CN114638826B - 一种光致变色阻隔膜的光学疲劳度检测方法 - Google Patents

一种光致变色阻隔膜的光学疲劳度检测方法 Download PDF

Info

Publication number
CN114638826B
CN114638826B CN202210518179.4A CN202210518179A CN114638826B CN 114638826 B CN114638826 B CN 114638826B CN 202210518179 A CN202210518179 A CN 202210518179A CN 114638826 B CN114638826 B CN 114638826B
Authority
CN
China
Prior art keywords
image
color
barrier film
photochromic
optical fatigue
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
CN202210518179.4A
Other languages
English (en)
Other versions
CN114638826A (zh
Inventor
闫银凤
李沅鸿
张启纲
王威威
李海良
袁琳
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.)
Henan Yinjinda New Materials Co ltd
Original Assignee
Henan Yinjinda New Materials 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 Henan Yinjinda New Materials Co ltd filed Critical Henan Yinjinda New Materials Co ltd
Priority to CN202210518179.4A priority Critical patent/CN114638826B/zh
Publication of CN114638826A publication Critical patent/CN114638826A/zh
Application granted granted Critical
Publication of CN114638826B publication Critical patent/CN114638826B/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种光致变色阻隔膜的光学疲劳度检测方法，通过利用光源对高分子阻隔膜进行反复受光、退光操作，并在过程中利用摄像机采集相应图像，并标记时间戳。将图像输入神经网络模型中进行识别，判断高分子阻隔膜发生光疲劳的时间。该方法使用设备简单，易于布置于生产线，且检测精度高、算法负担小，能够广泛应用于阻隔膜生产实践中。

Description

一种光致变色阻隔膜的光学疲劳度检测方法
技术领域
本发明内容属于高分子薄膜材料检测领域，特别地，涉及一种光致变色阻隔膜的光学疲劳度检测方法。
背景技术
随着科学技术的不断发展和人类社会的进步，人们对于物质材料的要求也不断提高。在各种新型材料中，高分子变色阻隔薄膜由于其特殊且优良的性质，逐渐应用于工业、生活的各个领域。例如在太阳光的照射下薄膜发生变色，从半透明色变成具有某种特定颜色，从而阻隔了太阳光透过。高分子变色薄膜受光变色的原理是高分子化合物在光照条件下发生化学反应，转变成另一种颜色的产物，其本质是反应前后物质分子结构或电子组态的改变而导致其吸收光谱发生明显的变化，体现为变色。基于变色的原理，高分子变色薄膜存在固有的光疲劳效应，体现在光照多次激发变色、退色循环后，其变色性能下降，直至失去变色性能，从而造成该阻隔膜失效。由于光疲劳效应的产生是一个漫长的过程，通常需要几百、上千次的循环才可能在表观上体现，耗时极长，因此对光疲劳效应造成的高分子变色薄膜性能检测一直以来是业界的难点。通常采用批量样本的方法对高分子变色薄膜的光疲劳性能进行检测，但通过人工测量的方法仍然需要大量的时间和人力，且可以检测的数量有限。业界相关研究也较少。
现有技术中使用图像处理方法进行多次变色退色识别，但识别准确度不高。为此，也有人提出使用神经网络方式进行检测，但网络模型的结构和具体设置并非专为工厂中光学疲劳度检测而设计，因此不仅模型训练成本高、检测慢，更重要的是检测准确度较差。这是因为薄膜通常具有一定的透光性，和一定的反光性，会对图像造成一定的噪音。如何去除这些噪音影响，是构建神经网络模型亟待解决的问题。
发明内容
为解决上述一个或多个问题，提出
一种光致变色阻隔膜的光学疲劳度检测方法
步骤1：利用光源照射光致变色阻隔膜进行反复变色、退色操作，并采集每次变色时的变色图像和退色时的退色图像，并记录采集变色图像和退色图像的时间戳；上述两种图像统称为采集图像；
步骤2：利用采集图像每个像素的RGB值计算采集图像的色调h矩阵；对h矩阵进行如下处理：
定义
Figure DEST_PATH_IMAGE001
方阵U：
Figure DEST_PATH_IMAGE003
Figure 187191DEST_PATH_IMAGE004
为矩阵U的元素，p,q为元素在矩阵中的行、列坐标，
Figure DEST_PATH_IMAGE005
为采集图像的行数；其 中：
Figure DEST_PATH_IMAGE007
计算矩阵：
Figure 369911DEST_PATH_IMAGE008
；
取矩阵F的第一行为一
Figure DEST_PATH_IMAGE009
维的向量，称为图像的颜色特征向量f；
步骤3：将上述特征向量送入分类器进行分类识别，输出三种分类值
Figure 352910DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
、
Figure 482540DEST_PATH_IMAGE012
；并 利用下式对分类结果进行重映射；
Figure 969016DEST_PATH_IMAGE014
当
Figure DEST_PATH_IMAGE015
时，表示与当前输入颜色特征向量对应的采集图像的状态 为退色后颜色；当
Figure 57058DEST_PATH_IMAGE016
时，表示与当前输入颜色特征向量对应的采集图像的 状态为变色后颜色；当
Figure DEST_PATH_IMAGE017
时，表示与当前输入颜色特征向量对应的采集图 像的状态为异常色调；
步骤4：根据输出颜色特征向量对应的采集图像性质与分类结果的比较确定提示光疲劳的图像，并根据该图像的时间戳确定发生光疲劳的时间。
在步骤3中进行分类识别时，从图像的色调矩阵中的图像颜色分布特征和图像的空间结构信息两个方面进行模型建立。
还需要进行模型样本的学习。
步骤1中使用光源为紫外光源。
步骤1中利用摄像机采集阻隔膜因光照的变色图像和经过一段时间后的退色图像，同时记录时间戳。
步骤2-4在处理器中完成，所述处理器为现场处理器或远程服务器。
若采集图像为受到光照后的图像，且根据步骤3模型输出识别结果为变色后颜色；或者采集图像为去掉光照后的恢复图像，且根据步骤3模型输出识别结果为退色后颜色；满足上述任一情形，则判定在相应时间节点阻隔膜光疲劳性能正常；否则，判定在相应时间节点阻隔膜光疲劳性能异常。
采集图像为受到光照后的变色图像，且根据步骤3模型输出识别结果为退色后颜色，则判定在相应时间节点阻隔膜失去变色性能。
如果采集图像为去掉光照后的退色图像，且根据步骤3模型输出识别结果为变色后颜色，则判定在相应时间节点阻隔膜失去退色性能。
如果步骤3模型输出识别结果为异常色调，则判定在相应时间节点阻隔膜出现异常色调。
本发明的发明点及技术效果：
1、通过实施图像采集方法，自动为智能检测算法提供数据源，完成基于图像的高分子变色薄膜光疲劳性能检测。特别是提出在进行神经网络模型处理前，对图像进行颜色分离及颜色特征提取，将提取后的特征作为模型的输入，而不使用通常的以图像作为输入的方式，大大降低了数据维度，提高智能检测算法的效率。
2、本发明通过线性、非线性组合分类器，建立了阻隔膜光疲劳检测方法的识别模型，并且优化了模型的算法，保证了识别的准确性同时提高了算法效率。使得简易化的设备即可满足生产线上的实际检测需求，使得在线检测成为可能，同时在检测阶段能够实现完全自主的运行，自动输出检测结果，可实现大批量检测样品的验证，操作流程简单，并可以达到较高的测量精度，满足厂家的性能验证需求，有助于提高产品性能，降低生产厂商检测成本。
具体实施方式
（一）检测装置结构
检测装置包括光源、摄像机、处理器。
其中光源为紫外光源，用于向阻隔膜照射，从而引起阻隔膜变色。
摄像机用来拍摄阻隔膜因光照的变色图像和经过一段时间后的退色图像。
处理器用来控制光源和摄像机的开闭，同时用于对摄像机在拍摄图片时记录时间戳。此外，处理器还用于按如下算法处理摄像机采集的图像。可以理解，处理器可以为布置于现场的现场处理器，也可以为远程服务器。
（二）检测算法
步骤1：光致变色阻隔膜进行反复变色、退色操作，并进行相关图像采集。
利用摄像机采集若干张被测高分子变色薄膜的图像；向被测薄膜施以一定时长光照，被测薄膜因受光照激发变色，采集变色后的图像；移去光照源经过一定时长后，令被测薄膜退色恢复原有颜色，采集退色后的图像；循环重复前述变色、退色过程，通过设定摄像机时钟和控制程序，使摄像机在每个变色周期、退色周期结束时自动采集图像，获得若干采样图像。
(1) 高分子变色薄膜受到一定时长光照会变色，使用紫外光源对薄膜进行照射， 持续时间为
Figure 527354DEST_PATH_IMAGE018
，照射结束后，控制摄像机立即拍摄一张图像，记为
Figure DEST_PATH_IMAGE019
。
(2) 薄膜变色后，移去光照，经历一段时间后会退色恢复受光照前颜色，设该时长 表示为
Figure 132779DEST_PATH_IMAGE020
，过程(1)完成、经历时间
Figure 536078DEST_PATH_IMAGE020
，控制摄像机立即拍摄一张图像，记为
Figure DEST_PATH_IMAGE021
。
(3) 为进行疲劳测试，重复过程(1)、(2)数次，直至达到预设次数，该预设次数记 为
Figure 464195DEST_PATH_IMAGE022
。可获得一系列受照图像（变色图像）集合
Figure DEST_PATH_IMAGE023
、与恢复图像（退色图像）集合
Figure 421787DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
。同时记录采集相应图像的时间戳。
过程(1)、(2)、(3)中照明、拍摄图像可由计算机预设时间后自动控制。
步骤2：采集的图像（变色图像、退色图像）的颜色分离及颜色特征提取步骤。
将步骤1中采集的图像的颜色特征分离，使智能算法更易检测颜色的变化，并进一步提取颜色特征。
步骤1所述摄像机采集的图像，为标准三通道数字彩色图像，图像的三个通道分别 表示红色、绿色、蓝色三原色通道。假设
Figure 893220DEST_PATH_IMAGE026
表示一幅图像
Figure DEST_PATH_IMAGE027
的三色通道， 图像的色调计算如下：
Figure DEST_PATH_IMAGE029
式中，
Figure 354288DEST_PATH_IMAGE030
表示反余弦函数，mod表示取模运算，
Figure DEST_PATH_IMAGE031
表示图像的色调。可以理解，上 述
Figure 987395DEST_PATH_IMAGE026
为每个像素的
Figure 963441DEST_PATH_IMAGE026
值，因此上述计算得到的是图像的色调矩阵，即得到图像 每个像素的色调值。设图像的二维空间大小为
Figure 35302DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
分别为图像的列数和行数，则
Figure 819719DEST_PATH_IMAGE031
为一个
Figure 951623DEST_PATH_IMAGE032
大小的矩阵。将矩阵
Figure 680544DEST_PATH_IMAGE031
按列分解：
Figure DEST_PATH_IMAGE035
Figure 165883DEST_PATH_IMAGE036
为矩阵h的各列。定义
Figure 195019DEST_PATH_IMAGE001
方阵U：
Figure 701087DEST_PATH_IMAGE038
Figure 323829DEST_PATH_IMAGE004
为矩阵U的元素，p,q为元素在矩阵中的行、列坐标。并且：
Figure 737493DEST_PATH_IMAGE040
定义矩阵：
Figure 824398DEST_PATH_IMAGE042
则F为矩阵U与矩阵h的乘积，为一
Figure 439050DEST_PATH_IMAGE032
大小的矩阵。取矩阵F的第一行为一
Figure 611405DEST_PATH_IMAGE009
维的 向量，称为图像X的颜色特征向量
Figure DEST_PATH_IMAGE043
。矩阵F的含义是矩阵U的频率域响应，通过将图像矩阵 转换到频率域，将图像的低频部分与高频部分响应分开，并提取与薄膜区域相关性最高的 频率分量，即第一个分量，能够去除噪声影响，同时降低数据维度，减轻计算量。
通过将图像X映射为颜色特征向量
Figure 563181DEST_PATH_IMAGE043
，单幅图颜色特征的数据量由
Figure 704925DEST_PATH_IMAGE044
维降 低为
Figure 552795DEST_PATH_IMAGE009
维，大大降低了颜色特征的数据量，有助于提高计算效率。
步骤3：高分子变色薄膜光疲劳性能的图像分析检测步骤。
建立智能的分析模型，对高分子变色薄膜光疲劳的特征进行识别、分类，并输出分类结果作为检测结果。
高分子变色薄膜光疲劳的特征，是指高分子变色薄膜经过多次反复变色、退色过程后，变色效应减弱甚至消失，以及薄膜边缘出现异常色调的特殊现象。本发明通过建立基于图像颜色特征的智能分析模型检测这些特征。
将待识别或检测的光疲劳特征划分为三个维度，分别代表退色后、变色后、异常色调三类。
根据定义，建立模型将步骤2所述颜色特征向量映射到前文所述三维向量。其输入 样本空间为
Figure 9184DEST_PATH_IMAGE009
维颜色特征向量空间，类别空间为光疲劳特征空间，类别数为3。通常来说，高 维向量空间为线性不可分的，因此需要建立非线性分类器。
令：
Figure 905596DEST_PATH_IMAGE046
定义：
Figure 701513DEST_PATH_IMAGE048
上式
Figure DEST_PATH_IMAGE049
为一关于
Figure 189127DEST_PATH_IMAGE043
的线性函数，
Figure 336074DEST_PATH_IMAGE050
为线性权重，
Figure DEST_PATH_IMAGE051
为线性偏置，
Figure 567335DEST_PATH_IMAGE052
表示 输入向量空间中的坐标，
Figure DEST_PATH_IMAGE053
代表以坐标
Figure 483339DEST_PATH_IMAGE054
为中心的坐标偏移量，j为分类器通道坐标，
Figure DEST_PATH_IMAGE055
表示存在8个分类器
Figure 204170DEST_PATH_IMAGE056
，每个分类器
Figure DEST_PATH_IMAGE057
的输入维度与输出维度相同， 故
Figure 307255DEST_PATH_IMAGE058
表示分类器
Figure 607787DEST_PATH_IMAGE057
的输出中与其输入的第i维对应的维度。
上述8个分类器中，每个分类器用于捕捉颜色特征向量中与某一类特征相关的一种特征分布。设计8个分类器可以在保证一定冗余度的基础上使分类结果更加精确。
由于颜色特征向量空间为线性不可分的，那么仅用上述线性分类器无法得到准确分类结果。故进一步设计非线性分类函数：
Figure 112717DEST_PATH_IMAGE060
函数
Figure DEST_PATH_IMAGE061
将输入的线性空间映射到目标非线性空间，线性分类器
Figure 879816DEST_PATH_IMAGE062
与非线性分类器
Figure 798094DEST_PATH_IMAGE061
的组合能够处理颜色特征向量空间线性不可分的情况，提高了分类器的鲁棒性。参数
Figure DEST_PATH_IMAGE063
将 非线性函数非连续化，进一步提升模型对噪声的鲁棒性。
Figure 574420DEST_PATH_IMAGE063
值经大量实验可获得优选值
Figure 199436DEST_PATH_IMAGE064
。
图像的色调矩阵包含两部分与薄膜相关的重要信息，一是图像的颜色分布，在变色前、变色后呈现不同的分布特征；二是图像的空间结构信息，即图像中不同颜色的相对位置关系，例如薄膜中央、四周颜色的差异。上述第一类信息由式(7)建模，进一步的，对第二类信息进行进一步建模。
定义：
Figure 527649DEST_PATH_IMAGE066
式中，
Figure DEST_PATH_IMAGE067
表示取式(7)输出
Figure 540080DEST_PATH_IMAGE062
中每三个相邻元素的最大值，以降低噪声影响；定义：
Figure DEST_PATH_IMAGE069
式中，
Figure 916835DEST_PATH_IMAGE070
与
Figure 661937DEST_PATH_IMAGE067
是等维度的向量，
Figure DEST_PATH_IMAGE071
表示
Figure 833155DEST_PATH_IMAGE067
的第i个元素与
Figure 663708DEST_PATH_IMAGE070
的第
Figure 172050DEST_PATH_IMAGE072
个元素之间的 线性权重关系。由(10)定义的模型用于对颜色的相对位置关系进行建模。
定义：
Figure 443762DEST_PATH_IMAGE074
式中，
Figure DEST_PATH_IMAGE075
为上一步骤的输出，下标l表示
Figure 113778DEST_PATH_IMAGE070
的元素下标，j表示对应于式(7)的分 类器的序数，
Figure 431627DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE077
、
Figure 884605DEST_PATH_IMAGE078
为线性权重参数，
Figure DEST_PATH_IMAGE079
、
Figure 276403DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE081
为线性偏置参数。
Figure 851741DEST_PATH_IMAGE010
、
Figure 594569DEST_PATH_IMAGE011
、
Figure 179134DEST_PATH_IMAGE012
为对应的 输出值。
式(11)所定义模型将前述多个分类器序列的结果汇总，从而建立各分类器序列之间的关系，并映射到三维向量空间，以便对应于待检测的光疲劳特征。
进一步的，为了令光疲劳特征的输出值对应于前述定义的[0, 1]范围内，从而方便检测结果的直接应用，需要采取值域重映射方法，定义：
Figure DEST_PATH_IMAGE083
经过上式重映射，将式(11)中输出
Figure 931100DEST_PATH_IMAGE084
的值映射到
Figure DEST_PATH_IMAGE085
，且
Figure 880601DEST_PATH_IMAGE085
取值范围为[0, 1]。
Figure 845146DEST_PATH_IMAGE086
表 示自然指数函数。
当
Figure 233402DEST_PATH_IMAGE015
时，表示与当前输入颜色特征向量对应的图像的状态为退 色后颜色；当
Figure 334213DEST_PATH_IMAGE016
时，表示与当前输入颜色特征向量对应的图像的状态为变 色后颜色；当
Figure 516933DEST_PATH_IMAGE017
时，表示与当前输入颜色特征向量对应的图像的状态为异 常色调。
Figure DEST_PATH_IMAGE087
表示取
Figure 703195DEST_PATH_IMAGE088
中的最大值。从而实现基于图像中的颜色特征对高 分子变色薄膜光疲劳特征的检测。
在采用上述式(6)-(12)所述模型实施检测前，需要通过学习过程确定模型的各项参数，分别列于式(6)-(12)中，即线性偏置参数与线性权重参数。通过准备若干对应于退色后、变色后、异常色调三类的图像作为学习样本；对于学习样本图像，可按照如下规则确定样本对应的输出特征，如果样本对应于退色后颜色，输出特征取值分别为[1, 0, 0]，如果样本对应于变色后颜色时，输出特征取值分别为[0, 1, 0]，如果样本对应于异常色调，输出特征取值分别为[0, 0, 1]。通过步骤2所述方法提取颜色特征向量，代入步骤3所述模型(6)-(12)，并采用现有常规算法（例如BP算法）可以求解前述各项参数。
步骤4：基于图像检测的高分子变色薄膜的光疲劳性能判别
采用步骤1所述方法，循环采集T张变色图像与T张退色图像；采用步骤2所述方法，获得上述2T张图像各自对应的颜色特征向量；采用步骤3所述方法，即所述光疲劳特征模型计算步骤2颜色特征向量所对应的输出值，并据此判别2T张图像所对应的时间节点（对应时间戳）上变色薄膜的光疲劳性能。
如果：
（4）输入图像为受照图像，且根据步骤3模型输出识别结果为变色后颜色；或（5）输入图像为恢复图像，且根据步骤3模型输出识别结果为退色后颜色；满足上述（4）、（5）任一情形，则判定在相应时间节点变色薄膜光疲劳性能正常。
否则，判定在相应时间节点变色薄膜光疲劳性能异常。
进一步的，如果（6）输入图像为受照图像，且根据步骤3模型输出识别结果为退色后颜色，则判定在相应时间节点变色薄膜失去变色性能。
如果（7）输入图像为恢复图像，且根据步骤3模型输出识别结果为变色后颜色，则判定在相应时间节点变色薄膜失去退色性能。
如果（8）步骤3模型输出识别结果为异常色调，则判定在相应时间节点变色薄膜出现异常色调。
通过上述判定方法，可以自动生成判定结果，并判定光疲劳现象出现的时间节点，从而实现了自动化的高分子变色薄膜的光疲劳性能检测。
下表给出本发明所述方法对步骤4所述4类性能标准的检测结果。根据检测数据，可计算总的检测正确率为99.4%；单项检测正确率均在93%以上，远高于现有图像算法的正确率。同时其资源占用及算法效率也比现有算法有较大改进，计算速度提升了67%，资源占用率下降了15.2%。可见本发明提出的智能检测方法检测准确率高，可有效检测变色薄膜的各类正常与异常状态。本发明方法可以直观、有效的展示变色薄膜发生光疲劳现象的时间。
Figure DEST_PATH_IMAGE089
本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：
步骤1：利用光源照射光致变色阻隔膜进行反复变色、退色操作，并采集每次变色时的变色图像和退色时的退色图像，并记录采集变色图像和退色图像的时间戳；上述两种图像统称为采集图像；
步骤2：利用采集图像每个像素的RGB值计算采集图像的色调h矩阵；对h矩阵进行如下处理：
定义β×β方阵U：
U＝{upq},1≤p,q≤β
upq为矩阵U的元素，p,q为元素在矩阵中的行、列坐标，β为采集图像的行数；其中：
Figure FDA0003826183490000011
计算矩阵：F＝Uh；
取矩阵F的第一行为一α维的向量，称为图像的颜色特征向量f；
步骤3：将上述特征向量送入分类器进行分类识别，输出三种分类值y1、y2、y3；并利用下式对分类结果进行重映射；
Figure FDA0003826183490000012
当z1＝max(z1,z2,z3)时，表示与当前输入颜色特征向量对应的采集图像的状态为退色后颜色；当z2＝max(z1,z2,z3)时，表示与当前输入颜色特征向量对应的采集图像的状态为变色后颜色；当z3＝max(z1,z2,z3)时，表示与当前输入颜色特征向量对应的采集图像的状态为异常色调；
其中，所述分类器包括：
(7):
Figure FDA0003826183490000021
其中f(i+v)为颜色特征向量，wj(v)为线性权重，bj为线性偏置，v代表以坐标i为中心的坐标偏移量，j为分类器通道坐标，1≤j≤8表示存在8个分类器τ1、τ2、…、τ8；
此外，定义非线性分类函数：
(8):
Figure FDA0003826183490000022
图像的色调矩阵包含图像的颜色分布信息和图像的空间结构信息，上述颜色分布信息由式(7)建模，对图像的空间结构信息进行进一步建模：
(9):
Figure FDA0003826183490000023
式中，
Figure FDA0003826183490000024
表示取式(7)输出τj中每三个相邻元素的最大值；
(10):
Figure FDA0003826183490000025
式中，Φj与
Figure FDA0003826183490000026
是等维度的向量，ψil表示
Figure FDA0003826183490000027
的第i个元素与Φj的第l个元素之间的线性权重关系；
(11):
Figure FDA0003826183490000028
式中，Φj(l)为式(10)的输出，j表示对应于式(7)的分类器的序数
Figure FDA0003826183490000029
为线性权重参数，d1、d2、d3为线性偏置参数，y1、y2、y3为对应的输出值；
步骤4：根据输出颜色特征向量对应的采集图像性质与分类结果的比较确定提示光疲劳的图像，并根据该图像的时间戳确定发生光疲劳的时间。
2.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：在步骤3中进行分类识别时，从图像的色调矩阵中的图像颜色分布特征和图像的空间结构信息两个方面进行模型建立。
3.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：还需要进行模型样本的学习。
4.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：步骤1中使用光源为紫外光源。
5.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：步骤1中利用摄像机采集阻隔膜因光照的变色图像和经过一段时间后的退色图像，同时记录时间戳。
6.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：步骤2-4在处理器中完成，所述处理器为现场处理器或远程服务器。
7.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：若采集图像为受到光照后的图像，且根据步骤3模型输出识别结果为变色后颜色；或者采集图像为去掉光照后的恢复图像，且根据步骤3模型输出识别结果为退色后颜色；满足上述任一情形，则判定在相应时间节点阻隔膜光疲劳性能正常；否则，判定在相应时间节点阻隔膜光疲劳性能异常。
8.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：采集图像为受到光照后的变色图像，且根据步骤3模型输出识别结果为退色后颜色，则判定在相应时间节点阻隔膜失去变色性能。
9.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：如果采集图像为去掉光照后的退色图像，且根据步骤3模型输出识别结果为变色后颜色，则判定在相应时间节点阻隔膜失去退色性能。
10.如权利要求1所述的一种光致变色阻隔膜的光学疲劳度检测方法，其特征在于：如果步骤3模型输出识别结果为异常色调，则判定在相应时间节点阻隔膜出现异常色调。
CN202210518179.4A 2022-05-13 2022-05-13 一种光致变色阻隔膜的光学疲劳度检测方法 Active CN114638826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210518179.4A CN114638826B (zh) 2022-05-13 2022-05-13 一种光致变色阻隔膜的光学疲劳度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210518179.4A CN114638826B (zh) 2022-05-13 2022-05-13 一种光致变色阻隔膜的光学疲劳度检测方法

Publications (2)

Publication Number Publication Date
CN114638826A CN114638826A (zh) 2022-06-17
CN114638826B true CN114638826B (zh) 2022-10-28

Family

ID=81953300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210518179.4A Active CN114638826B (zh) 2022-05-13 2022-05-13 一种光致变色阻隔膜的光学疲劳度检测方法

Country Status (1)

Country Link
CN (1) CN114638826B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727778B (zh) * 2009-12-10 2012-03-21 上海冠众光学科技有限公司 用于证件的光学防伪膜及其应用
CN103699532B (zh) * 2012-09-27 2017-08-25 中国电信股份有限公司 图像颜色检索方法和系统
CN104504721A (zh) * 2015-01-08 2015-04-08 中国科学院合肥物质科学研究院 一种基于Gabor小波变换纹理描述的非结构化道路检测方法
CN108694953A (zh) * 2017-04-07 2018-10-23 南京理工大学 一种基于Mel子带参数化特征的鸟鸣自动识别方法
WO2019169403A1 (en) * 2018-03-02 2019-09-06 The Medical College Of Wisconsin, Inc. Neural network classification of osteolysis and synovitis near metal implants
CN110570209A (zh) * 2019-07-30 2019-12-13 平安科技（深圳）有限公司 证件真伪验证方法、装置、计算机设备及存储介质
CN110648297B (zh) * 2019-09-26 2023-05-26 邓诗雨 图像去雾方法、系统、电子设备和存储介质
EP3901902A1 (en) * 2020-04-20 2021-10-27 FEI Company Method implemented by a data processing apparatus, and charged particle beam device for inspecting a specimen using such a method
CN113702001A (zh) * 2021-08-19 2021-11-26 Oppo广东移动通信有限公司 变色器件变色响应时间检测方法、检测装置、存储介质
CN216210366U (zh) * 2021-10-21 2022-04-05 深圳市光羿科技有限公司 电致变色电子设备

Also Published As

Publication number Publication date
CN114638826A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
KR20080016847A (ko) 크로모겐 분리에 기초한 영상 분석 방법
JP2006040260A (ja) 印刷画像を自動的に分類するシステム
CN106203461B (zh) 一种图像处理方法及装置
CN110110634B (zh) 基于深度学习的病理图像多染色分离方法
CN117237736A (zh) 一种基于机器视觉和深度学习的大曲质量检测方法
CN114638826B (zh) 一种光致变色阻隔膜的光学疲劳度检测方法
TWI792696B (zh) 顏色恆常性對比學習的方法和裝置
CN114605687A (zh) 一种抗老化聚酯膜材料的制备方法
CN112381751A (zh) 一种基于图像处理算法的在线智能检测系统及方法
Tapia et al. Face feature visualisation of single morphing attack detection
CN112488997B (zh) 基于特征插值的古代绘画印刷品颜色复现检测和评价方法
JP2007208708A (ja) 分光反射率推定方法、分光反射率推定装置および分光反射率推定プログラム
CN111750993B (zh) 一种基于成像条件校正的开放测量环境光谱测量方法
CN117808741B (zh) 一种基于神经网络模型的一体化硅胶表带成型检测方法
CN109741313B (zh) 独立成分分析和卷积神经网络的无参考图像质量评价方法
JP4715288B2 (ja) 分光反射率候補算出方法、色変換方法、分光反射率候補算出装置、色変換装置、分光反射率候補算出プログラム、色変換プログラム
CN100539707C (zh) 数据驱动可重配置的彩色图像处理系统
CN114581536B (zh) 基于特征感知和多通道学习的图像色差检测方法
CN114636618B (zh) 一种性能稳定的pet膜稳定性检测方法
CN111160257B (zh) 一种对光照变换稳健的单目人脸活体检测方法
KR101158329B1 (ko) 자동 지폐 검사를 위한 형광 패턴 추출 장치 및 방법
CN113077002A (zh) 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法
Togban et al. Identifying color space for improved image display
CN115294570B (zh) 一种基于深度学习的细胞图像识别方法
JP5282356B2 (ja) 分光データ分類方法、分光データ分類装置、並びに分光データ分類プログラム

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