[发明专利]一种高频脉冲电容用金属化薄膜及其制备方法

权利要求书

1.一种高频脉冲电容用金属化薄膜的制备方法，其特征在于，包括：

提供基膜，所述基膜为聚丙烯薄膜PP；

对所述基膜进行金属蒸镀和时效处理以得到高频脉冲电容用金属化薄膜膜卷；

对所述高频脉冲电容用金属化薄膜膜卷进行分切以得到多个高频脉冲电容用金属化薄膜；以及

分别对所述多个高频脉冲电容用金属化薄膜进行外观校验；

分别对所述多个高频脉冲电容用金属化薄膜进行外观校验，包括：

通过摄像头采集被检测高频脉冲电容用金属化薄膜的外观检测图像；

从所述外观检测图像提取外观状态特征图；以及

基于所述外观状态特征图，确定被检测高频脉冲电容用金属化薄膜的外观质量是否符合预定标准；

从所述外观检测图像提取外观状态特征图，包括：

对所述外观检测图像进行图像灰度化处理以得到灰度化外观检测图像；以及

对所述灰度化外观检测图像进行图像特征分析以得到所述外观状态特征图；

对所述灰度化外观检测图像进行图像特征分析以得到所述外观状态特征图，包括：

对所述灰度化外观检测图像进行图像分块处理以得到外观图像块的序列；

基于深度神经网络模型的浅层特征提取器对所述外观图像块的序列中的各个外观图像块进行图像特征提取以得到多个外观图像块浅层特征图；以及

将所述多个外观图像块浅层特征图进行图像全局分析以得到所述外观状态特征图；

将所述多个外观图像块浅层特征图进行图像全局分析以得到所述外观状态特征图，包括：

将所述多个外观图像块浅层特征图沿着通道维度进行聚合以得到全局浅层特征图；

通过基于场景约束定向偏导的自调谐结构化计算加权特征向量；

以所述加权特征向量对所述全局浅层特征图沿通道的各个特征矩阵进行加权以得到优化全局浅层特征图；以及

将所述优化全局浅层特征图通过非局部神经网络模型以得到所述外观状态特征图；

通过基于场景约束定向偏导的自调谐结构化计算加权特征向量，包括：

将所述全局浅层特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后全局浅层特征图；以及

基于所述转换后全局浅层特征图，通过基于场景约束定向偏导的自调谐结构化以如下优化公式计算所述加权特征向量；

其中，所述优化公式为：

其中，M_k是所述转换后全局浅层特征图沿通道维度的第k个特征矩阵，V是所述转换后全局浅层特征图沿通道维度的每个特征矩阵全局池化得到的向量，是所述转换后全局浅层特征图沿通道维度的第k个特征矩阵的第(i,j)位置的特征值，和分别表示按位置加法、减法和乘法，V_w是所述加权特征向量。

2.根据权利要求1所述的高频脉冲电容用金属化薄膜的制备方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。

3.根据权利要求2所述的高频脉冲电容用金属化薄膜的制备方法，其特征在于，将所述优化全局浅层特征图通过非局部神经网络模型以得到所述外观状态特征图，包括：

将所述优化全局浅层特征图输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；

计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；

将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；

计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；

将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；

将所述全局相似特征图通过所述非局部神经网络模型的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及

计算所述通道调整全局相似特征图和所述优化全局浅层特征图的按位置加权和以得到所述外观状态特征图。