【技术实现步骤摘要】
本专利技术涉及一种橡胶组合物的分析方法及已学习模型的生成方法。
技术介绍
1、以往，为了加深对橡胶组合物的了解而提供了用显微镜拍摄橡胶组合物，并用于解析所得到的显微镜图像的技术。例如专利文献1公开了一种根据橡胶组合物的显微镜图像来计算表示该显微镜图像的特征的指标，并基于此来推定橡胶组合物的特性的技术。
2、现有技术文献
3、专利文献
4、专利文献1：日本特开2019-021037号公报
5、专利技术所要解决的技术问题
6、在专利文献1所公开的技术中，将根据橡胶组合物的显微镜图像计算出的特征向量与橡胶组合物的特定的特性关联起来。另一方面，为了将橡胶组合物所含的配混物表现为亮度的差，并提取对于橡胶组合物的物性、结构的定量数据，可能会想要在橡胶组合物的显微镜图像中先区分出与特定的配混物对应的区域。但是，在橡胶组合物的显微镜图像中，难以适当地划分这样的区域，到目前为止没有提供这样的技术。
技术实现思路
1、本专利技术的目的在于，提供一种橡胶组合物的分析方法及已学习模型的生成方法，用于在橡胶组合物的显微镜图像适当地划分与该橡胶组合物所含的配混物对应的区域。
2、用于解决技术问题的技术手段
3、第一观点的橡胶组合物的分析方法包含以下内容。
4、(1)获取输入数据，该输入数据根据显微镜图像而生成，该显微镜图像由显微镜对橡胶组合物进行拍摄而得到，所述橡胶组合物所含的配混显现于该显微镜图像；
6、(3)从所述已学习的机器学习模型导出输出数据。
7、此外，所述输出数据是与所述配混物对应地对显现于所述显微镜图像的区域进行划分的数据。
8、第二观点的分析方法是在第一观点的分析方法中，还包含：基于所述输出数据导出与所述橡胶组合物的结构和物性中的至少一方相关的特征量。
9、第三观点的分析方法是在第一观点或第二观点的分析方法中，所述已学习的机器学习模型构成为分割模型。
10、第四观点的分析方法是在第一观点至第三观点中的任一个分析方法中，所述已学习的机器学习模型构成为：从由注意力网络、segnet、特征金字塔网络、unet、pspnet、transnet、及transunet构成的组选择的模型，或以从所述组选择的模型为基础的模型。
11、第五观点的分析方法是从第一观点至第四观点中的任一个分析方法中，所述已学习的机器学习模型构成为包含transformer编码器和unet编码器的模型。
12、第六观点的分析方法是第在五观点的分析方法中，向已学习的机器学习模型输入所述输入数据包含向所述transformer编码器输入基于所述输入数据的数据和向所述unet编码器输入所述输入数据。
13、第七观点的分析方法是在第一观点到第六观点中的任一个分析方法中，所述显微镜是反射电子显微镜。
14、第八观点的分析方法是在第二观点的分析方法中，所述特征量与所述配混物的分散状态、所述配混物所形成的组织的形状及所述配混物所形成的组织的大小中的至少一个相关。
15、第九观点的分析方法是在第二观点的分析方法中，所述特征量与所述橡胶组合物的粘度、硬度、甲苯溶胀指数、比重、玻璃化转变温度(tg)、温度分散(td)、模量、抗拉强度、伸长率、储存弹性模量、及损耗弹性模量中的至少一个相关。
16、第十观点的已学习模型的生成方法包含以下内容。
17、(1)准备学习用数据，该学习用数据由多个第一数据和第二数据组合而成，该第一数据根据显微镜图像而生成，该显微镜图像由显微镜对橡胶组合物进行拍摄而得到，所述橡胶组合物所含的配混物显现于该显微镜图像，该第二数据是与所述配混物对应地对显现于所述显微镜图像的区域进行划分的数据；
18、(2)将所述学习用数据分割为训练用数据和验证用数据；
