【技术实现步骤摘要】
本专利技术涉及平整度检测，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系统。
技术介绍
1、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。
2、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。
技术实现思路
1、为了解决上述技术问题，本专利技术提出了一种含氟涂层的喷涂平整度智能检测方法及系统。
2、本专利技术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：
4、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；
5、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；
6、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。
7、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：
8、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；
9、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；
10、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；
11、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；
12、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。
13、本方案中，构建形貌特征提取网络，具体为：
14、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；
15、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；
16、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；
17、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。
18、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：
19、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；
20、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；
21、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；
22、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。
23、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：
24、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；
25、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；
26、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；
27、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；
28、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；
29、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。
30、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：
31、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，根据所述边缘特征本文档来自技高网...
【技术保护点】
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：
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，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：
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，构建形貌特征提取网络，具体为：
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，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：
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，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：
6.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：
7.一种含氟涂层的喷涂平整度智能检测系统，其特征在于，该系统包括：存储器、处理器，所
8.根据权利要求7所述的一种含氟涂层的喷涂平整度智能检测系统，其特征在于，构建形貌特征提取网络，具体为：
9.根据权利要求7所述的一种含氟涂层的喷涂平整度智能检测系统，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：
10.根据权利要求7所述的一种含氟涂层的喷涂平整度智能检测系统，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：
...【技术特征摘要】
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：
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，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：
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，构建形貌特征提取网络，具体为：
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，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：
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，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：
6.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，...
【专利技术属性】
技术研发人员：曾一铮，刘星，
申请(专利权)人：海斯福深圳科技有限公司，
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。