酚醛复合材料的制备方法及其系统技术方案

一种酚醛复合材料的制备方法及其系统，其获取预浸料的检测图像；基于深度学习的图像处理技术，对预浸料的检测图像进行特征挖掘与捕捉，并通过解码处理来自动推荐最佳的固化温度，提高酚醛复合材料的质量和一致性，降低人工干预的成本和误差。工干预的成本和误差。工干预的成本和误差。

【技术实现步骤摘要】
酚醛复合材料的制备方法及其系统


[0001]本申请涉及智能化制备
，并且更具体地，涉及一种酚醛复合材料的制备方法及其系统。

技术介绍

[0002]酚醛复合材料是一种由酚醛树脂和增强材料（如玻璃纤维、碳纤维、石墨等）组成的高性能复合材料，通常作为结构件、摩擦件、隔热件，广泛应用于航空航天、汽车、电子、建筑等领域。
[0003]通常，酚醛复合材料的制备过程包括如下步骤：S1. 将酚、甲醛和催化剂按一定比例混合，加热反应得到酚醛树脂溶液；S2. 将玻璃纤维布浸渍于酚醛树脂溶液中，使其充分浸润，然后挤出多余的溶液，得到预浸料；S3. 将预浸料在高温高压下加热固化，得到酚醛复合材料。
[0004]在上述制备酚醛复合材料的过程中，固化温度的过高或过低会影响复合材料的交联密度和分子结构，降低其强度和韧性，影响复合材料的力学性能、耐热性能和稳定性。人工进行固化温度的控制往往不够精准，且不同的工作人员存在不同的经验而对固化温度的控制缺乏一致性，从而影响酚醛复合材料质量的一致性。因此，期待一种解决方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种酚醛复合材料的制备方法及其系统，其获取预浸料的检测图像；基于深度学习的图像处理技术，对预浸料的检测图像进行特征挖掘与捕捉，并通过解码处理来自动推荐最佳的固化温度，提高酚醛复合材料的质量和一致性，降低人工干预的成本和误差。
[0006]第一方面，提供了一种酚醛复合材料的制备方法，其包括：获取预浸料的检测图像；对所述预浸料的检测图像进行图像分块处理以得到图像块的序列；将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到多个预浸料局部区域特性特征向量；将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐的固化温度值。
[0007]在上述酚醛复合材料的制备方法中，对所述预浸料的检测图像进行图像分块处理以得到图像块的序列，包括：对所述预浸料的检测图像进行均匀分块处理以得到所述图像块的序列，其中，所述图像块的序列中各个图像块具有相同的尺寸。
[0008]在上述酚醛复合材料的制备方法中，将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到多个预浸料局部区域特性特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其
中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个预浸料局部区域特性特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述图像块的序列中的各个图像块。
[0009]在上述酚醛复合材料的制备方法中，将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到解码特征向量，包括：将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到多个上下文预浸料局部区域特性特征向量；分别计算所述多个上下文预浸料局部区域特性特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；基于所述多个高斯回归不确定性因数分别对所述多个上下文预浸料局部区域特性特征向量进行加权以得到多个加权后上下文预浸料局部区域特性特征向量；以及，将所述多个加权后上下文预浸料局部区域特性特征向量进行级联以得到所述解码特征向量。
[0010]在上述酚醛复合材料的制备方法中，将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到多个上下文预浸料局部区域特性特征向量，包括：将所述多个预浸料局部区域特性特征向量进行一维排列以得到预浸料全局特征向量；计算所述预浸料全局特征向量与所述多个预浸料局部区域特性特征向量中各个预浸料局部区域特性特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个预浸料局部区域特性特征向量中各个预浸料局部区域特性特征向量进行加权以得到所述多个上下文预浸料局部区域特性特征向量。
[0011]在上述酚醛复合材料的制备方法中，分别计算所述多个上下文预浸料局部区域特性特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数，包括：以如下优化公式计算所述多个上下文预浸料局部区域特性特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；其中，所述优化公式为：，其中，是行特征向量的长度，和分别是所述多个上下文预浸料局部区域特性特征向量中各个位置的特征集合的均值和方差，其中 是所述上下文预浸料局部区域特性特征向量的第
