钢结构涂层防腐性能评定方法、系统、服务器和存储介质
阅读说明：本技术 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 (Steel structure coating corrosion resistance evaluation method, system, server and storage medium ) 是由 王罡 姚志东 卢佳祁 闵红光 林慧 李立坤 于 2020-07-23 设计创作，主要内容包括：本发明提供一种钢结构涂层防腐性能评定方法,包括：获取待测钢结构涂层的待测红外光谱；将所述待测红外光谱代入预设的智能识别模型进行计算,以生成涂层性能数据；基于预设的等级评定标准对所述涂层性能数据进行评定,以获取所述待测钢结构涂层的防腐性能评定结果。本发明通过使用智能识别模型计算涂层性能数据,实现了对钢结构防腐涂层快速等级评定,提高了钢结构性能检测的效率。(The invention provides a method for evaluating the corrosion resistance of a steel structure coating, which comprises the following steps: acquiring a to-be-detected infrared spectrum of the to-be-detected steel structure coating; substituting the infrared spectrum to be detected into a preset intelligent recognition model for calculation so as to generate coating performance data; and evaluating the coating performance data based on a preset grade evaluation standard to obtain an evaluation result of the corrosion resistance of the steel structure coating to be tested. According to the invention, the intelligent recognition model is used for calculating the performance data of the coating, so that the rapid grade evaluation of the steel structure anticorrosive coating is realized, and the efficiency of steel structure performance detection is improved.)
技术领域
本发明实施例涉及建设工程性能检测鉴定领域，尤其涉及钢结构涂层防腐性能评定方法、系统、服务器和存储介质。
背景技术
钢结构工程防腐涂层性能鉴定评价技术目前主要采用电化学方法，通过测试涂层电阻抗并对照材料使用寿命-电阻抗标准曲线，预测工程涂层剩余使用年限，是通过建立实验室标准环境下获得的涂料使用时间与材料电阻抗参数对应标准曲线，对照现场采集的涂层电阻抗数据，推算实体工程涂层防腐性能的剩余使用年限。
这种鉴定评价技术并不能直接显示涂层防腐性能状况，只能显示涂层使用年限，无法展示涂层中与腐蚀程度相关的重要指标，也无法快速进行性能等级评定。同时，在实验室中实验以进行涂层性能测试，效率低，无法实时得到评定结果。
发明内容
本发明提供了一种钢结构涂层防腐性能评定方法、系统、服务器和存储介质，通过使用智能识别模型计算涂层性能数据，实现了对钢结构防腐涂层快速等级评定，提高了钢结构性能检测的效率。
第一方面，一种钢结构涂层防腐性能评定方法，包括：
获取待测钢结构涂层的待测红外光谱；
将所述待测红外光谱代入预设的智能识别模型进行计算，以生成涂层性能数据；
基于预设的等级评定标准对所述涂层性能数据进行评定，以获取所述待测钢结构涂层的防腐性能评定结果。
进一步地，所述预设的智能识别模型的训练过程包括：
通过模拟实验确定第一样本的实验数据，所述实验数据包括所述第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱和所述第一样本的特征指标；
从实地工程项目获取所述特征指标对应的第二样本的特征值；
将所述第一样本的实验数据和所述第二样本的特征值合并为训练集；
对所述训练集进行神经网络训练，生成所述智能识别模型。
进一步地，所述训练集包括第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱、第一样本的特征指标和特征值，则在将所述第一样本的实验数据和所述第二样本的特征值合并为训练集之前，还包括：
获取所述第二样本的第二红外光谱；
计算所述第一红外光谱和所述第二红外光谱的相似度；
判断所述相似度是否高于预设阈值；
若高于预设阈值，则将所述第二样本的特征值作为所述第一样本的特征值。
进一步地，所述获取待测钢结构涂层的待测红外光谱，包括：
获取待测钢结构涂层的涂层图像；
对所述涂层图像执行HSV颜色空间图像处理，以去除所述涂层图像中的非锈蚀区域，保留锈蚀区域；
将所述锈蚀区域的红外光谱图像作为所述待测红外光谱。
进一步地，所述获取待测钢结构涂层的待测红外光谱之后，还包括：
使用黑白校正对所述待测红外光谱进行预处理。
进一步地，所述在获取待测钢结构涂层的待测红外光谱之后，还包括：
使用多元散射校正对所述待测红外光谱进行预处理。
第二方面，本发明提供一种钢结构涂层防腐性能评定系统，包括：
获取模块，用于获取待测钢结构涂层的待测红外光谱；
模型计算模块，用于将所述待测红外光谱代入预设的智能识别模型进行计算，以生成涂层性能数据；
评定模块，用于基于预设的等级评定标准对所述涂层性能数据进行评定，以获取所述待测钢结构涂层的防腐性能评定结果。
进一步地，还包括模型训练模块。所述模型训练模块包括：
第一数据获取单元，用于通过模拟实验确定所述第一样本的实验数据，所述实验数据包括所述第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱和所述第一样本的特征指标；
第二数据获取单元，用于从实地工程项目获取所述特征指标对应的第二样本的特征值；
合并单元，用于将所述第一样本的实验数据和所述第二样本的特征值合并为训练集；
模型训练单元，用于对所述训练集进行神经网络训练，生成所述智能识别模型。
第三方面，本发明提供一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上述任一所述的钢结构涂层防腐性能评定方法。
第四方面，本发明提供一种终端可读存储介质，其上存储有程序，所述程序被处理器执行时能够实现如上述任一所述的钢结构涂层防腐性能评定方法。
本发明通过使用智能识别模型计算涂层性能数据并进行等级评定，实现了钢结构防腐涂层的快速准确等级评定，提高了钢结构性能检测的效率。
附图说明
如图1所示为本实施例一的钢结构涂层防腐性能评定方法流程图。
如图2所示为本实施例二的钢结构涂层防腐性能评定方法流程图。
如图3所示为本实施例二的替代实施例流程图。
如图4所示为本实施例三的钢结构涂层防腐性能评定方法流程图。
如图5所示为本实施例三的替代实施例流程图。
如图6所示为本实施例三的替代实施例流程图。
如图7所示为本实施例四的钢结构涂层防腐性能评定系统系统模块图。
如图8所示为本实施例四的替代实施例模块图。
如图9所示为本实施例五的服务器结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，第一特征信息可以为第二特征信息或第三特征信息，类似地，第二特征信息、第三特征信息可以为第一特征信息。第一特征信息和第二特征信息、第三特征信息都是分布式文件系统的特征信息，但其不是同一特征信息。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“批量”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
如图1所示，本实施例提供了一种钢结构涂层防腐性能评定方法，通过钢结构涂层性能检测系统为执行主体，通过带入模型计算，对输出结果进行钢结构涂层的防腐性能评定，步骤如下：
S101、获取待测钢结构涂层的待测红外光谱。
该步骤所述的待测红外光谱，在实际应用中，通常将红外光谱分为三个区域：近红外区(0.75～2.5μm)、中红外区(2.5～25μm)和远红外区(25～300μm)。其中近红外光谱是由分子的倍频、合频产生，优选地，本实施例及下述实施例所述红外光谱选用近红外光检测，具有设备成本低、检测快递的优点。
S102、将所述待测红外光谱代入预设的智能识别模型进行计算，以生成涂层性能数据。
该步骤所述的待测红外光谱为一张或多张，在实际应用中，检测人员使用红外检测设备获取桥梁不同部位的待测钢结构涂层的大量图像，使用智能识别模型用于对所述待测红外光谱进行分类处理。
可选地，该步骤使用支持向量机的监督学习分类算法训练模型，可以有效地解决小样本、高维度、非线性和/或局部极小点等问题，本发明采用径向基核函数的支持向量机进行训练。优选地，训练过程采用5折交叉验证，用以有效解决训练过程中欠拟合与过拟合的问题。
S103、基于预设的等级评定标准对所述涂层性能数据进行评定，以获取所述待测钢结构涂层的防腐性能评定结果。
本发明通过使用智能识别模型计算涂层性能数据并进行等级评定，实现了钢结构防腐涂层的快速准确等级评定，提高了钢结构性能检测的效率。
实施例二
如图2所示，本实施例在上述实施例的基础上增加了智能识别模型的训练过程，包括：
S201、通过模拟实验确定第一样本的实验数据，所述实验数据包括所述第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱和所述第一样本的特征指标。
该步骤采用室内进行模拟实验的方式，第一样本指室内模拟实验使用的样本钢结构涂层，第一红外光谱指耐久性实验进程中第一样本的光谱实验的数据。
在一种实施方式中，所述模拟实验包括耐久性实验、微观实验、电化学实验和/或光谱实验。对应地，所述实验数据包括第一样本在腐蚀进程中的涂层微观粒子特性、电化学特性和/或光谱图像。耐久性实验用于通过加速腐蚀在短时间内模拟实际工程项目钢结构涂层在自然环境中的腐蚀效果。例如，通过采用盐雾、交变湿热和/或紫外线照射能够模拟实际工程项目中钢结构涂层位于海洋环境、湿热环境和/或紫外光环境的腐蚀效果。该步骤还包括如下子步骤：
a、每隔预设时间间隔获取耐久性实验进程中的第一红外光谱，所述第一红外光谱为一个或多个。
b、检测第一样本的性状，所述性状包括涂层侵蚀、划伤、碰伤等典型形态缺陷及对应的微观粒子数据和/或电化学数据，生成所述性状随时间变化的发展曲线。
c、解析所述实验数据，确定所述第一样本在耐久性实验中所述性状发生预设变化的时间节点。所述时间节点有一个或多个，通过时间节点将第一样本在所述耐久性实验中的发展过程分为两个或两个以上发展阶段。
d、解析所述实验数据和发展曲线，生成对每个发展阶段具有关键影响的特征指标。
优选地，本实施例所述的第一红外光谱、第二红外光谱和待测红外光谱为红外高光谱，高光谱是指在光谱图像中光谱分辨率在高量级范围内的光谱图像，可以更好地反应不同物质间化学成分的内在细节差异。通过获取红外高光谱，能够提高红外光谱的信息密度，使模型训练精度提高。
例如，在盐雾侵蚀实验中，每隔预设时间间隔记录一次光谱图像，有起始时刻T0，侵蚀第一周t1、第二周t2、第三周t3。经过分析得到关键的时间节点为第一周t1，第二周t2，则从预先记录的光谱图像中采集t1、t2时刻对应的光谱图像作为所述第一红外光谱。
S202、从实地工程项目获取所述特征指标对应的第二样本的特征值。
该步骤中所述第二样本为实地工程项目中的样本钢结构涂层，所述第二样本指实地工程项目(如大型钢结构桥梁、大型基础设施钢结构等)的钢结构涂层。
该步骤基于上述步骤确定的特征指标，对应采集所述第二样本对应的特征值。示例性地，若上述步骤确定的特征指标包括A形态缺陷和B形态缺陷。则检测和获取所述第二样本中A形态缺陷的特征值和B形态缺陷的特征值。
S203、将所述第一样本的实验数据和所述第二样本的特征值合并为训练集。
该步骤的作用是为实验中确定的特征指标赋予实际工程的特征值，以形成实际工程项目的完整数据进行模型训练。所述训练集包括第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱、第一样本的特征指标和特征值。
S204、对所述训练集进行神经网络训练，生成所述智能识别模型。
该步骤中，可选地，将训练集中的第一红外光谱作为输入集，将所述训练集的第一样本的性能发生变化的时间节点、第一样本的特征指标和特征值作为输出集进行样本训练。本实施例优选采用深度学习框架，通过数据增强、元学习和度量学习等方法进行小样本学习，建立可快速、准确识别各种特征指标的智能识别模型。
S205、获取待测钢结构涂层的待测红外光谱。
S206、将所述待测红外光谱代入预设的智能识别模型进行计算，以生成涂层性能数据。
该步骤生成的涂层性能数据包括：待测钢结构涂层处于腐蚀进程中的哪一时间节点、在该时间节点待测钢结构的各项特征指标和对应的特征值。
S207、基于预设的等级评定标准对所述涂层性能数据进行评定，以获取所述待测钢结构涂层的防腐性能评定结果。
该步骤所述的等级评定表基于美国、欧盟、日本和中国等国家和地区现有的相关规范和标准中所采用评价体系，结合试验研究的结果，形成相应的涂层长期服役状态等级评定标准。
在替代实施例中，如图3所示，步骤S203之前还包括计算第一红外光谱和第二红外光谱相似度的步骤，具体地：
S208、获取所述第二样本的第二红外光谱。
S209、计算所述第一红外光谱和所述第二红外光谱的相似度。
S210、判断所述相似度是否高于预设阈值。
S211、若高于预设阈值，则将所述第二样本的特征值作为所述第一样本的特征值。
该步骤中，由于待测钢结构防腐涂层采集第二红外光谱为一张或多张，而所述第一红外光谱也有一张或多张，每张第一红外光谱对应不同的时间节点。为保证所述特征值的匹配精度，则通过图像相似度计算所述一张或多张第一红外光谱与所述第二红外光谱的相似度。示例性地，在模拟实验中确定第一样本性能发生变化的时间节点为t1和t2，其中时间节点t1对应的第一红外光谱为P1，时间节点t2对应的第一红外光谱为P2，第一样本的特征指标包括A形态缺陷和B形态缺陷；所述第二样本的第二红外光谱为P3，基于特征指标获取所述第二样本的特征值分别为A形态缺陷对应的特征值a，B形态缺陷对应的特征值b，若所述第二红外光谱P3最接近的第一红外光谱为P1，则将第二样本的特征值a和b赋予第一样本。
基于上述实例，合并完成的训练集为：第一样本的性能发生变化的时间节点t1和t2、时间节点对应的第一红外光谱P1、第一样本的特征指标A形态缺陷和B形态缺陷，特征指标A形态缺陷在t1时刻的特征值a，B形态缺陷在t2时刻的特征值b。
本实施例通过将模拟实验和实际工程获取的涂层数据相结合，得到更符合实际涂层侵蚀效果的数据，使模型训练的数据集更精确。还通过计算第一红外光谱和第二红外光谱的相似度，是实际工程获取的数据能与实验数据更精确地匹配，提高了训练集的精度。
实施例三
如图4，本实施例在上述实施例的基础上增加了模型计算之前对红外光谱图像的图像处理，通过图像处理使所述光谱图像增强图像特征，提高对比度，使模型计算能够去除干扰图像，提高计算准确率。步骤为：
S3011、获取待测钢结构涂层的涂层图像。
该步骤所述涂层图像指的是待测钢结构图层的实际影像。
S3012、对所述涂层图像执行HSV颜色空间图像处理，以去除所述涂层图像中的非锈蚀区域，保留锈蚀区域。
在本实施例中，将所述涂层图像进行HSV颜色空间转换，获取其中满足预设的HSV颜色范围的涂层图像区域作为锈蚀区域，获取涂层图像中同时满足H[0,34][156,180]，S[34,255]，V[34,255]的图像区域作为处理后的涂层图像。通过对涂层图像进行HSV颜色处理，能够去除所述涂层图像中的非锈蚀区域，保留锈蚀区域，提高后续图像识别的效率。
S3013、将所述锈蚀区域的红外光谱图像作为所述待测红外光谱。
S302、获取待测钢结构涂层的待测红外光谱。
S303、将所述待测红外光谱代入预设的智能识别模型进行计算，以生成涂层性能数据。
S304、基于预设的等级评定标准对所述涂层性能数据进行评定，以获取所述待测钢结构涂层的防腐性能评定结果。
步骤S302之后还包括通过校正去除红外光谱图像误差的步骤，所述的校正方式包括现有技术中任意一种校正方式或多种校正方式的组合，其目的是实现去除钢结构涂层光谱图像受环境等因素影响导致的图像误差，提高模型输入数据的精度。
如图5所示，在一种实施例中，对待测红外光谱进行误差校正预处理以去除光照、电流的影响，S302之后包括：S3051、使用黑白校正对所述待测红外光谱进行预处理。
本实施例执行黑白校正的公式如下：
其中S是采集到的待测红外光谱的原始数据，D表示盖上相机镜头盖采集的反射率为0的全黑标定数据，W表示相机扫面白板采集到的发射率接近100％的全白标定数据，R表示经过黑白校正的待测红外光谱数据。
如图6，在另一种替代实施例中，步骤S302之后包括：S3052、使用多元散射校正对所述待测红外光谱进行预处理。
第一步，计算标准光谱
其中，Ai代表第i个样本的红外光谱，n为输入的待测钢结构涂层的红外光谱总数。
第二步，获取n个样待测钢结构涂层的红外光谱A1～An，结合标准光谱进行一元线性回归运算以得到mi和bi，其中mi为每个待测钢结构图层的红外光谱Ai与标准光谱的线性平移量，bi为倾斜偏移量：
第三步，执行多元散射校正，校正后的第i个待测钢结构涂层的红外光谱Ai(MSC)如下：
该步骤对待测红外光谱进行误差校正以消除散射的影响，增强光谱信噪比，利于后续利用样品反射率光谱的特征指标进行性能评定。
本实施例在待测光谱图像输入模型之前进行误差校正，提高了输入数据的精度，使防腐性能评定结果更准确。
实施例四
如图7，本实施例提供了一种钢结构涂层防腐性能评定系统4，包括如下模块：
待测光谱获取模块401，用于获取待测钢结构涂层的待测红外光谱。
模型计算模块402，用于将所述待测红外光谱代入预设的智能识别模型进行计算，以生成涂层性能数据。所述模型计算模块402生成的涂层性能数据包括：待测钢结构涂层处于腐蚀进程中的哪一时间节点、在该时间节点待测钢结构的各项特征指标和对应的特征值。
评定模块403，用于基于预设的等级评定标准对所述涂层性能数据进行评定，以获取所述待测钢结构涂层的防腐性能评定结果。
如图8所示，在替代实施例中，还包括模型训练模块404。所述模型训练模块404使用支持向量机的监督学习分类算法训练模型，可以有效地解决小样本、高维度、非线性和/或局部极小点等问题，本发明采用径向基核函数的支持向量机进行训练。优选地，训练过程采用5折交叉验证。
所述模型训练模块404包括：
第一数据获取单元4041，用于通过模拟实验确定所述第一样本的实验数据，所述实验数据包括所述第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱和所述第一样本的特征指标。该单元所述模拟实验包括耐久性实验、微观实验、电化学实验和/或光谱实验。对应地，所述实验数据包括第一样本在腐蚀进程中的涂层微观粒子特性、电化学特性和/或光谱图像。耐久性实验用于通过加速腐蚀在短时间内模拟实际工程项目钢结构涂层在自然环境中的腐蚀效果。例如，通过采用盐雾、交变湿热和/或紫外线照射能够模拟实际工程项目中钢结构涂层位于海洋环境、湿热环境和/或紫外光环境的腐蚀效果。
具体地，第一数据获取单元4041每隔预设时间间隔获取耐久性实验进程中的第一红外光谱，所述第一红外光谱为一个或多个；检测第一样本的性状，所述性状包括涂层侵蚀、划伤、碰伤等典型形态缺陷及对应的微观粒子数据和/或电化学数据，生成所述性状随时间变化的发展曲线；解析所述实验数据，确定所述第一样本在耐久性实验中所述性状发生预设变化的时间节点。所述时间节点有一个或多个，通过时间节点将第一样本在所述耐久性实验中的发展过程分为两个或两个以上发展阶段；解析所述实验数据和发展曲线，生成对每个发展阶段具有关键影响的特征指标。
第二数据获取单元4042，用于从实地工程项目获取所述特征指标对应的第二样本的特征值；
合并单元4043，用于将所述第一样本的实验数据和所述第二样本的特征值合并为训练集。所述训练集包括第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱、第一样本的特征指标和特征值。
模型训练单元4044，用于对所述训练集进行神经网络训练，生成所述智能识别模型。
所述模型训练单元4044的训练过程可选地，包括：将训练集中的第一红外光谱作为输入集，将所述训练集的第一样本的性能发生变化的时间节点、第一样本的特征指标和特征值作为输出集进行样本训练。
在训练过程中，所述训练集包括第一样本的性能发生变化的时间节点、时间节点对应的第一红外光谱、第一样本的特征指标和特征值，则所述模型训练模块404还包括：
第二光谱获取单元4045，用于获取所述第二样本的第二红外光谱；
相似度计算单元4046，用于计算所述第一红外光谱和所述第二红外光谱的相似度；
判断单元4047，用于判断所述相似度是否高于预设阈值；
合并单元4048，用于若高于预设阈值，则将所述第二样本的特征值作为所述第一样本的特征值。
