CN117491357B - 一种涂料的质量监测方法及系统 - Google Patents
一种涂料的质量监测方法及系统 Download PDFInfo
- Publication number
- CN117491357B CN117491357B CN202410003849.8A CN202410003849A CN117491357B CN 117491357 B CN117491357 B CN 117491357B CN 202410003849 A CN202410003849 A CN 202410003849A CN 117491357 B CN117491357 B CN 117491357B
- Authority
- CN
- China
- Prior art keywords
- paint
- image
- coating
- leveling
- quality monitoring
- 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
- 239000003973 paint Substances 0.000 title claims abstract description 514
- 238000012544 monitoring process Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011248 coating agent Substances 0.000 claims abstract description 130
- 238000000576 coating method Methods 0.000 claims abstract description 130
- 238000004458 analytical method Methods 0.000 claims abstract description 109
- 238000011084 recovery Methods 0.000 claims abstract description 82
- 230000008021 deposition Effects 0.000 claims abstract description 71
- 238000003756 stirring Methods 0.000 claims abstract description 62
- 230000032683 aging Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000011179 visual inspection Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001879 gelation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/38—Diluting, dispersing or mixing samples
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- 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
- 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
- G06T2207/10004—Still image; Photographic 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种涂料的质量监测方法及系统,涉及质量监测技术领域,包括:在目标涂料处于第一状态下时采集第一涂料图像;进行搅拌处理使目标涂料达到第二状态,并获得涂料恢复图像序列和第二涂料图像;进行涂料质量监测分析获得第一质量监测结果;进行涂料沉积老化分析获得涂料沉积系数;对第一质量监测结果进行修正计算获得第二质量监测结果;进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数;对所述第二质量监测结果进行修正计算获得第三质量监测结果,并计算获得涂料质量偏移结果,作为质量监测结果。本发明解决了传统方法主要依赖于人工目测和简单的图像处理技术,缺乏全面性、准确性和可靠性的技术问题。
Description
技术领域
本发明涉及质量监测技术领域,具体涉及一种涂料的质量监测方法及系统。
背景技术
在现有技术下,传统的涂料质量监测方法主要依赖于人工目测和简单的图像处理技术,然而,这种方法存在一些技术问题,第一,传统方法通常只依靠标准涂料图像进行分析,无法全面获取涂料的信息,这可能导致遗漏一些关键的质量指标,从而影响对涂料质量的准确评估;第二,传统方法难以准确评估涂料的流平性和均匀性,而这些是涂料质量的重要指标,流平性指涂料表面的平整程度,均匀性指涂料颜色和厚度的均匀性,这些指标对于涂料应用的质量和外观效果至关重要;第三,传统方法在评估涂料质量时缺乏全面考虑,仅依靠标准涂料图像进行评估可能无法准确反映涂料的实际质量状态,从而影响质量评估的准确性。
因此,需要一种新的方法,能够提供了更全面、准确的涂料质量监测和评估结果。
发明内容
本申请通过提供了一种涂料的质量监测方法及系统,旨在解决在涂料质量监测过程中,传统方法仅依靠标准涂料图像进行分析,无法全面评估涂料的质量,并且不能准确评估涂料的流平性和均匀性,导致质量评估结果准确性差的技术问题。
鉴于上述问题,本申请提供了一种涂料的质量监测方法及系统。