ꢀꢀ
个位置的特征值，是所述多个高斯回归不确定性因数，且为以2为底的对数函数。
[0012]在上述酚醛复合材料的制备方法中，将所述多个加权后上下文预浸料局部区域特性特征向量进行级联以得到所述解码特征向量，包括：以如下级联公式将所述多个加权后上下文预浸料局部区域特性特征向量进行级联以得到所述解码特征向量；其中，所述级联公式为： 其中， 表示所述多个加权后上下文预浸料局部区域特性特征向量，表示级联函数，表示所述解码特征向量。
[0013]在上述酚醛复合材料的制备方法中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐的固化温度值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
，表示所述解码特征向量，表示解码值，表示权重矩阵，表示偏置向量，表示矩阵乘。
[0014]第二方面，提供了一种酚醛复合材料的制备系统，其包括：图像获取模块，用于获取预浸料的检测图像；图像分块模块，用于对所述预浸料的检测图像进行图像分块处理以得到图像块的序列；特征提取模块，用于将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到多个预浸料局部区域特性特征向量；上下文编码单元，用于将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及解码模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐的固化温度值。
[0015]在上述酚醛复合材料的制备系统中，所述图像分块模块，用于：对所述预浸料的检测图像进行均匀分块处理以得到所述图像块的序列，其中，所述图像块的序列中各个图像块具有相同的尺寸。
[0016]与现有技术相比，本申请提供的酚醛复合材料的制备方法及其系统，其获取预浸料的检测图像；基于深度学习的图像处理技术，对预浸料的检测图像进行特征挖掘与捕捉，并通过解码处理来自动推荐最佳的固化温度，提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种酚醛复合材料的制备方法，其特征在于，包括：获取预浸料的检测图像；对所述预浸料的检测图像进行图像分块处理以得到图像块的序列；将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到多个预浸料局部区域特性特征向量；将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐的固化温度值。2.根据权利要求1所述的酚醛复合材料的制备方法，其特征在于，对所述预浸料的检测图像进行图像分块处理以得到图像块的序列，包括：对所述预浸料的检测图像进行均匀分块处理以得到所述图像块的序列，其中，所述图像块的序列中各个图像块具有相同的尺寸。3.根据权利要求2所述的酚醛复合材料的制备方法，其特征在于，将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到多个预浸料局部区域特性特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个预浸料局部区域特性特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述图像块的序列中的各个图像块。4.根据权利要求3所述的酚醛复合材料的制备方法，其特征在于，将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到解码特征向量，包括：将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到多个上下文预浸料局部区域特性特征向量；分别计算所述多个上下文预浸料局部区域特性特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；基于所述多个高斯回归不确定性因数分别对所述多个上下文预浸料局部区域特性特征向量进行加权以得到多个加权后上下文预浸料局部区域特性特征向量；以及将所述多个加权后上下文预浸料局部区域特性特征向量进行级联以得到所述解码特征向量。5.根据权利要求4所述的酚醛复合材料的制备方法，其特征在于，将所述多个预浸料局部区域特性特征向量通过基于转换器的上下文编码器以得到多个上下文预浸料局部区域特性特征向量，包括：将所述多个预浸料局部区域特性特征向量进行一维排列以得到预浸料全局特征向量；计算所述预浸料全局特征向量与所述多个预浸料局部区域特性特征向量中各个预浸料局部区域特性特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多...

【专利技术属性】
技术研发人员：吕高翔，吕炳峣，石育敏，徐茵，
申请(专利权)人：浙江恒耀电子材料有限公司，
类型：发明
国别省市：