【技术实现步骤摘要】
本专利技术涉及材料性能测试领域，尤其涉及一种材料性能检测方法、装置、设备及存储介质。
技术介绍
1、橡胶材料是一种广泛应用于各种工业和消费品领域的材料。由于其具有优异的弹性、耐磨、抗老化、耐腐蚀等特性，在汽车、电子、建筑、医疗、鞋类和运动装备等行业中得到了广泛应用。为确保橡胶材料的质量和性能符合标准要求，需要对其进行严格的性能测试。
2、加热测试是材料性能检测的重要方法之一。在实际使用过程中，橡胶材料会受到各种环境因素的影响，如温度、湿度、紫外线照射等。其中，温度是最为常见和重要的因素之一。在高温下，橡胶材料容易软化、变形、老化甚至失效，而在低温下则容易变脆、硬化、开裂等。因此，加热测试可以模拟橡胶材料在高温环境下的实际使用情况，评估其耐热性能、稳定性等参数，为橡胶材料的选材和使用提供重要参考。现有的对橡胶材料进行加热测试主要是使用热空气老化测试，然而，热空气老化测试热空气老化测试需要进行长时间的加热处理，并且在加热过程中的需要对样品进行周期性的监测，例如测量硬度、拉伸强度、断裂伸长率等参数的变化，检测效率低下。
技术实现思路
1、本专利技术的主要目的在于解决现有的使用橡胶材料检测效率低的技术问题。
2、本专利技术第一方面提供了一种材料性能检测方法，所述材料性能检测方法包括：
3、获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像
4、对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧并对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
5、根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
6、将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数。
7、可选的，在本专利技术第一方面的第一种实现方式中，所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数包括：
8、将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示；
9、将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；
10、通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数。
11、可选的，在本专利技术第一方面的第二种实现方式中，所述橡胶材料制品检测模型包括残差神经网络，所述残差神经网络包括多个卷积层和全连接层；
12、所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示包括：
13、将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，对所述多个关键帧图像进行图像预处理；
14、通过所述橡胶材料制品检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作；
15、将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示，得到各关键帧图像的特征表示。
16、可选的，在本专利技术第一方面的第三种实现方式中，所述橡胶材料制品检测模型还包括时间卷积网络；
17、所述通过所述橡胶材料制品检测模型对所述时序数据进行分类，得到所述目标橡胶材料制品的待检测性能的性能参数包括：
18、对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；
19、通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；
20、使用激活函数对所述特征信息进行非线性映射，得到所述目标橡胶材料制品的待检测性能的性能参数。
21、可选的，在本专利技术第一方面的第四种实现方式中，所述对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络包括：
22、确定所述特征信息的序列长度，并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同；
23、若否，则对所述时序数据进行填充操作，使得所述时序数据的序列长度与所述特征信息的序列长度相同。
24、可选的，在本专利技术第一方面的第五种实现方式中，在获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频之前，还包括：
25、获取所述目标橡胶材料制品同一类型的样本制品的样本数据，其中，所述样本数据包括所述样本制品加热处理过程中的样本热成像视频以及对应的待检测性能的样本实测性能参数；
26、对所述样本数据进行数据预处理，并获取预设的神经网络模型；
27、将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数；
28、判断所述样本预测性能参数与所述样本实测性能参数的偏差值是否小于预设偏差阈值；
29、若否，则根据所述偏差值调整所述神经网络模型的网络参数，并返回将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数的步骤，直至所述偏差值小于所述预设偏差阈值，得到橡胶材料制品检测模型；
30、若是，则将所述神经网络模型作为橡胶材料制品检测模型。
31、可选的，在本专利技术第一方面的第六种实现方式中，所述待检测性能包括热传导性能、热稳定性、力学性能和热膨胀性能中的一个或多个；
32、所述将所述样本热成像视频的多个样本图像帧输入所述神经网络模型，通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能参数包括：
33、判断所述待检测性能是否包括热传导性能、热稳定性、力学性能和热膨胀性能中的任意两个及以上；
34、若是，则根据所述待检测性能选择多头神经网络模型，并将所述样本热成像视频输入所述多头神经网络模型；
35、通过所述多头神经网络模型确定各待检测性能的任务权重和任务超参数；
36、将所述多个样本图像帧输入所述多头神经网络模型中，对所述多个样本图像帧进行特征提取，得到各多个样本图像帧的特征表示；
37、将各所述特征表示按照所述样本热成像视频的时间轴，生成对应的样本时序数据本文档来自技高网...
【技术保护点】
1.一种材料性能检测方法，其特征在于，所述材料性能检测方法包括：
2.根据权利要求1所述的材料性能检测方法，其特征在于，所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数包括：
3.根据权利要求2所述的材料性能检测方法，其特征在于，所述橡胶材料制品检测模型包括残差神经网络，所述残差神经网络包括多个卷积层和全连接层；
4.根据权利要求3所述的材料性能检测方法，其特征在于，所述橡胶材料制品检测模型还包括时间卷积网络；
5.根据权利要求4所述的材料性能检测方法，其特征在于，所述对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络包括：
6.根据权利要求1所述的材料性能检测方法，其特征在于，在获取目标橡胶材料制品和检测项目，根据所述检测项目中的测试参数对所述目标橡胶材料制品进行加热处理，并在进行加热处理时对所述目标橡胶材料制品进行热成像拍摄，得到对应的热成像视频之前，还包括：
7.根据权利要
8.一种材料性能检测装置，其特征在于，所述材料性能检测装置包括：
9.一种材料性能检测设备，其特征在于，所述材料性能检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述材料性能检测方法的步骤。
...【技术特征摘要】
1.一种材料性能检测方法，其特征在于，所述材料性能检测方法包括：
2.根据权利要求1所述的材料性能检测方法，其特征在于，所述将所述多个关键帧图像输入预设的橡胶材料制品检测模型中，通过所述橡胶材料制品检测模型根据所述多个关键帧图像计算所述目标橡胶材料制品的待检测性能的性能参数包括：
3.根据权利要求2所述的材料性能检测方法，其特征在于，所述橡胶材料制品检测模型包括残差神经网络，所述残差神经网络包括多个卷积层和全连接层；
4.根据权利要求3所述的材料性能检测方法，其特征在于，所述橡胶材料制品检测模型还包括时间卷积网络；
5.根据权利要求4所述的材料性能检测方法，其特征在于，所述对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络包括：
6.根据权利要求1所...
【专利技术属性】
技术研发人员：张思儒，苏会敏，余建平，姚芳伟，刘家财，吴春平，叶茵茵，
申请(专利权)人：广东贝洛新材料科技有限公司，
类型：发明
国别省市：
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。