CN114648532B - 一种基于光学识别的聚酯膜力学性能检测装置 - Google Patents

一种基于光学识别的聚酯膜力学性能检测装置 Download PDF

Info

Publication number
CN114648532B
CN114648532B CN202210560010.5A CN202210560010A CN114648532B CN 114648532 B CN114648532 B CN 114648532B CN 202210560010 A CN202210560010 A CN 202210560010A CN 114648532 B CN114648532 B CN 114648532B
Authority
CN
China
Prior art keywords
polyester film
image
optical recognition
convolution
mechanical properties
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
CN202210560010.5A
Other languages
English (en)
Other versions
CN114648532A (zh
Inventor
李国庆
李沅鸿
王威威
李海良
赵越超
李航
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 CN202210560010.5A priority Critical patent/CN114648532B/zh
Publication of CN114648532A publication Critical patent/CN114648532A/zh
Application granted granted Critical
Publication of CN114648532B publication Critical patent/CN114648532B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Shaping By String And By Release Of Stress In Plastics And The Like (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

一种基于光学识别的聚酯膜力学性能检测装置，通过将垫膜设置在夹持辊与待拉伸的聚酯膜之间，并且优化垫膜的材质和厚度实现均匀受力拉伸；同时夹持辊在水平方向移动的同时具有转动动作，从而改善刚性拉伸带来的检测精度下降的问题；并通过机器视觉与神经网络结合的方式快速、准确地判别聚酯膜力学性能。

Description

一种基于光学识别的聚酯膜力学性能检测装置
技术领域
本发明涉及聚酯膜材料的力学性能检测领域。
背景技术
聚酯膜材料的力学性能是衡量其可用性的重要因素。聚酯膜材料在使用过程中的受力会加速材料老化，为此，对材料的力学性能检测是必要的。
而现有技术中对膜力学性能的检测主要使用应力场分析方法，但这种方法设备和算法均较为复杂，难以操作，且检测时间较长，只能在科研实验中使用，不适合在生产线中应用。其检测设备大多为拉伸试验机，过于复杂专业，不适合自动化操作。
而且通常的力学性能检测机构中的拉伸装置为刚性夹持，直接拉伸。如此会对拉伸装置的步进分辨率有较高要求，否则会导致薄膜在某一时刻力学性能突然下降，而此时检测系统还无法及时响应，从而导致检测失败。而若保证及时响应则需要高成本的检测系统。此外，刚性夹持会造成局部接触部位受力不均匀，从而导致在拉伸过程中局部发生裂缝的概率增大。而这种裂缝的产生并不能完全反应聚酯膜的力学性能，其更多的是由于夹持导致的。
现有技术中也有使用图像处理方式进行力学性能的检测，但大多数算法未找到合适的检测特征，例如使用伸长率等作为指标，这并不能准确反映膜的力学性能。且目前图像处理算法还不成熟，无法准确检测。因此只能用于辅助检测，也无法应用至生产线中。虽然神经网络模型在其他领域已经开始应用，但在膜力学性能检测领域依然没有专用的模型结构适用，其他转用模型无法适应聚酯膜图像高透光、漫散光的特性，无法准确检测判断。
发明内容
为解决上述一个或多个问题，本发明提出一种基于光学识别的聚酯膜材料力学性能检测装置和方法，采用可见光摄像机，在拉伸试验过程中采集聚酯薄膜材料的图像，并进一步推算材料的力学性能是否符合预期；相较于专业的应力测试成像系统，其配套设备通用性强，采用商业级摄像机即可实现；相较于专业的万能拉伸试验机等材料力学性能测试设备，能够在材料发生断裂前记录各个时刻的材料表面受力撕裂情况，从而反映材料在拉伸试验的不同阶段的力学性能，提供更加全面的材料力学性能检测结果。
一种基于光学识别的聚酯膜力学性能检测装置，包括
多个垫膜，分别设置在待检测聚酯膜两端的上下两面，用于对待检测聚酯膜形成夹持；垫膜材质与待检测聚酯膜材质相同；垫膜的厚度D与待检测聚酯膜厚度d的关系为：2.3d＜D＜3.7d；
多个夹持辊，分别设置于垫膜上下，用于夹持垫膜，从而实现对聚酯膜的夹持；夹持辊能够在施加夹持力的同时在水平方向移动，从而提供水平向的拉伸力；并且夹持辊在拉伸的过程具有转动动作；
相机，用于采集聚酯膜的图像，并将图像传输至在线处理器；
在线处理器，用于接收采集图像，并进行预处理，并将预处理的图像发送至服务器；
服务器，接收预处理图像，并利用神经网络模型进行聚酯膜图像裂缝的识别，并结合采集图像的时间，对聚酯膜力学性能进行判别；
其中神经网络模型构成为：对预处理图像
Figure 577103DEST_PATH_IMAGE001
进行如下卷积运算得到第一卷积响 应图：
Figure 415615DEST_PATH_IMAGE002
；第一卷积响应图
Figure 460931DEST_PATH_IMAGE003
降采样得到第一采样图
Figure 793823DEST_PATH_IMAGE004
；对第一采样图
Figure 342616DEST_PATH_IMAGE004
进行如下卷积运算得到第二卷积响应图：
Figure 617609DEST_PATH_IMAGE005
，其中
Figure 884642DEST_PATH_IMAGE006
为非线性激励函数，
Figure 83542DEST_PATH_IMAGE007
为线性偏置量；将第二卷 积响应图
Figure 486842DEST_PATH_IMAGE008
降采样得到第二采样图
Figure 683468DEST_PATH_IMAGE009
；对第二采样图
Figure 437797DEST_PATH_IMAGE009
进行如下卷积运算 得到第三卷积响应图：
Figure 174809DEST_PATH_IMAGE010
；进行如下映射运算得到特征空 间向量：
Figure 885145DEST_PATH_IMAGE011
将特征空间向量映射到裂缝判别结果：
Figure 314989DEST_PATH_IMAGE012
其中
Figure 291036DEST_PATH_IMAGE013
、
Figure 831738DEST_PATH_IMAGE007
、
Figure 412893DEST_PATH_IMAGE014
、
Figure 748059DEST_PATH_IMAGE015
、
Figure 476981DEST_PATH_IMAGE016
为线性偏置，
Figure 555795DEST_PATH_IMAGE017
、
Figure 240723DEST_PATH_IMAGE018
为线性权值，
Figure 746791DEST_PATH_IMAGE019
Figure 963008DEST_PATH_IMAGE020
。
相机位于聚酯膜上方。
在线处理器设置在生产线周边。
在线处理器设置在检测线周边。
在线处理器中还存储有样本图像，从而使得在线处理器能够利用样本图像对采集图像进行预处理。
服务器还用于对神经网络模型进行样本训练。
服务器判别图像中存在裂缝时，提示用户，并记录此时已进行的拉伸时间Ta，衡量Ta与标准时间的比较，确定聚酯膜力学性能是否符合要求。
服务器中预先设定Tb作为考察时间，经过Tb时间后服务器未检测到图像中存在裂缝，则判断聚酯膜力学性能符合要求。
相机的采集帧率为1-2帧/秒。
在检测时，当输出y>0.5，认为图像中包含裂缝，否则认为图像中不包含裂缝。
本发明的发明点及技术效果：
1、通过使用垫膜，特别是优化后的垫膜厚度，避免在拉伸过程中机械夹持装置直接与待拉伸膜接触导致的受力不均匀的问题，从而避免局部由于拉伸结构导致过早缝隙，从而影响对聚酯膜力学性能的准确判断。
2、夹持装置设置为可以平动和滚动的辊，使得整个拉伸过程更加平滑，避免刚性机械拉伸导致的突然性力学性能下降，使得整个采集系统和处理系统无法及时反应。
3、本发明通过样本图像与采集图像的像素分布值修正方法，使采集图像中材料相关的像素分布更均匀，并且保持在多幅采集图像中材料像素分布的一致性，能够避免背景光影响，为神经网络模型判别提供较好的预处理图像，从而提高检测准确度。此外，提出了一种适用于聚酯膜裂缝检测的神经网络模型构成方式，基于线性模型与非线性模型的组合对图像进行检测，提取图像中与裂缝有关的响应信息，从而实现对裂缝的快速、准确检测，使得该神经网络模型能够应用于生产线上。
附图说明
图1为检测装置结构图。
具体实施方式
聚酯薄膜材料在老化的初期通常会产生裂纹，而经过大量实验发现，裂纹是反映材料老化程度与力学性能的关键线索。随着拉伸的程度不断增大，被测材料开始产生裂缝，并且裂缝不断扩大并成圆形，最终整体撕裂；相应的，材料的应力分布逐渐集中于裂缝处并不断发展。
基于上述分析，本发明提出了如下检测装置用于通过检测裂缝的出现来判断聚酯膜的力学性能。如此规避了拉伸率通过图像方式不易测得、聚酯膜受力后图像表征不明显的问题。
（一）检测装置结构
包括垫膜L2，用于设置在待检测聚酯膜L1两端的上下两面，用于对聚酯膜形成夹持。垫膜材质与待检测聚酯膜材质相同。例如待检测聚酯膜材料为PP，则垫膜材料也选择PP。但作为一种优选，垫膜的厚度D与待检测聚酯膜厚度d的关系为：2.3d＜D＜3.7d。如此，可以保证待检测聚酯膜在拉伸过程中受力均匀，防止由于施力结构接触导致的局部受力过大，或局部受力方向异常；同时可以保证夹持力能够充分传递至聚酯膜上，避免拉伸过程中滑动现象的发生。作为一种优选，垫膜表面为粗糙表面。
夹持辊L3，包括多个，分别设置于垫膜上下，用于夹持垫膜，从而实现对聚酯膜的夹持。夹持辊可以在施加夹持力的同时在水平方向移动，从而提供水平向的拉伸力，带动聚酯膜被拉伸。作为一种优选，夹持辊在拉伸的过程中，发生一定的转动。也就是通过滑动和转动同时实施的方式。如此可以提供更为温和的拉伸力，避免刚性拉伸导致的突然断裂，从而导致在图像上无法充分体现，力学性能检测失败。
相机L4，位于聚酯膜上方，用于以一定帧率采集聚酯膜的图像，并将图像传输至在线处理器L5。作为一种优选，帧率可以为1-2帧/秒。
在线处理器L5，设置在生产线、或检测线周边，用于接收采集图像，并进行预处理，并将预处理的图像发送至服务器。此外，在线处理器中还存储有样本图像，从而使得在线处理器可以利用样本图像对采集图像进行预处理。
服务器L6，接收预处理图像，并利用神经网络模型进行聚酯膜图像裂缝的识别，当判别图像中存在裂缝时，提示用户，并记录此时已进行的拉伸时间Ta，即经过时间Ta后聚酯膜发生裂缝。衡量Ta与标准时间的比较，确定聚酯膜力学性能是否符合要求。此外，也可以预先设定Tb作为考察时间，即经过Tb时间后服务器未提示发生裂缝则判断聚酯膜力学性能符合要求。此外，服务器还用于对神经网络模型进行样本训练。
（二）检测流程
步骤1：采集聚酯膜图像
采用可见光摄像机在聚酯膜力学拉伸实验中以一定帧率采集聚酯膜材料正面图像，并将采集到的每张图像经过预处理后传递给图像识别模块。
将被测材料平铺于拉伸试验台上并固定，令可见光摄像机垂直对准试验台，保持 材料位于摄像机视场的中央部分；控制摄像机与试验台的距离，使材料大约覆盖摄像机视 场中央的约2/3面积。材料的像素值分布预先已知，可通过采集被测材料的样本图像统计获 得，记分布为
Figure 783197DEST_PATH_IMAGE021
，
Figure 322632DEST_PATH_IMAGE022
表示图像的像素值，对于数字可见光图像一般为离散值，值域为0-255。
所述样本图像，是指根据需要事先准备的已知特征的图像，具体的已知特征根据需求确定。此处样本图像的已知特征为图像的像素分布。
取任一张采集的图像
Figure 265180DEST_PATH_IMAGE023
，称为采集图像，记其直方图分布为
Figure 703114DEST_PATH_IMAGE024
，
Figure 61414DEST_PATH_IMAGE022
表示图像的像 素值。计算采集图像与样本图像像素值分布的互相关系数
Figure 533984DEST_PATH_IMAGE025
。作为一种优选，样本 图像像素值分布可以通过样本相加取平均的方式获得，即获得大量样本图像像素值的平均 分布情况。根据互相关定义：
Figure 381854DEST_PATH_IMAGE026
