CN114646564A

CN114646564A - 一种聚酯材料耐磨度检测仪

Info

Publication number: CN114646564A
Application number: CN202210560081.5A
Authority: CN
Inventors: 李沅鸿; 李国庆; 李航; 樊鹏鹏; 吴齐; 蔡文彬
Original assignee: Henan Yinjinda New Materials Co ltd
Current assignee: Henan Yinjinda New Materials Co ltd
Priority date: 2022-05-23
Filing date: 2022-05-23
Publication date: 2022-06-21
Anticipated expiration: 2042-05-23
Also published as: CN114646564B

Abstract

一种聚酯材料耐磨度检测仪，包括磨损轮，由外轮和内轮组成，内轮与外轮同轴转动，且内轮半径小于外轮；外轮用于在轨道上移动，从而带动内轮对聚酯材料施加磨损操作；通过内轮与外轮半径比优化磨损轮施加的压力；通过相机采集图像并进行预处理；设置四个处理单元，分别存储了使用折痕、穿孔、磨痕、断裂四种磨损痕迹样本训练得到的模型，并根据预处理图像分别输出四种磨损痕迹存在的概率z至服务器进行判别，能够极大地提高耐磨度检测的精度和速度。

Description

一种聚酯材料耐磨度检测仪

技术领域

本发明涉及聚酯材料性能检测领域，特别是涉及耐磨度检测仪。

背景技术

聚酯薄膜材料具有透明、化学惰性、密封能力好，易于成型加工等一系列良好性能，因此成为当今高分子工业中最广泛使用的材料之一，广泛应用于包装。建筑、农业、工业和消费市场。而为了获得更佳的光学、化学或机械性能，常常会对聚酯薄膜进行涂覆，形成表面涂层。例如，形成光致变色层、光学阻隔层、热阻隔层、高绝缘层、抗菌层等等。而这些涂层的机械力学性能较弱，其对磨损破坏特别敏感。磨损产生的痕迹会影响薄膜的功能性，因此对包装薄膜材料的磨损性能进行检测和评估是必要的。

现有进行磨损痕迹检测试验时，通常利用磨头的往复运动实施磨损操作。但利用高速摄像机可以发现，刚性的磨头不仅对聚酯膜实施了磨损，还在微观层面使得其发生了褶皱，而这种褶皱会加剧磨损效果。但这种褶皱产生的磨损与实验预期的磨损并不一致，因此这种不期望的磨损夹杂其中难以获得准确结果。

此外，要实施准确、期望的磨损操作，需要对磨头结构、施加压力、衬板材料等多方面因素进行综合考虑，而目前并未有相关研究。

目前使用图像算法进行磨损痕迹检测要么需要固定严格的模板，要么使用统计学、形态学方式提取痕迹，但无论哪种其检测精度不高，检测速度慢，均无法应用于实际生产线中。现有技术中也有利用图像模板的相关性实现瑕疵检测，但对图像模板有严格的限制条件，需要待检测目标与模板严格匹配，因此适用范围有限。也有一些使用神经网络方式进行识别的方法，但其均不是专门针对聚酯薄膜耐磨度实验而设计的，适用性较差，无法准确检测。特别是其神经网络模型的模板是固定的，对特征提取不准确。可见，现有视觉检测方法难以解决薄膜材料图像的信噪比相对较低、磨损痕迹的图像特征复杂的问题，检测精度和准确率都难以实用化。

此外，在实际使用过程中，有多种形态的磨损痕迹，不同痕迹对聚酯薄膜的寿命影响也不同。而现有磨损检测仪以及图像处理方法，从未提出也无法对磨损的类型进行区分，只能笼统得到磨损程度的判别，而这种判别是不精确的，无法在生产实际中使用。

发明内容

为解决上述一个或多个问题，以及实施例中提到的相关问题和效果，现提出本发明具体方案如下：

一种聚酯材料耐磨度检测仪，包括

衬板，用于承载聚酯材料；

磨损轮，由外轮和内轮组成，内轮与外轮同轴转动，且内轮半径小于外轮；外轮用于在轨道上移动，从而带动内轮对聚酯材料施加磨损操作；

轨道，设置在衬板左右两侧，用于承载磨损轮的两个外轮；

两个张紧轮，设置于衬板前后两端，用于使得聚酯材料张紧；

磨损轮在运动的同时向下施加压力F，使其内轮与聚酯材料紧密接触，其中F满足：

其中

为标准压力，r为内轮半径，R为外轮半径；

相机，设置在衬板上方，用于在磨损轮从衬板一端运动至另一端后采集一副图像，记录此时的采集时间，对采集图像进行预处理，并将预处理图像和时间发送至四个处理单元；

四个处理单元，分别存储了使用折痕、穿孔、磨痕、断裂四种磨损痕迹样本训练得到的模型，并根据预处理图像分别输出四种磨损痕迹存在的概率z至服务器；

服务器，根据四种磨损痕迹存在的概率z进行判断，判断聚酯材料是否发生磨损，并输出磨损痕迹的类别和发生磨损的时间。

聚酯材料为聚酯膜。

磨损轮的内轮沿衬板宽度方向延伸。

磨损轮的内轮表面设置有磨损材料，用于对聚酯材料施加磨损操作。

所述磨损材料为具有二氧化硅颗粒的磨损材料。

所述磨损材料为具有粗糙度的金属。

所述磨损材料为具有粗糙表面的聚酯材料。

相机中实施的预处理包括将采集图像划分为多个子区，并统计每个子区像素值的均值和方差。

服务器进行判断时，当z>0.65时，输出z值最大的那一处理单元对应的磨损痕迹类别即为采集图像中存在的磨损痕迹类别。

每个处理单元中的神经网络模型均包括4阶模板，每阶包括8个模板，每个处理单元的模板分别由折痕、穿孔、磨痕、断裂四种磨损痕迹样本训练得到。

本发明的发明点及技术效果：

1、通过设置具有半径不同的内轮和外轮作为磨损轮，使得内轮在滚动的同时包括滑动运动，从而为聚酯材料提供温和的磨损操作，避免了传统使用磨头带来的磨损过于刚性，在磨头反复运动过程中聚酯膜发生褶皱的问题。真实地模拟了磨损情况，避免由于其他因素导致的磨损判别不准确的缺陷。

2、优化了磨损轮内外半径比与施加的压力的关系，进一步提供了更加准确、温和的磨损操作。

3、设置多个独立处理单元分别利用网络模型预先对不同类型的磨损痕迹样本图像进行学习，确定适合不同类别磨损痕迹的具体模板参数和网络模型偏置参数，并结合服务器的判别和相机中的预处理操作，从而能够同时快速输出采集图像是否属于磨损图像，并快速、准确判别磨损类型。特别是设计了适合该耐磨度检测仪结构使用的算法，两者相互配合，检测精度更高，速度更快。

附图说明

图1为耐磨度检测仪的结构示意图。

图2为耐磨度检测仪的俯视图。

具体实施方式

磨损设备包括衬板M6、轨道M9、两个张紧轮M7、由外轮M4和内轮M5组成的磨损轮、相机M3、4个处理单元M2、服务器M1。

其中衬板上设置有聚酯材料M8，作为一种优选，可将聚酯材料制成聚酯材料膜，再放入检测仪。衬板前后两端设置有两个张紧轮，两个张紧轮分别从两端拉伸膜，使其张紧。具体设置为，聚酯膜绕过张紧轮固定在驱动轮上，通过驱动轮转动，带动聚酯膜在张紧轮上张紧。现有技术中通常使用夹具进行薄膜夹持，这一方面夹具难以覆盖聚酯膜宽度所有位置（否则需要较宽夹头），从而带来不同部位拉伸程度不同，影响检测的准确性；另一方面，需要对两个夹头进行调平，若两个夹头不在一个水平面，则会导致夹持边缘聚酯膜发生弯折，从而带来不期望的内应力，影响磨损检测准确度。而本发明创造性地使用了轮结构，使得膜能够均匀被固定拉伸。作为一种优选，衬板采用聚酯材料，如此可以避免使用硬度较高的材料使得聚酯膜在其上发生褶皱。而使用弹性模量与聚酯膜类似的衬板，衬板可以协助承受一些磨头的力，发生一些形变，从而避免聚酯膜过度形变。由此带来检测准确度的提升，这也是发明点之一。

轨道设置在衬板左右两侧，用于承载磨损轮的两个外轮，使其能够沿轨道前后移动，从而带动磨损轮的内轮在衬板上表面移动。内轮与外轮同轴转动，且内轮半径小于外轮，因此，当驱动外轮在轨道上滚动时，内轮沿衬板上表面运动，而这种运动不仅仅是滚动，还包括滑动，由此可以对衬板上放置的聚酯膜进行磨损。利用这种方式，可以温和地施加磨损，而避免使用磨头造成的薄膜翘曲、弯折，带来非磨损的损坏，以至于后续判断发生误判。作为一种优选，轨道下方设置有弹性装置，使得在向磨损轮施加向下压力时，轨道能够同步向下移动。

磨损轮的内轮沿衬板（聚酯膜）宽度方向延伸，其表面可更换磨损材料。例如将其表面材料设置为具有二氧化硅颗粒的磨损材料，可以模拟砂石对于聚酯膜表面的磨损；将其表面设置为具有粗糙度的金属，可以模拟金属对于聚酯膜表面的磨损；特别的，其表面可以设置为聚酯材料，可以模拟聚酯材料相互之间接触造成的表面磨损。所述聚酯材料可以为与待测聚酯膜相同的材料，也可以为不同材料，其材料表面可以为具有粗糙度表面。

磨损轮的内轮的半径可以根据需要选择。内轮半径越大则内轮滚动运动越显著，滑动运动越少，则对聚酯膜的磨损越少，但这样需要较长的时间才能得到磨损结果。内轮半径越小对聚酯膜的磨损就越大，但同时内轮在聚酯膜表面的滑动就越多，由此会造成其滑动过程中对聚酯膜产生褶皱效应，从而使得褶皱的破损掩盖且加剧了磨损产生的效果，无法准确检测。为此，优选了磨损轮内轮与外轮的半径比如下：

其中F为磨损轮向下施加的压力，r为内轮半径，R为外轮半径。

如此，当内外轮半径接近时，需要施加更大的力以产生足够的磨损；而当内轮半径较小时，则需要减少压力，以防止在滑动过程中使得膜产生褶皱。使用上述公式综合调节F与半径比，可以获得更为真实的磨损情况。

相机设置在衬板上方，用于在磨损轮从衬板一端运动至另一端后采集一副图像，并记录此时的采集时间，并对采集图像进行预处理。相机将预处理图像和时间发送至四个处理单元。四个处理单元中存储有相应算法程序（具体下面将详述），能够分别识别该图像中是否存在折痕、穿孔、磨痕、断裂四种磨损情况，并将相应情况的存在概率z输出。作为一种优选，四个处理单元分别存储了使用折痕、穿孔、磨痕、断裂四种磨损样本训练得到的模型。四个处理单元分别将存在概率z发送至服务器中，服务器根据四个z的数值进行判断，从而判别聚酯膜是否发生磨损，并输出磨损类型和发生磨损的时间。

具体算法为：

步骤1：利用相机对具有金属涂层的聚酯膜材料的图像数据获取及预处理优化

使用摄像机拍摄带金属涂层的聚酯膜材料的图像，将图像输入图像数据优化单元；优化单元根据带金属涂层的聚酯膜材料图像数据与噪声数据的统计特征，对输入图像进行优化处理，提高图像信息的信噪比，并输出优化后的图像。

图像数据优化单元接收一张带金属涂层的聚酯膜材料的图像作为输入，该图像包含待检测的带金属涂层的聚酯膜材料，优化单元根据预设的统计方法、模型统计图像信息，并生成优化的图像输出。

优化单元的预设模型，为按图像空间坐标分区的多专家模型，每个专家模型用于描述一个子区的图像数据分布，用式(1)表示。假设图像的尺寸为

，被划分为

个相邻子区，那么每个子区的大小为

。假设完整图像记为

，则

表示其中一个子区，

为标记子区位置的下标，

，

。

设为

完整图像

中一个像素的坐标，

为子区

中一个像素的坐标，

、

分别表示对应像素值，令：

、

分别表示子区

像素值的均值和方差。

根据(1)计算出每个子区的均值、方差，并求使下式等号右边最大值成立时的

值（

代表一对均值和方差）：

也就是说，max函数的含义为使得

值最大的一对

值。

并且

根据式(2)的定义，可知

是使式(2)等号右边取得最大值时的子区的均值和方差。

获得优化后的图像输出为：

通过多专家模型计算图像子区的统计信息，并获得子区相对于整幅图像达到最优的统计值（通常对应于磨损痕迹所在的子区），并进一步根据最优的子区统计信息对整幅图像进行优化，可以突出图像中磨损痕迹信息，抑制背景信息，提高图像的信噪比，更加准确的检出磨损痕迹。

步骤2：处理单元利用多阶模板对磨损痕迹进行识别和检测

对不同类型的磨损痕迹，按其深浅、形状等表观特征建立相应的模板，这些模板的包括多个阶数，每个阶数又有不同个模板。利用这些模板在图像中检测对应类型的磨损痕迹是否存在。

所述建立模板，是指预先对不同类型的磨损痕迹图像进行学习，确定模板的参数。

模板定义为一个二维矩阵，其尺寸和取值不同。

任一阶模板的尺寸相同，高一阶模板的尺寸是其相邻阶数低阶模板尺寸的2倍。

不同阶模板用于捕捉图像中相对尺寸的特征，相比单阶模板，有助于更好描述待检测目标。

为了统一量纲，模板取值范围与图像像素取值范围均归一化至[0, 1]区间。

模板尺寸根据输入图像的分辨率尺寸近似确定，或根据经验值选择有效尺寸的模板；以分辨率为800*600的输入图像为例，最低阶模板的尺寸优选为8*8的矩阵。

一组训练图像，是某种唯一确定类型磨损痕迹的图像的集合；建立一个学习模型，学习模型在输入图像与高阶模板之间建立联系，并试图通过高阶模板给出对图像的评估结果，即图像中包含的磨损痕迹类型。在训练阶段，学习模型的参数、即模板的参数是未知的，将训练图像、训练图像的磨损痕迹类型输入学习模型，进行优化计算，获得学习模型的参数即模板的参数。

对于待检测的磨损痕迹，根据其深浅、形状等特征分成有限种类别，对每种类别建立一个学习模型，对应于一组高阶模板，并利用训练图像实施训练。训练完成后，采用训练完毕的模板对新的、待检测的图像进行检测，判断图像是否属于某一类的磨损痕迹。

上述训练过程详述如下：

T1、准备若干组包含某一类磨损痕迹类型的图像、及相应的不含该类磨损痕迹类型的图像，作为训练样本；含该类磨损痕迹的图像称为正样本，标记为1，不含该类磨损痕迹的图像称为负样本，标记为0。所有正、负样本组成该类磨损痕迹的训练样本。作为一种优选，本发明提出磨损痕迹类型可以分为：折痕、穿孔、磨痕、断裂四种。由此分类可以更加适合神经网络模型分类识别。

T2、对于上一步T1中准备的所有图像样本，利用步骤1所述方法获得优化后的图像，优化后的一张图像像素记为

。

为图像中像素的坐标。

T3、按照下列方法准备一组不同阶数的模板，记为

其中，

表示模板的阶数，对应不同的模板尺寸，

时模板尺寸为8*8，

时模板尺寸为16*16，

时模板尺寸为32*32，

时模板尺寸为64*64；

表示同阶的模板的编号，即每一阶有8个模板。

表示一个模板。

多个阶数的模板组合，可以更好的检测不同尺度下的图像特征，以便适应不同类型的磨损痕迹。

在训练开始前，每个模板的值均未知。按照下列方法建立模板与图像

的关系模型：

表示模板

在坐标

处的取值，

的取值范围为对应模板的大小。

表示优化图像中坐标在

的像素。

称为特征图，

为特征图中对应像素的坐标。

为修正式(4)线性关系的偏置量。

如式(4)获得的每一个特征图表示图像在对应模板下的局部响应，即建立了图像局部特征与模板之间的关系。

为了建立不同模板之间的关系，用以更好的对输入图像中的磨损痕迹进行建模，进一步的，设计一组关系特征矩阵如下：

关系特征矩阵

的大小与最低阶模板的尺寸相同，对应于优选例为8*8；

表示关系参数，对应于相应的特征图

；

的取值范围视

的尺寸而定，取不大于

的整数，max表示给定m、n时由

的取值范围确定的范围内的元素最大值。例如当

时，取值范围为0-7。

为修正式(5)线性关系的偏置量。

最后，建立磨损痕迹出现概率与关系特征矩阵的模型：

式中，

为一非线性函数，用于描述磨损痕迹出现概率与关系特征矩阵的非线性关系；

表示取符号函数；arctan表示反三角正切函数；

为描述磨损痕迹出现概率与关系特征矩阵的线性系数，

为修正该关系的线性偏置量。

式(4)、(5)、(6)联合，建立了输入图像

与输出磨损痕迹概率

的模型。

将T2计算的优化后的图像

作为输入，并计算对应的输出

；将T1中样本的标记（0或1）作为输出的真实值

，迭代求解下式：

式中，

表示模型的输出值与真实值之间的偏差，该偏差越小，表示模型对输入数据的拟合性能越高；训练的目的就是使该式迭代直到取得最优解。可采用后向传播方法迭代求解该式。

为控制参数，

，可增强模型对不同磨损痕迹的适应性；通过样本试验，优选

。最终获得各阶模板的最优参数。

训练过程完毕。

T4、训练过程中获得的模型，其输出为与输入的优化图像对应的，图像中是否存在某类磨损痕迹的概率；当

时，表示图像中不存在磨损痕迹，

时，表示图像中一定存在磨损痕迹。实际应用时，可取一阈值

，当

时，判断图像中存在磨损痕迹，否则判断图像中不存在磨损痕迹。作为大量实验的优选值取

。实际检测过程中，可将一副采集图像优化后输入至每一类磨损痕迹神经网络模型中，获得4个z值，输出z值最大的那一类神经网络模型对应的磨损痕迹类别即为采集图像中存在的磨损痕迹类别。

对于每一类磨损痕迹，可根据T1-T3步骤训练获取对应的模型，并将对应模型存储至相应的处理单元中，再利用T4步骤判断一张输入图像中是否存在此类型磨损痕迹。

当然，可以理解，也可以使用统一的服务器进行预处理、网络模型建立以及图像识别检测整个过程。但这样会降低效率。

下表给出了对不同类型的磨损痕迹检测准确率和检测性能，结果表明通过本文所述方法，实现对不同类别磨损痕迹的自动识别，识别迅速，识别率高，且不直接接触检测材料，避免对材料造成损伤和再损伤。

而背景技术中提到的图像处理方法，其识别准确率均低于75%，且检测速度均大于1秒。

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

1.一种聚酯材料耐磨度检测仪，其特征在于：包括

衬板，用于承载聚酯材料；

轨道，设置在衬板左右两侧，用于承载磨损轮的两个外轮；

其中

为标准压力，r为内轮半径，R为外轮半径；

2.如权利要求1所述的一种聚酯材料耐磨度检测仪，其特征在于：聚酯材料为聚酯膜。

3.如权利要求1所述的一种聚酯材料耐磨度检测仪，其特征在于：磨损轮的内轮沿衬板宽度方向延伸。

4.如权利要求1所述的一种聚酯材料耐磨度检测仪，其特征在于：磨损轮的内轮表面设置有磨损材料，用于对聚酯材料施加磨损操作。

5.如权利要求4所述的一种聚酯材料耐磨度检测仪，其特征在于：所述磨损材料为具有二氧化硅颗粒的磨损材料。

6.如权利要求4所述的一种聚酯材料耐磨度检测仪，其特征在于：所述磨损材料为具有粗糙度的金属。

7.如权利要求4所述的一种聚酯材料耐磨度检测仪，其特征在于：所述磨损材料为具有粗糙表面的聚酯材料。

8.如权利要求1所述的一种聚酯材料耐磨度检测仪，其特征在于：相机中实施的预处理包括将采集图像划分为多个子区，并统计每个子区像素值的均值和方差。

9.如权利要求1所述的一种聚酯材料耐磨度检测仪，其特征在于：服务器进行判断时，当z>0.65时，输出z值最大的那一处理单元对应的磨损痕迹类别即为采集图像中存在的磨损痕迹类别。

10.如权利要求1所述的一种聚酯材料耐磨度检测仪，其特征在于：每个处理单元中的神经网络模型均包括4阶模板，每阶包括8个模板，每个处理单元的模板分别由折痕、穿孔、磨痕、断裂四种磨损痕迹样本训练得到。