CN113592811B - 一种基于图像处理的熔喷布厚度一致性检测方法 - Google Patents

一种基于图像处理的熔喷布厚度一致性检测方法 Download PDF

Info

Publication number
CN113592811B
CN113592811B CN202110862057.2A CN202110862057A CN113592811B CN 113592811 B CN113592811 B CN 113592811B CN 202110862057 A CN202110862057 A CN 202110862057A CN 113592811 B CN113592811 B CN 113592811B
Authority
CN
China
Prior art keywords
image
point
points
melt
gray
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.)
Active
Application number
CN202110862057.2A
Other languages
English (en)
Other versions
CN113592811A (zh
Inventor
陈从平
颜逸洲
李少玉
丁坤
周正旺
张屹
戴国洪
钮嘉炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN202110862057.2A priority Critical patent/CN113592811B/zh
Publication of CN113592811A publication Critical patent/CN113592811A/zh
Application granted granted Critical
Publication of CN113592811B publication Critical patent/CN113592811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及织物检测技术领域，涉及一种基于图像处理的熔喷布厚度一致性检测方法，包括以下步骤：S1、粗定位图像中对应熔喷布过厚或过薄的可能区域；S2、精定位图像中对应熔喷布过厚或过薄的区域；S3、基于精定位结果找出熔喷布过厚或过薄区域的轮廓。本发明通过DBSCAN聚类算法对图像进行分析，利用聚类评估系数，自动选取一组最优的邻域参数解，实现了自动化的要求，检测方法简单，可以快速检测出熔喷布的厚度一致性。

Description

一种基于图像处理的熔喷布厚度一致性检测方法
技术领域
本发明涉及织物检测技术领域，尤其涉及一种基于图像处理的熔喷布厚度一致性检测方法。
背景技术
熔喷布作为非织造材料的一种，凭借其低廉的生产成本、高效的生产效率及优良的产品性能，无论在工业生产还是在个人生活中，都占据着越来越重要的地位。熔喷布厚度的一致性直接影响熔喷布的一项重要的技术指标。生产中使用的方法通常是要在一卷熔喷布加工完成后抽取部分样品进行检测。这样的检测有以下两个缺点，一是抽样检查不能保证生产出来的一卷熔喷布的厚度都保持一致性；二是不能在生产过程中实现自动化检测，且人工检测的结果可靠性不足。熔喷布作为一种过滤材料，其厚度一致性直接影响其过滤性能，也影响其后续产品的性能，所以在生产过程中通过检测熔喷布的厚度一致性来确保其过滤性能就显得尤为重要。
已发表的一篇论文(方赵琦,张弘楠,王荣武,覃小红.基于数字图像处理的非织造布均匀性检测[J].产业用纺织品,2017,35(01):36-43)中为测量薄型非织造布的均匀性，采用数字图像处理技术，通过目标区域提取、中值滤波及Otsu二值化等操作，对图像进行预处理，再对图像进行分块后分别计算各块的纤维覆盖率，最后计算出变异系数，并与取样称重法的结果进行比较。这种方法存在的问题有：1、需要将熔喷布取出并分块，才能进行扫描检测，检测方法较复杂；2、通过分块取样进行扫描检测，检测结果容易受到取样部位的厚度的一致性影响，并不能准确反应整块熔喷布的厚度一致性。
发明内容
本发明所要解决的技术问题是：通过DBSCAN聚类算法对图像进行分析，利用聚类评估系数，自动选取一组最优的邻域参数解，实现了自动化的要求，检测方法简单，可以快速检测出熔喷布的厚度一致性。
本发明所采用的技术方案：一种基于图像处理的熔喷布厚度一致性检测方法，包括以下步骤：
S1、粗定位图像中对应熔喷布过厚或过薄的可能区域，包括如下步骤：
S11、图像灰度处理：对采集到的图像进行灰度化处理，彩色图像中每一像素点都有RGB三个色彩分量，对RGB三个色彩分量加权平均得到灰度图像，Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)，其中加权的参数为经验值，Gray(i,j)代表灰度图像中(i,j)像素点的灰度值，R(i,j)、G(i,j)、B(i,j)代表彩色图像中(i,j)像素点的各色彩分量的值；
S12、图像二值化处理：图像灰度化处理后，基于图像的灰度值，计算整张图像的灰度平均值h0，设定阈值ω，认定灰度值区间[h0-ω,h0+ω]为厚度标准区域；计算图像中灰度值高于h0+ω的所有像素点的灰度值的平均值为h1，以h1为阈值将图像二值化分为过厚区域和厚度标准以及过薄区域，其中，大于h1为过厚区域，小于等于h1为过薄或厚度标准；计算图像中灰度值低于h0-ω的所有像素点的灰度值的平均值为h2，以h2为阈值将图像二值化分为可能的过薄区域和厚度标准以及过厚区域，其中小于h2为过薄区域，大于等于h2为过厚区域或厚度标准区域；
S13、过滤孤立点：因熔喷布生产时的不确定性，产生的过厚或过薄区域的大小和位置都是随机的，对得到的二值化图像进行邻域滤波，判断二值化图像中所有的白色像素点8邻域中黑色像素点的个数，若黑色像素点个数超过m个(m值优选为6)，则将该白色像素点的像素值改为0，变成黑色像素点；此步骤可以将孤立点过滤掉，得到有效的过厚或过薄的可能区域；
S2、精定位图像中对应熔喷布过厚或过薄的区域，包括如下步骤；
S21、对得到的二值化图像找出核心对象：二值化图像中有n个白色像素点，对这些白色像素点中的任一像素点A，其ε-邻域表示所有与点A距离小于ε的白色像素点的集合；若点A的ε-邻域中至少包含MinPts个白色像素点，则认为点A为一个核心对象；假定一组邻域参数(ε,MinPts)，遍历图像中的白色像素点，找出所有的核心对象，构成集合Ω0；
S22、对得到的所有核心对象的集合Ω0生成聚类簇：从集合Ω0中任取一个核心对象B，找出由其密度可达的所有白色像素点，这些像素点则构成了一个聚类簇；其中密度可达指一组核心对象序列中，核心对象C和D密度直达，那么核心对象C的ε-邻域中的所有像素点由核心对象D密度可达；密度直达指任一核心对象的ε-邻域中的所有像素点由该核心对象密度直达；将这个聚类簇中包含的核心对象从Ω0中去除，得到更新的核心对象集合Ω1，再从更新的核心对象集合Ω1中任取一个核心对象，生成下一个聚类簇；重复上述过程，直至核心对象集合为空，生成全部的聚类簇；
S23、对得到的全部的聚类簇计算评估系数：计算任一点i的轮廓系数其中，a(i)指簇内不相似度，b(i)指簇间不相似度；将所有点的轮廓系数求平均值，得到聚类结果的总轮廓系数，即得到评估系数；
S24、利用评估系数找出最优解：通过对使用不同组邻域参数的聚类结果的评估系数进行比较，评估系数的值越大，表明聚类效果越好，选取评估系数最大的那组邻域参数作为最优解，通过步骤S21、S22得到最终的聚类簇结果；
S3、基于精定位结果找出熔喷布过厚或过薄区域的轮廓，包括如下步骤：
S31、对得到的每个聚类簇结果寻找其凸包进行轮廓搜索，凸包通过搜索每个聚类簇的点集，将最外层的点连接起来构成凸多边形，能够包含点集中的所有的点，即由聚类得到的过厚或过薄区域的点集得到区域的最大轮廓；
S32、对得到的过厚或过薄区域的最大轮廓轮廓优化，利用逼近多边形曲线的方法，在像素坐标系下，利用逼近多边形曲线的方法，包括S321、对于任意两点P1(x1,y1)、P2(x2,y2)，利用计算P1、P2之间的距离，找出轮廓中两个距离最远的点A(xa,ya)和B(xb,yb)，将两点相连，得到线段AB，其方程式为(ya-yb)x+(xb-xa)y+(ybxa-xbya)＝0，S322、利用点P0(x0,y0)到直线AB的距离公式/>在原来轮廓上找到一个离线段AB距离最远的点C，将该点加入逼近后的新轮廓中，重复这两步，不断迭代，在原轮廓上找到离线段AB最远的点，将这个点添加到新轮廓中，直到所有的点到多边形的最短距离小于预设的精度值e，即可得到过厚或过薄区域的优化轮廓；
本发明产生的有益效果是：
1、自动寻找最优参数的DBSCAN聚类算法，利用聚类评估系数，自动选取一组最优的邻域参数解，实现了自动化的要求；同时，因为熔喷布上厚度不一致区域的个数、位置、大小和形状都具有不确定性，DBSCAN聚类算法能够自适应的寻找到所有的厚度不一致的区域，且对图像进行无固定形状的分类；
2、实现检测熔喷布厚度一致性的检测要求，同时也保证了检测的精度和速度。
附图说明
图1是本发明的基于图像处理的熔喷布厚度一致性检测方法的基本流程图；
图2是本发明采集到的熔喷布原始图像；
图3是本发明灰度处理后的熔喷布图像；
图4是本发明二值化处理后的熔喷布图像；
图5是本发明邻域滤波后熔喷布图像；
图6是本发明聚类结果显示熔喷布图像；
图7是轮廓找出和优化后的图像熔喷布图像。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
本发明实例提供了一种基于图像处理的熔喷布厚度一致性检测方法，如图1所示，S1、织物图像特征提取；
S1、粗定位图像中对应熔喷布过厚或过薄的可能区域，包括如下步骤：
S11、图像灰度处理；
如图2为通过相机底部打光拍摄的熔喷布图像，如图3是经过灰度处理后的图像；
S12、图像二值化处理：图像灰度化处理后，基于图像的灰度值，计算整张图像的灰度平均值h0＝154，设定阈值ω＝30，认定灰度值区间[h0-ω,h0+ω]为厚度标准区域；计算图像中灰度值高于h0+ω＝184的所有像素点的灰度值的平均值为h1＝110，以h1为阈值将图像二值化分为可能的过厚区域和厚度标准以及过薄区域；计算图像中灰度值低于h0-ω的所有像素点的灰度值的平均值为h2，以h2为阈值将图像二值化分为可能的过薄区域和厚度标准以及过厚区域；如图4所示为图像二值化处理后的效果图；
S13、过滤孤立点：因熔喷布生产时的不确定性，产生的过厚或过薄区域的大小和位置都是随机的，对得到的二值化图像进行邻域滤波，判断二值化图像中所有的白色像素点8邻域中黑色像素点的个数，若黑色像素点个数超过6个，则将该白色像素点的像素值改为0，变成黑色像素点；此步骤可以将孤立点过滤掉，得到有效的过厚或过薄的可能区域，如图5所示,利用熔喷布的透光性，拍摄出来的图像中亮度高的地方是过薄的区域，亮度低的地方是过厚的区域。获取图像后，灰度化得到图像的整体的亮度信息,分两个阈值对灰度图像进行二值化，处理两次，一个阈值将图像分为过厚和非过厚区域，另一个阈值将图像分为过薄和非过薄区域，得到的两张二值图像中白色点表示的部分就是过厚或者过薄的，图5中白色点表示的过厚区域的点。
S2、精定位图像中对应熔喷布过厚或过薄的区域，包括如下步骤；
S21、找出核心对象：对得到的二值化图像，图像中有n个像素点，对其中的任一像素点A，其ε-邻域表示所有与点A距离小于ε的像素点的集合；若点A的ε-邻域中至少包含MinPts个像素点，则认为点A为一个核心对象；假定一组邻域参数(ε,MinPts)，遍历图像中的像素点，找出所有的核心对象，构成集合Ω0；任一白色像素点34像素单位邻域内至少包含15个白色像素点，认为这个点是核心对象；
S22、生成聚类簇：对得到的所有核心对象的集合Ω0，从中任取一个核心对象B，找出由其密度可达的所有像素点，这些像素点则构成了一个聚类簇；其中密度可达指一组核心对象序列中，核心对象C和D密度直达，那么核心对象C的ε-邻域中的所有像素点由核心对象D密度可达；密度直达指任一核心对象的ε-邻域中的所有像素点由该核心对象密度直达；将这个聚类簇中包含的核心对象从Ω0中去除，得到更新的核心对象集合Ω1，再从更新的核心对象集合Ω1中任取一个核心对象，生成下一个聚类簇；重复上述过程，直至核心对象集合为空，生成全部的聚类簇；
S23、计算评估系数：对得到的全部的聚类簇，计算任一点i的轮廓系数其中a(i)指簇内不相似度，b(i)指簇间不相似度；将所有点的轮廓系数求平均值，得到聚类结果的总轮廓系数，即得到评估系数；
对得到的有效的过厚区域，利用DBSCAN聚类算法，使用多组邻域参数得到多组聚类簇结果，计算各组的评估系数S(i)，选取其中的最大值S(i)MAX＝0.406，得到聚类结果最优解，选取的邻域参数组为(34,15)，使用这组参数进行聚类，得到对过厚区域的分类情况，如图6所示，图中的x点表示噪声点，其他的不同形状表示不同分类的聚类簇。
S24、利用评估系数找出最优解：通过对使用不同组邻域参数的聚类结果的评估系数进行比较，评估系数的值越大，表明聚类效果越好，选取评估系数最大的那组邻域参数作为最优解，通过步骤S21、S22得到最终的聚类簇结果；
其中，ε邻域参数和MinPts参数均选取的为[15,50]，步长为1，共45个参数，总的参数对为45×45＝2025对，每一对计算一次评估系数，选取评估系数最大的0.406那组的参数对(34，15)为最优解。
S3、基于精定位结果找出熔喷布过厚或过薄区域的轮廓；
S31、对得到的每个聚类簇结果寻找其凸包进行轮廓搜索，凸包通过搜索每个聚类簇的点集，将最外层的点连接起来构成凸多边形，能够包含点集中的所有的点，即由聚类得到的过厚或过薄区域的点集得到区域的最大轮廓；
S32、轮廓优化：对得到的过厚或过薄区域的最大轮廓，利用逼近多边形曲线的方法，在像素坐标系下，第一步，对于任意两点P1(x1,y1)、P2(x2,y2)，利用计算P1、P2之间的距离，找出轮廓中两个距离最远的点A(xa,ya)和B(xb,yb)，将两点相连，得到线段AB，其方程式为(ya-yb)x+(xb-xa)y+(ybxa-xbya)＝0，第二步，利用点P0(x0,y0)到直线AB的距离公式/>在原来轮廓上找到一个离线段AB距离最远的点C，将该点加入逼近后的新轮廓中，重复这两步，不断迭代，将最远的点添加进来，直到所有的点到多边形的最短距离小于预设的精度值e，即可得到过厚或过薄区域的优化轮廓；
根据分类情况，对每个聚类簇寻找其凸包，找出其轮廓，并且利用逼近多边形曲线的方法得到过厚区域的优化轮廓，如图7所示，凸形为检测出的过厚区域的轮廓。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (2)

1.一种基于图像处理的熔喷布厚度一致性检测方法，其特征在于，包括以下步骤：
S1、粗定位图像中对应熔喷布过厚或过薄的区域，包括如下步骤：
S11、图像灰度处理：对采集到的图像进行灰度化处理，对RGB三个色彩分量加权平均得到灰度图像，Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)，其中，Gray(i,j)代表灰度图像中(i,j)像素点的灰度值，R(i,j)、G(i,j)、B(i,j)代表彩色图像中(i,j)像素点的各色彩分量的值；
S12、图像二值化处理：图像灰度化处理后，基于图像的灰度值，计算整张图像的灰度平均值h0，设定阈值ω，认定灰度值区间[h0-ω,h0+ω]为厚度标准区域；计算图像中灰度值高于h0+ω的所有像素点的灰度值的平均值为h1，以h1为阈值将将图像二值化，大于h1为过厚区域；计算图像中灰度值低于h0-ω的所有像素点的灰度值的平均值为h2，以h2为阈值将图像二值化，小于h2为过薄区域；
S13、过滤孤立点：对得到的二值化图像进行邻域滤波，判断二值化图像中所有的白色像素点8邻域中黑色像素点的个数，若黑色像素点个数超过m个，则将该白色像素点的像素值改为0，变成黑色像素点；将孤立点过滤掉，得到有效的过厚或过薄的区域；
S2、精定位图像中对应熔喷布过厚或过薄的区域；
S3、基于所述步骤S2的精定位图像找出熔喷布过厚或过薄区域的轮廓；
所述步骤S2包括：
S21、对得到的二值化图像找出核心对象：二值化图像中有n个白色像素点，对这些白色像素点中的任一像素点A，其ε-邻域表示所有与点A距离小于ε的白色像素点的集合；若点A的ε-邻域中至少包含MinPts个白色像素点，则认为点A为一个核心对象；假定一组邻域参数(ε,MinPts)，遍历图像中的白色像素点，找出所有的核心对象，构成集合Ω0；
S22、对得到的所有核心对象的集合Ω0生成聚类簇：从集合Ω0中任取一个核心对象B，找出由其密度可达的所有白色像素点，这些像素点则构成了一个聚类簇；其中密度可达指一组核心对象序列中，核心对象C和D密度直达，那么核心对象C的ε-邻域中的所有像素点由核心对象D密度可达；将这个聚类簇中包含的核心对象从Ω0中去除，得到更新的核心对象集合Ω1，再从更新的核心对象集合Ω1中任取一个核心对象，生成下一个聚类簇；重复上述过程，直至核心对象集合为空，生成全部的聚类簇；
S23、对得到的全部的聚类簇计算评估系数：计算任一点i的轮廓系数其中，a(i)指簇内不相似度，b(i)指簇间不相似度，将所有点的轮廓系数求平均值，得到聚类结果的总轮廓系数，即得到评估系数；
S24、利用评估系数找出最优解：通过对使用不同组邻域参数的聚类结果的评估系数进行比较，评估系数的值越大，表明聚类效果越好，选取评估系数最大的那组邻域参数作为最优解，通过步骤S21、S22得到最终的聚类簇结果。
2.如权利要求1所述的基于图像处理的熔喷布厚度一致性检测方法，其特征在于，所述步骤S3包括：
S31、对得到的每个所述聚类簇结果寻找其凸包进行轮廓搜索，凸包通过搜索每个聚类簇的点集，将最外层的点连接起来构成凸多边形，能够包含点集中的所有的点，即由聚类得到的过厚或过薄区域的点集得到区域的最大轮廓；
S32、对得到的过厚或过薄区域的最大轮廓优化：在像素坐标系下，利用逼近多边形曲线的方法，所述逼近多边形曲线的方法包括如下步骤：
S321、对于任意两点P1(x1,y1)、P2(x2,y2)，利用计算P1、P2之间的距离，找出轮廓中两个距离最远的点A(xa,ya)和B(xb,yb)，将两点相连，得到线段AB，其方程式为(ya-yb)x+(xb-xa)y+(ybxa-xbya)＝0；
S322、利用点P0(x0,y0)到直线AB的距离公式在原来轮廓上找到一个离线段AB距离最远的点C，将该点加入逼近后的新轮廓中；
S323、重复步骤S321和S322，不断迭代，在原轮廓上找到离线段AB最远的点，将这个点添加到新轮廓中，直到所有的点到多边形的最短距离小于预设的精度值e，即可得到过厚或过薄区域的优化轮廓。
CN202110862057.2A 2021-07-29 2021-07-29 一种基于图像处理的熔喷布厚度一致性检测方法 Active CN113592811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110862057.2A CN113592811B (zh) 2021-07-29 2021-07-29 一种基于图像处理的熔喷布厚度一致性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110862057.2A CN113592811B (zh) 2021-07-29 2021-07-29 一种基于图像处理的熔喷布厚度一致性检测方法

Publications (2)

Publication Number Publication Date
CN113592811A CN113592811A (zh) 2021-11-02
CN113592811B true CN113592811B (zh) 2023-08-22

Family

ID=78251558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110862057.2A Active CN113592811B (zh) 2021-07-29 2021-07-29 一种基于图像处理的熔喷布厚度一致性检测方法

Country Status (1)

Country Link
CN (1) CN113592811B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018844B (zh) * 2022-08-09 2023-03-24 南通三信塑胶装备科技股份有限公司 一种基于人工智能的塑料薄膜质量评估方法
CN116582363A (zh) * 2023-07-12 2023-08-11 江苏政采数据科技有限公司 基于工业协议传输流量异常攻击的检测方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030095871A (ko) * 2002-06-15 2003-12-24 삼성전자주식회사 습식 현상제 및 그 제조방법
DE102010026295A1 (de) * 2010-07-06 2012-01-12 Matthias Schrick Schallisoliervlies, Verfahren zu seiner Herstellung und Verwendung
CN102888747A (zh) * 2012-10-31 2013-01-23 江南大学 一种静电纺纳米纤维非织造布分布均匀性评价方法
CN103512892A (zh) * 2013-09-22 2014-01-15 上海理工大学 电磁线薄膜绕包的检测方法
CN104034288A (zh) * 2014-06-20 2014-09-10 广东成松科技发展有限公司 基于b超的防水层厚度检测方法和装置
CN104528938A (zh) * 2014-12-30 2015-04-22 大连理工大学 一种无纺布环形填料启动snad工艺的方法
WO2015125127A1 (en) * 2014-02-23 2015-08-27 Global Foundries Hybrid metrology technique
CN108387587A (zh) * 2018-01-22 2018-08-10 京东方科技集团股份有限公司 缺陷检测方法及缺陷检测设备
CN108458662A (zh) * 2018-05-28 2018-08-28 北京化工大学 一种使用特定光源对连续化纳米纤维毡进行在线厚度均匀性检测的方法
CN109461136A (zh) * 2018-09-20 2019-03-12 天津工业大学 一种混合纤维制品中纤维分布情况的检测方法
CN110375662A (zh) * 2019-08-06 2019-10-25 石家庄铁道大学 基于机器视觉的混凝土布料机布料厚度测量装置及方法
CN110409061A (zh) * 2019-09-02 2019-11-05 山东泰鹏环保材料股份有限公司 一种非织造布均匀控制系统及控制方法
CN112651928A (zh) * 2020-12-08 2021-04-13 东华大学 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
CN213275348U (zh) * 2020-07-24 2021-05-25 绍兴文理学院元培学院 一种熔喷无纺布纤维分布均匀度测试装置
CN112945831A (zh) * 2021-02-09 2021-06-11 上海工程技术大学 织物材料单向导汗性能的判定方法
CN113125296A (zh) * 2019-12-31 2021-07-16 江苏苏博特新材料股份有限公司 一种硬化混凝土初始配合比的测试方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9147102B2 (en) * 2012-01-02 2015-09-29 Camtek Ltd. Method and system for measuring bumps based on phase and amplitude information

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030095871A (ko) * 2002-06-15 2003-12-24 삼성전자주식회사 습식 현상제 및 그 제조방법
DE102010026295A1 (de) * 2010-07-06 2012-01-12 Matthias Schrick Schallisoliervlies, Verfahren zu seiner Herstellung und Verwendung
CN102888747A (zh) * 2012-10-31 2013-01-23 江南大学 一种静电纺纳米纤维非织造布分布均匀性评价方法
CN103512892A (zh) * 2013-09-22 2014-01-15 上海理工大学 电磁线薄膜绕包的检测方法
WO2015125127A1 (en) * 2014-02-23 2015-08-27 Global Foundries Hybrid metrology technique
CN104034288A (zh) * 2014-06-20 2014-09-10 广东成松科技发展有限公司 基于b超的防水层厚度检测方法和装置
CN104528938A (zh) * 2014-12-30 2015-04-22 大连理工大学 一种无纺布环形填料启动snad工艺的方法
CN108387587A (zh) * 2018-01-22 2018-08-10 京东方科技集团股份有限公司 缺陷检测方法及缺陷检测设备
CN108458662A (zh) * 2018-05-28 2018-08-28 北京化工大学 一种使用特定光源对连续化纳米纤维毡进行在线厚度均匀性检测的方法
CN109461136A (zh) * 2018-09-20 2019-03-12 天津工业大学 一种混合纤维制品中纤维分布情况的检测方法
CN110375662A (zh) * 2019-08-06 2019-10-25 石家庄铁道大学 基于机器视觉的混凝土布料机布料厚度测量装置及方法
CN110409061A (zh) * 2019-09-02 2019-11-05 山东泰鹏环保材料股份有限公司 一种非织造布均匀控制系统及控制方法
CN113125296A (zh) * 2019-12-31 2021-07-16 江苏苏博特新材料股份有限公司 一种硬化混凝土初始配合比的测试方法
CN213275348U (zh) * 2020-07-24 2021-05-25 绍兴文理学院元培学院 一种熔喷无纺布纤维分布均匀度测试装置
CN112651928A (zh) * 2020-12-08 2021-04-13 东华大学 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
CN112945831A (zh) * 2021-02-09 2021-06-11 上海工程技术大学 织物材料单向导汗性能的判定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田 伟,王泉,从明芳,祝成炎.《熔喷非织造布工艺与性能的关系》.《现代纺织技术》.2015,22-24. *

Also Published As

Publication number Publication date
CN113592811A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN113592811B (zh) 一种基于图像处理的熔喷布厚度一致性检测方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN115601367A (zh) 一种led灯芯缺陷检测方法
CN109191459A (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
US20060029257A1 (en) Apparatus for determining a surface condition of an object
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN108364291A (zh) 基于计算机视觉技术的原坯布快速检测方法
CN116977342B (zh) 基于图像分割的pcb板线路检测方法
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN116309671B (zh) 一种土工合成织物质量检测系统
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN115311283B (zh) 一种玻璃拉管缺陷检测方法及系统
CN114862855B (zh) 基于模板匹配的纺织品缺陷检测方法及系统
CN114841938A (zh) 一种织物勾丝缺陷检测方法
Lin et al. Surface defect detection of machined parts based on machining texture direction
CN115272305A (zh) 一种纽扣孔洞缺陷检测方法
CN117237354B (zh) 一种纺织衣物疵点视觉检测方法
CN116563276B (zh) 一种化纤长丝在线缺陷检测方法及检测系统
CN117036259A (zh) 一种基于深度学习的金属板材表面缺陷检测方法
Jeffrey Kuo et al. Self-organizing map network for automatically recognizing color texture fabric nature
CN113920121B (zh) 基于图像处理的工艺品印刷条痕检测方法和系统

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
GR01 Patent grant
GR01 Patent grant