本申请公开的第一个方面,提供了一种涂料的质量监测方法,所述方法包括:在待进行质量监测的目标涂料处于第一状态下时,采集所述目标涂料的第一涂料图像;采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,获得涂料恢复图像序列和第二涂料图像;根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果;根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数;根据所述涂料沉积系数,对所述第一质量监测结果进行修正计算,获得第二质量监测结果;根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数;采用所述流平性系数和均匀性系数,对所述第二质量监测结果进行修正计算,获得第三质量监测结果,并计算获得涂料质量偏移结果,作为所述目标涂料的质量监测结果。
本申请公开的另一个方面,提供了一种涂料的质量监测系统,所述系统用于上述方法,所述系统包括:图像采集模块,所述图像采集模块用于在待进行质量监测的目标涂料处于第一状态下时,采集所述目标涂料的第一涂料图像;搅拌处理模块,所述搅拌处理模块用于采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,获得涂料恢复图像序列和第二涂料图像;质量监测模块,所述质量监测模块用于根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果;老化分析模块,所述老化分析模块用于根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数;修正计算模块,所述修正计算模块用于根据所述涂料沉积系数,对所述第一质量监测结果进行修正计算,获得第二质量监测结果;均匀性分析模块,所述均匀性分析模块用于根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数;监测结果获取模块,所述监测结果获取模块用于采用所述流平性系数和均匀性系数,对所述第二质量监测结果进行修正计算,获得第三质量监测结果,并计算获得涂料质量偏移结果,作为所述目标涂料的质量监测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过采集目标涂料的第一涂料图像来获取初始状态下的涂料信息,结合第二涂料图像进行质量监测分析,可提高对涂料质量的准确性;通过对第一涂料图像和标准涂料图像进行沉积老化分析,获得涂料沉积系数,修正计算第一质量监测结果,更准确地反映涂料质量;利用涂料恢复图像序列进行流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数,通过修正计算第二质量监测结果,进一步提高涂料质量监测的准确性;利用流平性系数和均匀性系数对第二质量监测结果进行修正计算,得到第三质量监测结果,同时计算涂料质量偏移结果,实现全面评估涂料的质量状态。综上所述,该方法通过引入多组图像数据和相关参数,综合考虑涂料质量的多个方面,并通过修正计算获得更准确的涂料质量监测结果,达到了提升涂料质量监测的准确性和全面性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种涂料的质量监测方法流程示意图;
图2为本申请实施例提供了一种涂料的质量监测系统结构示意图。
附图标记说明:图像采集模块10,搅拌处理模块20,质量监测模块30,老化分析模块40,修正计算模块50,均匀性分析模块60,监测结果获取模块70。
具体实施方式
本申请实施例通过提供一种涂料的质量监测方法,解决了在涂料质量监测过程中,传统方法仅依靠标准涂料图像进行分析,无法全面评估涂料的质量,并且不能准确评估涂料的流平性和均匀性,导致质量评估结果准确性差的技术问题。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种涂料的质量监测方法,所述方法包括:
在待进行质量监测的目标涂料处于第一状态下时,采集所述目标涂料的第一涂料图像;
第一状态指涂料在桶里长时间不用,可能出现分层、发浑、变稠、胶化、结皮、沉淀等现象的静置状态,选择待进行质量监测的目标涂料样品,并确保其处于第一状态,准备一台适合采集涂料图像的图像采集设备,例如高清相机或者高分辨率摄像机,确保设备设置合适的参数以获取清晰、准确的图像,将图像采集设备对准目标涂料,使其完整地出现在图像的视野中,并拍摄目标涂料的第一涂料图像。
通过采集目标涂料的第一涂料图像,可以为后续的涂料质量监测分析提供基准图像,并与其他涂料状态的图像进行比对和分析,从而评估涂料的质量状况。
采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,获得涂料恢复图像序列和第二涂料图像;
采用预设搅拌操作,对所述目标涂料进行搅拌处理,第二状态为涂料流平恢复时的状态,达到第二状态时指搅拌处理后慢慢恢复,直到恢复完成的时间段,在搅拌完成后涂料流平恢复的过程中的多个时间窗口,采集所述目标涂料的图像,获得涂料恢复图像序列,即采集搅拌后恢复过程中的图像序列;在所述目标涂料流平恢复到所述第二状态后,即恢复后,采集所述目标涂料的图像,获得所述第二涂料图像。
进一步而言,采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,包括:
采用预设搅拌操作,对所述目标涂料进行搅拌处理,在搅拌完成后涂料流平恢复的过程中的多个时间窗口,采集所述目标涂料的图像,获得涂料恢复图像序列;
在所述目标涂料流平恢复到所述第二状态后,采集所述目标涂料的图像,获得所述第二涂料图像。
根据涂料的特性和要求,确定预设的搅拌操作,包括搅拌时间、搅拌速度、搅拌器的类型等,确保搅拌操作能够均匀混合涂料,并使其达到预期的流动性。按照预设的搅拌操作对目标涂料进行搅拌处理,根据预设的搅拌时间和搅拌速度,使用适当的搅拌设备对涂料进行搅拌,确保涂料充分混合和搅拌均匀。
