17 | 广东贝洛新材料科技有限公司 | 橡胶材料生产配料方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7167084B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| CN117474905A (zh) | 材料性能检测方法、装置、设备及存储介质 | |
| US8090676B2 (en) | Systems and methods for real time classification and performance monitoring of batch processes | |
| Sajedi et al. | Dual Bayesian inference for risk‐informed vibration‐based damage diagnosis | |
| CN111008643B (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
| CN105513095B (zh) | 一种行为视频无监督时序分割方法 | |
| He et al. | Deep neural network and transfer learning for accurate hardware-based zero-day malware detection | |
| Putrada et al. | Improving thermal camera performance in fever detection during covid-19 protocol with random forest classification | |
| CN110324178B (zh) | 一种基于多经验核学习的网络入侵检测方法 | |
| CN117451744B (zh) | 红外透镜的缺陷检测方法、装置、设备及存储介质 | |
| CN114511025A (zh) | 基于加权多传感器融合滤波的风机故障诊断方法、装置 | |
| CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
| 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 | |
| CN117434452B (zh) | 锂电池充放电检测方法、装置、设备及存储介质 | |
| CN114401205A (zh) | 无标注多源网络流量数据漂移检测方法和装置 | |
| CN111459838B (zh) | 一种基于流形对齐的软件缺陷预测方法及系统 | |
| Tafarroj et al. | An application of principal component analysis method in wood defects identification | |
| JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
| CN111340349A (zh) | 产品可靠性评估方法、装置、计算机设备和存储介质 | |
| Wang et al. | Discovery of deformation mechanisms and constitutive response of soft material surrogates of biological tissue by full-field characterization and data-driven variational system identification | |
| Jabeen et al. | Hybrid software reliability prediction model based on residual errors | |
| CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
| CN117294824B (zh) | 激光投影光机的图像优化方法、装置、设备及存储介质 | |
| CN117911956B (zh) | 用于食品加工设备的加工环境动态监测方法及系统 | |
| CN118173151A (zh) | 一种固态硬盘老化测试自动化测试方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |