乙烯-乙酸乙烯酯共聚物/聚乙烯热塑性硫化胶的形态结构及流变性能

使用双转子密炼技术制备了具有双连续相结构的乙烯-乙酸乙烯酯共聚物(EVA)/聚乙烯(PE)的热塑性聚烯烃(EVA/PE-TPO)和热塑性硫化胶(EVA/PE-TPV)材料,并利用扫描电子显微镜、Han曲线和vGP曲线对二者的相形貌进行了分析和表征。动态流变行为的结果表明,在低频区,EVA含量对EVA/PE-TPO材料体系的储能模量(G′)和复数黏度的影响均大于EVA/PE-TPV体系;在高频区,组成相同的两种体系的G′相近。当两相的组成比例相同时,时温等效原理适用于210℃以下的EVA/PE-TPV体系。修正Palierne模型对双连续相结构EVA/PE-TPV材料的线性黏弹性的拟合程度不高。     

基于主动样本精选与跨模态语义挖掘的图像情感分析

图像情感分析是机器视觉领域的研究热点,它面临的关键问题是:标注者的主观差异导致情感标签明确的高质量样本匮乏,且异构图像特征间跨模态语义未有效利用.为此,提出基于主动样本精选与跨模态语义挖掘的图像情感分析模型ASRF²(active sample refinement & feature fusion):融合主动学习与样本精选思想,设计主动样本精选策略,优选情感标签明确的样本;对异构图像特征执行判别相关分析,生成能准确刻画图像情感内容的低维跨模态语义;采用跨模态语义训练Catboost模型,实现图像情感分析.在TwitterI与FI数据集上验证ASRF²模型,识别准确率分别达90.06%和75.77%,优于主流基线且实时效率良好.与基线相比,ASRF²模型仅需两类特征,参数调制简单,更易复现.ASR策略还具备一定的泛化性,可为基线模型提供优质训练样本,以改善识别性能.     

基于改进的有效区域基因选择与跨模态语义挖掘的图像属性标注

图像属性标注是一种更细化的图像标注，它能缩小认知与特征间"语义鸿沟".现有研究多基于单特征且未挖掘属性蕴含的深层语义，故无法准确刻画图像内容.改进有效区域基因选择算法融合图像特征，并设计迁移学习策略，实现材质属性标注；基于判别相关分析挖掘特征间跨模态语义，以改进相对属性模型，标注材质属性蕴含的深层语义-实用属性.实验表明：材质属性标注精准度达63.11%，较最强基线提升1.97%；实用属性标注精准度达59.15%，较最强基线提升2.85%；层次化的标注结果能全面刻画图像内容.     

联合SENet异构层特征融合与集成学习的材质图像识别

材质图像识别具备广阔的应用前景,如衣物识别、机器人拾取、工业检测等.受光照强度和拍摄角度等影响,材质图像易发生变化,而挖掘鲁棒、高效的图像特征是应对该变化的关键.对此,提出SECF²模型:抽取SENet中具有良好互补性的异构层特征;改进聚类典型相关性分析模型,实现异构层特征融合,生成刻画材质图像的深层视觉语义,它是一种判别性更强且鲁棒的新特征;采用深层视觉语义训练分类模型并执行集成学习,完成材质图像识别.实验表明:SECF²模型在两个材质图像数据集上都有效,其中Fabric上的识别精准度较最强基线提升8.85%; SECF²模型还具备较强通用性,在图像情感分析基准数据集上取得优异的表现.此外, SECF²仅需两个特征和一次融合,模型复杂度降低且实时效率优良.     

动态流变行为在三元乙丙橡胶/硅橡胶共混物形态结构研究中的应用

利用开放式炼胶机制备了三元乙丙橡胶(EPDM)与硅橡胶(SR)混炼胶和单相硫化硅橡胶(v-SR)的共混胶,通过流变行为研究了组成比例、界面交联作用等对共混体系形态结构的影响,并采用扫描电子显微镜和两相剥离强度对形态结构的研究结果进行了验证。结果表明,动态流变行为成功预测了高黏度聚合物复合体系的形态结构。共混物中EPDM的用量在30～70份（质量,下同）时,EPDM/SR混炼胶的形态呈双相连续结构。用超过1份的过氧化物交联剂对EPDM用量为70份的EPDM/SR混炼胶中的SR进行单相交联,v-SR的连续结构发生了融合,转变成颗粒状结构,且颗粒结构的相畴随着交联剂用量的增加而增大,而高剂量的交联剂可以使两相形成共交联。     

单环氧化合物接枝改性PA6材料的制备及其性能研究

利用反应挤出法制备了聚酰胺6（PA6）接枝新癸酸缩水甘油酯（GND）改性材料,通过红外光谱分析对改性产物的分子结构进行了测试,并对改性材料的结晶性能、流变性能和力学性能等进行了研究。结果表明,单环氧化合物能够在挤出过程中与PA6发生接枝反应,生成支化PA6产物;接枝链降低了PA6的结晶速率和结晶度,在宏观上相应地表现出材料力学性能的变化;GND最佳用量范围为1~3份,当其用量为1份时,相对于纯PA6,支化PA6的拉伸强度降低了8 %,断裂伸长率和缺口冲击强度分别提高了161 %和35 %。