在替代实施例中，还包括：
涂层图像获取模块405，用于获取待测钢结构涂层的涂层图像；
图像处理模块406，用于对所述涂层图像执行HSV颜色空间图像处理，以去除所述涂层图像中的非锈蚀区域，保留锈蚀区域；将所述锈蚀区域的红外光谱图像作为所述待测红外光谱。
所述图像处理模块406的处理过程，可选地，将所述涂层图像进行HSV颜色空间转换，获取其中满足预设的HSV颜色范围的涂层图像区域作为锈蚀区域，获取涂层图像中同时满足H[0,34][156,180]，S[34,255]，V[34,255]的图像区域作为处理后的涂层图像。
在替代实施例中，还包括：
第一校正模块407，用于使用黑白校正对所述待测红外光谱进行预处理。
所述第一校正模块407执行黑白校正的公式如下：
其中S是采集到的待测红外光谱的原始数据，D表示盖上相机镜头盖采集的反射率为0的全黑标定数据，W表示相机扫面白板采集到的发射率接近100％的全白标定数据，R表示经过黑白校正的待测红外光谱数据。
第二校正模块408，用于使用多元散射校正对所述待测红外光谱进行预处理。具体地，所述第二校正模块408的计算过程为：
第一步，计算标准光谱
其中，Ai代表第i个样本的红外光谱，n为输入的待测钢结构涂层的红外光谱总数。
第二步，获取n个样待测钢结构涂层的红外光谱A1～An，结合标准光谱
第三步，执行多元散射校正，校正后的第i个待测钢结构涂层的红外光谱Ai(MSC)如下：
该模块408对待测红外光谱进行误差校正以消除散射的影响，增强光谱信噪比，利于后续利用样品反射率光谱的特征指标进行性能评定。
本发明实施例所提供的一种钢结构涂层防腐性能评定系统，可执行本发明任意实施例所提供的钢结构涂层防腐性能评定方法，具备功能模块相应的执行方法和有益效果。
实施例五
本实施例提供了一种服务器的结构示意图，如图9所示，该服务器包括处理器501、存储器502、输入装置503和输出装置504；服务器中处理器501的数量可以是一个或多个，图中以一个处理器501为例；设备/终端/服务器中的处理器501、存储器502、输入装置503和输出装置504可以通过总线或其他方式链接，图9中以通过总线链接为例。
存储器502作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于网关的链接生成方法对应的程序指令/模块(例如获取模块301，第一特征模块302等)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块，从而执行设备/终端/服务器的各种功能应用以及数据处理，即实现上述的钢结构涂层防腐性能评定方法。
存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器502可进一步包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络链接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置503可用于接收输入的数字或字符信息，以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
本发明实施例五通过提供一种服务器，可执行本发明任意实施例所提供的钢结构涂层防腐性能评定方法，具备执行方法相应的功能模块和有益效果。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的钢结构涂层防腐性能评定方法：
获取待测钢结构涂层的待测红外光谱；
将所述待测红外光谱代入预设的智能识别模型进行计算，以生成涂层性能数据；
基于预设的等级评定标准对所述涂层性能数据进行评定，以获取所述待测钢结构涂层的防腐性能评定结果。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电链接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—链接到用户计算机，或者，可以链接到外部计算机(例如利用因特网服务提供商来通过因特网链接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种近红外检测比色传感器及其制备方法和应用