【技术实现步骤摘要】
一种基于人工智能模型的界面张力测量方法
本专利技术属于智能检测领域，具体涉及一种基于人工智能模型的界面张力测量方法，主要应用于石油化工行业。
技术介绍
旋转滴界面张力测量方法是表面化学中经典的界面张力测量方法。通过该方法可以测到超低界面张力的特点是其他测量方法不具有和无法实现的。使用旋转滴法测量界面张力的过程是在按要求建立的测量环境中获得相关数据，用旋转滴法计算公式计算出界面张力的过程。在此过程中，对于旋转滴长度和宽度的测量精确度、准确度和可重复性直接影响界面张力的测量结果。在界面张力测量领域，自上世纪八十年代初以来，执行旋转滴界面张力测量方法时始终沿用的是人工判读几何尺寸，并采用手工计算的方法。使用人工判读光学影像的方式，存在很大的人为测量误差。自二零零零年后，具有一定自动化程度的旋转滴界面张力测量方法开始出现，其方法采用拍照的方式获取图片并在计算机上对图片进行人工判读，然后根据测出的数值进行自动计算。通过人工或图像识别进行测量的方法，存在以下问题：1.人工测量需要测量实验人员高度集中，通过人工界定...
【技术保护点】
1.一种基于人工智能模型的界面张力测量方法，其特征在于，该方法包括以下步骤：/n步骤1、使用旋转滴界面张力仪拍摄具有标准尺寸的标准物照片，所述标准物具有标准长度W毫米及标准宽度H毫米；/n步骤2、利用CNN卷积神经网络建立标准物识别模型并训练，识别标准物照片中与所述标准尺寸对应的像素数量，识别出的标准物具有长度像素数量w和宽度像素数量h；/n步骤3、计算旋转滴界面张力仪成像系统的水平方向放大倍率α和垂直方向放大倍率β；/n步骤4、使用旋转滴界面张力仪拍摄旋转滴照片；/n步骤5、利用CNN卷积神经网络建立旋转滴识别模型并训练，识别旋转滴照片中旋转滴的长度像素数l和宽度像素数d...
【技术特征摘要】
1.一种基于人工智能模型的界面张力测量方法，其特征在于，该方法包括以下步骤：
步骤1、使用旋转滴界面张力仪拍摄具有标准尺寸的标准物照片，所述标准物具有标准长度W毫米及标准宽度H毫米；
步骤2、利用CNN卷积神经网络建立标准物识别模型并训练，识别标准物照片中与所述标准尺寸对应的像素数量，识别出的标准物具有长度像素数量w和宽度像素数量h；
步骤3、计算旋转滴界面张力仪成像系统的水平方向放大倍率α和垂直方向放大倍率β；
步骤4、使用旋转滴界面张力仪拍摄旋转滴照片；
步骤5、利用CNN卷积神经网络建立旋转滴识别模型并训练，识别旋转滴照片中旋转滴的长度像素数l和宽度像素数d；
步骤6、计算旋转滴的长度L和宽度D；
步骤7、计算界面张力值。
2.根据权利要求1所述的界面张力测量方法，其特征在于：所述标准物的形状是圆柱体、立方体或矩形片状物体。
3.根据权利要求1或2所述的界面张力测量方法，其特征在于：步骤2中，建立标准物识别模型并训练，包括以下步骤：
(1)制作标准物照片数据集；
(2)搭建标准物识别模型，标准物识别模型包括特征提取、特征融合、池化、降低维度、上采样和维度恢复；
(3)训练标准物识别模型，使得标准物识别模型损失函数输出的结果满足要求；
(4)导出标准物识别模型。
4.根据权利要求3所述的界面张力测量方法，其特征在于：制作标准物照片数据集时，对M张通过旋转滴界面张力仪拍摄的标准物照片进行人工框选标记，即对每张标准物照片的轮廓用矩形框进行框选并保留框选边界，形成标准物区域。
5.根据权利要求4所述的界面张力测量方法，其特征在于：训练标准物识别模型时，使用深度学习训练框架对模型进行训练，将标准物照片和对应的人工框选标记后的标准物照片以组合的形式输入标准物识别模型，根据标准物识别模型损失函数输出的结果，对标准物识别模型进行修正，并重复该过程，直到标准物识别模型的损失函数的输出结果达到要求。
6.根据权利要求5所述的界面张力测量方法，其特征在于：将标准物照片输入训练好的标准物识别模型，并由标准物识别模型输出标准物的长度像素数量w和宽度像素数量h。
7.根据权利要求1所述的界面张力...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。