在搅拌完成后,等待目标涂料自行流平,在这个过程中,涂料会慢慢恢复到平整的状态,这个过程需要一定的时间,具体时间取决于涂料的特性和环境条件。在涂料流平恢复的这段时间内建立多个时间窗口,使用前述图像采集设备,采集目标涂料的图像,选择不同的时间点,以捕捉涂料在流平恢复过程中的不同阶段和变化,并根据时间前后进行排列,获得涂料恢复图像序列。
第二状态是指涂料已经充分流平并达到稳定状态,在第二状态下,使用前述图像采集设备对目标涂料进行图像采集,获取到的图像即为第二涂料图像,该图像记录了目标涂料在第二状态下的外观特征。
根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果;
获取目标涂料的标准涂料图像,这是一个预先确定好的、代表着期望涂料质量的参考图像,例如为刚出厂的标准状态的图像。将第二涂料图像和目标涂料的标准涂料图像进行比对和分析,通过计算第二涂料图像与标准涂料图像之间的相似度,评估目标涂料与标准涂料之间的质量差异,要是搅拌后能够恢复刚出厂的标准状态,代表其质量较好,如果搅拌后还有结块、沉淀等,代表其质量不好,根据涂料质量监测分析的结果,得出第一质量监测结果,这个结果可以是定量的,如一个得分,也可以是定性的,如“合格”或“不合格”等质量等级,它表示目标涂料相对于标准涂料的质量差异。
通过进行涂料质量监测分析,可以使用第二涂料图像和目标涂料的标准涂料图像之间的比对和分析来评估涂料的质量状况,并获得第一质量监测结果作为评估的输出。
进一步而言,根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果,包括:
获取所述目标涂料的标准涂料图像;
获取所述目标涂料的同类涂料在采用所述预设搅拌操作处理后的样本第二涂料图像集合;
结合所述样本第二涂料图像集合和所述标准涂料图像,构建涂料恢复质量分析通道;
获取所述第一质量监测结果,所述第一质量监测结果通过将所述第二涂料图像和标准涂料图像输入所述涂料恢复质量分析通道内识别获得。
获取标准目标涂料,这可以经过特定测试和评估确定的符合要求的涂料,或者刚出厂的标准状态的目标涂料。使用图像采集设备,对标准涂料进行图像采集,获取目标涂料的标准涂料图像,这个图像为后续涂料质量评估的标准参考,用于与其他涂料图像进行比较。
确定与目标涂料属于同一类别的其他涂料样本,这些涂料样本具有相似的成分和性质,用于和目标涂料进行比较评估。根据预设的搅拌操作方法,对同类涂料样本进行相同的搅拌处理,确保了样本在相同的搅拌条件下进行涂料流平恢复。在同类涂料样本经过预设搅拌操作处理后,使用图像采集设备采集每个样本的第二涂料图像,建立样本第二涂料图像集合。
利用孪生网络来构建涂料恢复质量分析通道,其中,一个子网络处理样本第二涂料图像集合中的每个图像,另一个子网络处理标准涂料图像。孪生网络是一种深度学习模型结构,用于处理具有相似性比较任务,它由两个相同的子网络组成,每个子网络接收一个输入样本,并提取出特征表示,这些特征表示被用于比较两个输入样本之间的相似度。每个子网络从输入图像中提取特征表示,这可以通过将图像通过卷积神经网络(CNN)层和其他特征提取层传递来实现,CNN层可以用于自动学习图像中的特征表征,以捕捉涂料的质量特征。
通过将两个子网络的特征表示连接,并使用适当的相似度计算方法,如欧氏距离、余弦相似度等,来计算样本第二涂料图像和标准涂料图像之间的相似度。将相似度计算的结果作为涂料恢复质量分析通道的输出,这个输出用于评估样本第二涂料图像与标准涂料图像之间的相似性,并进一步用于涂料质量分析和评估。
将第二涂料图像和标准涂料图像作为输入提供给涂料恢复质量分析通道中的孪生网络进行运算,涂料恢复质量分析通道自动从这两幅图像中提取特征,并计算它们之间的相似度,根据相似度计算结果,涂料恢复质量分析通道识别获得第一质量监测结果,这个结果可以是一个分数、指标或分类标签,用于评估目标涂料的质量状态。
进一步而言,结合所述样本第二涂料图像集合和所述标准涂料图像,构建涂料恢复质量分析通道,包括:
随机选择样本第二涂料图像集合内的样本第二涂料图像,结合所述标准涂料图像,基于图像相似度进行涂料质量分析,获取样本第一质量监测结果集合;
基于孪生网络,构建两条权值共享的涂料恢复质量分析路径,形成涂料恢复质量分析通道;
采用所述样本第二涂料图像集合、标准涂料图像和样本第一质量监测结果集合,对涂料恢复质量分析通道进行训练,直到收敛。
从样本第二涂料图像集合中随机选择一个样本第二涂料图像作为待分析的图像,将所选的样本第二涂料图像与标准涂料图像进行比较,利用图像处理和计算方法,如结构相似性指数,计算样本第二涂料图像与标准涂料图像之间的相似度,基于图像相似度的分析结果,得到样本第一质量监测结果,这个结果可以是一个分数、指标或分类标签,表示样本第二涂料图像与标准涂料图像之间的质量差异程度。
重复上述步骤,随机选择多个样本第二涂料图像,并结合标准涂料图像进行基于图像相似度的涂料质量分析,从而获取样本第一质量监测结果集合,这个结果集合提供了对不同样本涂料质量的评估,帮助判断目标涂料的质量偏移。
在构建涂料恢复质量分析通道时,使用两条相同的网络路径,这两条路径共享相同的权值,这意味着两个涂料图像输入将分别通过这两条路径进行处理和特征提取。每个涂料恢复质量分析路径都由一系列层组成,包括卷积层、池化层、全连接层等,这些层用于提取涂料图像中的特征,以便进行质量分析。通过两条路径,在涂料图像上应用相同的卷积和池化操作,以提取图像的特征表示,这些特征表示将捕捉涂料质量的关键特征。
将两条路径提取的特征表示连接起来,并使用适当的相似度计算方法,如欧氏距离、余弦相似度等,来计算样本第二涂料图像与标准涂料图像之间的相似度。将两条路径组合在一起,形成涂料恢复质量分析通道,两条路径共享的权值确保了它们在处理和提取特征时的一致性,从而增强了模型的泛化能力和鲁棒性。
