ISO12944-6-2018: 防腐蚀涂料实验室测试标准中文版

版权申诉
5星 · 超过95%的资源 3 下载量 171 浏览量 更新于2024-07-08 收藏 490KB PDF 举报
"ISO12944-6-2018 中文译稿 第6部分 实验室性能测试方法.pdf" 这篇文档是ISO12944系列标准的第六部分,专注于实验室环境下对钢结构防腐蚀保护涂层性能的测试方法。这个国际标准由国际标准化组织(ISO)发布,旨在为全球的涂装行业提供一致和可靠的测试标准,确保防腐涂料的质量和效果。 "ISO12944-6:2018(中文译本)"是该标准的最新版本,发布于2018年2月,由“十头鸟”进行中文翻译,以便中国读者理解和应用。这一部分特别关注了在实验室环境中模拟实际使用条件下的涂层耐久性和防腐能力的评估。 标准的主要内容包括: 1. **范围**:这部分标准规定了用于评估防护涂料体系对钢结构防腐蚀保护性能的实验室测试方法。这些测试涵盖了从材料选择到涂层系统的应用,再到其在各种环境条件下的表现。 2. **参考的标准规范**:标准引用了其他相关标准,以确保测试的一致性和准确性,这些标准可能包括涂装工艺、材料性能测试、环境暴露测试等方面。 3. **术语和定义**:定义了与测试相关的专业术语,以便于行业内专业人士的沟通和理解。 4. **总则**:这部分详细阐述了测试的基本原则和考虑因素。例如,它讨论了人工老化测试与自然暴露测试之间的关系,以及在特定情况下可能需要进行的额外性能测试。 4.1 **人工老化和自然暴露之间的关联性**:人工老化试验是通过模拟加速老化过程来预测涂层在长期暴露环境下的行为。这部分内容可能涵盖了各种加速老化设备如QUV(紫外线老化试验机)和盐雾箱的使用,以及如何将这些试验结果与真实环境下的长期暴露相联系。 4.2 **额外的性能测试**:除了基本的耐腐蚀性测试,还有可能需要进行其他补充测试,如附着力测试、硬度测试、冲击测试等,以全面评估涂层的综合性能。 此标准对于钢结构制造、建筑、桥梁、石油天然气等行业非常重要,因为它确保了防腐涂层的质量和防腐效果,从而延长了钢结构的使用寿命并减少了维护成本。无论是制造商、检验机构还是工程设计人员,都需要熟悉和遵循这些标准,以保证涂层的性能符合预期。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R