CN114519696B - 基于光学智能化的pvc热收缩膜检测方法及系统 - Google Patents

基于光学智能化的pvc热收缩膜检测方法及系统 Download PDF

Info

Publication number
CN114519696B
CN114519696B CN202111664806.7A CN202111664806A CN114519696B CN 114519696 B CN114519696 B CN 114519696B CN 202111664806 A CN202111664806 A CN 202111664806A CN 114519696 B CN114519696 B CN 114519696B
Authority
CN
China
Prior art keywords
abnormal
pixel
image
pvc heat
area
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
CN202111664806.7A
Other languages
English (en)
Other versions
CN114519696A (zh
Inventor
洪良清
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.)
Yangzhou Shengqiang Film Material Co ltd
Original Assignee
Yangzhou Shengqiang Film Material Co ltd
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 Yangzhou Shengqiang Film Material Co ltd filed Critical Yangzhou Shengqiang Film Material Co ltd
Priority to CN202111664806.7A priority Critical patent/CN114519696B/zh
Publication of CN114519696A publication Critical patent/CN114519696A/zh
Application granted granted Critical
Publication of CN114519696B publication Critical patent/CN114519696B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Abstract

本发明涉及PVC热收缩膜检测技术领域，具体涉及一种基于光学智能化的PVC热收缩膜检测方法及系统。该方法通过多个包含可见光光源的相机采集PVC热收缩膜不同区域的子区域图像组，根据子区域图像中像素点的像素值差异判断是否为异常子区域图像，将包含异常子区域图像的子区域图像组拼接获得待分析图像。通过连续多帧的标准PVC热收缩膜图像的像素值获得偏差范围，根据偏差范围和待分析图像与标准PVC热收缩膜图像的像素值差异确定异常区域和正常区域。根据高斯分布模型获得异常区域的像素分布指标，结合异常区域面积获得整体异常程度。本发明实现通过参考性强的计量值分析PVC热收缩膜的质量。

Description

基于光学智能化的PVC热收缩膜检测方法及系统
技术领域
本发明涉及PVC热收缩膜检测技术领域，具体涉及一种基于光学智能化的PVC热收缩膜检测方法及系统。
背景技术
PVC热收缩膜用于各种产品的运输和销售中，用于对产品进行保护、遮盖，既能满足商品的防潮防尘、防触摸偷换、透明展示等功能，又能增加产品外观吸引力，也可用于代替各类纸盒，不但节约包装成本，而且符合包装潮流。在生产过程中，PVC热收缩膜在出厂投入使用之前先会对其进行检测，检测PVC热收缩膜表面是否存在破损、凸起等缺陷异常状况，以保证PVC热收缩膜的使用效果。
目前对于新材料的测量检测一般是人为或者仪器设备进行检测，人为进行PVC热收缩膜检测的效率低，工作量大，误检率较高；同时，仪器设备在检测过程中，加热管工作会造成温度波动等问题导致检测结果不够准确，传统仪器设备进行检测时，多需要与PVC热收缩膜进行接触，极易对其造成再次损害。并且无法对于PVC热收缩膜表面缺陷的程度进行准确计量，使得无法对缺陷进行针对性改进。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于光学智能化的PVC热收缩膜检测方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于光学智能化的PVC热收缩膜检测方法，所述方法包括：
通过多个包含可见光光源的相机采集PVC热收缩膜不同区域获得子区域图像组；所述子区域图像组中的子区域图像可拼接为一张完整区域的PVC热收缩膜图像；根据像素值将每个所述子区域图像中的像素点分类，获得多个像素点组；根据所述像素点组之间第一平均像素值的差异获得异常置信度；将所述异常置信度大于预设异常阈值的所述子区域图像作为异常子区域图像；若所述子区域图像组中出现至少一个所述异常子区域图像，则将所述子区域图像组内的图像拼接获得待分析图像；
获得与所述待分析图像大小相同连续多帧的标准PVC热收缩膜图像；根据所述标准PVC热收缩膜图像之间的像素值差异获得偏差范围；根据所述待分析图像和所述标准PVC热收缩膜图像之间的像素值差异和所述偏差范围确定异常区域和正常区域；
根据每个所述异常区域的像素值构建异常高斯分布模型；根据所述正常区域的像素值构建正常高斯分布模型；根据所述异常高斯分布模型和所述正常高斯分布模型获得每个所述异常区域的像素分布指标；根据所述像素分布指标和所述异常区域的面积获得整体异常程度；根据所述整体异常程度分析PVC热收缩膜的质量。
进一步地，所述子区域图像组中的子区域图像可拼接为一张完整区域的PVC热收缩膜图像包括：
所述子区域图像组中的所述子区域图像之间包括重叠区域；根据融合模型将所述子区域之间的所述重叠区域融合，获得完整区域的PVC热收缩膜图像；所述融合模型包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为
Figure 100002_DEST_PATH_IMAGE006
坐标处融合后的像素值，
Figure 100002_DEST_PATH_IMAGE008
为第
Figure 100002_DEST_PATH_IMAGE010
个所述重叠区域中
Figure 651282DEST_PATH_IMAGE006
坐标处于对应子区域图像中心点的距离，
Figure 100002_DEST_PATH_IMAGE012
第
Figure 100002_DEST_PATH_IMAGE014
个所述重叠区域中
Figure 175804DEST_PATH_IMAGE006
坐标处于对应子区域图像中心点的距离，
Figure 100002_DEST_PATH_IMAGE016
第
Figure 775806DEST_PATH_IMAGE010
个所述重叠区域中
Figure 184922DEST_PATH_IMAGE006
坐标处的像素值，
Figure 100002_DEST_PATH_IMAGE018
第
Figure 754312DEST_PATH_IMAGE014
个所述重叠区域中
Figure 577299DEST_PATH_IMAGE006
坐标处的像素值，
Figure 100002_DEST_PATH_IMAGE020
为第一拟合参数，
Figure 100002_DEST_PATH_IMAGE022
为第二拟合参数。
进一步地，所述根据像素值将每个所述子区域图像中的像素点分类，获得多个像素点组包括：
对所述子区域图像进行超像素分割，获得多个超像素块；根据每个所述超像素块的平均像素值利用密度聚类算法对所述超像素块分类，获得多个聚类簇；每个所述聚类簇中的像素点组成所述像素点组。
进一步地，所述根据所述像素点组之间第一平均像素值的差异获得异常置信度包括：
根据异常置信度公式获得所述异常置信度；所述异常置信度公式包括：
Figure 100002_DEST_PATH_IMAGE024
其中，
Figure 100002_DEST_PATH_IMAGE026
为所述异常置信度，
Figure 100002_DEST_PATH_IMAGE028
为所述像素点组的数量，
Figure 100002_DEST_PATH_IMAGE030
为第
Figure 100002_DEST_PATH_IMAGE032
个所述像素点组内的所述第一平均像素值，
Figure 100002_DEST_PATH_IMAGE034
为所有所述像素点组内的所述第一平均像素值的平均值。
进一步地，所述根据所述标准PVC热收缩膜图像之间的像素值差异获得偏差范围包括：
获得所有所述标准PVC热收缩膜图像中每个像素点的第二平均像素值；获得每个所述标准PVC热收缩膜图像中每个像素点的像素值与对应的所述第二平均像素值的像素值偏差，获得每个像素点的偏差序列；以所述偏差序列的标准差作为偏差指标；将所述偏差指标与预设范围参数相乘，获得所述偏差范围。
进一步地，所述根据所述待分析图像和所述标准PVC热收缩膜图像之间的像素值差异和所述偏差范围确定异常区域和正常区域包括：
根据异常判定模型判定每个像素点是否为异常像素点；所述异常判定模型包括：
Figure 100002_DEST_PATH_IMAGE036
其中，
Figure 100002_DEST_PATH_IMAGE038
为
Figure 13398DEST_PATH_IMAGE006
坐标处像素点的异常情况，
Figure 209893DEST_PATH_IMAGE038
为0时表示
Figure 509156DEST_PATH_IMAGE006
坐标处像素点为正常像素点，
Figure 782006DEST_PATH_IMAGE038
为1时表示
Figure 697878DEST_PATH_IMAGE006
坐标处像素点为异常像素点，
Figure 100002_DEST_PATH_IMAGE040
为所述待分析图像中
Figure 904256DEST_PATH_IMAGE006
坐标处像素点的像素值，
Figure 100002_DEST_PATH_IMAGE042
为所述待分析图像中
Figure 526867DEST_PATH_IMAGE006
坐标处像素点对应的所述标准PVC热收缩膜图像中的所述第二平均像素值，
Figure 100002_DEST_PATH_IMAGE044
为所述范围参数，
Figure 100002_DEST_PATH_IMAGE046
为所述标准PVC热收缩膜图像中
Figure 516425DEST_PATH_IMAGE006
坐标处像素点的偏差指标；
所述异常像素点组成所述异常区域，所述正常像素点组成所述正常区域。
进一步地，所述根据所述异常高斯分布模型和所述正常高斯分布模型获得每个所述异常区域的像素分布指标包括：
根据像素分布指标公式获得所述像素分布指标；所述像素分布指标公式包括：
Figure 100002_DEST_PATH_IMAGE048
其中，
Figure 100002_DEST_PATH_IMAGE050
为第
Figure 100002_DEST_PATH_IMAGE052
个所述异常区域的所述像素分布指标，
Figure 100002_DEST_PATH_IMAGE054
为所述正常高斯分布模型中像素值为
Figure 100002_DEST_PATH_IMAGE056
对应的函数值，
Figure 100002_DEST_PATH_IMAGE058
为第
Figure 735572DEST_PATH_IMAGE052
个所述异常区域的所述异常高斯分布模型中像素值为
Figure 555761DEST_PATH_IMAGE056
对应的函数值。
进一步地，所述根据所述像素分布指标和所述异常区域的面积获得整体异常程度包括：
根据整体异常程度公式获得所述整体异常程度，所述整体异常程度公式包括：
Figure 100002_DEST_PATH_IMAGE060
其中，
Figure 100002_DEST_PATH_IMAGE062
为所述整体异常程度，
Figure 100002_DEST_PATH_IMAGE064
为所述异常区域数量，
Figure 100002_DEST_PATH_IMAGE066
为第
Figure 414303DEST_PATH_IMAGE052
个所述异常区域的面积，
Figure 100002_DEST_PATH_IMAGE068
为所述待分析图像的面积，
Figure 405786DEST_PATH_IMAGE050
为第
Figure 499512DEST_PATH_IMAGE052
个所述异常区域的所述像素分布指标，
Figure 100002_DEST_PATH_IMAGE070
为第三拟合参数。
本发明还提出了一种基于光学智能化的PVC热收缩膜检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于光学智能化的PVC热收缩膜检测方法的步骤。
本发明具有如下有益效果：
1.本发明实施例通过包含可见光光源的相机采集图像信息，利用可见光放大了表面缺陷相对于正常区域的差异特征，使得后续检测结果更加精准。进一步考虑到PVC热收缩膜幅面宽，面积大，通过多张子区域图像描述一个较大完整区域的图像信息。如果子区域图像组中出现至少一个异常子区域图像，则将子区域图像组中的图像拼接，否则不执行后续分析，节省了运算空间，提高了检测效率。
2.本发明实施例考虑到PVC热收缩膜面积较大，图像特征丰富，利用多张标准PVC热收缩膜图像计算偏差范围，提高了后续异常识别的识别精度。可根据偏差范围确定出准确的异常区域和正常区域。
3.本发明实施例通过考虑到了异常区域与正常区域之间的像素值分布特征，利用高斯分布模型数据获得每个异常区域的像素分布指标，进一步根据像素分布指标和异常区域的面积将PVC热收缩膜缺陷程度量化，获得整体异常程度。整体异常程度为参考性强的计量值，可根据整体异常程度分析PVC热收缩膜的质量，方便工作人员对质量情况实施针对性的处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于光学智能化的PVC热收缩膜检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于光学智能化的PVC热收缩膜检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于光学智能化的PVC热收缩膜检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于光学智能化的PVC热收缩膜检测方法流程图，该方法包括：
步骤S1：通过多个包含可见光光源的相机采集PVC热收缩膜不同区域获得子区域图像组；子区域图像组中的子区域图像可拼接为一张完整区域的PVC热收缩膜图像；根据像素值将每个子区域图像中的像素点分类，获得多个像素点组；根据像素点组之间第一平均像素值的差异获得异常置信度；将异常置信度大于预设异常阈值的子区域图像作为异常子区域图像；若子区域图像组中出现至少一个异常子区域图像，则将子区域图像组内的图像拼接获得待分析图像。
PVC热收缩膜在生产过程中可能会因为工艺问题造成划痕、缺损等表面缺陷，影响材料质量。表面缺陷与正常区域相比会呈现出较为明显的视觉特征。为了加强该视觉特征，可设置可见光光源照射PVC热收缩膜产品，并采集图像信息，通过图像信息分析缺陷特征。为了方便图像采集，每个相机包含了可见光光源。需要说明的是，可见光光源种类可根据生产车间的环境具体设置，在此不做限定。
PVC热收缩膜为片式结构，幅面宽，面积大，因此在采集PVC热收缩膜图像信息时可部署多个相机采集不同子区域内的子区域图像。一组子区域图像组可拼接为一张完整区域的PVC热收缩膜图像。
在本发明实施例中，相机采用光学CCD相机，将PVC热收缩膜放置在检测传送带中，将PVC热收缩膜待检测区域横向划分为多个子区域，利用相机采集每个子区域中的图像，保证每个子区域图像中的图像信息清晰完整。子区域的数量可根据PVC热收缩膜的尺寸和检测环境具体设置。
为了方便后续子区域图像的拼接，在采集子区域图像时需要保证子区域图像组中的子区域图像之间存在重叠区域。根据重叠区域进行拼接，方便后续拼接过程的对准与完整，拼接过程具体包括：
根据融合模型将子区域之间的重叠区域融合，获得完整区域的PVC热收缩膜图像；融合模型包括：
Figure DEST_PATH_IMAGE002A
其中，
Figure 641168DEST_PATH_IMAGE004
为
Figure 785842DEST_PATH_IMAGE006
坐标处融合后的像素值，
Figure 820663DEST_PATH_IMAGE008
为第
Figure 667265DEST_PATH_IMAGE010
个重叠区域中
Figure 563677DEST_PATH_IMAGE006
坐标处于对应子区域图像中心点的距离，
Figure 546545DEST_PATH_IMAGE012
第
Figure 755197DEST_PATH_IMAGE014
个重叠区域中
Figure 105407DEST_PATH_IMAGE006
坐标处于对应子区域图像中心点的距离，
Figure 320357DEST_PATH_IMAGE016
第
Figure 174043DEST_PATH_IMAGE010
个重叠区域中
Figure 19508DEST_PATH_IMAGE006
坐标处的像素值，
Figure 575123DEST_PATH_IMAGE018
第
Figure 813338DEST_PATH_IMAGE014
个重叠区域中
Figure 51026DEST_PATH_IMAGE006
坐标处的像素值，
Figure 332972DEST_PATH_IMAGE020
为第一拟合参数，
Figure 126615DEST_PATH_IMAGE022
为第二拟合参数。在本发明实施例中，
Figure 152209DEST_PATH_IMAGE020
设置为0.5，
Figure 229755DEST_PATH_IMAGE022
设置为2。
需要说明的是，在图像采集过程中，收到PVC热收缩膜复杂生产环境的影响，在子区域图像中会存在一定噪点。因此在本发明实施例中，在获取子区域图像后，采用自适应中值滤波方法对子区域图像进行去噪处理，提高图像质量。进一步为了避免光源不均匀导致的亮斑问题，利用亮度均衡化处理进一步提高图像质量，并灰度化处理，方便后续的表面异常分析。
因为异常像素点相对于正常像素点存在一定的像素值差异，因此可利用像素值信息对每个子区域图像进行初步异常分析，具体包括：
对子区域图像进行超像素分割，获得多个超像素块。每个超像素块可视为为像素值接近的像素点集合，超像素块内的平均像素值可用于代表该超像素块的像素值信息。根据每个超像素块的平均像素值利用密度聚类算法对超像素块分类，获得多个聚类簇。每个聚类簇中包含多个超像素块，因为超像素块可视为像素点集合，因此每个聚类簇也为一个像素点集合，即每个聚类簇中的像素点组成像素点组。像素点组中的第一平均像素值可用于表示该组的像素信息。
在正常的PVC热收缩膜图像中，像素点的像素值应是均匀且相似的，因此可利用像素点组之间第一平均像素值的差异获得对应子区域图像的异常置信度，具体包括：
根据异常置信度公式获得异常置信度；异常置信度公式包括：
Figure DEST_PATH_IMAGE024A
其中，
Figure 560898DEST_PATH_IMAGE026
为异常置信度，
Figure 825526DEST_PATH_IMAGE028
为像素点组的数量，
Figure 920390DEST_PATH_IMAGE030
为第
Figure 321284DEST_PATH_IMAGE032
个像素点组内的第一平均像素值，
Figure 961344DEST_PATH_IMAGE034
为所有像素点组内的第一平均像素值的平均值。
异常置信度公式中，
Figure DEST_PATH_IMAGE072
为像素点组之间的第一平均像素值方差，方差越大说明像素点组之间的差异越大，图像中的像素分布越混乱，异常程度越高。
Figure DEST_PATH_IMAGE074
通过自然指数放大了像素点组的数量对异常程度影响，即像素点组数量越大，则异常置信度越大。
将异常置信度大于预设异常阈值的子区域图像作为异常子区域图像。若子区域图像组中出现至少一个异常子区域图像，则将子区域图像组内的图像拼接获得待分析图像。待分析图像为一张完整大区域的PVC热收缩膜图像。如果子区域图像组中没有异常子区域图像则说明当前待检测区域中没有异常，为了节省数据计算空间，不再进行图像拼接。
在本发明实施例中，异常阈值设置为0.3。
步骤S2：获得与待分析图像大小相同连续多帧的标准PVC热收缩膜图像；根据标准PVC热收缩膜图像之间的像素值差异获得偏差范围；根据待分析图像和标准PVC热收缩膜图像之间的像素值差异和偏差范围确定异常区域和正常区域。
每个生产车间对于PVC热收缩膜的质量标准都有一个模板，即标准PVC热收缩膜图像。在标准PVC热收缩膜图像中每个像素点的像素值特征应是相似的，但是考虑到实际情况，标准PVC热收缩膜图像并不能做到完全一致，存在一个允许范围内的偏差，因此可通过一张标准PVC热收缩膜的连续多帧与待分析图像大小相同的标准PVC热收缩膜图像之间的像素值差异获得偏差范围，具体包括：
获得所有标准PVC热收缩膜图像中每个像素点的第二平均像素值；获得每个标准PVC热收缩膜图像中每个像素点的像素值与对应的第二平均像素值的像素值偏差，获得每个像素点的偏差序列；以偏差序列的标准差作为偏差指标；将偏差指标与预设范围参数相乘，获得偏差范围。偏差范围为每个像素点位置处的偏差范围，根据该偏差范围结合待分析图像与标准PVC热收缩膜图像之间的像素值差异可筛选出正常像素点和异常像素点，以获得正常区域和异常区域，具体包括：
根据异常判定模型判定每个像素点是否为异常像素点。异常判定模型包括：
Figure DEST_PATH_IMAGE036A
其中，
Figure 903149DEST_PATH_IMAGE038
为
Figure 536124DEST_PATH_IMAGE006
坐标处像素点的异常情况，
Figure 591193DEST_PATH_IMAGE038
为0时表示
Figure 136575DEST_PATH_IMAGE006
坐标处像素点为正常像素点，
Figure 641374DEST_PATH_IMAGE038
为1时表示
Figure 812461DEST_PATH_IMAGE006
坐标处像素点为异常像素点，
Figure 204260DEST_PATH_IMAGE040
为待分析图像中
Figure 700969DEST_PATH_IMAGE006
坐标处像素点的像素值，
Figure 443797DEST_PATH_IMAGE042
为待分析图像中
Figure 675365DEST_PATH_IMAGE006
坐标处像素点对应的标准PVC热收缩膜图像中的第二平均像素值，
Figure 436517DEST_PATH_IMAGE044
为范围参数，
Figure 589280DEST_PATH_IMAGE046
为标准PVC热收缩膜图像中
Figure 271935DEST_PATH_IMAGE006
坐标处像素点的偏差指标。
异常像素点组成异常区域，正常像素点组成正常区域。在本发明实施例中，根据连通域分析方法分析异常像素点，以异常像素点组成的连通域作为异常区域，其他区域为正常区域。
步骤S3：根据每个异常区域的像素值构建异常高斯分布模型；根据正常区域的像素值构建正常高斯分布模型；根据异常高斯分布模型和正常高斯分布模型获得每个异常区域的像素分布指标；根据像素分布指标和异常区域的面积获得整体异常程度；根据整体异常程度分析PVC热收缩膜的质量。
在待分析图像中异常区域和正常区域由不同像素值的像素点构成，因此其分布情况能很好表征出异常的程度，像素分布特征可利用高斯分布进行表示。根据每个异常区域的像素值构建异常高斯模型，根据正常区域的像素值构建正常高斯分布模型。异常高斯分布模型中的函数值可视为一个像素值的缺陷概率，正常高斯分布模型中的函数值可视为一个像素值的正常概率，因此可根据异常高斯分布模型和正常高斯分布模型的函数值获得像素分布指标，具体包括：
根据像素分布指标公式获得像素分布指标；像素分布指标公式包括：
Figure DEST_PATH_IMAGE048A
其中，
Figure 646809DEST_PATH_IMAGE050
为第
Figure 278778DEST_PATH_IMAGE052
个异常区域的像素分布指标，
Figure 117290DEST_PATH_IMAGE054
为正常高斯分布模型中像素值为
Figure 100290DEST_PATH_IMAGE056
对应的函数值，
Figure 682450DEST_PATH_IMAGE058
为第
Figure 152614DEST_PATH_IMAGE052
个异常区域的异常高斯分布模型中像素值为
Figure 912760DEST_PATH_IMAGE056
对应的函数值。
像素分布指标越小，说明异常区域的像素分布越杂乱，对应的异常程度越高。
进一步结合每个异常区域的面积和像素分布指标获得整体异常程度，具体包括：
根据整体异常程度公式获得整体异常程度，整体异常程度公式包括：
Figure DEST_PATH_IMAGE060A
其中，
Figure 494307DEST_PATH_IMAGE062
为整体异常程度，
Figure 365311DEST_PATH_IMAGE064
为异常区域数量，
Figure 221141DEST_PATH_IMAGE066
为第
Figure 152187DEST_PATH_IMAGE052
个异常区域的面积，
Figure 827888DEST_PATH_IMAGE068
为待分析图像的面积，
Figure 489201DEST_PATH_IMAGE050
为第
Figure 684690DEST_PATH_IMAGE052
个异常区域的像素分布指标，
Figure 301485DEST_PATH_IMAGE070
为第三拟合参数。在本发明实施例中，第三拟合参数设置为0.8。
在整体异常程度公式中，异常区域面积占比越大，整体异常程度越高；像素分布指标越小，说明像素越混乱，则整体异常程度越高。
可根据整体异常程度分析PVC热收缩膜当前待检测区域的质量，在本发明实施例中，设置异常程度阈值为0.2，当整体异常程度大于异常程度阈值时，检测系统发出预警，对工作人员进行提示，说明当前待检测区域的PVC热收缩膜需要再次修复加工或者对生产设备进行维修检查，保证生产质量。
综上所述，本发明实施例通过多个包含可见光光源的相机采集PVC热收缩膜不同区域的子区域图像组，根据子区域图像中像素点的像素值差异判断是否为异常子区域图像，将包含异常子区域图像的子区域图像组拼接获得待分析图像。通过连续多帧的标准PVC热收缩膜图像的像素值获得偏差范围，根据偏差范围和待分析图像与标准PVC热收缩膜图像的像素值差异确定异常区域和正常区域。根据高斯分布模型获得异常区域的像素分布指标，结合异常区域面积获得整体异常程度。本发明实施例实现通过参考性强的计量值分析PVC热收缩膜的质量。
本发明还提出了一种基于光学智能化的PVC热收缩膜检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于光学智能化的PVC热收缩膜检测方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述方法包括：
通过多个包含可见光光源的相机采集PVC热收缩膜不同区域获得子区域图像组；所述子区域图像组中的子区域图像可拼接为一张完整区域的PVC热收缩膜图像；根据像素值将每个所述子区域图像中的像素点分类，获得多个像素点组；根据所述像素点组之间第一平均像素值的差异获得异常置信度；将所述异常置信度大于预设异常阈值的所述子区域图像作为异常子区域图像；若所述子区域图像组中出现至少一个所述异常子区域图像，则将所述子区域图像组内的图像拼接获得待分析图像；
获得与所述待分析图像大小相同连续多帧的标准PVC热收缩膜图像；根据所述标准PVC热收缩膜图像之间的像素值差异获得偏差范围；根据所述待分析图像和所述标准PVC热收缩膜图像之间的像素值差异和所述偏差范围确定异常区域和正常区域；
根据每个所述异常区域的像素值构建异常高斯分布模型；根据所述正常区域的像素值构建正常高斯分布模型；根据所述异常高斯分布模型和所述正常高斯分布模型获得每个所述异常区域的像素分布指标；根据所述像素分布指标和所述异常区域的面积获得整体异常程度；根据所述整体异常程度分析PVC热收缩膜的质量。
2.根据权利要求1所述的一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述子区域图像组中的子区域图像可拼接为一张完整区域的PVC热收缩膜图像包括：
所述子区域图像组中的所述子区域图像之间包括重叠区域；根据融合模型将所述子区域之间的所述重叠区域融合，获得完整区域的PVC热收缩膜图像；所述融合模型包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为
Figure DEST_PATH_IMAGE006
坐标处融合后的像素值，
Figure DEST_PATH_IMAGE008
为第
Figure DEST_PATH_IMAGE010
个所述重叠区域中
Figure 716191DEST_PATH_IMAGE006
坐标处于对应子区域图像中心点的距离，
Figure DEST_PATH_IMAGE012
第
Figure DEST_PATH_IMAGE014
个所述重叠区域中
Figure 240582DEST_PATH_IMAGE006
坐标处于对应子区域图像中心点的距离，
Figure DEST_PATH_IMAGE016
第
Figure 24999DEST_PATH_IMAGE010
个所述重叠区域中
Figure 688061DEST_PATH_IMAGE006
坐标处的像素值，
Figure DEST_PATH_IMAGE018
第
Figure 75705DEST_PATH_IMAGE014
个所述重叠区域中
Figure 747995DEST_PATH_IMAGE006
坐标处的像素值，
Figure DEST_PATH_IMAGE020
为第一拟合参数，
Figure DEST_PATH_IMAGE022
为第二拟合参数。
3.根据权利要求1所述的一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述根据像素值将每个所述子区域图像中的像素点分类，获得多个像素点组包括：
对所述子区域图像进行超像素分割，获得多个超像素块；根据每个所述超像素块的平均像素值利用密度聚类算法对所述超像素块分类，获得多个聚类簇；每个所述聚类簇中的像素点组成所述像素点组。
4.根据权利要求1所述的一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述根据所述像素点组之间第一平均像素值的差异获得异常置信度包括：
根据异常置信度公式获得所述异常置信度；所述异常置信度公式包括：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
为所述异常置信度，
Figure DEST_PATH_IMAGE028
为所述像素点组的数量，
Figure DEST_PATH_IMAGE030
为第
Figure DEST_PATH_IMAGE032
个所述像素点组内的所述第一平均像素值，
Figure DEST_PATH_IMAGE034
为所有所述像素点组内的所述第一平均像素值的平均值。
5.根据权利要求1所述的一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述根据所述标准PVC热收缩膜图像之间的像素值差异获得偏差范围包括：
获得所有所述标准PVC热收缩膜图像中每个像素点的第二平均像素值；获得每个所述标准PVC热收缩膜图像中每个像素点的像素值与对应的所述第二平均像素值的像素值偏差，获得每个像素点的偏差序列；以所述偏差序列的标准差作为偏差指标；将所述偏差指标与预设范围参数相乘，获得所述偏差范围。
6.根据权利要求5所述的一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述根据所述待分析图像和所述标准PVC热收缩膜图像之间的像素值差异和所述偏差范围确定异常区域和正常区域包括：
根据异常判定模型判定每个像素点是否为异常像素点；所述异常判定模型包括：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
为
Figure 775467DEST_PATH_IMAGE006
坐标处像素点的异常情况，
Figure 875010DEST_PATH_IMAGE038
为0时表示
Figure 169857DEST_PATH_IMAGE006
坐标处像素点为正常像素点，
Figure 114679DEST_PATH_IMAGE038
为1时表示
Figure 312835DEST_PATH_IMAGE006
坐标处像素点为异常像素点，
Figure DEST_PATH_IMAGE040
为所述待分析图像中
Figure 661908DEST_PATH_IMAGE006
坐标处像素点的像素值，
Figure DEST_PATH_IMAGE042
为所述待分析图像中
Figure 21214DEST_PATH_IMAGE006
坐标处像素点对应的所述标准PVC热收缩膜图像中的所述第二平均像素值，
Figure DEST_PATH_IMAGE044
为所述范围参数，
Figure DEST_PATH_IMAGE046
为所述标准PVC热收缩膜图像中
Figure 428449DEST_PATH_IMAGE006
坐标处像素点的偏差指标；
所述异常像素点组成所述异常区域，所述正常像素点组成所述正常区域。
7.根据权利要求1所述的一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述根据所述异常高斯分布模型和所述正常高斯分布模型获得每个所述异常区域的像素分布指标包括：
根据像素分布指标公式获得所述像素分布指标；所述像素分布指标公式包括：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
为第
Figure DEST_PATH_IMAGE052
个所述异常区域的所述像素分布指标，
Figure DEST_PATH_IMAGE054
为所述正常高斯分布模型中像素值为
Figure DEST_PATH_IMAGE056
对应的函数值，
Figure DEST_PATH_IMAGE058
为第
Figure 307544DEST_PATH_IMAGE052
个所述异常区域的所述异常高斯分布模型中像素值为
Figure 217731DEST_PATH_IMAGE056
对应的函数值。
8.根据权利要求1所述的一种基于光学智能化的PVC热收缩膜检测方法，其特征在于，所述根据所述像素分布指标和所述异常区域的面积获得整体异常程度包括：
根据整体异常程度公式获得所述整体异常程度，所述整体异常程度公式包括：
Figure DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE062
为所述整体异常程度，
Figure DEST_PATH_IMAGE064
为所述异常区域数量，
Figure DEST_PATH_IMAGE066
为第
Figure 914599DEST_PATH_IMAGE052
个所述异常区域的面积，
Figure DEST_PATH_IMAGE068
为所述待分析图像的面积，
Figure 312475DEST_PATH_IMAGE050
为第
Figure 452601DEST_PATH_IMAGE052
个所述异常区域的所述像素分布指标，
Figure DEST_PATH_IMAGE070
为第三拟合参数。
9.一种基于光学智能化的PVC热收缩膜检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。
CN202111664806.7A 2021-12-31 2021-12-31 基于光学智能化的pvc热收缩膜检测方法及系统 Active CN114519696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111664806.7A CN114519696B (zh) 2021-12-31 2021-12-31 基于光学智能化的pvc热收缩膜检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111664806.7A CN114519696B (zh) 2021-12-31 2021-12-31 基于光学智能化的pvc热收缩膜检测方法及系统

Publications (2)

Publication Number Publication Date
CN114519696A CN114519696A (zh) 2022-05-20
CN114519696B true CN114519696B (zh) 2022-11-29

Family

ID=81596997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111664806.7A Active CN114519696B (zh) 2021-12-31 2021-12-31 基于光学智能化的pvc热收缩膜检测方法及系统

Country Status (1)

Country Link
CN (1) CN114519696B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439475B (zh) * 2022-11-07 2023-03-24 欣灵电气股份有限公司 基于物联网技术的一种快速热收缩节能控制系统
CN115471505B (zh) * 2022-11-14 2023-07-28 华联机械集团有限公司 基于视觉识别的封箱机智能调控方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073852A (zh) * 2011-01-14 2011-05-25 华南理工大学 基于最优阈值和随机标号法的多车辆分割方法
JP2014164446A (ja) * 2013-02-22 2014-09-08 Kddi Corp 背景モデル構築装置、背景モデル構築方法、およびプログラム
CN107809583A (zh) * 2017-10-25 2018-03-16 努比亚技术有限公司 拍照处理方法、移动终端及计算机可读存储介质
CN108256446A (zh) * 2017-12-29 2018-07-06 百度在线网络技术（北京）有限公司 用于确定道路中的车道线的方法、装置和设备
CN108549864A (zh) * 2018-04-12 2018-09-18 广州飒特红外股份有限公司 面向车载热成像行人检测的感兴趣区域过滤方法和装置
CN109919910A (zh) * 2019-01-25 2019-06-21 合肥工业大学 基于差异图融合和改进水平集的sar图像变化检测方法
CN112085170A (zh) * 2020-09-15 2020-12-15 西安邮电大学 一种图像类对抗样本的差异性检测方法
CN112348750A (zh) * 2020-10-27 2021-02-09 西安电子科技大学 基于阈值融合和邻域投票的sar图像变化检测方法
CN112669274A (zh) * 2020-12-23 2021-04-16 山东大学 一种用于表面异常区域像素级分割的多任务检测方法
CN113306800A (zh) * 2021-04-27 2021-08-27 周勇文 一种具有微孔检测结构的热收缩膜包装机
CN113610846A (zh) * 2021-09-29 2021-11-05 海门市博洋铸造有限公司 一种基于人工智能的管状零件内侧异常检测方法及系统
CN113671917A (zh) * 2021-08-19 2021-11-19 中国科学院自动化研究所 针对多模态工业过程异常状态的检测方法、系统、设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3692500B2 (ja) * 2000-09-12 2005-09-07 インターナショナル・ビジネス・マシーンズ・コーポレーション 画像処理方法、画像処理システムおよび記録媒体
JP5980294B2 (ja) * 2014-10-27 2016-08-31 キヤノン株式会社 データ処理装置、撮像装置、およびデータ処理方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073852A (zh) * 2011-01-14 2011-05-25 华南理工大学 基于最优阈值和随机标号法的多车辆分割方法
JP2014164446A (ja) * 2013-02-22 2014-09-08 Kddi Corp 背景モデル構築装置、背景モデル構築方法、およびプログラム
CN107809583A (zh) * 2017-10-25 2018-03-16 努比亚技术有限公司 拍照处理方法、移动终端及计算机可读存储介质
CN108256446A (zh) * 2017-12-29 2018-07-06 百度在线网络技术（北京）有限公司 用于确定道路中的车道线的方法、装置和设备
CN108549864A (zh) * 2018-04-12 2018-09-18 广州飒特红外股份有限公司 面向车载热成像行人检测的感兴趣区域过滤方法和装置
CN109919910A (zh) * 2019-01-25 2019-06-21 合肥工业大学 基于差异图融合和改进水平集的sar图像变化检测方法
CN112085170A (zh) * 2020-09-15 2020-12-15 西安邮电大学 一种图像类对抗样本的差异性检测方法
CN112348750A (zh) * 2020-10-27 2021-02-09 西安电子科技大学 基于阈值融合和邻域投票的sar图像变化检测方法
CN112669274A (zh) * 2020-12-23 2021-04-16 山东大学 一种用于表面异常区域像素级分割的多任务检测方法
CN113306800A (zh) * 2021-04-27 2021-08-27 周勇文 一种具有微孔检测结构的热收缩膜包装机
CN113671917A (zh) * 2021-08-19 2021-11-19 中国科学院自动化研究所 针对多模态工业过程异常状态的检测方法、系统、设备
CN113610846A (zh) * 2021-09-29 2021-11-05 海门市博洋铸造有限公司 一种基于人工智能的管状零件内侧异常检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Multi-size Superpixel Approach for Salient;Lei Zhu et al.;《IEEE》;20141231;全文 *
图像异常检测研究现状综述;吕承侃等;《自动化学报》;20211202;全文 *

Also Published As

Publication number Publication date
CN114519696A (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN114519696B (zh) 基于光学智能化的pvc热收缩膜检测方法及系统
CN105894036B (zh) 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN101297192A (zh) 用于直观监测物体的方法和设备
CN111311542A (zh) 一种产品质量检测方法及装置
CN103512888A (zh) 一种基于图像识别技术的烟包封条缺陷检测系统
CN104616275A (zh) 一种缺陷检测方法和装置
CN108896278A (zh) 一种滤光片丝印缺陷检测方法、装置及终端设备
CN113592867B (zh) 一种基于碳纤维布面残留捆绑纱的检测方法
CN115100200B (zh) 基于光学手段的光纤缺陷检测方法及系统
CN113724241B (zh) 一种碳纤维经编织物的毛丝检测方法、装置和存储介质
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN108827597B (zh) 一种结构光投影器的光斑均匀度检测方法和检测系统
CN111766245B (zh) 一种基于机器视觉的纽扣电池负极壳缺陷检测方法
CN111665251A (zh) 一种表面缺陷视觉检测方法
CN115908415A (zh) 基于边缘的缺陷检测方法、装置、设备及存储介质
CN113838043A (zh) 金属箔材制造中基于机器视觉的质量分析方法
CN117115171A (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法
Newson et al. Robust automatic line scratch detection in films
CN115393290A (zh) 边缘缺陷检测方法、装置及设备
CN113012137B (zh) 一种面板缺陷检查方法、系统、终端设备及存储介质
CN113570587A (zh) 一种基于计算机视觉的光伏电池断栅检测方法及系统

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