采用所述样本第二涂料图像集合、标准涂料图像和样本第一质量监测结果集合作为训练数据。将准备好的训练数据划分为训练集和验证集,训练集用于训练涂料恢复质量分析通道,而验证集用于评估模型在训练过程中的性能和泛化能力。为了衡量涂料恢复质量分析通道的性能,定义一个适当的损失函数,常用的损失函数包括均方差损失、交叉熵损失等。
使用训练集数据,将样本第二涂料图像集合和标准涂料图像输入涂料恢复质量分析通道,并根据损失函数进行反向传播和参数优化,通过多次迭代训练,不断调整网络权重和参数,直到模型收敛,即达到预期的性能水平。在训练过程中,使用验证集数据评估模型性能,根据验证集上的性能指标,如准确率、均方差等,来调整网络结构、超参数或优化算法等,以进一步提升模型的性能。
当涂料恢复质量分析通道达到预期的性能水平,且验证集上的性能指标不再显著改善时,可以判定模型已经收敛,此时,涂料恢复质量分析通道可以用于对新的样本第二涂料图像进行质量分析和评估。
根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数;
涂料虽然搅拌后能恢复一部分,但是长时间的沉积已经导致涂料质量产生了不可逆老化,因此需要进行涂料沉积老化分析。将搅拌前的第一涂料图像与标准涂料图像进行比对和分析,以评估涂料的沉积老化程度,同样通过计算第一涂料图像与标准涂料图像之间的相似度,评估涂料的沉积老化程度,根据涂料沉积老化分析的结果,将相似度的倒数作为涂料沉积系数,这个系数表示涂料沉积的程度,二者相似度越高则涂料沉积系数越低,则表示沉积越轻微。
进一步而言,根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数,包括:
获取所述目标涂料的标准涂料图像;
获取所述目标涂料的同类涂料在不同存放时间后的图像,获得样本第一涂料图像集合;
根据所述目标涂料的同类涂料在不同存放时间后沉积老化的质量老化程度,获取样本涂料沉积系数集合;
采用所述样本第一涂料图像集合、标准涂料图像和样本涂料沉积系数集合,基于孪生网络,构建涂料沉积老化分析通道;
将所述第一涂料图像和所述标准涂料图像输入所述涂料沉积老化分析通道,获得所述涂料沉积系数。
获取目标涂料的标准涂料图像,作为涂料质量评估的参考标准。
获取目标涂料的同类涂料在不同存放时间后的图像,以构建样本第一涂料图像集合,这些图像可以来自实验室测试、生产过程中的采样,或者从已有的图像数据库中获取,通过在不同存放时间下获取涂料图像,可以捕捉到涂料质量随着时间的变化。
根据目标涂料的同类涂料在不同存放时间后的图像集合,将图像按照时间排列,获取不同时间段内可能发生的质量老化程度,质量老化可以包括颜色变化、光泽度下降、涂层表面的变化等。根据这些同类涂料在不同存放时间后的图像集合,通过对比分析和评估图像的质量差异,计算得到样本涂料沉积系数集合,样本涂料沉积系数是一个表示涂料质量老化程度的指标,它可以基于颜色值变化、纹理特征变化、表面缺陷的数量等进行计算得出。通过获取样本涂料沉积系数集合,可以得到目标涂料在不同存放时间下的质量老化程度的量化表示。
与前述涂料恢复质量分析通道的构建过程类似,使用样本第一涂料图像集合、标准涂料图像和样本涂料沉积系数集合来构建涂料沉积老化分析通道,这个通道基于孪生网络的架构,其中两条路径共享权值,用于处理和提取涂料图像的特征。
将样本第一涂料图像和标准涂料图像作为输入,通过涂料沉积老化分析通道进行处理和特征提取,该通道利用样本第一涂料图像集合和标准涂料图像的信息,结合样本涂料沉积系数集合中的知识,计算出涂料沉积系数。该涂料沉积系数表示涂料的沉积老化程度,取值范围为0到1,直接反映了涂料的沉积程度,如果沉积时间短,那么基本没有出现分层、胶化等状态,涂料沉积系数就接近于1比较大,反之,则较小。
根据所述涂料沉积系数,对所述第一质量监测结果进行修正计算,获得第二质量监测结果;
将涂料沉积系数应用于第一质量监测结果进行修正计算,通过将第一质量监测结果乘以涂料沉积系数,计算得到第二质量监测结果,通过这样的修正计算,考虑了涂料沉积对涂料质量产生的不可逆的老化影响,将第一质量监测结果根据沉积程度进行修正,得到更准确的第二质量监测结果,实现更准确地评估涂料的质量状况。
根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数;
基于涂料搅拌后恢复静置状态过程中的涂料恢复图像序列,通过两个slowfast模型,识别涂料的流平性和均匀性,流平性指涂料在涂覆表面上均匀分布并自行流平的能力;均匀性指涂料在涂布表面上的均匀分布程度。
通过评估流平状态以及涂料是否均匀,获取流平性系数和均匀性系数,系数取值范围为0到1,其中,流平性系数表示涂料流平性的程度,其中1表示最佳流平性,0表示最差流平性;均匀性系数表示涂料均匀性的程度,其中1表示最佳均匀性,0表示最差均匀性。这些系数用于评估涂料在恢复过程中的流平性和均匀性,从而提供更全面和准确的涂料质量监测结果。
进一步而言,根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数,包括:
对所述涂料恢复图像序列按照第一抽取频率,进行多帧图像抽取和下采样处理,获取第一恢复图像序列;
对所述涂料恢复图像序列按照第二抽取频率,进行多帧图像抽取,获取第二恢复图像序列,其中,第一抽取频率大于第二抽取频率;
构建用于识别涂料达到第二状态过程中流平性的流平性分析器,以及用于识别均匀性的均匀性分析器;
将所述第一恢复图像序列和第二恢复图像序列输入所述流平性分析器,获得所述流平性系数,以及输入所述均匀性分析器,获得所述均匀性系数。
根据实际情况和具体需求自定义第一抽取频率和第二抽取频率,其中,第一抽取频率大于第二抽取频率,意味着按照第二抽取频率选取的图像帧之间的时间间隔更小,根据第一抽取频率和第二抽取频率的不同设置,可以灵活地选择图像帧的数量和时间间隔,以满足具体任务的需求。
对涂料恢复图像序列按照第一抽取频率进行多帧图像抽取,多帧图像抽取是从涂料恢复图像序列中选取一部分图像帧,通常根据时间间隔或固定的帧数来确定;以及下采样处理,下采样处理是对选取的图像进行降采样,降低图像分辨率以减少数据量和计算复杂度,进而获取第一恢复图像序列。同样对涂料恢复图像序列按照第二抽取频率进行多帧图像抽取,获取第二恢复图像序列。
流平性分析器用于识别涂料在达到第二状态时的流平性,它基于slowfast网络架构,该网络能够在不同时间尺度下分析视频或图像序列,通过输入第一恢复图像序列,流平性分析器会提取图像中的时间动态信息,并在空间和时间上对图像进行分析,以此评估涂料在达到第二状态时的流平性,即涂料涂层表面的平整程度。
均匀性分析器用于识别涂料在达到第二状态时的均匀性,同样使用slowfast网络,该分析器可以对涂料的均匀性进行评估通过输入第二恢复图像序列,均匀性分析器会捕捉到涂料涂层中的空间动态信息,并在不同时间尺度下进行分析,以此判断涂料在达到第二状态时的均匀性,即涂层的颜色、纹理或其他特征的一致程度。
通过构建流平性分析器和均匀性分析器,可以利用涂料恢复图像序列的时间动态和空间信息来评估涂料在不同状态下的流平性和均匀性,这样的分析器可以帮助监测涂料质量,检测潜在的流平性问题和不均匀性。
将得到的第一恢复图像序列作为输入,输入到流平性分析器中,该分析器对输入的第一恢复图像序列进行处理和特征提取,根据slowfast网络的输出,计算出涂料在达到第二状态时的流平性系数,该系数表示涂料涂层表面的平整程度,用于评估涂料的流平性质量。
同样,将第二恢复图像序列作为输入,输入到均匀性分析器中,计算得到涂料在达到第二状态时的均匀性系数,该系数表示涂料涂层中颜色、纹理或其他特征的一致程度,用于评估涂料的均匀性量。
进一步而言,构建用于识别涂料达到第二状态过程中流平性的流平性分析器,包括:
基于所述目标涂料的同类涂料在按照所述预设搅拌操作后达到第二状态的样本数据,获取样本第一恢复图像序列集和样本第二恢复图像序列集,并根据达到第二状态不同的流平性,获取样本流平性系数集合;
基于slowfast网络,构建第一流平性识别路径和第二流平性识别路径,并构建全连接层连接所述第一流平性识别路径和第二流平性识别路径,获得流平性分析器的网络结构;
采用所述样本第一恢复图像序列集、样本第二恢复图像序列集作为输入数据,采用样本流平性系数集合作为监督数据,对所述流平性分析器进行监督训练,直到收敛。
收集与目标涂料相同类型的其他涂料样本,这些样本经过相同的搅拌操作,并达到第二状态,这些样本可以具有不同的流平性特征,即涂层表面的平整程度不同。对于每个同类涂料样本,采集涂料在达到第二状态时的恢复图像序列,其中,第一恢复图像序列表示按照第一抽取频率进行多帧图像抽取和下采样处理得到的图像序列,第二恢复图像序列为按照第二抽取频率进行多帧图像抽取得到的图像序列。
根据样本涂料的流平性特征,将样本分成不同的组别,对于每个组别,分别计算流平性系数,例如根据涂料表面的平整程度进行定量评估,如使用图像处理算法,计算表面的平均平整性、变异性或其他相关指标,获得样本流平性系数集合,与每个样本的流平性特征相对应。
第一流平性识别路径是用于识别涂料在达到第二状态时的流平性的子网络,它接收第一恢复图像序列作为输入,该路径由一系列fast模块组成,用于在时间上建模图像序列的动态特征,用于从图像序列中提取空间和时间特征。
第二流平性识别路径也是用于识别涂料在达到第二状态时的流平性的子网络,它接收第二恢复图像序列作为输入,该路径由一系列slow模块组成,用于建模图像序列的动态特征。这些模块可以与第一流平性识别路径中的模块不同,用于从不同时间尺度上分析涂料的状态。
将第一流平性识别路径和第二流平性识别路径连接起来,通过全连接层进行融合,全连接层将两条路径的输出特征进行压缩组合,并生成最终的流平性分析器的输出,这样可以综合考虑第一和第二恢复图像序列中的动态特征,从而得出关于涂料流平性的综合评估。
通过上述步骤,构建流平性分析器的网络结构,这个网络结构可以利用slowfast网络的优势,同时考虑不同时间尺度和图像序列的动态特征,从而实现对涂料流平性的准确分析和评估。
将样本第一恢复图像序列集和样本第二恢复图像序列集作为输入数据,将样本流平性系数集合作为与输入数据对应的监督标签,根据之前构建的流平性分析器的网络结构,初始化网络参数。
通过将输入数据传递给流平性分析器,得到预测的流平性系数,然后,计算预测系数与真实系数之间的损失,使用反向传播算法来计算梯度,并根据梯度下降或其他优化算法更新网络参数,重复进行训练迭代,直到损失函数收敛或达到预定的停止条件,最终获取满足预设要求的流平性分析器以准确地预测涂料流平性。
采用所述流平性系数和均匀性系数,对所述第二质量监测结果进行修正计算,获得第三质量监测结果,并计算获得涂料质量偏移结果,作为所述目标涂料的质量监测结果。
将流平性系数和均匀性系数应用于第二质量监测结果进行修正计算,例如直接将第三质量监测结果乘以流平性系数和均匀性系数,计算得到第三质量监测结果,通过这样的修正计算,考虑了涂料的流平性和均匀性对第二质量监测结果的影响,得到更准确的第三质量监测结果。
将第三质量监测结果与目标涂料的标准质量进行比对,通过计算第三质量监测结果与目标涂料的标准质量的差值,计算获得涂料质量偏移结果,涂料质量偏移结果表示了目标涂料相对于标准质量的质量差异,正值表示超出标准质量,负值表示低于标准质量。
通过采用流平性系数和均匀性系数进行修正计算,可以更准确地评估涂料的质量状况,并计算出涂料质量偏移结果作为目标涂料的质量监测结果,这样的质量监测方法提供了更全面和准确的质量评估。
综上所述,本申请实施例所提供的一种涂料的质量监测方法及系统具有如下技术效果:
1.通过采集目标涂料的第一涂料图像来获取初始状态下的涂料信息,结合第二涂料图像进行质量监测分析,可以提高对涂料质量的准确性;
2.通过对第一涂料图像和标准涂料图像进行沉积老化分析,获得涂料沉积系数,修正计算第一质量监测结果,可以更准确地反映涂料质量;
3.利用涂料恢复图像序列进行流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数,通过修正计算第二质量监测结果,进一步提高涂料质量监测的准确性;
4.利用流平性系数和均匀性系数对第二质量监测结果进行修正计算,得到第三质量监测结果,同时计算涂料质量偏移结果,实现全面评估涂料的质量状态。
综上所述,该方法通过引入多组图像数据和相关参数,综合考虑涂料质量的多个方面,并通过修正计算获得更准确的涂料质量监测结果,达到了提升涂料质量监测的准确性和全面性的技术效果。
实施例二
基于与前述实施例中一种涂料的质量监测方法相同的发明构思,如图2所示,本申请提供了一种涂料的质量监测系统,所述系统包括:
图像采集模块10,所述图像采集模块10用于在待进行质量监测的目标涂料处于第一状态下时,采集所述目标涂料的第一涂料图像;
搅拌处理模块20,所述搅拌处理模块20用于采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,获得涂料恢复图像序列和第二涂料图像;
质量监测模块30,所述质量监测模块30用于根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果;
老化分析模块40,所述老化分析模块40用于根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数;
修正计算模块50,所述修正计算模块50用于根据所述涂料沉积系数,对所述第一质量监测结果进行修正计算,获得第二质量监测结果;
均匀性分析模块60,所述均匀性分析模块60用于根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数;
监测结果获取模块70,所述监测结果获取模块70用于采用所述流平性系数和均匀性系数,对所述第二质量监测结果进行修正计算,获得第三质量监测结果,并计算获得涂料质量偏移结果,作为所述目标涂料的质量监测结果。
进一步而言,所述系统还包括第二涂料图像获取模块,以执行如下操作步骤:
采用预设搅拌操作,对所述目标涂料进行搅拌处理,在搅拌完成后涂料流平恢复的过程中的多个时间窗口,采集所述目标涂料的图像,获得涂料恢复图像序列;
在所述目标涂料流平恢复到所述第二状态后,采集所述目标涂料的图像,获得所述第二涂料图像。
进一步而言,所述系统还包括第二质量监测结果获取模块,以执行如下操作步骤:
获取所述目标涂料的标准涂料图像;
获取所述目标涂料的同类涂料在采用所述预设搅拌操作处理后的样本第二涂料图像集合;
结合所述样本第二涂料图像集合和所述标准涂料图像,构建涂料恢复质量分析通道;
获取所述第一质量监测结果,所述第一质量监测结果通过将所述第二涂料图像和标准涂料图像输入所述涂料恢复质量分析通道内识别获得。
进一步而言,所述系统还包括通道训练模块,以执行如下操作步骤:
随机选择样本第二涂料图像集合内的样本第二涂料图像,结合所述标准涂料图像,基于图像相似度进行涂料质量分析,获取样本第一质量监测结果集合;
基于孪生网络,构建两条权值共享的涂料恢复质量分析路径,形成涂料恢复质量分析通道;
采用所述样本第二涂料图像集合、标准涂料图像和样本第一质量监测结果集合,对涂料恢复质量分析通道进行训练,直到收敛。
进一步而言,所述系统还包括涂料沉积系数获取模块,以执行如下操作步骤:
获取所述目标涂料的标准涂料图像;
获取所述目标涂料的同类涂料在不同存放时间后的图像,获得样本第一涂料图像集合;
根据所述目标涂料的同类涂料在不同存放时间后沉积老化的质量老化程度,获取样本涂料沉积系数集合;
采用所述样本第一涂料图像集合、标准涂料图像和样本涂料沉积系数集合,基于孪生网络,构建涂料沉积老化分析通道;
将所述第一涂料图像和所述标准涂料图像输入所述涂料沉积老化分析通道,获得所述涂料沉积系数。
进一步而言,所述系统还包括均匀性系数获取模块,以执行如下操作步骤:
对所述涂料恢复图像序列按照第一抽取频率,进行多帧图像抽取和下采样处理,获取第一恢复图像序列;
对所述涂料恢复图像序列按照第二抽取频率,进行多帧图像抽取,获取第二恢复图像序列,其中,第一抽取频率大于第二抽取频率;
构建用于识别涂料达到第二状态过程中流平性的流平性分析器,以及用于识别均匀性的均匀性分析器;
将所述第一恢复图像序列和第二恢复图像序列输入所述流平性分析器,获得所述流平性系数,以及输入所述均匀性分析器,获得所述均匀性系数。
进一步而言,所述系统还包括流平性分析器训练模块,以执行如下操作步骤:
基于所述目标涂料的同类涂料在按照所述预设搅拌操作后达到第二状态的样本数据,获取样本第一恢复图像序列集和样本第二恢复图像序列集,并根据达到第二状态不同的流平性,获取样本流平性系数集合;
基于slowfast网络,构建第一流平性识别路径和第二流平性识别路径,并构建全连接层连接所述第一流平性识别路径和第二流平性识别路径,获得流平性分析器的网络结构;
采用所述样本第一恢复图像序列集、样本第二恢复图像序列集作为输入数据,采用样本流平性系数集合作为监督数据,对所述流平性分析器进行监督训练,直到收敛。
本说明书通过前述对一种涂料的质量监测方法的详细描述,本领域技术人员可以清楚得知道本实施例中的一种涂料的质量监测系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种涂料的质量监测方法,其特征在于,所述方法包括:
在待进行质量监测的目标涂料处于第一状态下时,采集所述目标涂料的第一涂料图像;
采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,获得涂料恢复图像序列和第二涂料图像;
根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果;
根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数;
根据所述涂料沉积系数,对所述第一质量监测结果进行修正计算,获得第二质量监测结果;
根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数;
采用所述流平性系数和均匀性系数,对所述第二质量监测结果进行修正计算,获得第三质量监测结果,并计算获得涂料质量偏移结果,作为所述目标涂料的质量监测结果;
其中,采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,包括:
采用预设搅拌操作,对所述目标涂料进行搅拌处理,在搅拌完成后涂料流平恢复的过程中的多个时间窗口,采集所述目标涂料的图像,获得涂料恢复图像序列;
在所述目标涂料流平恢复到所述第二状态后,采集所述目标涂料的图像,获得所述第二涂料图像。
2.根据权利要求1所述的方法,其特征在于,根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果,包括:
获取所述目标涂料的标准涂料图像;
获取所述目标涂料的同类涂料在采用所述预设搅拌操作处理后的样本第二涂料图像集合;
结合所述样本第二涂料图像集合和所述标准涂料图像,构建涂料恢复质量分析通道;
获取所述第一质量监测结果,所述第一质量监测结果通过将所述第二涂料图像和标准涂料图像输入所述涂料恢复质量分析通道内识别获得。
3.根据权利要求2所述的方法,其特征在于,结合所述样本第二涂料图像集合和所述标准涂料图像,构建涂料恢复质量分析通道,包括:
随机选择样本第二涂料图像集合内的样本第二涂料图像,结合所述标准涂料图像,基于图像相似度进行涂料质量分析,获取样本第一质量监测结果集合;
基于孪生网络,构建两条权值共享的涂料恢复质量分析路径,形成涂料恢复质量分析通道;
采用所述样本第二涂料图像集合、标准涂料图像和样本第一质量监测结果集合,对涂料恢复质量分析通道进行训练,直到收敛。
4.根据权利要求1所述的方法,其特征在于,根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数,包括:
获取所述目标涂料的标准涂料图像;
获取所述目标涂料的同类涂料在不同存放时间后的图像,获得样本第一涂料图像集合;
根据所述目标涂料的同类涂料在不同存放时间后沉积老化的质量老化程度,获取样本涂料沉积系数集合;
采用所述样本第一涂料图像集合、标准涂料图像和样本涂料沉积系数集合,基于孪生网络,构建涂料沉积老化分析通道;
将所述第一涂料图像和所述标准涂料图像输入所述涂料沉积老化分析通道,获得所述涂料沉积系数。
5.根据权利要求1所述的方法,其特征在于,根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数,包括:
对所述涂料恢复图像序列按照第一抽取频率,进行多帧图像抽取和下采样处理,获取第一恢复图像序列;
对所述涂料恢复图像序列按照第二抽取频率,进行多帧图像抽取,获取第二恢复图像序列,其中,第一抽取频率大于第二抽取频率;
构建用于识别涂料达到第二状态过程中流平性的流平性分析器,以及用于识别均匀性的均匀性分析器;
将所述第一恢复图像序列和第二恢复图像序列输入所述流平性分析器,获得所述流平性系数,以及输入所述均匀性分析器,获得所述均匀性系数。
6.根据权利要求5所述的方法,其特征在于,构建用于识别涂料达到第二状态过程中流平性的流平性分析器,包括:
基于所述目标涂料的同类涂料在按照所述预设搅拌操作后达到第二状态的样本数据,获取样本第一恢复图像序列集和样本第二恢复图像序列集,并根据达到第二状态不同的流平性,获取样本流平性系数集合;
基于slowfast网络,构建第一流平性识别路径和第二流平性识别路径,并构建全连接层连接所述第一流平性识别路径和第二流平性识别路径,获得流平性分析器的网络结构;
采用所述样本第一恢复图像序列集、样本第二恢复图像序列集作为输入数据,采用样本流平性系数集合作为监督数据,对所述流平性分析器进行监督训练,直到收敛。
7.一种涂料的质量监测系统,其特征在于,用于实施权利要求1-6任一项所述的一种涂料的质量监测方法,包括:
图像采集模块,所述图像采集模块用于在待进行质量监测的目标涂料处于第一状态下时,采集所述目标涂料的第一涂料图像;
搅拌处理模块,所述搅拌处理模块用于采用预设搅拌操作,对所述目标涂料进行搅拌处理,使目标涂料达到第二状态,并在目标涂料达到第二状态时和达到第二状态后采集图像,获得涂料恢复图像序列和第二涂料图像;
质量监测模块,所述质量监测模块用于根据所述第二涂料图像和所述目标涂料的标准涂料图像,进行涂料质量监测分析,获得第一质量监测结果;
老化分析模块,所述老化分析模块用于根据所述第一涂料图像和所述标准涂料图像,进行涂料沉积老化分析,获得涂料沉积系数;
修正计算模块,所述修正计算模块用于根据所述涂料沉积系数,对所述第一质量监测结果进行修正计算,获得第二质量监测结果;
均匀性分析模块,所述均匀性分析模块用于根据所述涂料恢复图像序列,进行涂料流平性分析和涂料均匀性分析,获得流平性系数和均匀性系数;
监测结果获取模块,所述监测结果获取模块用于采用所述流平性系数和均匀性系数,对所述第二质量监测结果进行修正计算,获得第三质量监测结果,并计算获得涂料质量偏移结果,作为所述目标涂料的质量监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410003849.8A CN117491357B (zh) | 2024-01-03 | 2024-01-03 | 一种涂料的质量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410003849.8A CN117491357B (zh) | 2024-01-03 | 2024-01-03 | 一种涂料的质量监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117491357A CN117491357A (zh) | 2024-02-02 |
CN117491357B true CN117491357B (zh) | 2024-04-19 |
Family
ID=89683389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410003849.8A Active CN117491357B (zh) | 2024-01-03 | 2024-01-03 | 一种涂料的质量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491357B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01262969A (ja) * | 1988-04-11 | 1989-10-19 | Minnesota Mining & Mfg Co <3M> | 官能性塗料組成物を監視する方法 |
CN103630464A (zh) * | 2013-11-29 | 2014-03-12 | 辽宁万泓激光科技股份有限公司 | 一种标线涂料流动度的新型检测设备及方法 |
CN111413251A (zh) * | 2019-01-08 | 2020-07-14 | 上海深竹化工科技有限公司 | 一种涂料用流平剂的流平性测试方法 |
CN114323548A (zh) * | 2022-03-14 | 2022-04-12 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种适用于不同参考状态下的压敏漆涂料校准方法 |
CN116660099A (zh) * | 2023-07-24 | 2023-08-29 | 绵阳新启科技有限公司 | 一种水性涂料流动性检测系统及方法 |
-
2024
- 2024-01-03 CN CN202410003849.8A patent/CN117491357B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01262969A (ja) * | 1988-04-11 | 1989-10-19 | Minnesota Mining & Mfg Co <3M> | 官能性塗料組成物を監視する方法 |
CN103630464A (zh) * | 2013-11-29 | 2014-03-12 | 辽宁万泓激光科技股份有限公司 | 一种标线涂料流动度的新型检测设备及方法 |
CN111413251A (zh) * | 2019-01-08 | 2020-07-14 | 上海深竹化工科技有限公司 | 一种涂料用流平剂的流平性测试方法 |
CN114323548A (zh) * | 2022-03-14 | 2022-04-12 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种适用于不同参考状态下的压敏漆涂料校准方法 |
CN116660099A (zh) * | 2023-07-24 | 2023-08-29 | 绵阳新启科技有限公司 | 一种水性涂料流动性检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117491357A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN108665460B (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
CN109214470B (zh) | 一种基于编码网络微调的图像能见度检测方法 | |
CN110705692A (zh) | 一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测方法 | |
CN109087277B (zh) | 一种空气细颗粒物pm2.5测量方法 | |
CN105100789A (zh) | 一种视频质量评价方法 | |
CN106779217B (zh) | 空气质量检测方法和空气质量检测系统 | |
CN111127435B (zh) | 基于双流卷积神经网络的无参考图像质量评估方法 | |
CN112765908B (zh) | 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 | |
CN105163106A (zh) | 一种多重数据处理的视频质量评价系统 | |
CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
CN113902710A (zh) | 基于异常检测算法进行工业零件表面缺陷检测方法及系统 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN117491357B (zh) | 一种涂料的质量监测方法及系统 | |
CN113358647A (zh) | 一种烟草烘烤数据预测监控模型建立方法 | |
CN117406027A (zh) | 一种配电网故障测距方法及其系统 | |
CN110570022A (zh) | 一种基于mGBDT的建筑能耗预测方法和系统 | |
CN112488125B (zh) | 一种基于高速视觉诊断和bp神经网络的重建方法及系统 | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN109165587A (zh) | 智能图像信息抽取方法 |
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 |