CN117689661B - 医用透气材料表面的涂层缺陷检测方法及系统 - Google Patents
医用透气材料表面的涂层缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117689661B CN117689661B CN202410148910.8A CN202410148910A CN117689661B CN 117689661 B CN117689661 B CN 117689661B CN 202410148910 A CN202410148910 A CN 202410148910A CN 117689661 B CN117689661 B CN 117689661B
- Authority
- CN
- China
- Prior art keywords
- temperature
- coating
- target
- temperature distribution
- test point
- 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
- 238000000576 coating method Methods 0.000 title claims abstract description 354
- 239000011248 coating agent Substances 0.000 title claims abstract description 284
- 230000007547 defect Effects 0.000 title claims abstract description 127
- 239000000463 material Substances 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000009826 distribution Methods 0.000 claims abstract description 185
- 238000012360 testing method Methods 0.000 claims abstract description 151
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 230000008859 change Effects 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 56
- 238000013433 optimization analysis Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 38
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000003066 decision tree Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000011056 performance test Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- 239000002041 carbon nanotube Substances 0.000 claims description 6
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 239000003822 epoxy resin Substances 0.000 claims description 6
- 238000003707 image sharpening Methods 0.000 claims description 6
- 229920000647 polyepoxide Polymers 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000001931 thermography Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 2
- 230000002950 deficient Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- LNEPOXFFQSENCJ-UHFFFAOYSA-N haloperidol Chemical compound C1CC(O)(C=2C=CC(Cl)=CC=2)CCN1CCCC(=O)C1=CC=C(F)C=C1 LNEPOXFFQSENCJ-UHFFFAOYSA-N 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请涉及涂层缺陷检测技术领域,公开了一种医用透气材料表面的涂层缺陷检测方法及系统。所述方法包括:获取医用透气材料的初始表面涂层工艺参数信息并构建多个温度测试点;采集目标红外图像数据和目标涂层电阻数据;进行温度分布区域分割,得到温度分布特征集合并进行电阻变化特征提取,得到电阻变化特征集合;分别将每个温度测试点的温度分布特征集合和电阻变化特征集合输入涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果;进行工艺参数优化分析,得到目标表面涂层工艺参数信息,本申请提高了医用透气材料表面的涂层缺陷检测准确率并实现了表面涂层工艺参数的自适应优化。
Description
技术领域
本申请涉及涂层缺陷检测技术领域,尤其涉及一种医用透气材料表面的涂层缺陷检测方法及系统。
背景技术
在医疗领域,透气材料广泛应用于制造敷料、外科手术用品和医疗设备,以确保患者舒适且有良好的通气性。然而,这些透气材料表面的涂层质量对其性能至关重要。由于医用透气材料通常需要在复杂的温度环境下使用,表面涂层的缺陷导致性能下降,甚至影响患者的医疗体验。当前,对医用透气材料表面涂层的缺陷检测主要依赖于人工观察和传统测试方法,这些方法存在着对涂层性能的依赖性和检测效率低下的问题。因此,开发一种自动化、高效且准确的医用透气材料表面涂层缺陷检测方法对于提升医疗材料质量至关重要。
在当前的研究中,涂层缺陷检测的挑战主要体现在如何更全面、准确地评估涂层在不同温度下的性能,以及如何将涂层的物理特性与电性能相结合进行缺陷检测。传统方法往往难以克服温度变化对涂层性能的影响,同时,单一的表面特性评估也难以全面揭示涂层的质量。
发明内容
本申请提供了一种医用透气材料表面的涂层缺陷检测方法及系统,用于提高了医用透气材料表面的涂层缺陷检测准确率并实现了表面涂层工艺参数的自适应优化。
第一方面,本申请提供了一种医用透气材料表面的涂层缺陷检测方法,所述医用透气材料表面的涂层缺陷检测方法包括:
获取医用透气材料的初始表面涂层工艺参数信息,并根据所述初始表面涂层工艺参数信息构建对应的多个温度测试点;
基于所述多个温度测试点对所述医用透气材料进行表面涂层性能测试和图像采集,得到每个温度测试点的目标红外图像数据和目标涂层电阻数据;