其中
Figure DEST_PATH_IMAGE027
，
Figure 494036DEST_PATH_IMAGE028
为样本图像与采集图像像素分布的偏移量。根据下式求取使样 本图像与采集图像像素分布最接近的偏移量：
Figure 718344DEST_PATH_IMAGE029
其中max含义为在
Figure 45420DEST_PATH_IMAGE025
最大时
Figure 267454DEST_PATH_IMAGE028
的取值。
由于不同图像的亮度分布容易受到环境的影响，因此被测材料在样本图像与采集 图像中的均值可能不同；通过式(2)求取被测材料在采集图像中分布相对于样本图像的偏 移量，并根据偏移量
Figure 679981DEST_PATH_IMAGE030
对采集图像进行亮度修正，使采集图像中材料相关的像素分布更均 匀，并且保持在多幅采集图像中材料像素分布的一致性，有利于后续的识别过程：
Figure DEST_PATH_IMAGE031
Figure 442400DEST_PATH_IMAGE032
为采集图像修正后的像素分布，对应图像
Figure 810934DEST_PATH_IMAGE033
为将
Figure 266186DEST_PATH_IMAGE023
修正后的图像。预处理结束。
步骤2：聚酯薄膜材料图像中裂缝的检测
将经预处理后的聚酯薄膜材料图像做空间滤波，得出图像中不同尺度子图的滤波器响应，并通过样本学习获得与裂缝相关性较高的滤波器参数，进而在图像中检测出裂缝。
输入一幅预处理的图像：
Figure 166009DEST_PATH_IMAGE034
Figure 669802DEST_PATH_IMAGE035
表示图像的空间坐标。
Figure 705891DEST_PATH_IMAGE001
表示坐标在
Figure 332045DEST_PATH_IMAGE035
的图像像素的值。空间滤波的意义 是图像与特定的滤波器之间的卷积响应。所述滤波器，又称滤波器窗口，是指一个二维矩 阵，其尺寸通常远小于图像尺寸。假设滤波器为
Figure 719164DEST_PATH_IMAGE036
，u、v为滤波器矩阵坐标，则卷积响应 为：
Figure 10337DEST_PATH_IMAGE037
对于不同的滤波器，原图将通过式(4)得到不同的响应，每个响应是与原图等尺寸的一个二维矩阵，也称为卷积响应图。滤波器又称为卷积核。
根据式(4)，选取16组相互独立的卷积核
Figure 166511DEST_PATH_IMAGE038
、
Figure 901249DEST_PATH_IMAGE039
、…、
Figure 510085DEST_PATH_IMAGE040
。相应的可生成16组相互 独立的卷积响应：
Figure 683578DEST_PATH_IMAGE041
式(5)中，每个卷积核
Figure 694259DEST_PATH_IMAGE042
的尺寸为13*13。
Figure 849166DEST_PATH_IMAGE003
表示卷积响应，
Figure 945298DEST_PATH_IMAGE013
为一线性 偏置量，用于对图像整体的亮度进行纠偏。
卷积响应图
Figure 391322DEST_PATH_IMAGE003
中包含了在一定尺度下与特定卷积核
Figure 459773DEST_PATH_IMAGE042
有关的信息。如果 裂缝在图像中的像素分布恰好符合某个卷积核的分布，那么这个卷积核将产生强响应，可 根据此判断图像中是否存在裂缝。但由于裂缝在图像中的尺度（即相对尺寸大小）未知，根 据前述思路可采用不同尺寸的卷积核再实施检测。故定义：
Figure 598630DEST_PATH_IMAGE043
根据式(6)，
Figure 182058DEST_PATH_IMAGE004
对应于将响应图
Figure 618724DEST_PATH_IMAGE003
缩小1/4，并且每个像素值等于其缩小 前所对应的16个像素中的最大值。将缩小后的图像再次经过卷积核，可以获得新尺度下的 卷积响应图：
Figure 603998DEST_PATH_IMAGE044
根据式(7)，
Figure 913756DEST_PATH_IMAGE045
,
Figure 922164DEST_PATH_IMAGE019
为16个该尺度下的卷积核，
Figure 975570DEST_PATH_IMAGE007
为线性偏置量，
Figure 815350DEST_PATH_IMAGE004
是前一步的输出。
Figure 296010DEST_PATH_IMAGE006
为一非线性激励函数，用于使卷积核组成的线性模型具有非线性 近似能力，定义如下：
Figure 775402DEST_PATH_IMAGE046
式(8)中，
Figure DEST_PATH_IMAGE047
为控制收敛度的参数，对滤波器模型性能有一定影响，根据大量数 据测试选取优选值
Figure 632500DEST_PATH_IMAGE048
.
进一步将图像缩小获取新的尺度，定义：
Figure 326786DEST_PATH_IMAGE049
根据式(9)，
Figure 916031DEST_PATH_IMAGE009
对应于将响应图
Figure 961347DEST_PATH_IMAGE008
缩小1/4，并且每个像素值等于其缩小 前所对应的16个像素中的最大值。将缩小后的图像再次经过卷积核，可以获得新尺度下的 卷积响应图：
Figure 543507DEST_PATH_IMAGE050
根据式(10)，
Figure 92300DEST_PATH_IMAGE051
,
Figure 180342DEST_PATH_IMAGE019
为16个该尺度下的卷积核，
Figure 385058DEST_PATH_IMAGE014
为线性偏置量，
Figure 318379DEST_PATH_IMAGE009
是前一步的输出。
Figure 987258DEST_PATH_IMAGE006
为非线性函数定义如(8)。
定义一维向量用于将矩阵卷积核映射到一维空间，进一步简化响应的特征空间：
Figure 246201DEST_PATH_IMAGE052
Figure 921902DEST_PATH_IMAGE053
为根据式(10)计算的响应图中的一个像素，
Figure 924493DEST_PATH_IMAGE017
为与其对应的一项线性 权值，其值根据
Figure 447878DEST_PATH_IMAGE054
的取值不同而不同。
Figure 612143DEST_PATH_IMAGE015
为线性偏置量。
Figure 791452DEST_PATH_IMAGE006
为非线性函数定义如(8)
将式(11)的特征空间映射到裂缝检测结果y：
Figure 332154DEST_PATH_IMAGE055
其中，
Figure 710046DEST_PATH_IMAGE018
为与
Figure 497742DEST_PATH_IMAGE056
有关的线性权值，
Figure 961085DEST_PATH_IMAGE057
为上一步计算结果，
Figure 305478DEST_PATH_IMAGE016
为线性偏置量。
Figure 803456DEST_PATH_IMAGE006
为非 线性函数定义如(8)。y的取值范围为[0, 1]，当y=0时，表示在输入图像
Figure 247207DEST_PATH_IMAGE033
中没有检测到裂 缝，y=1时，表示检测到裂缝。
根据上述定义(5)-(12)，还需确定式中各项滤波器参数、线性偏置量参数、权值参 数。可准备若干用于学习的样本图像，包括两类图像，一类是包含有完好被测薄膜材料的图 像，一类是包含有裂缝的被测薄膜材料的图像，每张图像有一个已知特征
Figure 463424DEST_PATH_IMAGE058
，并且对应于两 类样本图像，
Figure 345930DEST_PATH_IMAGE059
表示图像没有裂缝，
Figure 698414DEST_PATH_IMAGE060
表示图像中有裂缝。
对于前一步所述用于学习的样本图像，预先设定所有滤波器参数为1，线性偏置量 参数为0，权值参数为1作为初始值，根据式(5)-(12)可计算其最终输出值
Figure 562333DEST_PATH_IMAGE061
，与已知的特征
Figure 268DEST_PATH_IMAGE058
值存在误差定义如下：
Figure 686464DEST_PATH_IMAGE062
Figure 831138DEST_PATH_IMAGE063
为控制系数，有助于提高检测方法对噪声的鲁棒性。作为优选，取
Figure 944587DEST_PATH_IMAGE064
。
根据式(13)，并采用BP算法，可迭代计算并使
Figure 869818DEST_PATH_IMAGE065
趋于最小化，当
Figure 94126DEST_PATH_IMAGE065
达到迭 代条件时，所获得参数作为式(5)-(12)中最终采用的参数。
下一步即可根据(5)-(12)检测任一张输入图像中是否包含裂缝。当输出
Figure 608153DEST_PATH_IMAGE066
， 认为图像中包含裂缝，否则认为图像中不包含裂缝。
采用步骤1所述方法采集图像并进行预处理，采用步骤2所述方法对预处理后的图像进行检测，可以检测聚酯薄膜材料图像中是否存在裂缝。本发明方法可以在聚酯薄膜材料受到拉伸断裂前发现其表观异常，由于材料发生裂缝与其力学性能的改变高度相关，故本发明方法可以间接实现对聚酯薄膜材料力学性能的检测，并在异常情况出现时提前做出反应。
表1、表2给出了通过本发明方法测量聚酯薄膜材料在拉伸试验中发生裂缝情形的检测结果，并与专业的应力测试成像系统测试结果相对比，比较检测出裂缝时其力学性能是否发生变化。结果表明，本发明所述方法与经典方法测试结果相比误差小，准确度高，故可作为经典测试方法的有效替代。
表1、不同测量方法结果对照
Figure 892503DEST_PATH_IMAGE067
表2、拉伸试验首次发现异常的时间误差
Figure 39451DEST_PATH_IMAGE068
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)

1.一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：包括
多个垫膜，分别设置在待检测聚酯膜两端的上下两面，用于对待检测聚酯膜形成夹持；垫膜材质与待检测聚酯膜材质相同；垫膜的厚度D与待检测聚酯膜厚度d的关系为：2.3d＜D＜3.7d；
多个夹持辊，分别设置于垫膜上下，用于夹持垫膜，从而实现对聚酯膜的夹持；夹持辊能够在施加夹持力的同时在水平方向移动，从而提供水平向的拉伸力；并且夹持辊在拉伸的过程具有转动动作；
相机，用于采集聚酯膜的图像，并将图像传输至在线处理器；
在线处理器，用于接收采集图像，并进行预处理，并将预处理的图像发送至服务器；
服务器，接收预处理图像，并利用神经网络模型进行聚酯膜图像裂缝的识别，并结合采集图像的时间，对聚酯膜力学性能进行判别；
其中神经网络模型构成为：对预处理图像
Figure DEST_PATH_IMAGE002
进行如下卷积运算得到第一卷积响应图：
Figure DEST_PATH_IMAGE004
；第一卷积响应图
Figure DEST_PATH_IMAGE006
降采样得到第一采样图
Figure DEST_PATH_IMAGE008
；对第一采样图
Figure 273312DEST_PATH_IMAGE008
进行如下卷积运算得到第二卷积响应图：
Figure DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE012
为非线性激励函数；将第二卷积响应图
Figure DEST_PATH_IMAGE014
降采样得到第二采样图
Figure DEST_PATH_IMAGE016
；对第二采样图
Figure 640770DEST_PATH_IMAGE016
进行如下卷积运算得到第三卷积响应图：
Figure DEST_PATH_IMAGE018
；进行如下映射运算得到特征空间向量：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE026
分别为得到第一卷积响应图步骤、得到第二卷积响应图步骤、得到第三卷积响应图步骤中的卷积核；
将特征空间向量映射到裂缝判别结果：
Figure DEST_PATH_IMAGE028
其中
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE038
为线性偏置，
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE042
为线性权值，
Figure DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE046
。
2.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：相机位于聚酯膜上方。
3.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：在线处理器设置在生产线周边。
4.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：在线处理器设置在检测线周边。
5.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：在线处理器中还存储有样本图像，从而使得在线处理器能够利用样本图像对采集图像进行预处理。
6.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：服务器还用于对神经网络模型进行样本训练。
7.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：服务器判别图像中存在裂缝时，提示用户，并记录此时已进行的拉伸时间Ta，衡量Ta与标准时间的比较，确定聚酯膜力学性能是否符合要求。
8.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：服务器中预先设定Tb作为考察时间，经过Tb时间后服务器未检测到图像中存在裂缝，则判断聚酯膜力学性能符合要求。
9.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：相机的采集帧率为1-2帧/秒。
10.如权利要求1所述的一种基于光学识别的聚酯膜力学性能检测装置，其特征在于：在检测时，当输出y>0.5，认为图像中包含裂缝，否则认为图像中不包含裂缝。
CN202210560010.5A 2022-05-23 2022-05-23 一种基于光学识别的聚酯膜力学性能检测装置 Active CN114648532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210560010.5A CN114648532B (zh) 2022-05-23 2022-05-23 一种基于光学识别的聚酯膜力学性能检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210560010.5A CN114648532B (zh) 2022-05-23 2022-05-23 一种基于光学识别的聚酯膜力学性能检测装置

Publications (2)

Publication Number Publication Date
CN114648532A CN114648532A (zh) 2022-06-21
CN114648532B true CN114648532B (zh) 2022-08-23

Family

ID=81997421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210560010.5A Active CN114648532B (zh) 2022-05-23 2022-05-23 一种基于光学识别的聚酯膜力学性能检测装置

Country Status (1)

Country Link
CN (1) CN114648532B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1916667A (zh) * 2005-08-17 2007-02-21 富士胶片株式会社 光学树脂膜以及使用该光学树脂膜的偏光膜和液晶显示装置
CN101077643A (zh) * 2006-04-10 2007-11-28 屈德加薄膜产品股份有限公司 通过若干拉伸步骤制备的弹性薄膜层压物
CN103862767A (zh) * 2014-03-27 2014-06-18 昊辰（无锡）塑业有限公司 一种用于轮胎生产中重复使用的聚乙烯隔离膜及其制备方法
CN106459898A (zh) * 2013-12-20 2017-02-22 哈佛大学校长及研究员协会 低剪切微流控装置及其使用方法和制造方法
CN109993094A (zh) * 2019-03-26 2019-07-09 苏州富莱智能科技有限公司 基于机器视觉的材料缺陷智能检测系统及方法
CN110009019A (zh) * 2019-03-26 2019-07-12 苏州富莱智能科技有限公司 磁性材料裂纹智能检测系统及方法
CN111527165A (zh) * 2017-12-21 2020-08-11 3M创新有限公司 包括缓冲层和不连续壳层的粘合剂制品
CN112044286A (zh) * 2020-09-08 2020-12-08 山东谷雨春生物科技有限公司 一种金属多孔膜管及其制备方法和应用
CN112465748A (zh) * 2020-11-10 2021-03-09 西南科技大学 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN112649391A (zh) * 2020-12-03 2021-04-13 浙江大学 一种纤维质量等级在线检测系统及其应用
CN113740034A (zh) * 2021-08-19 2021-12-03 中国科学院合肥物质科学研究院 基于光学干涉的薄膜均匀性检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144392A (zh) * 2019-11-21 2020-05-12 贵州财经大学 一种基于神经网络的极低功耗光学目标检测方法及装置
CN113822880A (zh) * 2021-11-22 2021-12-21 中南大学 一种基于深度学习的裂缝识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1916667A (zh) * 2005-08-17 2007-02-21 富士胶片株式会社 光学树脂膜以及使用该光学树脂膜的偏光膜和液晶显示装置
CN101077643A (zh) * 2006-04-10 2007-11-28 屈德加薄膜产品股份有限公司 通过若干拉伸步骤制备的弹性薄膜层压物
CN106459898A (zh) * 2013-12-20 2017-02-22 哈佛大学校长及研究员协会 低剪切微流控装置及其使用方法和制造方法
CN103862767A (zh) * 2014-03-27 2014-06-18 昊辰（无锡）塑业有限公司 一种用于轮胎生产中重复使用的聚乙烯隔离膜及其制备方法
CN111527165A (zh) * 2017-12-21 2020-08-11 3M创新有限公司 包括缓冲层和不连续壳层的粘合剂制品
CN109993094A (zh) * 2019-03-26 2019-07-09 苏州富莱智能科技有限公司 基于机器视觉的材料缺陷智能检测系统及方法
CN110009019A (zh) * 2019-03-26 2019-07-12 苏州富莱智能科技有限公司 磁性材料裂纹智能检测系统及方法
CN112044286A (zh) * 2020-09-08 2020-12-08 山东谷雨春生物科技有限公司 一种金属多孔膜管及其制备方法和应用
CN112465748A (zh) * 2020-11-10 2021-03-09 西南科技大学 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN112649391A (zh) * 2020-12-03 2021-04-13 浙江大学 一种纤维质量等级在线检测系统及其应用
CN113740034A (zh) * 2021-08-19 2021-12-03 中国科学院合肥物质科学研究院 基于光学干涉的薄膜均匀性检测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Using gated recurrence units neural network for prediction of melt spinning properties;Ruimin Xie等;《2017 11th Asian Control Conference (ASCC)》;20180208;2286-2291 *
建筑膜材料力学性能研究;邹宗勇;《万方》;20101222;1-66 *
电热膜装配自动线设计及其剪切机构可靠性分析;张艳慧;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20210215;第2021年卷(第2期);B016-1139 *
高压交联聚乙烯电力电缆接头绝缘缺陷检测及识别研究;魏钢;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20140215;第2014年卷(第2期);C042-3 *

Also Published As

Publication number Publication date
CN114648532A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN109949305B (zh) 产品表面缺陷检测方法、装置及计算机设备
CN109086675B (zh) 一种基于光场成像技术的人脸识别及攻击检测方法及其装置
US20030161506A1 (en) Face detection computer program product for redeye correction
CN110210448B (zh) 一种智能人脸皮肤老化程度的识别与评估方法
CN111242123A (zh) 一种基于红外图像的电力设备故障诊断方法
KR101057626B1 (ko) 화상 분석을 이용한 편광판 얼룩 검사 방법 및 이를 이용한 편광판 얼룩 자동 검사 시스템
Shrestha et al. A quantitative approach to evaluate image quality of whole slide imaging scanners
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN110728312A (zh) 一种基于区域自适应注意力网络的干眼症分级系统
CN109801320A (zh) 一种基于面部分区的皮肤干燥状态智能识别方法及系统
CN116402742A (zh) 一种汽车钣金件表面缺陷的视觉检测方法及系统
CN114648532B (zh) 一种基于光学识别的聚酯膜力学性能检测装置
JPH08189904A (ja) 表面欠陥検出装置
CN106204523A (zh) 一种图像质量度量方法及装置
CN116883412A (zh) 一种石墨烯远红外电热设备故障检测方法
JPH1096696A (ja) 対象物にあるむらの検査方法および装置
JP3445327B2 (ja) 光沢むらおよび印刷むら測定方法および装置
KR20120122301A (ko) 색차 분석을 이용한 편광판 얼룩 자동 검사 장치
CN113218998A (zh) 一种基于全局莫兰指数的涡流热成像缺陷识别方法
CN111669575B (zh) 图像处理效果的测试方法、系统、电子设备、介质及终端
JPH1194767A (ja) 地合検査方法および装置
CN114166850A (zh) 一种基于差分张量分解的光激励红外热成像缺陷检测方法
CN108519066B (zh) 一种基于四侧光源图像的织物平整度的客观评定方法
JP5549536B2 (ja) 分析装置、分析方法およびコンピュータプログラム
JP3498120B2 (ja) 光沢むらの高精度測定方法および装置

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