19、(3)以当使用所述训练用数据而输入与所述第一数据对应的数据，则输出与所述第二数据对应的数据的方式来调整定义机器学习模型的参数。
20、第十一观点的已学习模型的生成方法是在第十观点的已学习模型的生成方法中，哈包含以下内容。
21、(4)通过对所述参数被调整后的所述机器学习模型输入所述验证用数据所含的第一数据，来导出与所述第二数据对应的输出数据；
22、(5)计算出所述输出数据相对于所述第二数据的误差；
23、(6)确定所述误差为预先设定的阈值以下的所述验证用数据所含的第一数据。
24、第十二观点的已学习模型的生成方法是在第十一观点的已学习模型的生成方法中，还包含以下的内容。
25、(7)另外准备与确定出的所述第一数据的类似度高的类似数据；
26、(8)通过向所述参数被调整后的所述机器学习模型输入所述类似数据来导出输出数据；
27、(9)将导出的所述输出数据作为疑似答案数据而作成将所述类似数据与所述疑似答案数据组合而成的疑似学习用数据；
28、(10)以当向所述参数被调整后的所述机器学习模型输入所述类似数据时，则输出与所述疑似答案数据对应的数据的方式进一步调整所述参数。
29、第十三观点的分析装置具备一个或多个处理器，该处理器构成为执行第一观点到第九观点中的任一个分析方法。另外，第十五观点的分析程序使一个或多个处理器执行第一观点到第九观点中的任一个分析方法。
30、第十四观点的已学习模型的生成装置具备一个或多个处理器，该处理器构成为执行第十观点至第十二观点中的任一个已学习模型的生成方法。另外，第十六观点的已学习模型的生成程序使一个或多个处理器执行第十观点至第十二观点中的任一个已学习模型的生成方法。
31、专利技术的效果
32、根据本专利技术，在由显微镜对橡胶组合物进行拍摄而得到的显微镜图像中，通过已学习的机器学习模型划分与橡胶组合物所含的配混物对应的区域。由此，使对于不包含机器学习的图像处理算法而言困难的区域分割成为可能，进而能够加深对橡胶组合物的结构和物性中的至少一方的认识。
本文档来自技高网...【技术保护点】
1.一种橡胶组合物的分析方法，其特征在于，包含：
2.根据权利要求1所述的分析方法，其中，还包含：
3.根据权利要求1或2所述的分析方法，其中，
4.根据权利要求3所述的分析方法，其中，
5.根据权利要求4所述的分析方法，其中，
6.根据权利要求5所述的分析方法，其中，
7.根据权利要求1或2所述的分析方法，其中，
8.根据权利要求2所述的分析方法，其中，
9.根据权利要求2所述的分析方法，其中，
10.一种已学习模型的生成方法，其特征在于，包含：
11.根据权利要求10所述的已学习模型的生成方法，其中，还包含：
12.根据权利要求11所述的已学习模型的生成方法，其中，还包含：
13.一种分析装置，其特征在于，
14.一种已学习模型的生成装置，其特征在于，
15.一种存储介质，存储有分析程序，其特征在于，
16.一种存储介质，存储有已学习模型的生成程序，其特征在于，
【技术特征摘要】
1.一种橡胶组合物的分析方法，其特征在于，包含：
2.根据权利要求1所述的分析方法，其中，还包含：
3.根据权利要求1或2所述的分析方法，其中，
4.根据权利要求3所述的分析方法，其中，
5.根据权利要求4所述的分析方法，其中，
6.根据权利要求5所述的分析方法，其中，
7.根据权利要求1或2所述的分析方法，其中，
8.根据权利要求2所述的分析方法，其中，
9.根据权利要求2所述...
【专利技术属性】
技术研发人员：伊藤和加奈，近藤节，石泽善雄，坂元直人，中村洋贵，
申请(专利权)人：住友橡胶工业株式会社，
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。