通过预置的Attention U-Net模型分别对所述目标红外图像数据进行温度分布区域分割,得到每个温度测试点的温度分布区域分割图像;
对所述温度分布区域分割图像进行温度分布特征分析,得到每个温度测试点的温度分布特征集合,并对所述目标涂层电阻数据进行电阻变化特征提取,得到每个温度测试点的电阻变化特征集合;
分别将每个温度测试点的温度分布特征集合和所述电阻变化特征集合输入预置的涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果;
根据所述目标涂层缺陷检测结果对所述医用透气材料的初始表面涂层工艺参数信息进行工艺参数优化分析,得到目标表面涂层工艺参数信息。
第二方面,本申请提供了一种医用透气材料表面的涂层缺陷检测系统,所述医用透气材料表面的涂层缺陷检测系统包括:
获取模块,用于获取医用透气材料的初始表面涂层工艺参数信息,并根据所述初始表面涂层工艺参数信息构建对应的多个温度测试点;
测试模块,用于基于所述多个温度测试点对所述医用透气材料进行表面涂层性能测试和图像采集,得到每个温度测试点的目标红外图像数据和目标涂层电阻数据;
分割模块,用于通过预置的Attention U-Net模型分别对所述目标红外图像数据进行温度分布区域分割,得到每个温度测试点的温度分布区域分割图像;
分析模块,用于对所述温度分布区域分割图像进行温度分布特征分析,得到每个温度测试点的温度分布特征集合,并对所述目标涂层电阻数据进行电阻变化特征提取,得到每个温度测试点的电阻变化特征集合;
检测模块,用于分别将每个温度测试点的温度分布特征集合和所述电阻变化特征集合输入预置的涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果;
优化模块,用于根据所述目标涂层缺陷检测结果对所述医用透气材料的初始表面涂层工艺参数信息进行工艺参数优化分析,得到目标表面涂层工艺参数信息。
本申请提供的技术方案中,采用了多模态的信息,包括温度分布特征和电阻变化特征。通过融合这两种信息,可以提供更全面、准确的涂层缺陷检测结果。这有助于更全面地了解涂层的性能状况。引入了Attention U-Net模型进行温度分布区域分割,这能够使模型更关注于温度分布的关键区域,提高分割的准确性。这对于准确捕捉涂层缺陷区域非常有帮助。通过对温度分布区域分割图像进行温度分布特征分析和对电阻变化特征进行提取,使得检测方法更加细致入微。这有助于更精确地评估涂层性能。在工艺参数优化阶段,采用了多目标优化函数,考虑了温度分布均匀性和温度响应灵敏度。这使得工艺参数的优化更符合实际应用需求,提高了涂层的整体性能。使用了多个门限循环网络和决策树构建的涂层缺陷检测模型,实现了智能化的涂层缺陷检测。这有助于提高检测的准确性和鲁棒性。结合涂层缺陷检测结果,对初始表面涂层工艺参数信息进行工艺参数优化分析。这使得在生产过程中可以更好地调整和控制涂层的制备过程,从而提高了医用透气材料表面的涂层缺陷检测准确率并实现了表面涂层工艺参数的自适应优化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中医用透气材料表面的涂层缺陷检测方法的一个实施例示意图;
图2为本申请实施例中医用透气材料表面的涂层缺陷检测系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种医用透气材料表面的涂层缺陷检测方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中医用透气材料表面的涂层缺陷检测方法的一个实施例包括:
步骤S101、获取医用透气材料的初始表面涂层工艺参数信息,并根据初始表面涂层工艺参数信息构建对应的多个温度测试点;
可以理解的是,本申请的执行主体可以为医用透气材料表面的涂层缺陷检测系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,获取医用透气材料的表面涂层材料属性,其表面涂层主要由碳纳米管和环氧树脂材料构成。碳纳米管具有优异的导电性和机械性能,而环氧树脂则具有良好的粘合性和稳定性。根据表面涂层材料属性创建医用透气材料的初始表面涂层工艺参数信息,这包括涂层的厚度、硬度、以及预期的工作温度等。为了更系统地处理这些工艺参数,进行工艺参数编码,将每个参数转换为编码数据,便于后续的分析和预测。这种编码不仅使数据处理变得更加高效,而且有助于在涂层工作温度点预测中实现更高的准确性。通过分析编码后的工艺参数数据,预测出最出现缺陷的涂层工作温度点,温度点预测决定了实际测试中需要关注的特定温度值。进行涂层工作温度区间预测,以确定一个更为广泛的温度范围。这个温度区间范围是基于最有出现缺陷的温度点及其周围温度构建的,目的是确保测试能覆盖所有潜在的缺陷区域。在确定了涂层工作温度区间后,基于预设的测试温度间隔对该温度区间进行细分,计算出一系列具体的测试温度点。
步骤S102、基于多个温度测试点对医用透气材料进行表面涂层性能测试和图像采集,得到每个温度测试点的目标红外图像数据和目标涂层电阻数据;
具体的,根据多个温度测试点,分别对医用透气材料进行表面涂层性能测试。评估在不同温度条件下涂层的物理和化学性质如何变化,全面理解涂层的稳定性和可靠性。通过预置的热成像终端对这些经过特定温度条件处理的透气材料进行图像采集。热成像终端能够捕捉到材料表面在不同温度点下的红外图像数据,这些数据反映了材料表面的温度分布情况。对初始红外图像数据进行图像熵计算。图像熵是一种衡量图像信息量的指标,高熵值通常意味着图像中包含更多的信息。通过计算每个温度测试点的图像熵值,可以有效评估图像的复杂度和信息量。高熵值的图像含有过多的噪声信息,根据得到的图像熵值对初始红外图像数据进行图像锐化处理。图像锐化能够增强图像的边缘和纹理,使得材料表面的缺陷和异常区域更加清晰可见,从而为检测提供更准确的视觉依据。通过预置的电阻传感器对每个温度测试点的医用透气材料进行电阻变化监控。电阻是反映材料电性能的重要参数,涂层的缺陷往往会引起电阻的异常变化。获取每个温度测试点的初始涂层电阻数据有助于识别和定位缺陷。而初始电阻数据包含由于测试环境或设备引起的噪声,需要对这些数据进行去噪处理,得到目标涂层电阻数据。
步骤S103、通过预置的Attention U-Net模型分别对目标红外图像数据进行温度分布区域分割,得到每个温度测试点的温度分布区域分割图像;
具体的,将目标红外图像数据输入预置的Attention U-Net模型中。该模型是一个专门为医学图像分割设计的深度学习网络,它包含编码网络、注意力机制层以及解码网络。编码网络主要由三层卷积池化层组成,这些层通过卷积池化操作对输入的目标红外图像数据进行特征提取,逐步降低图像的空间尺寸,同时增加图像的深度,提取出更加抽象和深层的特征信息。这些操作使得网络能够捕捉到温度分布的细微变化,得到的第一卷积特征图包含了丰富的温度分布信息。通过注意力机制层对第一卷积特征图进行温度分布区域注意力权重分配,有效识别和突出图像中的关键区域,即那些存在缺陷的温度异常区域,确保模型的注意力集中在最出现问题的区域上,提高分割的准确性和效率。通过解码网络中的卷积层对注意力权重分特征图进行卷积操作,逐步恢复图像的空间尺寸,同时保留和强化关键的特征信息,得到更加精细和准确的第二卷积特征图。通过解码网络中的反卷积层对第二卷积特征图进行反卷积操作和温度分布区域分割。反卷积层通过一系列的上采样和卷积操作,逐步恢复图像的原始尺寸,同时将分割的边界更加清晰地划分出来,得到每个温度测试点的温度分布区域分割图像。
步骤S104、对温度分布区域分割图像进行温度分布特征分析,得到每个温度测试点的温度分布特征集合,并对目标涂层电阻数据进行电阻变化特征提取,得到每个温度测试点的电阻变化特征集合;
具体的,提取温度分布区域分割图像中的多个目标温度分布区域。在这些区域中,获取每个目标温度分布区域的多个温度分布点,这些点包含了材料表面在不同位置的温度信息。通过对每个目标温度分布区域中的多个温度分布点进行聚类计算,得到每个目标温度分布区域的温度分布聚类结果。通过将温度点分组,理解区域内的温度分布模式,同时,根据温度分布聚类结果计算每个温度分布点的重要度,进一步突出那些在温度分布中起关键作用的点。通过预置的图计算聚类分析模型,根据温度分布聚类结果以及每个温度分布点的重要度计算每个目标温度分布区域的温度分布特征。对目标涂层电阻数据进行处理。获取电阻数据的时间戳数据,并根据这些时间戳对电阻数据进行曲线转换,从而得到描述电阻随时间变化情况的目标涂层电阻曲线。对目标涂层电阻曲线进行特征点识别和筛选。通过识别和筛选曲线上的特征点,从整体的电阻变化趋势中提取出关键的信息点,这些点代表了电阻变化的关键转折或特征。根据目标曲线特征点生成每个温度测试点的电阻变化特征集合,这些特征集合详细描述了在不同温度条件下涂层电阻的变化情况,为识别和定位电阻异常变化提供了关键信息。
步骤S105、分别将每个温度测试点的温度分布特征集合和电阻变化特征集合输入预置的涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果;
具体的,对每个温度测试点的温度分布特征集合进行均值和标准差计算,这些统计量能够提供温度分布的中心趋势和离散程度的信息,同样,对每个温度测试点的电阻变化特征集合进行均值和标准差的计算,得到电阻的中心趋势和离散程度信息。根据得到的温度均值、温度标准差、电阻均值和电阻标准差,计算每个温度测试点的温度分布特征集合和电阻变化特征集合之间的涂层温度-电阻关联系数。这个关联系数是理解温度变化如何影响电阻变化的关键指标,它揭示了两者之间的内在联系和相互作用。对每个温度测试点的温度分布特征集合和电阻变化特征集合进行特征编码和矩阵转换,得到每个温度测试点的温度-电阻特征输入矩阵。将原始的特征数据转换为模型能够处理的形式,确保数据的一致性和可处理性。特征编码和矩阵转换是建立精确模型的基础,因为它们确保了特征数据的质量和有效性。将每个温度测试点的温度-电阻特征输入矩阵分别输入到预置的涂层缺陷检测模型中。该模型是一个复杂的网络结构,包括多个门限循环网络、多个决策树以及输出层。门限循环网络负责对输入的特征矩阵进行隐藏特征提取,能够捕捉时间序列数据中的动态变化和长期依赖关系,适合处理温度和电阻随时间变化的数据。每个门限循环网络都会输出一系列的目标隐藏特征,这些特征捕捉了温度和电阻数据的关键信息。多个决策树分别对每个门限循环网络的目标隐藏特征进行涂层缺陷预测。决策树是一种分类器,能够根据输入的特征做出决策,并预测涂层是否存在缺陷。每个决策树都会得到一个初始的涂层缺陷检测结果,这些结果从不同的角度和依据对涂层缺陷进行了评估。通过输出层对每个决策树的初始涂层缺陷检测结果进行融合。输出层是一个整合器,它综合考虑了来自不同决策树的信息,并生成最终的目标涂层缺陷检测结果。这个结果是对所有输入特征、隐藏特征和预测结果的综合判断,代表了模型对涂层是否存在缺陷的最终看法。例如,假设在某个温度测试点上,温度分布特征集合显示出较大的温度标准差,同时电阻变化特征集合也显示出较大的电阻标准差。这表明在该测试点的涂层表面存在不均匀的温度分布和电阻变化,这是由涂层缺陷引起的。通过计算涂层温度-电阻关联系数,模型会识别出这种不均匀分布与涂层缺陷之间的潜在联系。门限循环网络会进一步分析这些特征,并捕捉到温度和电阻随时间变化的动态特性。决策树根据这些分析结果进行缺陷预测,并会判断该测试点的涂层存在缺陷。最终,输出层将这些预测结果进行融合,并输出最终的目标涂层缺陷检测结果。
步骤S106、根据目标涂层缺陷检测结果对医用透气材料的初始表面涂层工艺参数信息进行工艺参数优化分析,得到目标表面涂层工艺参数信息。
具体的,根据目标涂层缺陷检测结果确定医用透气材料的温度分布均匀性指标以及温度响应灵敏度指标。这两个指标是评价涂层质量的重要参数:温度分布均匀性指标反映了涂层在整个材料表面的温度分布是否均匀,一个好的涂层应该有尽均匀的温度分布;温度响应灵敏度指标则衡量了涂层对温度变化的响应速度,一个理想的涂层应当能够快速地响应外界温度的变化。基于这两个指标,定义医用透气材料的多目标优化函数。多目标优化函数是一个数学模型,能够同时考虑多个优化目标,为找到最佳的涂层工艺参数提供指导。在这个函数中,温度分布均匀性指标和温度响应灵敏度指标会被设定为优化的目标,通过改善这两个指标的值来提高涂层的整体性能。通过预置的遗传算法对初始表面涂层工艺参数信息进行初始化,生成多个第一表面涂层工艺参数信息。遗传算法是一种模仿自然界遗传机制的搜索算法,它通过选择、交叉和变异等操作来迭代地优化问题的解。之后,通过多目标优化函数分别计算每个第一表面涂层工艺参数信息的适应度值。适应度值是遗传算法中用来评价解的优劣的指标,一个高适应度值意味着该工艺参数组合更接近理想的涂层性能。通过计算每个参数组合的适应度值,可以确定哪些组合是有希望的,哪些是应该被淘汰的。根据适应度值对这些第一表面涂层工艺参数信息进行群体划分和遗传优化。群体划分是将参数组合分为不同的群体,每个群体都将独立地进行遗传优化。在遗传优化过程中,通过选择、交叉和变异操作生成新的参数组合,这些新组合将取代原有的低适应度值组合。通过这种方式,整个参数群体将不断进化,逐渐趋向于更优的解。对经过遗传优化的第二表面涂层工艺参数信息进行工艺参数最优化求解,得到目标表面涂层工艺参数信息。进一步筛选和优化参数组合,最终确定一组或几组最佳的涂层工艺参数。这些参数将反映出最佳的温度分布均匀性和温度响应灵敏度,代表了在当前技术条件下医用透气材料表面涂层的最佳工艺状态。
本申请实施例中,采用了多模态的信息,包括温度分布特征和电阻变化特征。通过融合这两种信息,可以提供更全面、准确的涂层缺陷检测结果。这有助于更全面地了解涂层的性能状况。引入了Attention U-Net模型进行温度分布区域分割,这能够使模型更关注于温度分布的关键区域,提高分割的准确性。这对于准确捕捉涂层缺陷区域非常有帮助。通过对温度分布区域分割图像进行温度分布特征分析和对电阻变化特征进行提取,使得检测方法更加细致入微。这有助于更精确地评估涂层性能。在工艺参数优化阶段,采用了多目标优化函数,考虑了温度分布均匀性和温度响应灵敏度。这使得工艺参数的优化更符合实际应用需求,提高了涂层的整体性能。使用了多个门限循环网络和决策树构建的涂层缺陷检测模型,实现了智能化的涂层缺陷检测。这有助于提高检测的准确性和鲁棒性。结合涂层缺陷检测结果,对初始表面涂层工艺参数信息进行工艺参数优化分析。这使得在生产过程中可以更好地调整和控制涂层的制备过程,从而提高了医用透气材料表面的涂层缺陷检测准确率并实现了表面涂层工艺参数的自适应优化。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取医用透气材料的表面涂层材料属性,表面涂层材料属性为碳纳米管和环氧树脂材料;
(2)根据表面涂层材料属性创建医用透气材料的初始表面涂层工艺参数信息;
(3)对初始表面涂层工艺参数信息进行工艺参数编码,得到工艺参数编码数据;
(4)对工艺参数编码数据进行涂层工作温度点预测,得到目标涂层工作温度点;
(5)对目标涂层工作温度点进行涂层工作温度区间预测,得到涂层工作温度区间范围;
(6)基于预设的测试温度间隔,对涂层工作温度区间范围进行测试温度计算,得到医用透气材料对应的多个温度测试点。
具体的,获取医用透气材料的表面涂层材料属性,包括碳纳米管和环氧树脂材料。碳纳米管因其卓越的机械性能和导电性被广泛用于增强材料的强度和导电性,而环氧树脂则因其优异的粘合性和稳定性而被用作涂层基材。根据这些表面涂层材料的属性,创建医用透气材料的初始表面涂层工艺参数信息。这包括涂层的厚度、硬度、粘合强度、以及预期的工作温度等。为了更系统地处理这些工艺参数,对初始表面涂层工艺参数信息进行工艺参数编码。将参数信息转换为一种格式,以便计算机和算法可以有效地处理。对工艺参数编码数据进行涂层工作温度点预测。通过分析编码后的工艺参数数据,利用机器学习或其他统计方法来预测涂层在正常工作条件下的最佳工作温度点。这个温度点代表了涂层最处于最佳状态的温度。得到目标涂层工作温度点后,进一步对其进行涂层工作温度区间预测。与单一的温度点相比,温度区间提供了更多的灵活性和信息,帮助理解涂层在不同温度下的表现。通过统计分析或模拟,预测出一个温度区间,涂层在这个区间内的性能是可接受的或最佳的。基于预设的测试温度间隔,对涂层工作温度区间范围进行测试温度计算。将整个温度区间划分为多个小的温度段,每个温度段对应一个测试点。在整个温度区间内系统地评估涂层的性能,确保没有遗漏任何的问题区域。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)基于多个温度测试点,分别对医用透气材料进行表面涂层性能测试;
(2)通过预置的热成像终端,对医用透气材料进行图像采集,得到每个温度测试点的初始红外图像数据;
(3)对初始红外图像数据进行图像熵计算,得到每个温度测试点的图像熵值,并根据图像熵值分别对初始红外图像数据进行图像锐化处理,得到每个温度测试点的目标红外图像数据;
(4)通过预置的电阻传感器对每个温度测试点的医用透气材料进行电阻变化监控,得到每个温度测试点的初始涂层电阻数据;
(5)分别对初始涂层电阻数据进行数据去噪,得到每个温度测试点的目标涂层电阻数据。
具体的,基于多个温度测试点,对医用透气材料进行表面涂层性能测试。这些测试点应覆盖涂层工作的整个温度范围,以确保在各种的工作条件下对材料的性能有全面的了解。在每个测试点上,检测涂层的物理和化学特性,如硬度、粘附性、耐热性和导电性等。通过预置的热成像终端,对每个温度测试点的医用透气材料进行图像采集。热成像技术能够捕捉到材料表面在不同温度条件下的热分布,这些信息有助于理解涂层的热稳定性和热响应特性。这些初始红外图像数据会展示出材料表面的热分布模式,揭示出的热点或冷点,这些区域是涂层性能不均匀的标志。对初始红外图像数据进行图像熵计算。图像熵是一种度量图像复杂性的统计方法,它可以量化图像中的信息量。本实施例中,图像熵值用于评估涂层表面的热分布复杂性。较高的熵值意味着涂层表面的热分布更加不均匀或者包含更多的细节信息。根据这些图像熵值,对初始红外图像数据进行图像锐化处理。图像锐化是一种增强图像边缘和纹理细节的处理方法,使得任何潜在的涂层缺陷在图像中更加明显。通过预置的电阻传感器对每个温度测试点的医用透气材料进行电阻变化监控。电阻测量提供了涂层电性能的重要信息,任何不寻常的电阻变化都指示涂层缺陷或损伤。初始涂层电阻数据捕获了在不同温度条件下的电阻值,这些数据有助于分析涂层的导电性能和电阻稳定性。对初始涂层电阻数据进行数据去噪,从原始数据中去除噪声或干扰,从而提高数据的质量和分析的准确性。经过去噪处理后,得到的目标涂层电阻数据更加准确和可靠。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)分别将目标红外图像数据输入预置的Attention U-Net模型,Attention U-Net模型包括:编码网络、注意力机制层以及解码网络,编码网络包括三层卷积池化层,解码网络包括卷积层和反卷积层;
(2)通过编码网络中的三层卷积池化层对目标红外图像数据进行卷积池化操作,得到每个温度测试点的第一卷积特征图;
(3)通过注意力机制层对第一卷积特征图进行温度分布区域注意力权重分配,得到每个温度测试点的注意力权重分特征图;
(4)通过解码网络中的卷积层对注意力权重分特征图进行卷积操作,得到每个温度测试点的第二卷积特征图;
(5)通过解码网络中的反卷积层对第二卷积特征图进行反卷积操作和温度分布区域分割,得到每个温度测试点的温度分布区域分割图像。
具体的,分别将目标红外图像数据输入预置的Attention U-Net模型中。该模型是一种深度学习网络,专门设计用于图像分割任务,包括编码网络、注意力机制层和解码网络。编码网络主要由三层卷积池化层组成,这些层通过卷积池化操作对输入的红外图像数据进行特征提取和压缩。在这一过程中,图像的空间尺寸逐渐减小,而特征信息则被提炼和强化。在编码网络处理后,得到每个温度测试点的第一卷积特征图。这些特征图包含了从原始红外图像中提取的关键信息,如热点、冷点和其他温度异常区域。通过注意力机制层对特征图进行温度分布区域的注意力权重分配。注意力机制的核心思想是突出图像中最重要的部分,即指示涂层缺陷的区域。通过这种方式,模型能够集中其计算资源和分析能力于最关键的图像区域。完成注意力权重分配后,获得每个温度测试点的注意力权重分特征图。这些特征图包含了更加精确和集中的信息,突出了涂层存在问题的区域。将这些特征图送入解码网络。解码网络包括卷积层和反卷积层,卷积层对注意力权重分特征图进行进一步的卷积操作,进一步提炼和加强特征。通过反卷积层对这些卷积后的特征图进行上采样和反卷积操作,逐步恢复图像的原始空间尺寸。进行温度分布区域的分割。通过对第二卷积特征图进行反卷积操作,划分温度异常区域,得到每个温度测试点的温度分布区域分割图像。例如,假设在某一温度测试点的红外图像中,一块区域显示出比周围更高的温度,这是因为涂层在这个区域更薄或者有其他缺陷。经过Attention U-Net模型处理后,这个高温区域会在第一卷积特征图中被标识出来,然后在注意力机制层中得到进一步的强调。在经过解码网络处理后,最终生成的温度分布区域分割图像会清晰地显示出这个异常高温区域。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)提取温度分布区域分割图像中的多个目标温度分布区域,并获取每个目标温度分布区域的多个温度分布点;
(2)分别对每个目标温度分布区域中的多个温度分布点进行聚类计算,得到每个目标温度分布区域的温度分布聚类结果,并根据温度分布聚类结果计算每个温度分布点的重要度;
(3)通过预置的图计算聚类分析模型,根据温度分布聚类结果以及每个温度分布点的重要度计算每个目标温度分布区域的温度分布特征;
(4)对温度分布特征进行集合转换,得到每个温度测试点的温度分布特征集合;
(5)获取目标涂层电阻数据的时间戳数据,并根据时间戳数据对目标涂层电阻数据进行曲线转换,得到目标涂层电阻曲线;
(6)对目标涂层电阻曲线进行特征点识别和特征点筛选,得到多个目标曲线特征点,并根据多个目标曲线特征点生成每个温度测试点的电阻变化特征集合。
具体的,从温度分布区域分割图像中提取多个目标温度分布区域,并获取每个目标温度分布区域的多个温度分布点。在这些图像中,不同的颜色或强度级别表示不同的温度区域,通过图像处理技术,可以准确地识别和提取这些区域,以及它们内部的温度分布点。对每个目标温度分布区域中的多个温度分布点进行聚类计算。聚类是一种将数据点分组的统计方法,使得同一组内的点相似度高,而不同组之间的点相似度低。聚类算法可以帮助识别出温度分布区域内的不同子区域,这些子区域对应于涂层的不同特性或状态。得到温度分布聚类结果后,根据这些结果计算每个温度分布点的重要度。重要度评分反映了每个点对于整个温度分布的贡献程度,高重要度的点是温度异常或涂层缺陷的关键指标。通过预置的图计算聚类分析模型,根据温度分布聚类结果以及每个温度分布点的重要度计算每个目标温度分布区域的温度分布特征。图计算聚类分析模型是一种数据分析工具,能够从复杂的数据结构中提取出有意义的模式和关系。该模型综合考虑聚类结果和重要度评分,生成描述每个温度测试点温度分布情况的特征集合。对温度分布特征进行集合转换,得到每个温度测试点的温度分布特征集合。集合转换是一种数据整合方法,将来自同一测试点的多个特征合并为一个统一的表示。获取目标涂层电阻数据的时间戳数据,并根据时间戳数据对目标涂层电阻数据进行曲线转换。时间戳数据提供了每次电阻测量的具体时间点,有助于理解电阻变化的动态过程。曲线转换则是将这些离散的测量点转换为连续的电阻变化曲线,从而更直观地观察电阻随时间的变化趋势。之后,对目标涂层电阻曲线进行特征点识别和特征点筛选。从电阻曲线中识别出关键的特征点,如极大值、极小值或拐点,这些点反映了涂层电性能的关键变化。特征点筛选则是基于一定的标准从识别出的特征点中选择最有代表性和信息量的点。根据这些特征点生成每个温度测试点的电阻变化特征集合。这些特征集合详细描述了在不同温度条件下涂层电阻的变化情况,为识别和定位电阻异常提供了关键信息。例如,假设在一个特定的温度测试点上,通过图计算聚类分析模型,发现某个温度分布区域的重要度评分异常高,表明这里是涂层性能异常的关键区域。同时,电阻变化曲线在这个测试点显示出一个明显的极大值,进一步表明该区域的涂层存在缺陷。通过综合考虑这两方面的信息,可以更准确地定位和识别涂层的潜在问题。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对每个温度测试点的温度分布特征集合进行均值和标准差计算,得到温度均值和温度标准差,并对每个温度测试点的电阻变化特征集合进行均值和标准差计算,得到电阻均值和电阻标准差;
(2)根据温度均值和温度标准差、电阻均值和电阻标准差计算每个温度测试点的温度分布特征集合和电阻变化特征集合之间的涂层温度-电阻关联系数;
(3)根据涂层温度-电阻关联系数对每个温度测试点的温度分布特征集合和电阻变化特征集合进行特征编码和矩阵转换,得到每个温度测试点的温度-电阻特征输入矩阵;
(4)分别将每个温度测试点的温度-电阻特征输入矩阵输入预置的涂层缺陷检测模型,涂层缺陷检测模型包括:多个门限循环网络、多个决策树以及输出层;
(5)通过多个门限循环网络分别对每个温度测试点的温度-电阻特征输入矩阵进行隐藏特征提取,得到每个门限循环网络的目标隐藏特征;
(6)通过多个决策树分别对每个门限循环网络的目标隐藏特征进行涂层缺陷预测,得到每个决策树的初始涂层缺陷检测结果;
(7)通过输出层对每个决策树的初始涂层缺陷检测结果进行涂层缺陷检测结果融合,得到目标涂层缺陷检测结果。
具体的,对每个温度测试点的温度分布特征集合进行均值和标准差的计算。温度均值表示该测试点的平均温度水平,而温度标准差则反映了温度分布的离散程度。同样,对每个温度测试点的电阻变化特征集合进行均值和标准差的计算,以获取电阻的平均水平和变化范围。根据温度均值和温度标准差、电阻均值和电阻标准差计算每个温度测试点的温度分布特征集合和电阻变化特征集合之间的涂层温度-电阻关联系数。这个关联系数是一个度量,用来评估温度和电阻之间的相互关系和相互影响。一个高的关联系数意味着温度变化对电阻有较大影响,指示涂层性能的某些特性或潜在缺陷。根据涂层温度-电阻关联系数,对每个温度测试点的温度分布特征集合和电阻变化特征集合进行特征编码和矩阵转换,得到每个温度测试点的温度-电阻特征输入矩阵。将特征数据转换为适合机器学习模型处理的格式,使数据结构更加规范和一致,便于后续的分析和计算。之后,将每个温度测试点的温度-电阻特征输入矩阵输入预置的涂层缺陷检测模型。该模型是一个深度学习网络,包括多个门限循环网络、多个决策树以及输出层。门限循环网络负责处理时间序列数据,能够捕捉温度和电阻随时间的变化特征。每个门限循环网络会提取一组目标隐藏特征,这些特征捕捉了温度-电阻数据的关键信息和模式。多个决策树分别对每个门限循环网络的目标隐藏特征进行涂层缺陷预测。决策树是一种监督学习方法,它通过构建一个决策规则树来对数据进行分类或回归。本实施例中,决策树将根据提取的隐藏特征对涂层是否存在缺陷进行预测,并给出一个初始的检测结果。通过输出层对每个决策树的初始涂层缺陷检测结果进行融合。输出层综合考虑来自所有决策树的预测结果,并给出最终的涂层缺陷检测结果。这个结果代表了模型对涂层是否存在缺陷的综合判断,是基于所有可用数据和模型分析的最佳估计。例如,假设在某个温度测试点上,计算得到的温度均值和电阻均值较高,同时温度标准差和电阻标准差也较大。这表明该测试点的涂层在温度和电阻上都有较大的变化,是由涂层厚度不均或其他缺陷引起的。计算得到的温度-电阻关联系数也较高,进一步表明温度变化对电阻有显著影响。将这些特征输入涂层缺陷检测模型后,模型会根据这些数据预测该测试点的涂层存在缺陷。如果多个决策树都给出了相同的预测结果,则输出层将这些结果进行融合,并最终确定该测试点的涂层确实存在缺陷。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据目标涂层缺陷检测结果确定医用透气材料的温度分布均匀性指标以及温度响应灵敏度指标;
(2)根据温度分布均匀性指标以及温度响应灵敏度指标定义医用透气材料的多目标优化函数;
(3)通过预置的遗传算法对初始表面涂层工艺参数信息进行初始化,生成多个第一表面涂层工艺参数信息;
(4)通过多目标优化函数分别计算每个第一表面涂层工艺参数信息的适应度值;
(5)根据适应度值对多个第一表面涂层工艺参数信息进行群体划分和遗传优化,生成多个第二表面涂层工艺参数信息;
(6)对多个第二表面涂层工艺参数信息进行工艺参数最优化求解,得到目标表面涂层工艺参数信息。
具体的,根据目标涂层缺陷检测结果,确定医用透气材料的温度分布均匀性指标以及温度响应灵敏度指标。温度分布均匀性指标是衡量涂层表面温度分布是否均匀的一个量化指标,一个理想的涂层应该有着尽均匀的温度分布,以确保材料的整体性能和稳定性。温度响应灵敏度指标则衡量涂层对外界温度变化的响应速度和灵敏度,一个高性能的涂层应该能够快速且准确地响应温度变化。根据这两个指标定义医用透气材料的多目标优化函数。该函数将温度分布均匀性和温度响应灵敏度作为优化目标,通过调整涂层工艺参数来提升这两个指标的表现。多目标优化在多个目标之间寻找最佳平衡点,通常没有单一的解决方案,而是有一系列的最佳解,称为Pareto最优解集。通过预置的遗传算法对初始表面涂层工艺参数信息进行初始化,生成多个第一表面涂层工艺参数信息。遗传算法是一种模仿自然进化的优化算法,它通过选择、交叉和变异等操作来迭代地优化问题的解,生成一系列的涂层工艺参数组合,这些组合将作为优化过程的起点。之后,通过多目标优化函数分别计算每个第一表面涂层工艺参数信息的适应度值。适应度值是遗传算法中用来评价解的优劣的指标,一个高适应度值意味着该工艺参数组合更接近理想的涂层性能。通过计算每个参数组合的适应度值,可以确定哪些组合是有希望的,哪些是应该被淘汰的。根据适应度值对多个第一表面涂层工艺参数信息进行群体划分和遗传优化。群体划分是将参数组合分为不同的群体,每个群体都将独立地进行遗传优化。在遗传优化过程中,通过选择、交叉和变异操作生成新的参数组合,这些新组合将取代原有的低适应度值组合。通过这种方式,整个参数群体将不断进化,逐渐趋向于更优的解。对这些经过遗传优化的第二表面涂层工艺参数信息进行工艺参数最优化求解,得到目标表面涂层工艺参数信息。进一步筛选和优化参数组合,最终确定一组或几组最佳的涂层工艺参数。这些参数将反映出最佳的温度分布均匀性和温度响应灵敏度,代表了在当前技术条件下医用透气材料表面涂层的最佳工艺状态。
上面对本申请实施例中医用透气材料表面的涂层缺陷检测方法进行了描述,下面对本申请实施例中医用透气材料表面的涂层缺陷检测系统进行描述,请参阅图2,本申请实施例中医用透气材料表面的涂层缺陷检测系统一个实施例包括:
获取模块201,用于获取医用透气材料的初始表面涂层工艺参数信息,并根据所述初始表面涂层工艺参数信息构建对应的多个温度测试点;
测试模块202,用于基于所述多个温度测试点对所述医用透气材料进行表面涂层性能测试和图像采集,得到每个温度测试点的目标红外图像数据和目标涂层电阻数据;
分割模块203,用于通过预置的Attention U-Net模型分别对所述目标红外图像数据进行温度分布区域分割,得到每个温度测试点的温度分布区域分割图像;
分析模块204,用于对所述温度分布区域分割图像进行温度分布特征分析,得到每个温度测试点的温度分布特征集合,并对所述目标涂层电阻数据进行电阻变化特征提取,得到每个温度测试点的电阻变化特征集合;
检测模块205,用于分别将每个温度测试点的温度分布特征集合和所述电阻变化特征集合输入预置的涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果;
优化模块206,用于根据所述目标涂层缺陷检测结果对所述医用透气材料的初始表面涂层工艺参数信息进行工艺参数优化分析,得到目标表面涂层工艺参数信息。
通过上述各个组成部分的协同合作,采用了多模态的信息,包括温度分布特征和电阻变化特征。通过融合这两种信息,可以提供更全面、准确的涂层缺陷检测结果。这有助于更全面地了解涂层的性能状况。引入了Attention U-Net模型进行温度分布区域分割,这能够使模型更关注于温度分布的关键区域,提高分割的准确性。这对于准确捕捉涂层缺陷区域非常有帮助。通过对温度分布区域分割图像进行温度分布特征分析和对电阻变化特征进行提取,使得检测方法更加细致入微。这有助于更精确地评估涂层性能。在工艺参数优化阶段,采用了多目标优化函数,考虑了温度分布均匀性和温度响应灵敏度。这使得工艺参数的优化更符合实际应用需求,提高了涂层的整体性能。使用了多个门限循环网络和决策树构建的涂层缺陷检测模型,实现了智能化的涂层缺陷检测。这有助于提高检测的准确性和鲁棒性。结合涂层缺陷检测结果,对初始表面涂层工艺参数信息进行工艺参数优化分析。这使得在生产过程中可以更好地调整和控制涂层的制备过程,从而提高了医用透气材料表面的涂层缺陷检测准确率并实现了表面涂层工艺参数的自适应优化。
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,系统和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,本申请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)执行本申请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 acceS 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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种医用透气材料表面的涂层缺陷检测方法,其特征在于,所述医用透气材料表面的涂层缺陷检测方法包括:
获取医用透气材料的初始表面涂层工艺参数信息,并根据所述初始表面涂层工艺参数信息构建对应的多个温度测试点;
基于所述多个温度测试点对所述医用透气材料进行表面涂层性能测试和图像采集,得到每个温度测试点的目标红外图像数据和目标涂层电阻数据;
通过预置的Attention U-Net模型分别对所述目标红外图像数据进行温度分布区域分割,得到每个温度测试点的温度分布区域分割图像;
对所述温度分布区域分割图像进行温度分布特征分析,得到每个温度测试点的温度分布特征集合,并对所述目标涂层电阻数据进行电阻变化特征提取,得到每个温度测试点的电阻变化特征集合;
分别将每个温度测试点的温度分布特征集合和所述电阻变化特征集合输入预置的涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果;
根据所述目标涂层缺陷检测结果对所述医用透气材料的初始表面涂层工艺参数信息进行工艺参数优化分析,得到目标表面涂层工艺参数信息。
2.根据权利要求1所述的医用透气材料表面的涂层缺陷检测方法,其特征在于,所述获取医用透气材料的初始表面涂层工艺参数信息,并根据所述初始表面涂层工艺参数信息构建对应的多个温度测试点,包括:
获取医用透气材料的表面涂层材料属性,所述表面涂层材料属性为碳纳米管和环氧树脂材料;
根据所述表面涂层材料属性创建所述医用透气材料的初始表面涂层工艺参数信息;
对所述初始表面涂层工艺参数信息进行工艺参数编码,得到工艺参数编码数据;
对所述工艺参数编码数据进行涂层工作温度点预测,得到目标涂层工作温度点;
对所述目标涂层工作温度点进行涂层工作温度区间预测,得到涂层工作温度区间范围;
基于预设的测试温度间隔,对所述涂层工作温度区间范围进行测试温度计算,得到所述医用透气材料对应的多个温度测试点。
3.根据权利要求1所述的医用透气材料表面的涂层缺陷检测方法,其特征在于,所述基于所述多个温度测试点对所述医用透气材料进行表面涂层性能测试和图像采集,得到每个温度测试点的目标红外图像数据和目标涂层电阻数据,包括:
基于所述多个温度测试点,分别对所述医用透气材料进行表面涂层性能测试;
通过预置的热成像终端,对所述医用透气材料进行图像采集,得到每个温度测试点的初始红外图像数据;
对所述初始红外图像数据进行图像熵计算,得到每个温度测试点的图像熵值,并根据所述图像熵值分别对所述初始红外图像数据进行图像锐化处理,得到每个温度测试点的目标红外图像数据;
通过预置的电阻传感器对每个温度测试点的医用透气材料进行电阻变化监控,得到每个温度测试点的初始涂层电阻数据;
分别对所述初始涂层电阻数据进行数据去噪,得到每个温度测试点的目标涂层电阻数据。
4.根据权利要求3所述的医用透气材料表面的涂层缺陷检测方法,其特征在于,所述通过预置的Attention U-Net模型分别对所述目标红外图像数据进行温度分布区域分割,得到每个温度测试点的温度分布区域分割图像,包括:
分别将所述目标红外图像数据输入预置的Attention U-Net模型,所述Attention U-Net模型包括:编码网络、注意力机制层以及解码网络,所述编码网络包括三层卷积池化层,所述解码网络包括卷积层和反卷积层;
通过所述编码网络中的三层卷积池化层对所述目标红外图像数据进行卷积池化操作,得到每个温度测试点的第一卷积特征图;
通过所述注意力机制层对所述第一卷积特征图进行温度分布区域注意力权重分配,得到每个温度测试点的注意力权重分特征图;
通过所述解码网络中的卷积层对所述注意力权重分特征图进行卷积操作,得到每个温度测试点的第二卷积特征图;
通过所述解码网络中的反卷积层对所述第二卷积特征图进行反卷积操作和温度分布区域分割,得到每个温度测试点的温度分布区域分割图像。
5.根据权利要求1所述的医用透气材料表面的涂层缺陷检测方法,其特征在于,所述对所述温度分布区域分割图像进行温度分布特征分析,得到每个温度测试点的温度分布特征集合,并对所述目标涂层电阻数据进行电阻变化特征提取,得到每个温度测试点的电阻变化特征集合,包括:
提取所述温度分布区域分割图像中的多个目标温度分布区域,并获取每个目标温度分布区域的多个温度分布点;
分别对每个目标温度分布区域中的多个温度分布点进行聚类计算,得到每个目标温度分布区域的温度分布聚类结果,并根据所述温度分布聚类结果计算每个温度分布点的重要度;
通过预置的图计算聚类分析模型,根据所述温度分布聚类结果以及每个温度分布点的重要度计算每个目标温度分布区域的温度分布特征;
对所述温度分布特征进行集合转换,得到每个温度测试点的温度分布特征集合;
获取所述目标涂层电阻数据的时间戳数据,并根据所述时间戳数据对所述目标涂层电阻数据进行曲线转换,得到目标涂层电阻曲线;
对所述目标涂层电阻曲线进行特征点识别和特征点筛选,得到多个目标曲线特征点,并根据所述多个目标曲线特征点生成每个温度测试点的电阻变化特征集合。
6.根据权利要求1所述的医用透气材料表面的涂层缺陷检测方法,其特征在于,所述分别将每个温度测试点的温度分布特征集合和所述电阻变化特征集合输入预置的涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果,包括:
对每个温度测试点的温度分布特征集合进行均值和标准差计算,得到温度均值和温度标准差,并对所述每个温度测试点的电阻变化特征集合进行均值和标准差计算,得到电阻均值和电阻标准差;
根据所述温度均值和所述温度标准差、所述电阻均值和所述电阻标准差计算每个温度测试点的温度分布特征集合和所述电阻变化特征集合之间的涂层温度-电阻关联系数;
根据所述涂层温度-电阻关联系数对每个温度测试点的温度分布特征集合和所述电阻变化特征集合进行特征编码和矩阵转换,得到每个温度测试点的温度-电阻特征输入矩阵;
分别将每个温度测试点的温度-电阻特征输入矩阵输入预置的涂层缺陷检测模型,所述涂层缺陷检测模型包括:多个门限循环网络、多个决策树以及输出层;
通过所述多个门限循环网络分别对每个温度测试点的温度-电阻特征输入矩阵进行隐藏特征提取,得到每个门限循环网络的目标隐藏特征;
通过所述多个决策树分别对每个门限循环网络的目标隐藏特征进行涂层缺陷预测,得到每个决策树的初始涂层缺陷检测结果;
通过所述输出层对每个决策树的初始涂层缺陷检测结果进行涂层缺陷检测结果融合,得到目标涂层缺陷检测结果。
7.根据权利要求1所述的医用透气材料表面的涂层缺陷检测方法,其特征在于,所述根据所述目标涂层缺陷检测结果对所述医用透气材料的初始表面涂层工艺参数信息进行工艺参数优化分析,得到目标表面涂层工艺参数信息,包括:
根据所述目标涂层缺陷检测结果确定所述医用透气材料的温度分布均匀性指标以及温度响应灵敏度指标;
根据所述温度分布均匀性指标以及所述温度响应灵敏度指标定义所述医用透气材料的多目标优化函数;
通过预置的遗传算法对所述初始表面涂层工艺参数信息进行初始化,生成多个第一表面涂层工艺参数信息;
通过所述多目标优化函数分别计算每个第一表面涂层工艺参数信息的适应度值;
根据所述适应度值对所述多个第一表面涂层工艺参数信息进行群体划分和遗传优化,生成多个第二表面涂层工艺参数信息;
对所述多个第二表面涂层工艺参数信息进行工艺参数最优化求解,得到目标表面涂层工艺参数信息。
8.一种医用透气材料表面的涂层缺陷检测系统,其特征在于,所述医用透气材料表面的涂层缺陷检测系统包括:
获取模块,用于获取医用透气材料的初始表面涂层工艺参数信息,并根据所述初始表面涂层工艺参数信息构建对应的多个温度测试点;
测试模块,用于基于所述多个温度测试点对所述医用透气材料进行表面涂层性能测试和图像采集,得到每个温度测试点的目标红外图像数据和目标涂层电阻数据;
分割模块,用于通过预置的Attention U-Net模型分别对所述目标红外图像数据进行温度分布区域分割,得到每个温度测试点的温度分布区域分割图像;
分析模块,用于对所述温度分布区域分割图像进行温度分布特征分析,得到每个温度测试点的温度分布特征集合,并对所述目标涂层电阻数据进行电阻变化特征提取,得到每个温度测试点的电阻变化特征集合;
检测模块,用于分别将每个温度测试点的温度分布特征集合和所述电阻变化特征集合输入预置的涂层缺陷检测模型进行涂层缺陷检测,得到目标涂层缺陷检测结果;
优化模块,用于根据所述目标涂层缺陷检测结果对所述医用透气材料的初始表面涂层工艺参数信息进行工艺参数优化分析,得到目标表面涂层工艺参数信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148910.8A CN117689661B (zh) | 2024-02-02 | 2024-02-02 | 医用透气材料表面的涂层缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148910.8A CN117689661B (zh) | 2024-02-02 | 2024-02-02 | 医用透气材料表面的涂层缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689661A CN117689661A (zh) | 2024-03-12 |
CN117689661B true CN117689661B (zh) | 2024-04-12 |
Family
ID=90139424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148910.8A Active CN117689661B (zh) | 2024-02-02 | 2024-02-02 | 医用透气材料表面的涂层缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689661B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289572A (zh) * | 2018-12-07 | 2020-06-16 | 中南大学 | 一种基于电阻参数无损检测导电材料质量的方法及装置 |
CN111912370A (zh) * | 2019-05-10 | 2020-11-10 | 黑拉有限责任两合公司 | 用于检查电子构件的涂层的方法 |
CN113884464A (zh) * | 2021-09-27 | 2022-01-04 | 西安空天能源动力智能制造研究院有限公司 | 一种基于红外热像仪的涂层波段发射率外场测量方法 |
RU2767888C1 (ru) * | 2021-05-14 | 2022-03-22 | Акционерное общество "Объединенная двигателестроительная корпорация" (АО "ОДК") | Способ контроля дефекта теплозащитного покрытия образца при испытаниях на термоциклическую стойкость |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7220966B2 (en) * | 2003-07-29 | 2007-05-22 | Toyota Motor Manufacturing North America, Inc. | Systems and methods for inspecting coatings, surfaces and interfaces |
-
2024
- 2024-02-02 CN CN202410148910.8A patent/CN117689661B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289572A (zh) * | 2018-12-07 | 2020-06-16 | 中南大学 | 一种基于电阻参数无损检测导电材料质量的方法及装置 |
CN111912370A (zh) * | 2019-05-10 | 2020-11-10 | 黑拉有限责任两合公司 | 用于检查电子构件的涂层的方法 |
RU2767888C1 (ru) * | 2021-05-14 | 2022-03-22 | Акционерное общество "Объединенная двигателестроительная корпорация" (АО "ОДК") | Способ контроля дефекта теплозащитного покрытия образца при испытаниях на термоциклическую стойкость |
CN113884464A (zh) * | 2021-09-27 | 2022-01-04 | 西安空天能源动力智能制造研究院有限公司 | 一种基于红外热像仪的涂层波段发射率外场测量方法 |
Non-Patent Citations (3)
Title |
---|
Study on abnormal heating temperature detection of tension clamp in transmission lines;Guanke Liu deng 等;《2023 IEEE 6th International Electrical Energy Conference》;20231231;4399-4403 * |
导电涂层厚度脉冲涡流检测方法研究;雷冰 等;《高电压技术》;20231231;第42卷(第34期);145-147 * |
温度对三种含缺陷涂层耐腐性能的影响;郭静 等;腐蚀与防护;20150515(第05期);76-81 * |
Also Published As
Publication number | Publication date |
---|---|
CN117689661A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201350836A (zh) | 用於自動缺陷分類之不明缺陷拒絕率之最佳化 | |
CN111553127A (zh) | 一种多标记的文本类数据特征选择方法及装置 | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN112001409A (zh) | 一种基于K-means聚类算法的配电网线损异常诊断方法和系统 | |
CN109597757B (zh) | 一种基于多维时间序列熵的软件网络间相似度的度量方法 | |
CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
CN112966778B (zh) | 针对不平衡样本数据的数据处理方法及装置 | |
CN117689661B (zh) | 医用透气材料表面的涂层缺陷检测方法及系统 | |
CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
JP5178471B2 (ja) | 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 | |
Olivares-Rojas et al. | Machine learning model for the detection of electric energy fraud using an edge-fog computing architecture | |
CN115905990A (zh) | 一种基于密度聚集算法的变压器油温异常监测方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
CN115171790A (zh) | 质谱的数据序列在质量评估中的分析方法、装置和存储介质 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN117668528B (zh) | 基于物联网的天然气调压器故障检测方法及系统 | |
CN117629616B (zh) | 摇杆测试方法及系统 | |
CN117495866B (zh) | 基于机器视觉的齿轮缺陷检测方法及系统 | |
CN117392467B (zh) | 一种基于棒图特征的光棒等级划分方法 | |
CN117829002B (zh) | 电力线缆的老化诊断监测方法及系统 | |
KR101554362B1 (ko) | 세분화된 핵심 영역을 이용한 분자 오비탈의 정량적 평가 방법 및 이를 이용한 시스템 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |