一种新的基于深度学习的示温漆蝶形样片标定方法

本发明提出一种新的基于深度学习的示温漆蝶形样片标定方法。首先，使用特定的实验设置，包括高分辨率照相机和照明系统，采集在不同温度条件下示温漆变色反应的蝶形样片图像；其次，通过Labelme工具对这些图像中的等温线及相邻区域进行详细标注，根据颜色变化将图像分为五个类别，以支持精确的区域划分，并在已有的数据基础上进行数据增强；接着，采用数据加载器和归一化技术处理图像，使其符合预训练网络的输入要求；之后，在MAE模型的基础上，通过多层Transformer编码器对图像块的特征进行抽象和编码，实现对示温漆颜色变化的深入学习和识别；随后，利用UPerNet网络通过解码过程结合上采样技术逐步恢复图像的空间细节，生成高精度的颜色分割图；最终，将这些图像处理结果用于精确标定示温漆的颜色变化区域，辅助确定实验中的二次标定点位。本方法极大提高了示温漆二次标定的精度和效率，适用于需要高准确性温度检测的科研和工业领域。