预测材料表面滚动角的方法和装置及存储介质和检测系统

1.本发明涉及材料技术领域，尤其是涉及一种预测材料表面滚动角的方法，以及预测材料表面滚动角的装置、计算机可读存储介质和滚动角检测系统。


背景技术：

2.润湿性是材料表面的重要特性之一，可以通过静态接触角、滚动角来表征。影响润湿性的因素主要包括材料表面的化学组成和微观结构，因此，可以通过表面修饰和表面微造型来改变材料表面润湿性。
3.其中，构建润湿性智能可控表面是材料表面研究的热点，因此，微观结构对材料表面润湿性的精准量化表征，在材料润湿性应用尤其精度要求严格的领域具有重要意义。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的第一个目的在于提出一种预测材料表面滚动角的方法，该方法可以基于材料表面织构位置对于滚动角的影响预测滚动角，预测的滚动角精确性高。
5.本发明第二个目的在于提出一种预测材料表面滚动角的装置。
6.本发明第三个目的在于提出一种计算机可读存储介质。
7.本发明第四个目的在于提出一种滚动角检测系统。
8.为了达到上述目的，本发明第一方面实施例的预测材料表面滚动角的方法，待测材料表面具有若干凹坑织构，所述方法包括：获取待测材料表面的目标区域内织构的坐标值；将所述目标区域内织构的坐标值输入滚动角预测模型，获取所述滚动角预测模型的输出值，其中，所述滚动角预测模型为以织构的坐标值为输入标签以及以所述织构处的滚动角为输出标签，建立神经网络预测模型；根据所述滚动角预测模型的输出值获得所述待测材料表面的所述目标区域内所述凹坑织构处的滚动角。
9.根据本发明实施例的预测材料表面滚动角的方法，考虑材料表面织构位置分布对于材料表面滚动角的影响，通过获得材料表面织构的坐标值即织构的位置分布情况，将坐标值作为输入标签输入滚动角预测模型，根据该模型的输出值即可获得对应织构处的滚动角，该方法实现简单快速，并且预测滚动角模型的精确性较高。
10.在一些实施例中，在将所述目标区域内织构的坐标值输入所述滚动角预测模型之前，所述方法还包括：将所述待测材料表面的所述目标区域内织构的坐标值进行主成分分析，以降低目标表面的特征值，可以提高滚动角预测模型的计算速度。
11.在一些实施例中，所述目标凹坑数量为1mm
×
1mm面积中539个。
12.在一些实施例中，根据所述滚动角预测模型的输出值获得所述目标区域内织构处的滚动角，包括：将所述滚动角预测模型的输出值进行分组；根据所述滚动角预测模型的输出值的分组结果确定所述目标区域内织构处的滚动角。通过分组处理，可以减小测量仪器对滚动角预测结果的影响，提高滚动角预测结果的精确性。
13.在一些实施例中，根据所述滚动角预测模型的输出值的分组结果确定所述目标区域内织构处的滚动角，包括：获得所述滚动角预测模型的输出值落入预设滚动角组群；将所述目标滚动角组群对应的滚动角作为所述目标区域内织构处的滚动角。
14.在一些实施例中，将所述目标区域内织构的坐标值输入滚动角预测模型，获取所述滚动角预测模型的输出值，包括：将所述目标数量的织构的坐标值输入训练好的概率神经网络的输入层，通过所述输入层获得输入特征向量，其中，所述输入层中输入节点数和神经元数量等于所述织构的坐标值的维数；所述输入特征向量输入所述概率神经网络的模式层，通过所述模式层获得所述输入特征向量与训练集中各个样本织构的相似度；所述相似度输入所述概率神经网络的求和层，通过所述求和层对每个所述相似度进行加权求和并获得加权求和得分；所述加权求和的得分输入所述概率神经网络的输出层，通过所述输出层输出所述加权求和的得分最高的滚动角标签以作为所述滚动角预测模型的输出值。
15.在一些实施例中，所述方法还包括：获得所述目标区域内织构周围的堆积物的检测信息；根据所述检测信息处理所述目标区域内的所述堆积物，以使得所述目标区域内织构周围的堆积物一致。
16.本发明第二方面实施例提出了一种预测材料表面滚动角的装置，该装置包括：至少一个处理器；与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述至少一个处理器执行所述计算机程序时实现所述的预测材料表面滚动角的方法。
17.根据本发明实施例的预测材料表面滚动角的装置，通过至少一个处理器可以实现上面实施例的预测材料表面滚动角的方法，基于材料表面织构位置对于滚动角的影响，通过构建好的滚动角预测模型预测待测材料表面织构处的滚动角，简单快速，预测的滚动角精确性高。
18.本发明第三方面实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上面实施例所述的预测材料表面滚动角的方法。
19.本发明第四方面实施例提出的滚动角检测系统，包括：图像采集装置，用于获取待测材料表面的图像信息，其中，所述图像信息至少包括所述待测材料表面的目标区域内织构的图像；所述的预测材料表面滚动角的装置，所述装置与所述图像采集装置连接。
20.根据本发明实施例的滚动角检测系统，以待测材料表面的织构的分布情况作为输入特征值，通过预测材料表面滚动角的装置以构建好的滚动角预测模型直接获得对应的滚动角，方法简单快速，并且可以提高预测滚动角的准确性。
21.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
22.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
23.图1是根据本发明一个实施例的在试样表面制备随机织构的过程的示意图；
24.图2中(a)、(b)和(c)是根据本发明一个实施例的试样表面几种点云分布的示意图；
25.图3是根据本发明一个实施例的制备试样过程的示意图；
26.图4中(a)、(b)、(c)和(d)是根据本发明一个实施例的向样品表面的织构处滴入去离子水的示意图以及试样表面织构图像和凹坑的具体信息的示意图；
27.图5是根据本发明一个实施例的测量的滚动角和接触角分布的示意图；
28.图6是根据本发明一个实施例的滚动角预测模型结构的示意图；
29.图7是根据本发明一个实施例的预测材料表面滚动角的方法的流程图；
30.图8是根据本发明一个实施例的对滚动角预测模型的输入特征值进行主成分分析降维处理后方差比的曲线变化的示意图；
31.图9是根据本发明一个实施例的滚动角预测模型的输出值进行分组的示意图；
32.图10是根据本发明一个实施例的预测材料表面滚动角的装置的框图；
33.图11是根据本发明一个实施例的滚动角检测系统的框图。
具体实施方式
34.下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，下面详细描述本发明的实施例。
35.申请人发现，材料表面微观织构的位置部分对材料表面润湿性存在影响，通过在材料表面加工不同分布规律的微观织构，并测量该织构下的接触角和滚动角数值，确定微观织构位置分布与接触角、滚动角的相关性，建立预测随机微观织构表面滚动角的滚动角预测模型。本发明实施例的预测材料表面滚动角的方法，基于该滚动角预测模型可以预测材料表面滚动角，预测结果更加精确。
36.下面对本发明实施例中基于的滚动角预测模型的建立过程进行说明。
37.其中，在实施例中，以材料表面的微观织构为凹坑为例，对滚动角预测模型的建立过程进行描述和说明。
38.首先，设备准备。对于试样的准备和滚动角的测量准备，所需的设备可以包括紫外纳秒光激光打标机、电火花线切割机床、金相试样磨抛机、超声清洗机、实验室超纯水机、高温立式电炉、接触角测量仪、量杯、量筒。当然，也可以采用达到相同效果的其它设备，或者减少或者增加其它设备。
39.在一些实施例中，如图1所示，可以通过matlab程序在1mm
×
1mm的子区域上随机生成容积率为19％的随机凹坑织构，通过cad将其横向、纵向阵列，形成10mm
×
10mm的试样区域。使用紫外纳秒激光打标器将生成的织构图纸对应在试样表面加工出来，生成的部分随机点云图如图2中的(a)、(b)和(c)所示。借助接触角测量仪测量随机凹坑表面接触角与滚动角数值，进而探究凹坑的分布对试样接触角、滚动角的影响，并建立起能够预测表面滚动角的神经网络预测模型即滚动角预测模型。
40.其中，对于试样的准备，如图3所示，试样准备可以包括试样材料准备、表面处理和表面氟化。例如，试样材料准备包括试样切割、线切割制备447个试样。表面处理包括表面磨抛、800目砂纸粗磨和1200目砂纸细磨，以及表面处理还包括表面超声清洗、无水乙醇清洗例如清洗10min、去离子水清洗例如清洗10min，清洗之后干燥，干燥后备用。表面氟化可以包括试样分组每组可以包括18个试样、每组加入200ml氟硅烷，然后浸泡一定时间例如10h以及送入电炉固化例如在150℃下保温60min。
41.具体地，为保证构建滚动角预测模型过程中材料的一致性，所选用试样均为从同一批材料上线切割加工而来。为了保证随机相邻凹坑之间不重叠，可以通过matlab程序在1mm
×
1mm的子区域上生成容积率为19％的随机凹坑坐标，将生成的点坐标导入cad中，同时将其横向、纵向阵列，形成10mm
×
10mm的试样区域。将图纸输入至激光控制计算机中，通过计算机程序控制激光束在固定工作平台上的3crl3不锈钢片上垂直(x、y方向)刻蚀。紫外纳秒激光加工参数分别为：加工速度500mm/s，频率为40khz，脉冲宽度10μs，打点时间0.3s和加工次数为10次。最后将刻蚀后的试样分别用去离子水、无水乙醇各超声清洗十分钟，鼓风机吹干备用。
42.进一步地，对制备的试样进行表面滚动角进行检测。具体地，将氟化后的试样放置于接触角测量仪的载物平台上，如图4中(a)所示，用细微管将5μl(＞18mω.cm)的去离子水滴入到样品表面，俯视图如图4中(b)所示。进而，由数码ccd相机拍摄获得试样表面的图片如图4中(c)和(d)所示，获得的图片通过接触角测量仪上的椭圆拟合，自动获取接触角，通过载物平台的倾斜获得滚动角。为保证结果的准确性，每个试样采用五点取样法进行测量，得到的接触角取平均值。从实验结果可见，如图5所示，试样滚动角位于2
°‑
20
°
范围内，接触角位于145
°‑
160
°
范围内。
43.通过以上实验，证实了材料表面织构的位置分布会对试样的浸润性表现造成较大的影响，通过织构位置分布预测试样接触角、滚动角的方案是可行的。
44.在实施例中，基于织构位置分布和滚动角构建滚动角预测模型。在构建滚动角预测模型时，可以随机划分训练集和测试集。例如，以上制备的447个试样为例，可以以70％的试样作为训练集(313个)，以30％的试样作为测试集(134个)，为保证模型的可重复性，可以选取随机数种子为10。
45.在一些实施例中，可以采用优化算法的概率神经网络(pnn)对数据进行训练。pnn是由径向基神经网络变化而来，是一种基于bayes分类规则与parzen窗的概率密度函数估计方法的一种并行算法，概率神经网络结构简单，容易设计算法，能用线性学习算法实现非线性学习算法的功能，在模式分类问题中广泛应用，matlab提供的newpnn函数可以方便的设计概率神经网络。概率神经网络由输入层、隐含层、求和层和输出层组成，结构如图6所示。
46.其中，假设训练样本数量为n，记为x＝(x1，x2，
···
，xn)，每一个输入样本xi的维数都是m维，将输入样本不需要任何改变的直接输入到输入层中，输入层中的输入节点数和神经元个数等于输入样本xi的维数m。隐含层计算输入特征向量与训练集中各个样本的匹配程度，也就是相似度，该非线性算子取高斯函数：
[0047][0048]
其中，xi是指训练集中的第i个训练样本，ω
ij
是输入层的第i个神经元和模式层的第j个神经元的权重，σ是高斯核函数的平滑参数。求和层负责将各个样本类的模式层单元连接起来，即对向量m进行加权求和，这一层的神经元个数是样本的类别数目。
[0049][0050]
其中，且w
ij
∈[0，1]输出层负责输出求和层中得分最高的那一类，得分最大的神经元输出为1，即为待识别的样本类别，其他神经元则输出为0。
[0051]
以上为pnn概率神经网络为例，pnn训练速度快，仅仅略大于读取数据的时间，无论分类问题多么复杂，只要有足够多的训练数据，就可以保证获得贝叶斯准则下的最优解，当增加或减少训练数据时，无需进行长时间的训练，且能够容忍个别错误样本。在迭代次数达到100时，运算结果便达到稳定收敛。可以理解的是，也可以采用其它可适用的神经网络模型为基础进行训练来获得本技术的滚动角预测模型。
[0052]
基于滚动角预测模型，下面参考图7-图9描述根据本发明实施例的预测材料表面滚动角的方法。其中，待测材料表面
[0053]
图7是根据本发明的一个实施例的预测材料表面滚动角的方法的流程图，如图7所示，预测材料表面滚动角的方法包括以下步骤s1-s3。
[0054]
s1，获取待测材料表面的目标区域内织构的坐标值。
[0055]
其中，目标区域可以为1mm
×
1mm面积或者1.5mm
×
1.5mm面积或者2mm
×
2mm面积等，在此不做具体限制。
[0056]
具体地，可以通过图像采集装置采集待测材料表面的图像，材料表面具有若干织构例如随机的凹坑，通过预测软件识别待测材料表面的图像中织构并抓取织构的坐标例如横纵坐标值(x，y)，即获得待测材料表面织构位置的分布情况。
[0057]
s2，将目标区域内织构的坐标值输入滚动角预测模型，获取滚动角预测模型的输出值。
[0058]
其中，滚动角预测模型为以织构的坐标值为输入特征值以及以织构处的滚动角为输出标签训练而成的模型。该滚动角预测模型的获得过程可以参照上面实施例的说明。
[0059]
s3，根据滚动角预测模型的输出值获得待测材料表面的目标区域内织构处的滚动角。
[0060]
具体地，将待测材料表面目标区域内织构的坐标值作为输入特征值输入滚动角预测模型，由于该模型以织构的坐标值为输入以及以滚动角为输出训练而成，因此，该模型输出值即可以作为对应织构处的滚动角。
[0061]
根据本发明实施例的预测材料表面滚动角的方法，考虑材料表面织构位置分布对于材料表面滚动角的影响，通过获得材料表面织构的坐标值即织构的位置分布情况，将坐标值作为输入特征值输入滚动角预测模型，根据该模型的输出值即可获得对应织构处的滚动角，该方法实现简单快速，并且可以提高预测滚动角的精确性。
[0062]
进一步地，在通过滚动角预测模型获得滚动角时，可以将生成的随机点横纵坐标读入并形成一维数组，作为滚动角预测模型的输入特征值；将测量到的接触角、滚动角同样以一维数组的形式读入，作为滚动角预测模型的输出标签。但是，由于单个点云例如包括539个凹坑的输入坐标值包含1078个特征值，特征值过多将会严重影响滚动角预测模型的
预测结果。
[0063]
因此，在本发明的一些实施例中，将待测材料表面的目标区域内织构的坐标值进行主成分分析(pca，principal components analysi s)降维处理，以降低目标表面的特征值，从而，可以提高滚动角预测模型的计算能力。
[0064]
例如，通过主成分分析，分析结果如图8所示，从图中可见，当降维后的特征值数目为300时，累计可解释方差就可达到90％，这说明可用300-400个特征值反应出该组数据的绝大数信息含量。在一些实施例中，通过主成分分析降获得的目标数量的织构的特征值，例如可以选取300个或者350个或者400个作为pca降维后的特征值个数，可以提高滚动角预测模型的计算能力。
[0065]
在实施例中，通过对模型预测结果进行误差分析，从实验数据可知，滚动角差异比较小，测量仪器的误差会放大，例如会导致2
°
与3
°
很难区别，所以，本发明实施例的预测材料表面滚动角的方法，将滚动角预测模型的输出值即初始滚动角进行分组以降低误差。
[0066]
具体地，将滚动角预测模型的输出值进行分组，根据滚动角预测模型的输出值的分组结果确定待测材料目标区域内织构处的滚动角。即，以某个范围内的滚动角值为一组群，该组群对应一最终的滚动角，由此可以减小测量仪器对预测结果造成的误差。
[0067]
在一些实施例中，获得滚动角预测模型的输出值落入预设滚动角组群的概率；根据该概率确定目标滚动角组群，例如将落入概率最高的滚动角组群作为目标滚动角组群；每个滚动角组群对应有滚动角，将目标滚动角组群对应的滚动角作为目标区域内织构处的滚动角。
[0068]
举例说明，以上文检测的滚动角范围2
°‑
20
°
为例，分为五个组群，分别为超低滚动角组群即ultralow(2
°
,3
°
,4
°
，5
°
)，低滚动角组群即low(6
°
,7
°
，8
°
，9
°
)，中间滚动角组群即media(9
°
,10
°
，11
°
,12
°
)，高滚动角组群即high(13
°
,14
°
,15
°
,16
°
)，超高滚动角组群即ultrahigh(17
°
,18
°
,19
°
,20
°
)。由于所有试样均来自同一批材料并且进行了表面氟化处理，因此，材料属性和表面化学性能对滚动角的影响是相同的，影响表面滚动性能的因素为随机凹坑位置。模型收敛后的预测结果如图9所示，预测准确率可以达到90.2％。
[0069]
例如，获得的滚动角预测模型的输出值分别为13
°
、13
°
、11
°
、15
°
、14
°
等，并且落入高滚动角组群的概率最高，则最终确定织构处的滚动角为高滚动角，通过对滚动角预测模型的输出值进行分组处理，可以降低测量仪器造成的预测滚动角的误差，提高预测结果的准确性。
[0070]
进一步地，本发明实施例的预测材料表面滚动角的方法，基于构建好的滚动角预测模型对随机织构的滚动角进行预测，实现了预测随机织构的滚动性能，但是从模型的结果中可以看出，该滚动角预测模型存在一定的误差，经过分析，误差的主要来源包括以下两个方面：
[0071]
1、在一些实施例中，单个凹坑的最大凸起为10μm左右，最小凸起为5μm左右，凹坑的深度为40μm左右。凹坑周围的凸起较小，织构高度对于润湿性能的影响更大。堆积物影响接触线弯曲或长度变化基本可以忽略，因此，固-液接触面可以简化为二维平面。通过三相接触线的连续性分析可知，三相接触线上凹坑越多，则分割的段数越多，三相接触线越不连续，凹坑的钉扎效果越明显，液滴倾向难以滚动。当织构例如凹坑周围的堆积物会影响三相接触线的连续性，使得三相接触线移动受阻，导致实验接触角与预测接触角存在差异，从而
影响预测模型的准确度。
[0072]
因此，在本发明一些实施例中，获得待测材料表面的目标区域内织构周围的堆积物的检测信息，以根据检测信息对织构周围堆积物进行处理，保持待测材料表面的目标区域内织构周围堆积物的一致性。例如获取待测材料表面的图像信息，从而去除织构周围堆积物对预测滚动角的影响因素。
[0073]
2、测量滚动角的过程中产生的误差，例如仪器精度不足、液滴不同位置等。对此可以通过扩大试样的数量来提升模型的准确性。
[0074]
总的来说，本发明实施例的预测材料表面滚动角的方法，以待测材料表面的织构的分布情况作为输入特征值，通过构建好的滚动角预测模型直接获得对应的滚动角，方法简单快速，并且可以提高预测滚动角的准确性。此外，通过对滚动角预测模型的输出值进行分组，可以减小测量仪器对预测滚动角的误差，进一步提高滚动角预测的精确性。以及，还可以考虑织构周围的堆积物对滚动角的影响对预测的滚动角值进行补偿，从而进一步提高预测滚动角的精确性。
[0075]
基于上面实施例的预测材料表面滚动角的方法，本发明第二方面实施例提出一种预测材料表面滚动角的装置。
[0076]
图10是根据本发明一个实施例的预测材料表面滚动角的装置的框图，如图10所示，预测材料表面滚动角的装置10包括至少一个处理器11和与至少一个处理器11通信连接的存储器12。
[0077]
其中，存储器12存储有可被至少一个处理器11执行的计算机程序，至少一个处理器11执行存储器12存储的计算机程序时可以实现上面实施例的预测材料表面滚动角的方法，预测材料表面滚动角的方法可以参照上面实施例说明。
[0078]
根据本发明实施例的预测材料表面滚动角的装置10，通过至少一个处理器11可以实现上面实施例的预测材料表面滚动角的方法，基于材料表面织构位置对于滚动角的影响，通过构建好的滚动角预测模型预测待测材料表面织构处的滚动角，简单快速，预测的滚动角精确性高。
[0079]
本发明第三方面实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上面实施例的预测材料表面滚动角的方法。
[0080]
其中，在实施例中，计算机可读存储介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0081]
本发明第四方面实施例提出一种滚动角检测系统。
[0082]
图11是根据本发明一个实施例的滚动角检测系统的框图，如图11所示，滚动角检测系统100包括图像采集装置20和上面实施例的预测材料表面滚动角的装置10。
[0083]
其中，图像采集装置20用于获取待测材料表面的图像信息，其中，图像信息至少包
括待测材料表面的目标区域内织构的图像，如此可以进行图像识别以识别织构及其周围的堆积物的相关信息。
[0084]
预测材料表面滚动角的装置10与图像采集装置20连接。预测材料表面滚动角的装置10可以包括计算机设备、数据处理设备或终端设备等，预测材料表面滚动角的装置10可以执行上面实施例的预测材料表面滚动角的方法。
[0085]
根据本发明实施例的滚动角检测系统100，以待测材料表面的织构的分布情况作为输入特征值，通过预测材料表面滚动角的装置10以构建好的滚动角预测模型直接获得对应的滚动角，方法简单快速，并且可以提高预测滚动角的准确性。
[0086]
此外，预测材料表面滚动角的装置10还用于通过对滚动角预测模型的输出值进行分组，可以减小测量仪器对预测滚动角的误差，进一步提高滚动角预测的精确性。以及，预测材料表面滚动角的装置10还考虑织构周围的堆积物对滚动角的影响对预测的滚动角值进行补偿，从而进一步提高预测滚动角的精确性。
[0087]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
[0088]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.一种预测材料表面滚动角的方法，其特征在于，待测材料表面具有若干织构，所述方法包括：获取待测材料织构表面的凹坑坐标值；将所述目标区域内凹坑织构的坐标值输入滚动角预测模型，获取所述滚动角预测模型的输出值，其中，所述滚动角预测模型以凹坑织构的坐标值为输入标签以及凹坑织构的滚动角为输出标签，建立神经网络预测模型；根据所述滚动角预测模型的输出值获得所述待测材料表面的所述目标区域内所述织构处的滚动角。2.根据权利要求1所述的预测材料表面滚动角的方法，其特征在于，在将所述目标区域内织构的坐标值输入所述滚动角预测模型之前，所述方法还包括：将所述待测材料表面的所述目标区域内织构的坐标值进行主成分分析，以降低织构表面的输入特征值数量。3.根据权利要求2所述的预测材料表面滚动角的方法，其特征在于，所述凹坑表面特征值数量降低为300个-400个。4.根据权利要求1-3任一项所述的预测材料表面滚动角的方法，其特征在于，根据所述滚动角预测模型的输出值获得所述目标区域内织构处的滚动角，包括：将所述滚动角预测模型的输出值进行分组；根据所述滚动角预测模型的输出值的分组结果确定所述目标区域内织构处的滚动角。5.根据权利要求4所述的预测材料表面滚动角的方法，其特征在于，根据所述滚动角预测模型的输出值的分组结果确定所述目标区域内织构处的滚动角，包括：获得所述滚动角预测模型的输出值落入预设滚动角组群；将所述目标滚动角组群对应的滚动角作为所述目标区域内织构处的滚动角。6.根据权利要求2所述的预测材料表面滚动角的方法，其特征在于，将所述目标区域内织构的坐标值输入滚动角预测模型，获取所述滚动角预测模型的输出值，包括：将所述试样表面的凹坑织构坐标值输入训练好的概率神经网络的输入层，通过所述输入层获得输入特征向量，其中，所述输入层中输入节点数和神经元数量等于所述织构的坐标值的维数；所述输入特征向量输入所述概率神经网络的模式层，通过所述模式层获得所述输入特征向量与训练集中各个样本织构的相似度；所述相似度输入所述概率神经网络的求和层，通过所述求和层对每个所述相似度进行加权求和并获得加权求和得分；所述加权求和的得分输入所述概率神经网络的输出层，通过所述输出层输出所述加权求和的得分最高的滚动角标签以作为所述滚动角预测模型的输出值。7.根据权利要求1所述的预测材料表面滚动角的方法，其特征在于，所述方法还包括：获得所述目标区域内凹坑织构尺寸以及周围的堆积物的检测信息；根据所述检测信息处理所述目标区域内的所述堆积物，以使得所述目标区域内织构周围的堆积物一致。8.一种预测材料表面滚动角的装置，其特征在于，包括：至少一个处理器；
与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述至少一个处理器执行所述计算机程序时实现权利要求1-7任一项所述的预测材料表面滚动角的方法。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的预测材料表面滚动角的方法。10.一种滚动角检测系统，其特征在于，包括：图像采集装置，用于获取待测材料表面的图像信息，其中，所述图像信息至少包括所述待测材料表面的目标区域内织构的图像；权利要求8所述的预测材料表面滚动角的装置，所述装置与所述图像采集装置连接。

技术总结
本发明公开了一种预测材料表面滚动角的方法和装置及存储介质和检测系统，其中，待测材料表面具有若干随机凹坑织构，预测材料表面滚动角的方法包括：获取待测材料表面的目标区域内织构的坐标值；将目标区域内织构的凹坑坐标值输入滚动角预测模型，获取滚动角预测模型的输出值，其中，滚动角预测模型以凹坑织构的坐标值为输入标签以及以织构表面的滚动角为输出标签；根据滚动角预测模型的输出值获得待测材料表面的滚动角。本发明的方法和装置及系统，考虑材料表面凹坑织构位置分布对滚动角的影响，并基于构建好的滚动角预测模型可以直接获得滚动角，简单快速，可以提高滚动角预测的准确性。准确性。准确性。


技术研发人员：底月兰 王海斗 王力 董丽虹 安彪 郭伟玲 何东昱 黄艳斐
受保护的技术使用者：中国人民解放军陆军装甲兵学院
技术研发日：2023.04.07
技术公布日：2023/8/5