硬质PVC结皮发泡型材的制备方法及其系统技术方案

一种硬质PVC结皮发泡型材的制备方法及其系统，其获取混合物料的检测图像；采用基于深度学习的人工智能技术，提取混合物料的检测图像的隐含特征信息，并经过分类处理实现对硬质PVC结皮发泡型材制备过程中添加剂分散情况的快速检测和评估，以提高产品质量和生产效率。以提高产品质量和生产效率。以提高产品质量和生产效率。

【技术实现步骤摘要】
硬质PVC结皮发泡型材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，涉及一种硬质PVC结皮发泡型材的制备方法及其系统。

技术介绍

[0002]硬质PVC结皮发泡型材是一种材料，它由中间的泡沫PVC层和两侧的固态PVC层组成。这种材料具有轻质、隔热、隔音、防水、耐候、耐腐蚀等优良性能，常被用于建筑和装饰领域，例如制作窗框、门框、墙板、天花板、地板边条等。
[0003]然而，硬质PVC结皮发泡型材的材料制备存在诸多难点，包括但不限于与：发泡体积难以控制、致密皮层的光滑表面、材料稳定性等。因此，期待一种优化的同于硬质PVC结皮发泡型材的制备方案。

技术实现思路

[0004]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硬质PVC结皮发泡型材的制备方法及其系统，其获取混合物料的检测图像；采用基于深度学习的人工智能技术，提取混合物料的检测图像的隐含特征信息，并经过分类处理实现对硬质PVC结皮发泡型材制备过程中添加剂分散情况的快速检测和评估，以提高产品质量和生产效率。
[0005]第一方面，提供了一种硬质PVC结皮发泡型材的制备方法，其包括：
[0006]获取混合物料的检测图像；
[0007]提取检测图像的方向梯度直方图；
[0008]将所述混合物料的检测图像和所述方向梯度直方图沿着通道维度进行聚合以得到多通道图像；
[0009]对所述多通道图像进行图像分块处理以得到图像块的序列；
[0010]将所述图像块的序列分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；
[0011]分别计算所述多个图像块特征矩阵中每两个图像块特征矩阵之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；以及
[0012]将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述混合物料内的润滑剂、光稳定剂、促进剂和硬化剂的散化程度是否满足预定要求。
[0013]在上述硬质PVC结皮发泡型材的制备方法中，对所述多通道图像进行图像分块处理以得到图像块的序列，包括：对所述多通道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。
[0014]在上述硬质PVC结皮发泡型材的制备方法中，将所述图像块的序列分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵，包括：从所述卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；分别对所述浅层特征图
和所述深层特征图进行沿通道维度的全局池化以得到浅层图像特征矩阵和深层图像特征矩阵；以及，对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵。
[0015]在上述硬质PVC结皮发泡型材的制备方法中，对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵，包括：以如下融合公式对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵；其中，所述融合公式为：
[0016][0017][0018]m1∈M1and m2∈M2[0019]其中，M1表示所述浅层图像特征矩阵，M2表示所述深层图像特征矩阵，μ和σ分别是的特征集合的均值和方差，W和H分别是特征矩阵的宽度和高度，m1是所述浅层图像特征矩阵的特征值，m2是所述深层图像特征矩阵的特征值，m
′
是所述图像块特征矩阵的特征值。
[0020]在上述硬质PVC结皮发泡型材的制备方法中，分别计算所述多个图像块特征矩阵中每两个图像块特征矩阵之间的余弦相似度以得到所述由多个余弦相似度组成的分类特征向量，包括：以如下余弦公式计算所述多个图像块特征矩阵中每两个图像块特征矩阵之间的余弦相似度以得到多个余弦相似度；其中，所述余弦公式为：
[0021][0022]其中，M1和M2分别表示所述多个图像块特征矩阵中任意两个图像块特征矩阵，和分别表示表示所述图像块特征矩阵M1和M2的第(i,j)位置的特征值，d(M1,M2)表示所述多个图像块特征矩阵中任意两个图像块特征矩阵之间的余弦距离；以及，将所述多个余弦相似度进行排列以得到所述分类特征向量。
[0023]在上述硬质PVC结皮发泡型材的制备方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述混合物料内的润滑剂、光稳定剂、促进剂和硬化剂的散化程度是否满足预定要求，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0024]第二方面，提供了一种硬质PVC结皮发泡型材的制备系统，其包括：
[0025]图像获取模块，用于获取混合物料的检测图像；
[0026]直方图提取模块，用于提取检测图像的方向梯度直方图；
[0027]聚合模块，用于将所述混合物料的检测图像和所述方向梯度直方图沿着通道维度进行聚合以得到多通道图像；
[0028]图像分块处理模块，用于对所述多通道图像进行图像分块处理以得到图像块的序列；
[0029]深浅特征融合模块，用于将所述图像块的序列分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；
[0030]余弦相似度计算模块，用于分别计算所述多个图像块特征矩阵中每两个图像块特征矩阵之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；以及
[0031]散化程度结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述混合物料内的润滑剂、光稳定剂、促进剂和硬化剂的散化程度是否满足预定要求。
[0032]在上述硬质PVC结皮发泡型材的制备系统中，所述图像分块处理模块，用于：对所述多通道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。
[0033]在上述硬质PVC结皮发泡型材的制备系统中，所述深浅特征融合模块，包括：浅层提取单元，用于从所述卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层提取单元，用于从所述卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；全局池化单元，用于分别对所述浅层特征图和所述深层特征图进行沿通道维度的全局池化以得到浅层图像特征矩阵和深层图像特征矩阵；以及，融合单元，用于对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵。
[0034]在上述硬质PVC结皮发泡型材的制备系统中，所述融合单元，用于：以如下融合公式对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种硬质PVC结皮发泡型材的制备方法，其特征在于，包括：获取混合物料的检测图像；提取检测图像的方向梯度直方图；将所述混合物料的检测图像和所述方向梯度直方图沿着通道维度进行聚合以得到多通道图像；对所述多通道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分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；分别计算所述多个图像块特征矩阵中每两个图像块特征矩阵之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述混合物料内的润滑剂、光稳定剂、促进剂和硬化剂的散化程度是否满足预定要求。2.根据权利要求1所述的硬质PVC结皮发泡型材的制备方法，其特征在于，对所述多通道图像进行图像分块处理以得到图像块的序列，包括：对所述多通道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所述的硬质PVC结皮发泡型材的制备方法，其特征在于，将所述图像块的序列分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵，包括：从所述卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；分别对所述浅层特征图和所述深层特征图进行沿通道维度的全局池化以得到浅层图像特征矩阵和深层图像特征矩阵；以及对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵。4.根据权利要求3所述的硬质PVC结皮发泡型材的制备方法，其特征在于，对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵，包括：以如下融合公式对所述浅层图像特征矩阵和所述深层图像特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵；其中，所述融合公式为：其中，所述融合公式为：m1∈M
1 and m2∈M2其中，M1表示所述浅层图像特征矩阵，M2表示所述深层图像特征矩阵，μ和σ分别是的特征集合的均值和方差，W和H分别是特征矩阵的宽度和高度，m1是所述浅层图像特征矩阵的特征值，m2是所述深层图像特征矩阵的特征值，m
′
是所述图像块特征矩阵
的特征值。5.根据权利要求4所述的硬质PVC结皮发泡型材的制备方法，其特征在于，分别计算所述多个图像块特征矩阵中每两个图像块特征矩阵之间的余弦相似度以得到所述由多个余弦相似度组成的分类特征向量，包括：以如下余弦公式计算所述多个图像块特征矩阵中每两个图像块特征矩阵之间的余弦相似度以得到多个余弦相似度；其中，所述余弦公式为：其中，M1和M2分别表示所述多个图像块特征矩阵中任意两个图像块特征矩阵，和分别表示表示所述图像块特征矩阵M1和M2的第(i,j)位置的特征值，d(M1,M2)表示所述多个图像块特征矩阵中任意两个图...

【专利技术属性】
技术研发人员：龚晓丽，陈全平，
申请(专利权)人：江西立立联新型建材有限公司，
类型：发明
国别省市：