CN117557554B - 一种含氟涂层的喷涂平整度智能检测方法及*** - Google Patents
一种含氟涂层的喷涂平整度智能检测方法及*** Download PDFInfo
- Publication number
- CN117557554B CN117557554B CN202410016637.3A CN202410016637A CN117557554B CN 117557554 B CN117557554 B CN 117557554B CN 202410016637 A CN202410016637 A CN 202410016637A CN 117557554 B CN117557554 B CN 117557554B
- Authority
- CN
- China
- Prior art keywords
- spraying
- fluorine
- flatness
- containing coating
- acquiring
- 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
- 238000005507 spraying Methods 0.000 title claims abstract description 313
- 239000011248 coating agent Substances 0.000 title claims abstract description 136
- 238000000576 coating method Methods 0.000 title claims abstract description 135
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 title claims abstract description 134
- 229910052731 fluorine Inorganic materials 0.000 title claims abstract description 134
- 239000011737 fluorine Substances 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 102
- 238000010586 diagram Methods 0.000 claims abstract description 79
- 238000005070 sampling Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000007921 spray Substances 0.000 claims description 56
- 238000009826 distribution Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 230000003993 interaction Effects 0.000 claims description 23
- 230000000877 morphologic effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000007547 defect Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000011253 protective coating Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种含氟涂层的喷涂平整度智能检测方法及***,包括,获取目标喷涂元件的基础信息,基于平整度取样点获取含氟涂层的横截面观测图,构建形貌特征提取网络,提取横截面形貌特征,根据横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络获取喷涂参数的参数评价特征;根据边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果。本发明通过图像分割深度学***整度的精确识别,构建喷涂工艺参数与喷涂平整度的映射关系,为提高工件含氟涂层的表面质量提供参考依据。
Description
技术领域
本发明涉及平整度检测技术领域,更具体的,涉及一种含氟涂层的喷涂平整度智能检测方法及***。
背景技术
电子元器件在制造和使用过程中,容易受到化学腐蚀,灰尘粘附,水汽渗入,机械损伤的破坏,会造成腐蚀、软化、变形,进而短路、击穿,影响其使用寿命甚至造成重大损失。电子防护涂层是一种在电子元器件表面上形成的透明涂层剂,用于保护电子元件在潮湿、腐蚀等环境中的破坏,以及各种化学品、灰尘及高低温等恶劣的环境冲击,随着近年来5G通信的快速发展,防护涂层在手机、平板电脑、汽车中控、各种外显屏幕等中的应用呈现逐年增加的趋势。
含氟涂层是精细化防护涂层的代表,其具有良好的防水防油性和抗冲击性等,能够减缓污物在元件上的堆积而避免出现短路、腐蚀、漏电等的隐患。表面平整度是衡量含氟涂层表面质量的重要指标之一,而喷涂工艺参数对含氟涂层形貌成形起决定作用,表面平整度可反映出含氟涂层形貌信息进而对含氟涂层质量优化具有重要影响。目前含氟涂层的喷涂表面平整度的判断通常通过光学图像分析仪,按比例尺提取涂层图像,对所需参数形貌尺寸进行人工提取标注,但人工标注的方式受标注者专业性及图像质量的影响较大,并且人工标注计算表面平整度耗时且效率较低。因此,如何利用图像分割深度学习方法提取含氟涂层形貌参数是需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种含氟涂层的喷涂平整度智能检测方法及***。
本发明第一方面提供了一种含氟涂层的喷涂平整度智能检测方法,包括:
获取目标喷涂元件的基础信息,根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,并将所述横截面观测图进行预处理;
构建形貌特征提取网络,将预处理后的横截面观测图作为模型输入,提取横截面形貌特征,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;
获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征;
根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果。
本方案中,根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,具体为:
获取目标喷涂元件的二维图纸信息,基于所述二维图纸信息提取元件几何数据及元件尺寸数据确定基础信息,利用所述基础信息进行三维重建,获取目标喷涂元件的三维模型;
利用数据检索获取含氟涂层的历史喷涂数据,在所述历史喷涂数据中筛选喷涂缺陷数据,基于喷涂缺陷所处位置的结构特征将所述喷涂缺陷数据进行聚类;
根据聚类结果读取各个类簇对应的结构特征获取结构特征集合,通过所述结构特征集合在所述目标喷涂元件中进行检索,获取不良喷涂的潜在发生区域,在所述三维模型中进行标记,通过标记区域设置喷涂平整度取样点;
根据标记区域的分布情况获取目标喷涂元件中的分布热力图,基于所述分布热力图筛选分布密度小于预设阈值的元件区域,评估筛选所得元件区域的复杂程度;
根据所述复杂程度添加对应数量的喷涂平整度取样点,基于所述喷涂平整度取样点获取含氟涂层的横截面观测图。
本方案中,构建形貌特征提取网络,具体为:
利用U-Net网络作为主干网络,引入注意力机制及对抗训练构建形貌特征提取网络,将预处理后的横截面观测图导入所述形貌特征提取网络,通过编码器模块进行卷积及下采样获取特征图;
在所述编码器模块的卷积块后引入注意力机制,获取通道注意力权重及空间注意力权重对所述特征图进行加权,表征不同特征图的重要程度,将加权后的特征图导入最后一层的空洞卷积,获取上下文特征;
在U-Net网络中引入跳跃连接,将上下文特征导入解码器进行解码并进行特征融合,获取横截面观测图各像素的类别标签,引入对抗训练,将横截面观测图及类别标签导入鉴别器模块;
在横截面观测图中添加采样噪声,通过对抗训练获取横截面观测图与加噪后横截面观测图对应的类别标签,并利用鉴别器模块获取两种类别标签之间的损失,根据所述损失指导形貌特征提取网络进行训练,获取最终形貌特征提取网络。
本方案中,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征,具体为:
根据形貌特征提取网络获取横截面观测图对应的掩膜图像,在所述掩膜图像中获取感兴趣区域,并在所述掩膜图像中获取感兴趣区域的边缘区域信息;
将所述边缘区域信息进行分割获取若干预设尺寸的邻域点集,利用多维感知机对所述邻域点集中的单点进行处理获取编码后单点的局部特征,并利用平均池化获取邻域点集的整体空间分布特征;
通过线性映射获取注意力矩阵,利用特征拼接将单点的局部特征及整体空间分布特征结合所述注意力进行融合,通过特征金字塔结构建立解码器,将拼接融合后的特征导入解码器中;
根据解码器中叠加的全连接层预测边缘区域信息的掩膜标签,根据所述掩膜标签对所述边缘区域信息进行掩膜修正,根据修正后的感兴趣区域输出含氟涂层区域,并获取含氟涂层区域的边缘特征。
本方案中,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征,具体为:
获取喷涂平整度取样点对应含氟涂层的喷涂参数,计算所述喷涂参数与表面平整度之间的皮尔逊相关系数,根据所述皮尔逊相关系数选取预设数量的喷涂参数;
利用选取的喷涂参数检索表面质量检测实例,将所述表面质量检测实例导入低维知识空间,在所述低维知识空间中根据喷涂参数之间及喷涂参数与表面质量评价指标之间对应的共现频率获取交互关系;
根据所述交互关系获取与喷涂参数直接相连的知识节点,利用所述知识节点的数量评价喷涂参数的重要程度,通过所述重要程度再次选取符合预设标准的喷涂参数,并基于重要程度设置喷涂参数对应边结构的权重;
基于图卷积神经网络构建喷涂参数评价网络,获取含氟涂层的历史喷涂数据,并利用专家知识进行喷涂平整度评价标注,获取含有喷涂平整度评价的训练数据进行模型训练;
通过再次选取的喷涂参数构建邻接矩阵,利用所述喷涂参数评价网络对邻接矩阵进行学习获取对应的图结构,根据所述图结构进行图卷积获取喷涂参数特征表示;
将所述喷涂参数特征表示基于边界结构对应的权重进行聚合,获取最终的喷涂参数特征向量,并在全连接层中建立喷涂参数特征向量与喷涂平整度的特征映射,输出取喷涂参数的参数评价特征。
本方案中,根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果,具体为:
获取目标喷涂元件含氟涂层区域的边缘特征及参数评价特征,根据所述边缘特征获取含氟涂层的宽度及高度,计算宽度及高度的乘积,并根据含氟涂层区域的像素数量获取面积信息,获取所述面积信息与所述乘积的比值,根据所述比值获取喷涂平整度图像评价结果;
读取喷涂平整度取样点对应的参数评价特征作为喷涂平整度参数评价结果,根据不同喷涂平整度取样点的位置特征引入自适应权重,根据所述自适应权重结合喷涂平整度图像评价结果及喷涂平整度参数评价结果;
获取各喷涂平整度取样点的喷涂平整度最终评价结果在三维模型中进行可视化就标注。
本发明第二方面还提供了一种含氟涂层的喷涂平整度智能检测***,该***包括:存储器、处理器,所述存储器中包括含氟涂层的喷涂平整度智能检测方法程序,所述含氟涂层的喷涂平整度智能检测方法程序被所述处理器执行时实现如下步骤:
获取目标喷涂元件的基础信息,根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,并将所述横截面观测图进行预处理;
构建形貌特征提取网络,将预处理后的横截面观测图作为模型输入,提取横截面形貌特征,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;
获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征;
根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果。
本发明公开了一种含氟涂层的喷涂平整度智能检测方法及***,包括,获取目标喷涂元件的基础信息,基于平整度取样点获取含氟涂层的横截面观测图, 构建形貌特征提取网络,提取横截面形貌特征,根据横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络获取喷涂参数的参数评价特征;根据边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果。本发明通过图像分割深度学***整度的精确识别,构建喷涂工艺参数与喷涂平整度的映射关系,为提高工件含氟涂层的表面质量提供参考依据。
附图说明
图1示出了本发明一种含氟涂层的喷涂平整度智能检测方法的流程图;
图2示出了本发明提取含氟涂层区域的边缘特征的流程图;
图3示出了本发明获取喷涂参数的参数评价特征的流程图;
图4示出了本发明一种含氟涂层的喷涂平整度智能检测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种含氟涂层的喷涂平整度智能检测方法的流程图。
如图1所示,本发明第一方面提供了一种含氟涂层的喷涂平整度智能检测方法,包括:
S102,获取目标喷涂元件的基础信息,根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,并将所述横截面观测图进行预处理;
S104,构建形貌特征提取网络,将预处理后的横截面观测图作为模型输入,提取横截面形貌特征,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;
S106,获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征;
S108,根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果。
需要说明的是,获取目标喷涂元件的二维图纸信息,例如电路板的PCB图,基于所述二维图纸信息提取元件几何数据及元件尺寸数据确定基础信息,利用所述基础信息进行三维重建,获取目标喷涂元件的三维模型;利用数据检索获取含氟涂层的历史喷涂数据,在所述历史喷涂数据中筛选粗糙、颗粒及气泡等喷涂缺陷数据,由于元件中的连接处等复杂结构容易造成不良喷涂的情况,基于喷涂缺陷所处位置上元件的结构特征将所述喷涂缺陷数据进行聚类;根据聚类结果读取各个类簇对应的结构特征获取结构特征集合,通过所述结构特征集合在所述目标喷涂元件中进行检索,获取不良喷涂的潜在发生区域,在所述三维模型中进行标记,通过标记区域设置喷涂平整度取样点;根据标记区域的分布情况获取目标喷涂元件中的分布热力图,基于所述分布热力图筛选分布密度小于预设阈值的元件区域,评估筛选所得元件区域的复杂程度,其结构越复杂,则喷涂难度越高,需要设置越多的喷涂平整度取样点,根据所述复杂程度添加对应数量的喷涂平整度取样点,基于所述喷涂平整度取样点利用显微镜设备获取含氟涂层的横截面观测图。
将所述横截面观测图进行滤波预处理,并将预处理后的横截面观测图转化为张量格式,利用归一化处理将横截面观测处理为统一的像素分辨率,提高形貌特征提取网络的训练性能,并加快训练速度。
需要说明的是,利用U-Net网络作为主干网络,引入注意力机制及对抗训练构建形貌特征提取网络,将预处理后的横截面观测图导入所述形貌特征提取网络,通过编码器模块进行卷积及下采样获取特征图,将高维数据进行降维处理;在所述编码器模块的卷积块后引入注意力机制,获取通道注意力权重及空间注意力权重对所述特征图进行加权,表征不同特征图的重要程度,加强对图像中重要特征信息的提取,将加权后的特征图导入最后一层的空洞卷积,获取上下文特征,并且在编码器中利用批归一化及ReLU激活函数避免出现梯度***或小时等问题。在U-Net网络中引入跳跃连接,将上下文特征导入解码器进行解码并进行特征融合,解码器模块与编码器模块的结构相互对应,获取横截面观测图各像素的类别标签,引入对抗训练,将横截面观测图及类别标签导入鉴别器模块;在横截面观测图中添加采样噪声,通过对抗训练获取横截面观测图与加噪后横截面观测图对应的类别标签,并利用鉴别器模块获取两种类别标签之间的损失,惩罚损失较大的加噪后横截面观测图,根据所述损失指导形貌特征提取网络进行训练,随着引入噪声的观测图分割出的结果与正常观测图的预测结果逐渐一致,获取最终形貌特征提取网络。通过引入对抗训练提高模型对于含氟涂层分割的鲁棒性,使得分割结果更接近真实分割标签。
图2示出了本发明提取含氟涂层区域的边缘特征的流程图。
根据本发明实施例,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征,具体为:
S202,根据形貌特征提取网络获取横截面观测图对应的掩膜图像,在所述掩膜图像中获取感兴趣区域,并在所述掩膜图像中获取感兴趣区域的边缘区域信息;
S204,将所述边缘区域信息进行分割获取若干预设尺寸的邻域点集,利用多维感知机对所述邻域点集中的单点进行处理获取编码后单点的局部特征,并利用平均池化获取邻域点集的整体空间分布特征;
S206,通过线性映射获取注意力矩阵,利用特征拼接将单点的局部特征及整体空间分布特征结合所述注意力进行融合,通过特征金字塔结构建立解码器,将拼接融合后的特征导入解码器中;
S208,根据解码器中叠加的全连接层预测边缘区域信息的掩膜标签,根据所述掩膜标签对所述边缘区域信息进行掩膜修正,根据修正后的感兴趣区域输出含氟涂层区域,并获取含氟涂层区域的边缘特征。
需要说明的是,获取形貌特征提取网络获取分割的掩膜图像,根据掩膜图像的掩膜标签获取感兴趣区域,在感兴趣区域的边缘区域中进行精细化处理,避边缘区域的漏分割及误分割,去除错误冗余信息,使注意力区域更加集中。对于单点的局部特征通过输入特征通道维度为3,输出特征通道维度为64的多层感知机进行特征编码;对于邻域点集的整体空间分布特征通过对邻域点集进行平均池化操作获取;引入注意力进行融合,将领域点集中的单点的特征与领域点集对应区域内整体空间分布信息产生关联。通过特征金字塔结构建立解码器,在解码器的每各全连接层中预设掩膜标签预测层,逐步获取并输出边缘区域信息的掩膜标签。
图3示出了本发明获取喷涂参数的参数评价特征的流程图。
根据本发明实施例,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征,具体为:
S302,获取喷涂平整度取样点对应含氟涂层的喷涂参数,计算所述喷涂参数与表面平整度之间的皮尔逊相关系数,根据所述皮尔逊相关系数选取预设数量的喷涂参数;
S304,利用选取的喷涂参数检索表面质量检测实例,将所述表面质量检测实例导入低维知识空间,在所述低维知识空间中根据喷涂参数之间及喷涂参数与表面质量评价指标之间对应的共现频率获取交互关系;
S306,根据所述交互关系获取与喷涂参数直接相连的知识节点,利用所述知识节点的数量评价喷涂参数的重要程度,通过所述重要程度再次选取符合预设标准的喷涂参数,并基于重要程度设置喷涂参数对应边结构的权重;
S308,基于图卷积神经网络构建喷涂参数评价网络,获取含氟涂层的历史喷涂数据,并利用专家知识进行喷涂平整度评价标注,获取含有喷涂平整度评价的训练数据进行模型训练;
S310,通过再次选取的喷涂参数构建邻接矩阵,利用所述喷涂参数评价网络对邻接矩阵进行学习获取对应的图结构,根据所述图结构进行图卷积获取喷涂参数特征表示;
S312,将所述喷涂参数特征表示基于边界结构对应的权重进行聚合,获取最终的喷涂参数特征向量,并在全连接层中建立喷涂参数特征向量与喷涂平整度的特征映射,输出取喷涂参数的参数评价特征。
需要说明的是,根据知识图谱的特性,对于一个节点与之连接的节点数量越多,则说明该节点包含的信息越丰富,获取低维知识空间中各喷涂参数节点直接相连的节点数量,评估不同喷涂参数的重要程度,为了消除知识空间规模的影响,通过除以最大可能的连接数进行归一化处理。通过重要程度对喷涂参数节点的边结构赋予相应的权重。通过含有喷涂平整度评价标注的训练数据对图卷积神经网络进行训练,得到喷涂参数评价网络,根据喷涂参数之间的相互作用建立与喷涂平整度之间的特征映射。基于特征映射明确喷涂参数对含氟涂层喷涂平整度的影响。
需要说明的是,获取目标喷涂元件含氟涂层区域的边缘特征及参数评价特征,根据所述边缘特征获取含氟涂层的宽度及高度,计算宽度及高度的乘积,并根据含氟涂层区域的像素数量获取面积信息,获取所述面积信息与所述乘积的比值,根据所述比值获取喷涂平整度图像评价结果;读取喷涂平整度取样点对应的参数评价特征作为喷涂平整度参数评价结果,根据不同喷涂平整度取样点的位置特征引入自适应权重,当取样点的结构复杂程度较低时,视觉图像的质量影响因素较少,则增加喷涂平整度图像评价结果的权重;根据所述自适应权重结合喷涂平整度图像评价结果及喷涂平整度参数评价结果;获取各喷涂平整度取样点的喷涂平整度最终评价结果在三维模型中进行可视化就标注。
在目标喷涂元件中选取目标喷涂平整度取样点,提取目标喷涂平整度取样点对应喷涂平整度的图像评价结果与参数评价结果的评价偏差,并获取目标喷涂平整度取样点的权重,根据所述权重确定预设阈值,判断所述评价偏差是否大于预设阈值,若大于,则在目标喷涂元件中获取与目标喷涂平整度取样点相似的喷涂平整度取样点进行标记,提取被标记取样点平整度参数评价结果,若目标喷涂平整度取样点与被标记喷涂元件中的平整度参数评价结果的评价偏差不符合预设标准,则对喷涂参数评价网络中的喷涂参数进行调整;否则,则优化目标喷涂平整度取样点的含氟涂层区域。
图4示出了本发明一种含氟涂层的喷涂平整度智能检测***的框图。
本发明第二方面还提供了一种含氟涂层的喷涂平整度智能检测***4,该***包括:存储器41、处理器42,所述存储器中包括含氟涂层的喷涂平整度智能检测方法程序,所述含氟涂层的喷涂平整度智能检测方法程序被所述处理器执行时实现如下步骤:
获取目标喷涂元件的基础信息,根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,并将所述横截面观测图进行预处理;
构建形貌特征提取网络,将预处理后的横截面观测图作为模型输入,提取横截面形貌特征,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;
获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征;
根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果。
需要说明的是,利用U-Net网络作为主干网络,引入注意力机制及对抗训练构建形貌特征提取网络,将预处理后的横截面观测图导入所述形貌特征提取网络,通过编码器模块进行卷积及下采样获取特征图,将高维数据进行降维处理;在所述编码器模块的卷积块后引入注意力机制,获取通道注意力权重及空间注意力权重对所述特征图进行加权,表征不同特征图的重要程度,加强对图像中重要特征信息的提取,将加权后的特征图导入最后一层的空洞卷积,获取上下文特征,并且在编码器中利用批归一化及ReLU激活函数避免出现梯度***或小时等问题。在U-Net网络中引入跳跃连接,将上下文特征导入解码器进行解码并进行特征融合,解码器模块与编码器模块的结构相互对应,获取横截面观测图各像素的类别标签,引入对抗训练,将横截面观测图及类别标签导入鉴别器模块;在横截面观测图中添加采样噪声,通过对抗训练获取横截面观测图与加噪后横截面观测图对应的类别标签,并利用鉴别器模块获取两种类别标签之间的损失,惩罚损失较大的加噪后横截面观测图,根据所述损失指导形貌特征提取网络进行训练,随着引入噪声的观测图分割出的结果与正常观测图的预测结果逐渐一致,获取最终形貌特征提取网络。通过引入对抗训练提高模型对于含氟涂层分割的鲁棒性,使得分割结果更接近真实分割标签。
根据本发明实施例,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征,具体为:
根据形貌特征提取网络获取横截面观测图对应的掩膜图像,在所述掩膜图像中获取感兴趣区域,并在所述掩膜图像中获取感兴趣区域的边缘区域信息;
将所述边缘区域信息进行分割获取若干预设尺寸的邻域点集,利用多维感知机对所述邻域点集中的单点进行处理获取编码后单点的局部特征,并利用平均池化获取邻域点集的整体空间分布特征;
通过线性映射获取注意力矩阵,利用特征拼接将单点的局部特征及整体空间分布特征结合所述注意力进行融合,通过特征金字塔结构建立解码器,将拼接融合后的特征导入解码器中;
根据解码器中叠加的全连接层预测边缘区域信息的掩膜标签,根据所述掩膜标签对所述边缘区域信息进行掩膜修正,根据修正后的感兴趣区域输出含氟涂层区域,并获取含氟涂层区域的边缘特征。
需要说明的是,获取形貌特征提取网络获取分割的掩膜图像,根据掩膜图像的掩膜标签获取感兴趣区域,在感兴趣区域的边缘区域中进行精细化处理,避边缘区域的漏分割及误分割,去除错误冗余信息,使注意力区域更加集中。对于单点的局部特征通过输入特征通道维度为3,输出特征通道维度为64的多层感知机进行特征编码;对于邻域点集的整体空间分布特征通过对邻域点集进行平均池化操作获取;引入注意力进行融合,将领域点集中的单点的特征与领域点集对应区域内整体空间分布信息产生关联。通过特征金字塔结构建立解码器,在解码器的每各全连接层中预设掩膜标签预测层,逐步获取并输出边缘区域信息的掩膜标签。
根据本发明实施例,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征,具体为:
获取喷涂平整度取样点对应含氟涂层的喷涂参数,计算所述喷涂参数与表面平整度之间的皮尔逊相关系数,根据所述皮尔逊相关系数选取预设数量的喷涂参数;
利用选取的喷涂参数检索表面质量检测实例,将所述表面质量检测实例导入低维知识空间,在所述低维知识空间中根据喷涂参数之间及喷涂参数与表面质量评价指标之间对应的共现频率获取交互关系;
根据所述交互关系获取与喷涂参数直接相连的知识节点,利用所述知识节点的数量评价喷涂参数的重要程度,通过所述重要程度再次选取符合预设标准的喷涂参数,并基于重要程度设置喷涂参数对应边结构的权重;
基于图卷积神经网络构建喷涂参数评价网络,获取含氟涂层的历史喷涂数据,并利用专家知识进行喷涂平整度评价标注,获取含有喷涂平整度评价的训练数据进行模型训练;
通过再次选取的喷涂参数构建邻接矩阵,利用所述喷涂参数评价网络对邻接矩阵进行学习获取对应的图结构,根据所述图结构进行图卷积获取喷涂参数特征表示;
将所述喷涂参数特征表示基于边界结构对应的权重进行聚合,获取最终的喷涂参数特征向量,并在全连接层中建立喷涂参数特征向量与喷涂平整度的特征映射,输出取喷涂参数的参数评价特征。
需要说明的是,根据知识图谱的特性,对于一个节点与之连接的节点数量越多,则说明该节点包含的信息越丰富,获取低维知识空间中各喷涂参数节点直接相连的节点数量,评估不同喷涂参数的重要程度,为了消除知识空间规模的影响,通过除以最大可能的连接数进行归一化处理。通过重要程度对喷涂参数节点的边结构赋予相应的权重。通过含有喷涂平整度评价标注的训练数据对图卷积神经网络进行训练,得到喷涂参数评价网络,根据喷涂参数之间的相互作用建立与喷涂平整度之间的特征映射。基于特征映射明确喷涂参数对含氟涂层喷涂平整度的影响。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括含氟涂层的喷涂平整度智能检测方法程序,所述含氟涂层的喷涂平整度智能检测方法程序被处理器执行时,实现如上述任一项所述的含氟涂层的喷涂平整度智能检测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括:移动存储设备、ROM、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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种含氟涂层的喷涂平整度智能检测方法,其特征在于,包括以下步骤:
获取目标喷涂元件的基础信息,根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,并将所述横截面观测图进行预处理;
构建形貌特征提取网络,将预处理后的横截面观测图作为模型输入,提取横截面形貌特征,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;
获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征;
根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果;
根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,具体为:
获取目标喷涂元件的二维图纸信息,基于所述二维图纸信息提取元件几何数据及元件尺寸数据确定基础信息,利用所述基础信息进行三维重建,获取目标喷涂元件的三维模型;
利用数据检索获取含氟涂层的历史喷涂数据,在所述历史喷涂数据中筛选喷涂缺陷数据,基于喷涂缺陷所处位置的结构特征将所述喷涂缺陷数据进行聚类;
根据聚类结果读取各个类簇对应的结构特征获取结构特征集合,通过所述结构特征集合在所述目标喷涂元件中进行检索,获取不良喷涂的潜在发生区域,在所述三维模型中进行标记,通过标记区域设置喷涂平整度取样点;
根据标记区域的分布情况获取目标喷涂元件中的分布热力图,基于所述分布热力图筛选分布密度小于预设阈值的元件区域,评估筛选所得元件区域的复杂程度;
根据所述复杂程度添加对应数量的喷涂平整度取样点,基于所述喷涂平整度取样点获取含氟涂层的横截面观测图。
2.根据权利要求1所述的一种含氟涂层的喷涂平整度智能检测方法,其特征在于,构建形貌特征提取网络,具体为:
利用U-Net网络作为主干网络,引入注意力机制及对抗训练构建形貌特征提取网络,将预处理后的横截面观测图导入所述形貌特征提取网络,通过编码器模块进行卷积及下采样获取特征图;
在所述编码器模块的卷积块后引入注意力机制,获取通道注意力权重及空间注意力权重对所述特征图进行加权,表征不同特征图的重要程度,将加权后的特征图导入最后一层的空洞卷积,获取上下文特征;
在U-Net网络中引入跳跃连接,将上下文特征导入解码器进行解码并进行特征融合,获取横截面观测图各像素的类别标签,引入对抗训练,将横截面观测图及类别标签导入鉴别器模块;
在横截面观测图中添加采样噪声,通过对抗训练获取横截面观测图与加噪后横截面观测图对应的类别标签,并利用鉴别器模块获取两种类别标签之间的损失,根据所述损失指导形貌特征提取网络进行训练,获取最终形貌特征提取网络。
3.根据权利要求1所述的一种含氟涂层的喷涂平整度智能检测方法,其特征在于,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征,具体为:
根据形貌特征提取网络获取横截面观测图对应的掩膜图像,在所述掩膜图像中获取感兴趣区域,并在所述掩膜图像中获取感兴趣区域的边缘区域信息;
将所述边缘区域信息进行分割获取若干预设尺寸的邻域点集,利用多维感知机对所述邻域点集中的单点进行处理获取编码后单点的局部特征,并利用平均池化获取邻域点集的整体空间分布特征;
通过线性映射获取注意力矩阵,利用特征拼接将单点的局部特征及整体空间分布特征结合所述注意力进行融合,通过特征金字塔结构建立解码器,将拼接融合后的特征导入解码器中;
根据解码器中叠加的全连接层预测边缘区域信息的掩膜标签,根据所述掩膜标签对所述边缘区域信息进行掩膜修正,根据修正后的感兴趣区域输出含氟涂层区域,并获取含氟涂层区域的边缘特征。
4.根据权利要求1所述的一种含氟涂层的喷涂平整度智能检测方法,其特征在于,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征,具体为:
获取喷涂平整度取样点对应含氟涂层的喷涂参数,计算所述喷涂参数与表面平整度之间的皮尔逊相关系数,根据所述皮尔逊相关系数选取预设数量的喷涂参数;
利用选取的喷涂参数检索表面质量检测实例,将所述表面质量检测实例导入低维知识空间,在所述低维知识空间中根据喷涂参数之间及喷涂参数与表面质量评价指标之间对应的共现频率获取交互关系;
根据所述交互关系获取与喷涂参数直接相连的知识节点,利用所述知识节点的数量评价喷涂参数的重要程度,通过所述重要程度再次选取符合预设标准的喷涂参数,并基于重要程度设置喷涂参数对应边结构的权重;
基于图卷积神经网络构建喷涂参数评价网络,获取含氟涂层的历史喷涂数据,并利用专家知识进行喷涂平整度评价标注,获取含有喷涂平整度评价的训练数据进行模型训练;
通过再次选取的喷涂参数构建邻接矩阵,利用所述喷涂参数评价网络对邻接矩阵进行学习获取对应的图结构,根据所述图结构进行图卷积获取喷涂参数特征表示;
将所述喷涂参数特征表示基于边界结构对应的权重进行聚合,获取最终的喷涂参数特征向量,并在全连接层中建立喷涂参数特征向量与喷涂平整度的特征映射,输出取喷涂参数的参数评价特征。
5.根据权利要求1所述的一种含氟涂层的喷涂平整度智能检测方法,其特征在于,根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果,具体为:
获取目标喷涂元件含氟涂层区域的边缘特征及参数评价特征,根据所述边缘特征获取含氟涂层的宽度及高度,计算宽度及高度的乘积,并根据含氟涂层区域的像素数量获取面积信息,获取所述面积信息与所述乘积的比值,根据所述比值获取喷涂平整度图像评价结果;
读取喷涂平整度取样点对应的参数评价特征作为喷涂平整度参数评价结果,根据不同喷涂平整度取样点的位置特征引入自适应权重,根据所述自适应权重结合喷涂平整度图像评价结果及喷涂平整度参数评价结果;
获取各喷涂平整度取样点的喷涂平整度最终评价结果在三维模型中进行可视化就标注。
6.一种含氟涂层的喷涂平整度智能检测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括含氟涂层的喷涂平整度智能检测方法程序,所述含氟涂层的喷涂平整度智能检测方法程序被所述处理器执行时实现如下步骤:
获取目标喷涂元件的基础信息,根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,并将所述横截面观测图进行预处理;
构建形貌特征提取网络,将预处理后的横截面观测图作为模型输入,提取横截面形貌特征,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征;
获取含氟涂层的喷涂参数,提取与喷涂平整度相关的喷涂参数,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征;
根据所述边缘特征及参数评价特征结合自适应权重获取目标喷涂元件的喷涂平整度检测结果;
根据所述基础信息确定喷涂平整度取样点,基于所述平整度取样点获取含氟涂层的横截面观测图,具体为:
获取目标喷涂元件的二维图纸信息,基于所述二维图纸信息提取元件几何数据及元件尺寸数据确定基础信息,利用所述基础信息进行三维重建,获取目标喷涂元件的三维模型;
利用数据检索获取含氟涂层的历史喷涂数据,在所述历史喷涂数据中筛选喷涂缺陷数据,基于喷涂缺陷所处位置的结构特征将所述喷涂缺陷数据进行聚类;
根据聚类结果读取各个类簇对应的结构特征获取结构特征集合,通过所述结构特征集合在所述目标喷涂元件中进行检索,获取不良喷涂的潜在发生区域,在所述三维模型中进行标记,通过标记区域设置喷涂平整度取样点;
根据标记区域的分布情况获取目标喷涂元件中的分布热力图,基于所述分布热力图筛选分布密度小于预设阈值的元件区域,评估筛选所得元件区域的复杂程度;
根据所述复杂程度添加对应数量的喷涂平整度取样点,基于所述喷涂平整度取样点获取含氟涂层的横截面观测图。
7.根据权利要求6所述的一种含氟涂层的喷涂平整度智能检测***,其特征在于,构建形貌特征提取网络,具体为:
利用U-Net网络作为主干网络,引入注意力机制及对抗训练构建形貌特征提取网络,将预处理后的横截面观测图导入所述形貌特征提取网络,通过编码器模块进行卷积及下采样获取特征图;
在所述编码器模块的卷积块后引入注意力机制,获取通道注意力权重及空间注意力权重对所述特征图进行加权,表征不同特征图的重要程度,将加权后的特征图导入最后一层的空洞卷积,获取上下文特征;
在U-Net网络中引入跳跃连接,将上下文特征导入解码器进行解码并进行特征融合,获取横截面观测图各像素的类别标签,引入对抗训练,将横截面观测图及类别标签导入鉴别器模块;
在横截面观测图中添加采样噪声,通过对抗训练获取横截面观测图与加噪后横截面观测图对应的类别标签,并利用鉴别器模块获取两种类别标签之间的损失,根据所述损失指导形貌特征提取网络进行训练,获取最终形貌特征提取网络。
8.根据权利要求6所述的一种含氟涂层的喷涂平整度智能检测***,其特征在于,根据所述横截面形貌特征分割含氟涂层区域,提取含氟涂层区域的边缘特征,具体为:
根据形貌特征提取网络获取横截面观测图对应的掩膜图像,在所述掩膜图像中获取感兴趣区域,并在所述掩膜图像中获取感兴趣区域的边缘区域信息;
将所述边缘区域信息进行分割获取若干预设尺寸的邻域点集,利用多维感知机对所述邻域点集中的单点进行处理获取编码后单点的局部特征,并利用平均池化获取邻域点集的整体空间分布特征;
通过线性映射获取注意力矩阵,利用特征拼接将单点的局部特征及整体空间分布特征结合所述注意力进行融合,通过特征金字塔结构建立解码器,将拼接融合后的特征导入解码器中;
根据解码器中叠加的全连接层预测边缘区域信息的掩膜标签,根据所述掩膜标签对所述边缘区域信息进行掩膜修正,根据修正后的感兴趣区域输出含氟涂层区域,并获取含氟涂层区域的边缘特征。
9.根据权利要求6所述的一种含氟涂层的喷涂平整度智能检测***,其特征在于,构建喷涂参数评价网络,根据喷涂参数之间的相互作用建立特征映射,获取喷涂参数的参数评价特征,具体为:
获取喷涂平整度取样点对应含氟涂层的喷涂参数,计算所述喷涂参数与表面平整度之间的皮尔逊相关系数,根据所述皮尔逊相关系数选取预设数量的喷涂参数;
利用选取的喷涂参数检索表面质量检测实例,将所述表面质量检测实例导入低维知识空间,在所述低维知识空间中根据喷涂参数之间及喷涂参数与表面质量评价指标之间对应的共现频率获取交互关系;
根据所述交互关系获取与喷涂参数直接相连的知识节点,利用所述知识节点的数量评价喷涂参数的重要程度,通过所述重要程度再次选取符合预设标准的喷涂参数,并基于重要程度设置喷涂参数对应边结构的权重;
基于图卷积神经网络构建喷涂参数评价网络,获取含氟涂层的历史喷涂数据,并利用专家知识进行喷涂平整度评价标注,获取含有喷涂平整度评价的训练数据进行模型训练;
通过再次选取的喷涂参数构建邻接矩阵,利用所述喷涂参数评价网络对邻接矩阵进行学习获取对应的图结构,根据所述图结构进行图卷积获取喷涂参数特征表示;
将所述喷涂参数特征表示基于边界结构对应的权重进行聚合,获取最终的喷涂参数特征向量,并在全连接层中建立喷涂参数特征向量与喷涂平整度的特征映射,输出取喷涂参数的参数评价特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016637.3A CN117557554B (zh) | 2024-01-05 | 2024-01-05 | 一种含氟涂层的喷涂平整度智能检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016637.3A CN117557554B (zh) | 2024-01-05 | 2024-01-05 | 一种含氟涂层的喷涂平整度智能检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557554A CN117557554A (zh) | 2024-02-13 |
CN117557554B true CN117557554B (zh) | 2024-04-23 |
Family
ID=89818773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016637.3A Active CN117557554B (zh) | 2024-01-05 | 2024-01-05 | 一种含氟涂层的喷涂平整度智能检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557554B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233248A (zh) * | 2020-10-19 | 2021-01-15 | 广东省计量科学研究院(华南国家计量测试中心) | 基于三维点云的表面平整度的检测方法、***及介质 |
CN112950584A (zh) * | 2021-03-01 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的涂层表面缺陷识别方法 |
CN113743473A (zh) * | 2021-08-06 | 2021-12-03 | 成都飞机工业(集团)有限责任公司 | 一种用于复杂零件自动化喷涂过程的智能识别与检测方法 |
CN113856938A (zh) * | 2021-11-29 | 2021-12-31 | 单县多米石墨烯科技有限公司 | 一种石墨烯防腐涂料的喷涂均匀性检测方法及*** |
CN114912832A (zh) * | 2022-06-07 | 2022-08-16 | 无锡连枝横科技有限公司 | 一种镁钛合金表面涂装工艺质量的评估方法及*** |
CN115345844A (zh) * | 2022-08-10 | 2022-11-15 | 深圳进化动力数码科技有限公司 | 一种基于智能机器人的喷涂方法、装置及电子设备及介质 |
CN115561249A (zh) * | 2022-11-09 | 2023-01-03 | 松乐智能装备(深圳)有限公司 | 一种喷涂设备的智能化监测方法及*** |
CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、***及介质 |
CN116580013A (zh) * | 2023-05-19 | 2023-08-11 | 北京理工大学 | 一种肝脏肿瘤分割方法 |
CN116629659A (zh) * | 2023-04-11 | 2023-08-22 | 杭州冠弛新材料科技有限公司 | 一种装饰纸喷涂质量评估方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112757796B (zh) * | 2020-12-30 | 2022-04-08 | 华中科技大学 | 一种用于显示器件喷印制造全过程质量检测的***与方法 |
US11580646B2 (en) * | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
-
2024
- 2024-01-05 CN CN202410016637.3A patent/CN117557554B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233248A (zh) * | 2020-10-19 | 2021-01-15 | 广东省计量科学研究院(华南国家计量测试中心) | 基于三维点云的表面平整度的检测方法、***及介质 |
CN112950584A (zh) * | 2021-03-01 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的涂层表面缺陷识别方法 |
CN113743473A (zh) * | 2021-08-06 | 2021-12-03 | 成都飞机工业(集团)有限责任公司 | 一种用于复杂零件自动化喷涂过程的智能识别与检测方法 |
CN113856938A (zh) * | 2021-11-29 | 2021-12-31 | 单县多米石墨烯科技有限公司 | 一种石墨烯防腐涂料的喷涂均匀性检测方法及*** |
CN114912832A (zh) * | 2022-06-07 | 2022-08-16 | 无锡连枝横科技有限公司 | 一种镁钛合金表面涂装工艺质量的评估方法及*** |
CN115345844A (zh) * | 2022-08-10 | 2022-11-15 | 深圳进化动力数码科技有限公司 | 一种基于智能机器人的喷涂方法、装置及电子设备及介质 |
CN115561249A (zh) * | 2022-11-09 | 2023-01-03 | 松乐智能装备(深圳)有限公司 | 一种喷涂设备的智能化监测方法及*** |
CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、***及介质 |
CN116629659A (zh) * | 2023-04-11 | 2023-08-22 | 杭州冠弛新材料科技有限公司 | 一种装饰纸喷涂质量评估方法及*** |
CN116580013A (zh) * | 2023-05-19 | 2023-08-11 | 北京理工大学 | 一种肝脏肿瘤分割方法 |
Non-Patent Citations (2)
Title |
---|
应用深度卷积的涂布缺陷检测方法;宋念龙;李自明;;传感器与微***;20200320(第03期);全文 * |
应用深度卷积的涂布缺陷检测方法;宋念龙等;《传感器与微***》;20200320(第03期);第157-159页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557554A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415329B (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
CN113920096B (zh) | 一种集成电路金属封装缺陷检测方法 | |
CN111242185A (zh) | 一种基于深度学习的缺陷快速初筛方法及*** | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN116647644B (zh) | 基于数字孪生技术的校园交互式监控方法以及*** | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN110766708A (zh) | 基于轮廓相似度的图像比较方法 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
CN111368602A (zh) | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 | |
CN117557554B (zh) | 一种含氟涂层的喷涂平整度智能检测方法及*** | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及*** | |
CN115456972A (zh) | 混凝土裂缝检测与识别方法、装置、设备及存储介质 | |
CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 | |
CN114119562B (zh) | 一种基于深度学习的刹车盘外表面缺陷检测方法及*** | |
CN113192018B (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN114581780A (zh) | 一种改进U-Net网络结构的隧道表面裂缝检测方法 | |
CN113222950A (zh) | 表面缺陷检测模型训练方法、表面缺陷检测方法及*** | |
CN111079660A (zh) | 基于热红外成像图片的影院在线人数统计方法 | |
Jing et al. | Complex Crack Segmentation and Quantitative Evaluation of Engineering Materials Based on Deep Learning Methods | |
CN113963249B (zh) | 一种星系图像的检测方法和*** |
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 |