CN110264487A - 一种静电纺丝产品的检测方法、系统及相关装置 - Google Patents
一种静电纺丝产品的检测方法、系统及相关装置 Download PDFInfo
- Publication number
- CN110264487A CN110264487A CN201910531727.5A CN201910531727A CN110264487A CN 110264487 A CN110264487 A CN 110264487A CN 201910531727 A CN201910531727 A CN 201910531727A CN 110264487 A CN110264487 A CN 110264487A
- Authority
- CN
- China
- Prior art keywords
- image
- electrostatic spinning
- spinning
- product
- opencv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010041 electrostatic spinning Methods 0.000 title claims abstract description 106
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000009987 spinning Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000003860 storage Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000002121 nanofiber Substances 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 210000004292 cytoskeleton Anatomy 0.000 description 8
- 235000013350 formula milk Nutrition 0.000 description 7
- 238000001523 electrospinning Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 2
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008827 biological function Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000002744 extracellular matrix Anatomy 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000011540 sensing material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000037314 wound repair Effects 0.000 description 1
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Abstract
本申请所提供的一种静电纺丝产品的检测方法，包括：获取静电纺丝产品的电镜图像，并从电镜图像中提取目标电镜图像；其中，静电纺丝产品为利用静电纺丝技术制成的产品；对目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；对目标灰度图像进行阈值化处理，得到阈值图像；提取阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；基于纺丝轮廓图像，利用opencv确定各种衡量参数以衡量静电纺丝产品的优劣。该方法在获取静电纺丝产品的电镜图像后，进行了一系列的图像处理操作，故能够利用opencv快速获取各种衡量参数，避免耗费过多时间，提高了检测效率。本申请还提供一种静电纺丝产品的检测系统、设备及计算机可读存储介质，均具有上述有益效果。
Description
技术领域
本申请涉及静电纺丝产品检测领域，特别涉及一种静电纺丝产品的检测方法、系统、设备及计算机可读存储介质。
背景技术
静电纺丝技术最早由Formhzls在1934年提出，随后Taylor等人于1964年对静电纺丝过程中带电聚合物的变形提出了泰勒锥这一概念，直到上个世纪90年代人们开始广泛关注静电纺丝技术。但静电纺丝生产出来的纳米纤维很难有序收集，也很难做到有序排布。2006年，孙道恒等人提出近场电纺直写技术，基于近场静电纺的电纺直写技术利用电纺过程中直线稳定射流的优点，实现了单根米纤维的有序沉积，为电纺丝纳米纤维的产业化应用开拓了一种新的方法。
纳米结构由于其独特的性质使其在多领域应用并成为了众多学者深入研究的主题。现今大量的合成和制造方法已经被应用于产生纳米纤维结构，但是近场静电纺丝这一工艺在对于打印有序的纺丝结构，确实有着不可比拟的优势，纳米纤维的直径要小于细胞的直径，可以模拟天然的细胞外基质的结构和生物功能；一些电纺原料具有很好的生物相容性及可降解性，可作为载体进入人体，并容易被吸收；加之静电纺纳米纤维还有大的比表面积、孔隙率等优良特性，而当需要衡量打印出来的细胞支架的好坏时，我们往往需要考虑到直径范围，均匀性，孔隙率，纺丝的多孔结构，还有膜的一些物理性能，这个时候我们很难在得到电子显微镜图的时候就给出一个准确且量化的判断。
在传统的静电纺丝产品检测中在测试每一个具体的参数的时候需要用到电子显微镜，测试其孔隙率等等需要用到一些更为复杂的方法。由于测试方法过于复杂，导致耗费过多时间，检测效率低下。
因此，如何提高静电纺丝产品的检测效率是本领域技术人员亟需解决的技术问题。
发明内容
本申请的目的是提供一种静电纺丝产品的检测方法、系统、设备及计算机可读存储介质，能够提高静电纺丝产品的检测效率。
为解决上述技术问题，本申请提供一种静电纺丝产品的检测方法，包括：
获取静电纺丝产品的电镜图像，并从所述电镜图像中提取目标电镜图像；其中，所述静电纺丝产品为利用静电纺丝技术制成的产品；
对所述目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；
对所述目标灰度图像进行阈值化处理，得到阈值图像；
提取所述阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；
基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣。
优选地，所述基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣，包括：
基于所述纺丝轮廓图像，利用所述opencv中midpoint函数确定丝径直径和丝径直径范围；
利用所述丝径直径计算丝径均值和方差。
优选地，所述基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣，包括：
基于所述纺丝轮廓图像，利用所述opencv中ContourArea算法计算所有丝径的大小和所述纺丝轮廓图像的图像面积；
基于所述图像面积计算孔隙率。
优选地，所述对所述目标灰度图像进行阈值化处理，得到阈值图像，包括：
对所述目标灰度图像进行阈值化处理，得到初始阈值图像；
对所述初始阈值图像进行二值化操作和腐蚀操作，得到所述阈值图像。
本申请还提供一种静电纺丝产品的检测系统，包括：
目标电镜图像获取模块，用于获取静电纺丝产品的电镜图像，并从所述电镜图像中提取目标电镜图像；其中，所述静电纺丝产品为利用静电纺丝技术制成的产品；
目标灰度图像获取模块，用于对所述目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；
阈值图像获取模块，用于对所述目标灰度图像进行阈值化处理，得到阈值图像；
纺丝轮廓图像获取模块，用于提取所述阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；
衡量参数确定模块，用于基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣。
优选地，所述衡量参数确定模块，包括：
丝径直径确定单元，用于基于所述纺丝轮廓图像，利用所述opencv中midpoint函数确定丝径直径和丝径直径范围；
丝径均值和方差计算单元，用于利用所述丝径直径计算丝径均值和方差。
优选地，所述衡量参数确定模块，包括：
图像面积计算单元，用于基于所述纺丝轮廓图像，利用所述opencv中ContourArea算法计算所有丝径的大小和所述纺丝轮廓图像的图像面积；
孔隙率计算单元，用于基于所述图像面积计算孔隙率。
优选地，所述阈值图像获取模块，包括：
阈值化处理单元，用于对所述目标灰度图像进行阈值化处理，得到初始阈值图像；
阈值图像获取单元，用于对所述初始阈值图像进行二值化操作和腐蚀操作，得到所述阈值图像。
本申请还提供一种设备，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述所述的静电纺丝产品的检测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的静电纺丝产品的检测方法的步骤。
本申请所提供的一种静电纺丝产品的检测方法，包括：获取静电纺丝产品的电镜图像，并从所述电镜图像中提取目标电镜图像；其中，所述静电纺丝产品为利用静电纺丝技术制成的产品；对所述目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；对所述目标灰度图像进行阈值化处理，得到阈值图像；提取所述阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣。
该方法在获取静电纺丝产品的电镜图像后，对该电镜图像进行灰度变换处理、灰度拉伸处理、阈值化处理、纺丝轮廓区域提取，得到纺丝轮廓图像，最后利用opencv确定各种衡量参数以衡量静电纺丝产品的优劣。由于进行了一系列的图像处理操作，故能够利用opencv快速获取各种衡量参数，避免耗费过多时间，提高了检测效率。本申请还提供一种静电纺丝产品的检测系统、设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种静电纺丝产品的检测方法的流程图；
图2为本申请实施例所提供的一种静电纺丝产品的检测系统的结构框图。
具体实施方式
本申请的核心是提供一种静电纺丝产品的检测方法，能够提高静电纺丝产品的检测效率。本申请的另一核心是提供一种静电纺丝产品的检测系统、设备及计算机可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在传统的静电纺丝产品检测中在测试每一个具体的参数的时候需要用到电子显微镜，测试其孔隙率等等需要用到一些更为复杂的方法。由于测试方法过于复杂，导致耗费过多时间，检测效率低下。本申请提供的一种静电纺丝产品的检测方法，能够提高静电纺丝产品的检测效率，具体请参考图1，图1为本申请实施例所提供的一种静电纺丝产品的检测方法的流程图，该静电纺丝产品的检测方法具体包括：
S101、获取静电纺丝产品的电镜图像，并从电镜图像中提取目标电镜图像；其中，静电纺丝产品为利用静电纺丝技术制成的产品；
静电纺丝产品为利用静电纺丝技术制成的产品，本实施例对于静电纺丝产品不作具体限定，应由本领域技术人员根据实际情况作出相应的设定，因为静电纺丝技术可以用于多种领域，每种领域都有对应的静电纺丝产品。
①在生物医学领域，纳米纤维的直径小于细胞，可以模拟天然的细胞外基质的结构和生物功能；人的大多数组织、器官在形式和结构上与纳米纤维类似，这为纳米纤维用于组织和器官的修复提供了可能；一些电纺原料具有很好的生物相容性及可降解性，可作为载体进入人体，并容易被吸收；加之静电纺纳米纤维还有大的比表面积、孔隙率等优良特性，因此，其在生物医学领域引起了研究者的持续关注，并已在药物控释、创伤修复、生物组织工程等方面得到了很好的应用。其中，该领域较为常见的静电纺丝产品是：使用近场静电纺丝对各种不同材料(例如pcl，pp，peo，pan)使用有序堆叠的方法打印出来的方格状的细胞支架。下文必要时会以细胞支架为例进行说明，需注意的是，本申请中的静电纺丝产品绝不仅限于细胞支架。
②在纤维过滤材料的应用，同时也可以应用于锂电池的质子交换膜，这些膜再打印出来的时候都需要对其的各项特性参数进行检测分析。
③对于纤维材料的结构把控，静电纺纤维能够有效调控纤维的精细结构，结合低表面能的物质，可获得具有超疏水性能的材料，并有望应用于船舶的外壳、输油管道的内壁、高层玻璃、汽车玻璃等。
④静电纺纳米纤维具有较高的比表面积和孔隙率，可增大传感材料与被检测物的作用区域，有望大幅度提高传感器性能。此外，静电纺纳米纤维还可用于能源、光电、食品工程等领域。
上述步骤S101具体可以为：将使用静电纺丝打印好的细胞支架取出；把细胞支架放置在电子显微镜中，在电子显微镜中，去提取我们需要的部分的图像，即提取目标电镜图像。
S102、对目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；
当静电纺丝产品为细胞支架时，对细胞支架的目标电镜图像进行灰度变换，然后进行灰度拉伸，增大其对比度。具体方法如下：
细胞支架的电镜图像的像素值用g(x,y)表示，设其大部分像素的灰度级分布在区间[c,d]，则灰度变换后图像的像素值v(x,y)的灰度范围扩展到区间[e,f]，通过下述线性变换公式来实现：
S103、对目标灰度图像进行阈值化处理，得到阈值图像；
进一步地，上述对目标灰度图像进行阈值化处理，得到阈值图像，通常包括：对目标灰度图像进行阈值化处理，得到初始阈值图像；对初始阈值图像进行二值化操作和腐蚀操作，得到阈值图像。具体过程如下：
因为目标灰度图像中有很多我们不需要的干扰图像，以及噪声。所以我们需要对灰度图像阈值化，利用opencv中OTSU算法分割获取阈值，然后通过下述公式进行阈值分割：
其中v′(x,y)代表阈值化后的图像，即当v(x，y)小于阈值T时，将此位置的值设置为0，然后进行二值化操作和腐蚀操作，将一些多余杂质，提取出丝径的特征；当v(x，y)不小于阈值T时，将此位置的值设置为255。
S104、提取阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；
利用opencv中的findContours找到阈值图像中纺丝的轮廓(找到像素落差较大的图像交界处)，利用drawContours将纺丝轮廓画出，得到纺丝轮廓图像。
S105、基于纺丝轮廓图像，利用opencv确定各种衡量参数以衡量静电纺丝产品的优劣。
进一步地，基于纺丝轮廓图像，利用opencv确定各种衡量参数以衡量静电纺丝产品的优劣，包括：基于纺丝轮廓图像，利用opencv中midpoint函数确定丝径直径和丝径直径范围；利用丝径直径计算丝径均值和方差。具体说明如下：
利用opencv库函数中的midpoint函数计算两个坐标的中点，进而可以计算出，每条丝径的直径，并且利用numpy中对最大最小值的获取的max和min函数，提速出所有丝径的最大值和最小值，得到图像的丝径直径，也同时可以确定丝径直径范围。
利用for语句，配合公式：计算出所有丝径的平均值M，公式中，x1、x2、x3、xn均表示丝径直径，n表示丝径的个数。再使用计算方差的公式：
计算出丝径的方差s2，将s2作为图像的均匀性衡量标准。
进一步地，基于纺丝轮廓图像，利用opencv确定各种衡量参数以衡量静电纺丝产品的优劣，包括：基于纺丝轮廓图像，利用opencv中ContourArea算法计算所有丝径的大小和纺丝轮廓图像的图像面积；基于图像面积计算孔隙率。具体说明如下：
利用opencv中计算面积的ContourArea算法计算出所有丝径的大小，同时计算出整个图像的面积，利用如下公式计算出孔隙率V：
公式中，S总表示整个图像的面积，S1就是图像中的近场静电纺丝。
本申请提供的静电纺丝产品的检测方法在获取静电纺丝产品的电镜图像后，对该电镜图像进行灰度变换处理、灰度拉伸处理、阈值化处理、纺丝轮廓区域提取，得到纺丝轮廓图像，最后利用opencv确定各种衡量参数以衡量静电纺丝产品的优劣。由于进行了一系列的图像处理操作，故能够利用opencv快速获取各种衡量参数，避免耗费过多时间，提高了检测效率。而且，该方法利用opencv确定的各种衡量参数更加精确；相比于利用轮廓分析仪去分析和检测产品，不仅避免了过于耗时，而且还降低了成本。
下面对本申请实施例提供的一种静电纺丝产品的检测系统、设备及计算机可读存储介质进行介绍，下文描述的静电纺丝产品的检测系统、设备及计算机可读存储介质与上文描述的静电纺丝产品的检测方法可相互对应参照。
请参考图2，图2为本申请实施例所提供的一种静电纺丝产品的检测系统的结构框图；该静电纺丝产品的检测系统包括：
目标电镜图像获取模块201，用于获取静电纺丝产品的电镜图像，并从电镜图像中提取目标电镜图像；其中，静电纺丝产品为利用静电纺丝技术制成的产品；
目标灰度图像获取模块202，用于对目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；
阈值图像获取模块203，用于对目标灰度图像进行阈值化处理，得到阈值图像；
纺丝轮廓图像获取模块204，用于提取阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；
衡量参数确定模块205，用于基于纺丝轮廓图像，利用opencv确定各种衡量参数以衡量静电纺丝产品的优劣。
基于上述实施例，本实施例中衡量参数确定模块205，包括：
丝径直径确定单元，用于基于纺丝轮廓图像，利用opencv中midpoint函数确定丝径直径和丝径直径范围；
丝径均值和方差计算单元，用于利用丝径直径计算丝径均值和方差。
基于上述实施例，本实施例中衡量参数确定模块205，包括：
图像面积计算单元，用于基于纺丝轮廓图像，利用opencv中ContourArea算法计算所有丝径的大小和纺丝轮廓图像的图像面积；
孔隙率计算单元，用于基于图像面积计算孔隙率。
基于上述实施例，本实施例中阈值图像获取模块203，包括：
阈值化处理单元，用于对目标灰度图像进行阈值化处理，得到初始阈值图像；
阈值图像获取单元，用于对初始阈值图像进行二值化操作和腐蚀操作，得到阈值图像。
本申请还提供一种设备，包括：存储器和处理器；其中，存储器用于存储计算机程序，处理器用于执行计算机程序时实现上述任意实施例的静电纺丝产品的检测方法的步骤。
本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任意实施例的静电纺丝产品的检测方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种静电纺丝产品的检测方法、系统、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种静电纺丝产品的检测方法，其特征在于，包括：
获取静电纺丝产品的电镜图像，并从所述电镜图像中提取目标电镜图像；其中，所述静电纺丝产品为利用静电纺丝技术制成的产品；
对所述目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；
对所述目标灰度图像进行阈值化处理，得到阈值图像；
提取所述阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；
基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣。
2.根据权利要求1所述的静电纺丝产品的检测方法，其特征在于，所述基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣，包括：
基于所述纺丝轮廓图像，利用所述opencv中midpoint函数确定丝径直径和丝径直径范围；
利用所述丝径直径计算丝径均值和方差。
3.根据权利要求1所述的静电纺丝产品的检测方法，其特征在于，所述基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣，包括：
基于所述纺丝轮廓图像，利用所述opencv中ContourArea算法计算所有丝径的大小和所述纺丝轮廓图像的图像面积；
基于所述图像面积计算孔隙率。
4.根据权利要求1所述的静电纺丝产品的检测方法，其特征在于，所述对所述目标灰度图像进行阈值化处理，得到阈值图像，包括：
对所述目标灰度图像进行阈值化处理，得到初始阈值图像；
对所述初始阈值图像进行二值化操作和腐蚀操作，得到所述阈值图像。
5.一种静电纺丝产品的检测系统，其特征在于，包括：
目标电镜图像获取模块，用于获取静电纺丝产品的电镜图像，并从所述电镜图像中提取目标电镜图像；其中，所述静电纺丝产品为利用静电纺丝技术制成的产品；
目标灰度图像获取模块，用于对所述目标电镜图像进行灰度变换处理和灰度拉伸处理，得到目标灰度图像；
阈值图像获取模块，用于对所述目标灰度图像进行阈值化处理，得到阈值图像；
纺丝轮廓图像获取模块，用于提取所述阈值图像中的纺丝轮廓区域，得到纺丝轮廓图像；
衡量参数确定模块，用于基于所述纺丝轮廓图像，利用opencv确定各种衡量参数以衡量所述静电纺丝产品的优劣。
6.根据权利要求5所述的静电纺丝产品的检测系统，其特征在于，所述衡量参数确定模块，包括：
丝径直径确定单元，用于基于所述纺丝轮廓图像，利用所述opencv中midpoint函数确定丝径直径和丝径直径范围；
丝径均值和方差计算单元，用于利用所述丝径直径计算丝径均值和方差。
7.根据权利要求5所述的静电纺丝产品的检测系统，其特征在于，所述衡量参数确定模块，包括：
图像面积计算单元，用于基于所述纺丝轮廓图像，利用所述opencv中ContourArea算法计算所有丝径的大小和所述纺丝轮廓图像的图像面积；
孔隙率计算单元，用于基于所述图像面积计算孔隙率。
8.根据权利要求5所述的静电纺丝产品的检测系统，其特征在于，所述阈值图像获取模块，包括：
阈值化处理单元，用于对所述目标灰度图像进行阈值化处理，得到初始阈值图像；
阈值图像获取单元，用于对所述初始阈值图像进行二值化操作和腐蚀操作，得到所述阈值图像。
9.一种设备，其特征在于，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现如权利要求1至4任一项所述的静电纺丝产品的检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的静电纺丝产品的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910531727.5A CN110264487A (zh) | 2019-06-19 | 2019-06-19 | 一种静电纺丝产品的检测方法、系统及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910531727.5A CN110264487A (zh) | 2019-06-19 | 2019-06-19 | 一种静电纺丝产品的检测方法、系统及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110264487A true CN110264487A (zh) | 2019-09-20 |
Family
ID=67919410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910531727.5A Pending CN110264487A (zh) | 2019-06-19 | 2019-06-19 | 一种静电纺丝产品的检测方法、系统及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264487A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634198A (zh) * | 2020-11-24 | 2021-04-09 | 广东工业大学 | 基于机器视觉的近场电纺直写的泰勒锥动态识别检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100284609A1 (en) * | 2008-02-05 | 2010-11-11 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Apparatus and method for measuring size distribution of granular matter |
| CN105678752A (zh) * | 2015-12-30 | 2016-06-15 | 合肥天一生物技术研究所 | 一种基于固定参数分割微柱小管的血型识别方法 |
| CN108776965A (zh) * | 2018-06-11 | 2018-11-09 | 苏州大学 | 一种图像中直线测量方法、装置、设备及存储介质 |
| CN108955909A (zh) * | 2018-05-31 | 2018-12-07 | 广东工业大学 | 一种基于机器视觉的油温表识别读数方法 |
-
2019
- 2019-06-19 CN CN201910531727.5A patent/CN110264487A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100284609A1 (en) * | 2008-02-05 | 2010-11-11 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Apparatus and method for measuring size distribution of granular matter |
| CN105678752A (zh) * | 2015-12-30 | 2016-06-15 | 合肥天一生物技术研究所 | 一种基于固定参数分割微柱小管的血型识别方法 |
| CN108955909A (zh) * | 2018-05-31 | 2018-12-07 | 广东工业大学 | 一种基于机器视觉的油温表识别读数方法 |
| CN108776965A (zh) * | 2018-06-11 | 2018-11-09 | 苏州大学 | 一种图像中直线测量方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘大利等: "使用目标多特征识别的纳米纤维制造在线监测系统", 《光学精密工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634198A (zh) * | 2020-11-24 | 2021-04-09 | 广东工业大学 | 基于机器视觉的近场电纺直写的泰勒锥动态识别检测方法 |
| CN112634198B (zh) * | 2020-11-24 | 2022-10-04 | 广东工业大学 | 基于机器视觉的近场电纺直写的泰勒锥动态识别检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tourlomousis et al. | Machine learning metrology of cell confinement in melt electrowritten three-dimensional biomaterial substrates | |
| Hotaling et al. | DiameterJ: A validated open source nanofiber diameter measurement tool | |
| CN110189255A (zh) | 基于两级检测的人脸检测方法 | |
| CN109064461A (zh) | 一种基于深度学习网络的钢轨表面缺陷检测方法 | |
| CN104751473B (zh) | 碳酸岩多尺度孔洞特征的确定方法及装置 | |
| CN112164085B (zh) | 一种基于图像处理的纤维图像分割及直径统计方法 | |
| CN110264487A (zh) | 一种静电纺丝产品的检测方法、系统及相关装置 | |
| Tourlomousis et al. | Dimensional metrology of cell-matrix interactions in 3D microscale fibrous substrates | |
| JP2022506135A (ja) | ヒトの寄与を組み込む反復的深層学習フローを使用した顕微鏡画像内の３ｄ細胞間構造のセグメント化 | |
| CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
| CN109610132A (zh) | 衣物洗涤方法、装置和控制器 | |
| Tiryaki et al. | Texture‐based segmentation and a new cell shape index for quantitative analysis of cell spreading in AFM images | |
| CN103892792B (zh) | 情感识别模型生成装置及其生成情感识别模型的方法 | |
| CN108507924B (zh) | 一种超滤膜完整性识别方法及装置 | |
| JP6714273B2 (ja) | 角膜内皮細胞品質評価支援システム | |
| Uka et al. | Basis of image analysis for evaluating cell biomaterial interaction using brightfield microscopy | |
| CN107358588A (zh) | 相位去卷褶方法、磁共振成像扫描方法及磁共振成像设备 | |
| Israel et al. | Emphatic segments and emphasis spread in Lebanese Arabic: a Real-time Magnetic Resonance Imaging Study. | |
| CN100573541C (zh) | 分析细胞结构及其组分的方法 | |
| CN105723029B (zh) | 用于确定织物的特征的方法 | |
| CN110428012A (zh) | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 | |
| JP6405603B2 (ja) | 情報処理装置、情報処理システム及びプログラム | |
| CN105654527A (zh) | 一种基于结构化字典学习的磁共振成像重建方法和装置 | |
| CN111613247B (zh) | 一种基于麦克风阵列的前景语音检测方法及装置 | |
| CN106203384B (zh) | 一种多分辨率的细胞分裂识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |