基于人工神经网络的压力敏感涂料性能预测和测压方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115952826A(43)申请公布日2023.04.11(21)申请号202310220980.5G06V10/82(2022.01)(22)申请日2023.03.09(71)申请人中国空气动力研究与发展中心低速空气动力研究所地址621000四川省绵阳市二环路南段6号(72)发明人魏春华廖先辉梁磊左承林蒋海林(74)专利代理机构湖南兆弘专利事务所(普通合伙)43008专利代理师周长清(51)Int.Cl.G06N3/04(2023.01)G01L1/24(2006.01)G06N3/08(2023.01)G06V10/10(2022.01)权利要求书2页说明书7页附图3页(54)发明名称基于人工神经网络的压力敏感涂料性能预测和测压方法(57)摘要本发明公开了一种基于人工神经网络的压力敏感涂料性能预测和测压方法，其包括：步骤S1：采集图像；步骤S2：构建神经网络，对神经网络进行训练；步骤S3：测量图层厚度及粗糙度，基于训练后的神经网络预测压力敏感度及温度敏感度；步骤S4：通过压力敏感度，基于神经网络预测压力校准系数A；步骤S5：计算压力P，输出压力分布结果图。本发明具有原理简单、灵活性高、适用范围广、精确度高等优点。CN115952826ACN115952826A权利要求书1/2页1.一种基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，包括：步骤S1：采集图像；步骤S2：构建神经网络，对神经网络进行训练；步骤S3：测量图层厚度及粗糙度，基于训练后的神经网络预测压力敏感度及温度敏感度；步骤S4：通过压力敏感度，基于神经网络预测压力校准系数；步骤S5：计算压力，输出压力分布结果图。2.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S1的流程包括：步骤S101：模型喷涂；步骤S102：关闭光源，采集若干张背景图像，图像平均后像素值记为Idark;步骤S103：打开激励光源，采集若干张参考图像，图像平均后减去背景图像，像素值记为I；步骤S104：计算光强比。3.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S2中的神经网络由全连接层组成，即第n层中的任一神经元肯定与第n+1层的任一神经元相连接，其连接的关系由下面第一式表达，第二式为人工神经网络的基本模型形式：其中，s为神经元输出，w为权重，n为神经网络的层数，i表示当前层，wi为当前层的权重，b为偏置，x为神经单元，xi为第i层神经单元；第二式中，y为人工神经网络的输出，ym为当前节点的输出，当前层的节点数为p，m为当前层数的节点，m=1，...，p，wim为第i层m节点的权重，为第i层第m个节点的偏置，f()为激活函数。4.根据权利要求3所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述神经网络包括输入层、输出层和隐藏层；选择4个隐藏层，每个隐藏层中有8个神经元；采用ReLU函数作为隐层的激活函数。5.根据权利要求4所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述神经网络有两个ANN，N1和N2，除了输入层和输出层神经元外，它们具有相同的结构；对于N1，涂料厚度和粗糙度是ANN模型的输入，压力灵敏度和温度灵敏度是ANN模型的输出；对于N2，压力敏感度是输入，Stern‑Volmer方程系数A是输出。6.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S2中还包括数据增强流程，对校准后的实验数据点在一个置信区间内随机生成增强数据点；每个校准数据点周围随机生成n个增强数据点，形成一个新的数据2CN115952826A权利要求书2/2页集；将增强数据点的数量称为数据增强因子；使用相同的方法将数据增强因子增加到任意倍数以形成大型数据集。7.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S2中在神经网络中对于密集或全连接网络中的每一层给出了dropout的概率p1。8.根据权利要求5所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S5中，通过Stern‑Volmer方程进行系数预测，在压力校准过程中，使用压力敏感度近似替代Stern‑Volmer方程系数B，然后通过N1预测得到的压力敏感度预测Stern‑Volmer方程系数A，自此Stern‑Volmer方程中的温度相关的系数A和B预测完毕。3CN115952826A说明书1/7页基于人工神经网络的压力敏感涂料性能预测和测压方法技术领域[0001]本发明主要涉及到压力敏感涂料压力检测技术领域，特指一种基于人工神经网络的压