CN114742835B - 一种液晶弹性体材料阵列性能的测试设备 - Google Patents

一种液晶弹性体材料阵列性能的测试设备 Download PDF

Info

Publication number
CN114742835B
CN114742835B CN202210660005.1A CN202210660005A CN114742835B CN 114742835 B CN114742835 B CN 114742835B CN 202210660005 A CN202210660005 A CN 202210660005A CN 114742835 B CN114742835 B CN 114742835B
Authority
CN
China
Prior art keywords
liquid crystal
crystal elastomer
array
deformation
image
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
CN202210660005.1A
Other languages
English (en)
Other versions
CN114742835A (zh
Inventor
魏海云
王磊
丁志岩
郭宗辉
张萍
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.)
Xinxiang Vocational and Technical College
Original Assignee
Xinxiang Vocational and Technical College
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 Xinxiang Vocational and Technical College filed Critical Xinxiang Vocational and Technical College
Priority to CN202210660005.1A priority Critical patent/CN114742835B/zh
Publication of CN114742835A publication Critical patent/CN114742835A/zh
Application granted granted Critical
Publication of CN114742835B publication Critical patent/CN114742835B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提出一种液晶弹性体材料阵列性能的测试设备，利用非接触的光学相机采集被测液晶弹性体阵列模块的图像，利用机器视觉的学习方法对液晶弹性体阵列单元处于不同形变状态下的图像参数进行学习，实现根据图像参数对液晶弹性体阵列单元形变性能的检测和异常单元的定位。

Description

一种液晶弹性体材料阵列性能的测试设备
技术领域
本发明涉及材料性能测试领域，特别涉及一种液晶弹性体材料阵列性能的测试设备。
背景技术
液晶弹性体是一种新型材料，它同时具备液晶材料独特的位置序和取向序，又具备一般聚合物的弹性性能，因此具有一些独特的物理应变特性，如软弹性、形状记忆特性、热致应变特性、光致应变特性等。如同液晶对外部刺激敏感一样，液晶弹性体对热、光、电等外部作用场极敏感，可以在外场作用下快速变形，而且在外场刺激撤销后能够恢复到原始状态。因此有在各种新兴行业的潜质，如致动器、传感器、人造肌肉、形状记忆材料、数据存储、可调激光等领域。
由于光照具有清洁、无污染的特点，且易于实现空间、时间上的精准控制，液晶弹性体的光照敏感特性被广泛利用，在给光驱动器件领域应用具有广阔前景。例如，可利用光驱动液晶弹性体制作动物仿生“机械手臂”，通过不同激发光源的协同作用控制“手臂”做出挥舞、爬行等动作。此外，将液晶弹性体做成以阵列形式排列的“触觉”显示器，当光源激活时，临近光源的表面发生形变，可用于盲文显示。
上述液晶弹性体阵列包含若干“单元”，每个单元的激发光源受到独立控制，实现对应单元的“突起”和“平坦”状态，形成需要的形变特征。但由于液晶弹性体的自身性质，其力学性能还存在诸多缺点，例如应力不足、收缩性能达不到指标，易受干扰，抗疲劳性差等。因此，在阵列设备制成投入使用前，需要对设备的性能进行检测，即验证各单元在激发光源控制下能否产生预期的形变效果。
现有技术中通常采用人工目视方法判断液晶弹性体材料的形变，但由于准确度不够，对定量的研究造成了障碍。也有人提出使用机器视觉的方式进行材料形变的检测，但图像算法复杂，准确度较低。并且，由于液晶弹性体材料的特殊光学特性，一般材料形变图像算法无法准确实现检测，目前还未有也没有专门针对液晶弹性体材料的图像处理算法。并且大多数算法只能判别整个阵列形变正常还是异常，但无法准确定位出现异常的单元位置。
发明内容
本发明创新的提出一种液晶弹性体阵列模块的参照图像学习与非接触光学检测方法，利用非接触的光学相机采集被测液晶弹性体阵列模块的图像，利用机器视觉的学习方法对液晶弹性体阵列单元处于不同形变状态下的图像参数进行学习，实现根据图像参数对液晶弹性体阵列单元形变性能的检测和异常单元的定位。
一种液晶弹性体材料阵列性能的测试设备，包括传送带、光源、光学相机和处理器；
其中传送带用于承载待检测的液晶弹性体材料阵列，将其传输至检测区域；待测液晶弹性体材料阵列包括多个液晶弹性体单元和基板，多个液晶弹性体单元位于模块基板上，呈矩阵排布；
光源用于向待检测的液晶弹性体材料阵列照射光线，从而使得液晶弹性体单元发生形变；
光学相机用于采集已发生形变的液晶弹性体单元的形变图像，并将该图像传输至处理器；
处理器用于接收光学相机采集的形变图像，并执行如下方法：
（1）根据液晶弹性体单元的颜色分布和基板的颜色分布确定形变图像的概率图
Figure DEST_PATH_IMAGE002
；对概率图作进行如下处理得到特征分布图：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE008
为两个预设方阵，
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
为方阵元素的空间坐标；
利用同样方法事先计算出标准形变图像的特征分布图
Figure DEST_PATH_IMAGE014
；
（2）对形变图像特征分布图
Figure DEST_PATH_IMAGE016
中的每个像素计算其单元响应距离
Figure DEST_PATH_IMAGE018
；事先对标准形变图像特征分布图
Figure 441854DEST_PATH_IMAGE014
中的每个像素，计算其单元响应距离
Figure DEST_PATH_IMAGE020
；分别取上述两个单元响应距离中最大的前N个像素，计算形变图像特征分布图和标准形变图像特征分布图的空间相似性；
利用形变图像特征分布图和标准形变图像特征分布图的数学期望和两个分布图中的像素个数计算两者内容相似性；
（3）当空间相似性≤10，内容相似性>0.8时，则形变符合要求，否则形变异常；当形变异常时，输出如下灰度图
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
分别表示以
Figure DEST_PATH_IMAGE026
为中心、周围
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE030
范围内的像素坐标；
Figure DEST_PATH_IMAGE032
为控制系数；
根据灰度图中灰度值大小来定位形变异常的液晶弹性体单元的位置。
Figure 525479DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE034
。
Figure DEST_PATH_IMAGE036
。
光源为两个。
两个光源分别位于检测区左上方、右上方。
两个光源分别照射液晶弹性体材料阵列左半部分和右半部分。
两个光源交替照射。
左上方的光源通过光照使得阵列左侧液晶弹性体单元发生形变，而右侧液晶弹性体单元未发生形变，构成第一图案。
右上方的光源通过光照使得阵列右侧液晶弹性体单元发生形变，而左侧液晶弹性体单元未发生形变，构成第二图案。
处理器为单片机、CPU、DSP、电脑、服务器。
本发明的发明点及技术效果：
1、本发明提出一种基于非接触光学图像采集与机器学习的检测方法，利用非接触的光学相机采集被测液晶弹性体阵列模块的图像，利用机器学习方法对液晶弹性体阵列单元处于一定形变状态下的参照图像参数进行学习，并将待检测图像的参数与参照图像参数进行比较，推论待检测图像的形变状态与参照图像形变状态的一致性，实现对被测液晶弹性体阵列模块形变性能检测，同时创造性地利用输出灰度图的算法来指示形变异常的单元位置，能够直观、准确帮助用户定位异常单元。
2、本发明提出一种基于概率图的采集源图像分布的计算及滤波方法，用于去除源图像中存在的像素级噪声，获得源图像的特征分布图
Figure 10000253404684
，从而更加准确的反映源图像中液晶弹性体单元的分布特征。
3、本发明提出一种单元响应距离计算方法，以及其派生的特征分布图的空间相似性度量方法，用于衡量两幅特征分布图的空间相似性，以全面准确实现基于图像度量的形变状态检测。更进一步，提出一种基于特征分布图空间相似性、内容相似性联合度量方法，可以排除局部像素异常带来的干扰，增强基于图像度量的形变检测的鲁棒性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是液晶弹性体阵列在两种检测状态下的图案示意图。
具体实施方式
设备包括传送带、光源、光学相机和处理器。
其中传送带用于承载待检测的液晶弹性体材料阵列，将其依次传输至光照区域、和采集区域。
待测液晶弹性体材料阵列模块包括液晶弹性体单元和模块基板，其中多个液晶弹性体单元位于模块基板上，矩阵排布。
光源位于光照区域内，用于向待检测的液晶弹性体材料照射光线，从而使得液晶弹性体材料发生形变。光学相机位于采集区域，用于采集已发生形变的液晶弹性体材料的图像，并将图像传输至处理器。作为一种方案，光照区和采集区可以全部或部分重合，避免采集图像时无光照导致变形不彻底。作为另一种方案，光照区和采集区全部重合作为检测区，但光源包括两个，分别位于检测区左、右上方，从而避免干扰相机采集。
处理器，用于接收相机的图像，并对图像进行处理和识别检测，从而判断液晶弹性体材料形变性能。处理器为单片机、CPU、DSP、电脑、服务器。具体处理和检测方法如下。
（1）液晶弹性体阵列模块图像的预处理
利用光学相机采集液晶弹性体阵列模块图像，将采集的图像表示成数字二维矩阵形式；图像内容是液晶弹性体阵列模块，包括若干按行、列分布排列的液晶弹性体单元；每个单元受到独立控制的激发光源影响，当受到光照时，单元逐渐产生形变，当光照解除后，单元逐渐恢复原有形态。形变发生后，所有液晶弹性体单元在图像中反映出的分布特征发生改变，故可通过识别图像分布特征来区分某些单元是否发生形变。
采集一张液晶弹性体阵列模块图像，包括若干按行、列分布排列的液晶弹性体单元，其具有一定的颜色特征，与陈列模块的基板相区分。在图像中，通过预处理方法对图像中的每一个像素作标记，判断其属于液晶弹性体可形变部分的概率，并形成液晶弹性体阵列模块图像的概率图，并对概率图进行滤波优化，获得液晶弹性体阵列模块图像的特征分布图。
设液晶弹性体单元、模块基板的颜色特征分布分别记为
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE040
，该分布可根据模块制造材料进行事先测量统计，获得相应的分布函数
Figure 464485DEST_PATH_IMAGE038
、
Figure 286947DEST_PATH_IMAGE040
，或根据现实条件合理预估一种分布函数，用于构建上述颜色特征分布。
例如，设液晶弹性体单元、模块基板的颜色特征均服从高斯分布，液晶弹性体单元的颜色服从分布
Figure 553980DEST_PATH_IMAGE038
，模块基板的颜色服从分布
Figure 337170DEST_PATH_IMAGE040
：
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE044
(1)、(2)中，x表示颜色值，
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE048
分别表示分布
Figure 130683DEST_PATH_IMAGE038
、
Figure 186363DEST_PATH_IMAGE040
的均值，
Figure DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE052
分别表示分布
Figure 206272DEST_PATH_IMAGE038
、
Figure 507066DEST_PATH_IMAGE040
的方差。
Figure DEST_PATH_IMAGE054
表示自然指数。
设图像的一个像素表示为
Figure DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE058
为像素的颜色值，
Figure 92768DEST_PATH_IMAGE026
表示像素在图像中的空间位置。记图像的概率图
Figure 522612DEST_PATH_IMAGE002
表示如下：
Figure DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE062
表示在空间位置
Figure DEST_PATH_IMAGE064
处像素的颜色值，
Figure 888871DEST_PATH_IMAGE002
为概率图在相应的空间位置
Figure 724847DEST_PATH_IMAGE064
处的像素值。概率图描述了图像中的一个像素属于液晶弹性体单元的可能性。由于单一像素值容易受到噪声干扰，故进一步的，对概率图作进行如下处理：
Figure DEST_PATH_IMAGE066
(4)中，
Figure 492952DEST_PATH_IMAGE006
、
Figure 828118DEST_PATH_IMAGE008
为两个方阵，
Figure 557040DEST_PATH_IMAGE010
，
Figure 635854DEST_PATH_IMAGE012
为方阵元素的空间坐标，
Figure 196148DEST_PATH_IMAGE006
、
Figure 967795DEST_PATH_IMAGE008
定义如下：
Figure DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE070
通过大量实验分析图像特点优化方阵结构和去噪算法，对概率图
Figure DEST_PATH_IMAGE072
作去噪处理，全面、准确地去除了源图像中存在的像素级噪声，获得源图像的特征分布图
Figure DEST_PATH_IMAGE074
，反映了源图像中包含液晶弹性体单元的分布特征，当液晶弹性体单元发生形变时，特征分布图亦随之发生变化，故可通过该特征分布图实施检测。
可以理解，上述预处理方法是基础方法，在学习过程中，需要对采集的标准液晶弹性体阵列在下述两个条件中的两种标准图像进行上述预处理，同时也要对待检测的液晶弹性体阵列在下述两个条件中的两种待检测图像进行上述预处理。
（2）基于图像特征的液晶弹性体阵列模块形变状态的检测
拍摄液晶弹性体阵列模块的图像，并将拍摄的源图像利用步骤1所述方法获得对应的特征分布图，根据特征分布图检测其形变状态，并与预期的形变状态相比对。
所述液晶弹性体阵列模块形变状态，是指液晶弹性体阵列模块若干单元发生形变，并通过发生形变的单元与未发生形变单元的排列组合，形成具有一定信息含义的物理形态。
为保证检测的全面准确，检测可以分成两步完成：①通过光照使得阵列左侧液晶弹性体单元发生形变，而右侧液晶弹性体单元未发生形变，构成第一图案。采集此时图像，进行形变检测。②通过光照使得阵列右侧液晶弹性体单元发生形变，而左侧液晶弹性体单元未发生形变，构成第二图案。采集此时图像，进行形变检测。如此，不仅可以检测任何一个单元在光照条件下是否可以准确发生形变，还可以检测任何一个单元在无光照条件下是否能够保持不发生形变。
由于上述方法需要进行两步检测判断，因此事先我们制作满足上述两个条件的标准液晶弹性体阵列，并采集它们的图像，从而一方面可以按如下方式通过学习确定算法参数，另一方面可以作为后续待检测图像的参考。
对上述每一个图案分别进行如下操作确定算法参数：
当需要检测某一的形变状态时，例如前文中任何一种情况的图案（第一图案或第二图案），先准备一幅模块处于相应形变状态所采集的标准图像
Figure DEST_PATH_IMAGE076
，并根据步骤1所述方法计算对应的特征分布图。
对特征分布图
Figure DEST_PATH_IMAGE078
中的每个像素
Figure 606849DEST_PATH_IMAGE014
，计算其单元响应距离
Figure 489355DEST_PATH_IMAGE020
，定义如下：
Figure DEST_PATH_IMAGE080
当
Figure DEST_PATH_IMAGE082
时，
Figure DEST_PATH_IMAGE084
Figure DEST_PATH_IMAGE086
(5)中，median表示取一个集合中所有元素的中间值。
Figure DEST_PATH_IMAGE088
为如(6)定义的集合，集合中包括8个元素，每一个元素
Figure DEST_PATH_IMAGE090
表示当
Figure DEST_PATH_IMAGE092
依次取式(7)的八组值时，使(6)中条件
Figure 589641DEST_PATH_IMAGE082
成立的
Figure DEST_PATH_IMAGE094
的最大值。T为一经验阈值，经过实验优选T=0.35。
Figure DEST_PATH_IMAGE096
表示
Figure DEST_PATH_IMAGE098
取八个方向时的最大步长，取经验值
Figure DEST_PATH_IMAGE100
。
单元响应距离
Figure 594506DEST_PATH_IMAGE020
描述了特征分布图中液晶弹性体单元的一部分与其边界的距离，单元响应距离越大，表示该部分像素越靠近液晶弹性体单元的中央。假设液晶弹性体阵列共有N个单元，取
Figure 596223DEST_PATH_IMAGE020
中最大的前N个像素的位置，作为对液晶弹性体单元的定位，记为
Figure DEST_PATH_IMAGE102
、
Figure DEST_PATH_IMAGE104
…、
Figure DEST_PATH_IMAGE106
。
上述计算标准图像参数的过程，称为学习过程。利用特征分布图与单元响应距离提供的信息，首先对标准图像根据式(5)-(7)进行学习，获得相应的标准图像单元响应距离参数，与定位参数，从而获得检测液晶弹性体阵列在该状态下的算法。进一步根据前述参数继续评估一张待检测图像与标准图像的相似性，就可以判断待检测图像中的液晶弹性体阵列是否发生了如预期的形变，具体如下。
采集待检测液晶弹性体阵列的上述两个条件下的图像，并分别与对应的标准图像 进行比对处理：
给定一张待检测图像
Figure 79157DEST_PATH_IMAGE062
，根据步骤1所述方法计算其特征分布图
Figure 551726DEST_PATH_IMAGE074
；并根据式(5)、(6)、(7)计算其每个像素的单元响应距离
Figure 727493DEST_PATH_IMAGE018
。
取
Figure 652723DEST_PATH_IMAGE018
中最大的前N个像素的位置，记为
Figure DEST_PATH_IMAGE108
、
Figure DEST_PATH_IMAGE110
…、
Figure DEST_PATH_IMAGE112
。
定义特征分布图
Figure 939348DEST_PATH_IMAGE074
、
Figure 561697DEST_PATH_IMAGE078
的空间相似性如下：
Figure DEST_PATH_IMAGE114
Figure DEST_PATH_IMAGE116
中，
Figure DEST_PATH_IMAGE118
表示两个位置
Figure DEST_PATH_IMAGE120
、
Figure DEST_PATH_IMAGE122
的相对距离。式(8)表示待检测图像特征分布图与标准图像特征分布图之间最小单元响应距离的均值，用于度量特征分布图的空间相似性。
定义特征分布图
Figure 970682DEST_PATH_IMAGE074
、
Figure 383209DEST_PATH_IMAGE078
的内容相似性如下：
Figure DEST_PATH_IMAGE124
Figure DEST_PATH_IMAGE126
中，
Figure DEST_PATH_IMAGE128
、
Figure DEST_PATH_IMAGE130
分别表示
Figure 37306DEST_PATH_IMAGE074
、
Figure 281206DEST_PATH_IMAGE078
像素值的数学期望，即平均值；
Figure DEST_PATH_IMAGE132
表示图中像素的个数，对于本发明中所有图像是一致的。式(9)描述了特征分布图对应位置像素取值的相似性。
将特征分布图的空间相似性、内容相似性联合，既可以衡量特征图之间像素纹理和内容的相似性，从而检测出特征图所对应的形变是否一致；又可以排除局部像素异常（如光照不均、阴影等）带来的干扰，增强检测的鲁棒性。
通过比较标准图像与待检测图像特征分布图的相似性度量，判定待检测图像的形变状态是否与标准图像在一定期望下相符，从而推论待检测图像中液晶弹性体阵列的形变状态是否正确发生形变。
Figure DEST_PATH_IMAGE134
对液晶弹性体阵列的两种状态分别进行上述检测步骤，若在两次检测中图像均通过检测，则认为该液晶弹性体材料符合要求。
为了验证该方法的准确性和全面性，制作了多种规格的液晶弹性体材料阵列，实验数据如下：
阵列独立单元数 检测样本（阵列模块）数 检测正确率
64 100 97.3%
256 100 97.1%
1024 100 96.8%
4096 100 96.7%
测试结果表明，本发明方法可以自动检测较大规模液晶弹性体材料阵列的形变响应性能，并取得良好的检测结果。
在自动给出液晶弹性体阵列形变结果的同时，当待检测形变图像不符合标准形变图像（即形变不符合要求）时，进一步的本方法可输出与源图像相对应的、反映液晶弹性体单元形变量的灰度图，用于指示每个液晶弹性体单元真实形变与预期形变之间的差异；灰度图中某一个像素值越低（颜色深），表示该点真实形变与预期形变相差越小，像素值越高（颜色浅），表示该点真实形变与预期形变相差越大。因此可以通过观察输出的上述灰度图中的浅色区域来协助定位可能存在问题的单元。
取前述标准图像的特征分布图
Figure 533195DEST_PATH_IMAGE078
，及检测源图像的特征分布图
Figure 495335DEST_PATH_IMAGE074
；定义灰度图如下：
Figure DEST_PATH_IMAGE136
(10)中，单竖线表示取绝对值符号，
Figure 622298DEST_PATH_IMAGE024
分别表示以
Figure 923966DEST_PATH_IMAGE026
为中心、周围
Figure 284540DEST_PATH_IMAGE028
，
Figure 733976DEST_PATH_IMAGE030
范围内的像素坐标。
Figure 103778DEST_PATH_IMAGE032
为控制系数。根据实验的经验值，可取
Figure 994373DEST_PATH_IMAGE028
，
Figure 791428DEST_PATH_IMAGE034
，
Figure 462581DEST_PATH_IMAGE036
.
根据(10)所得灰度图
Figure DEST_PATH_IMAGE138
，当
Figure 636073DEST_PATH_IMAGE138
中存在某区域的灰度值显著偏大，认为该区域包含存在问题的单元，有助于定位可能存在问题的单元。
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)

1.一种液晶弹性体材料阵列性能的测试设备，其特征在于：包括传送带、光源、光学相机和处理器；
其中传送带用于承载待检测的液晶弹性体材料阵列，将其传输至检测区域；待检测的液晶弹性体材料阵列包括多个液晶弹性体单元和基板，多个液晶弹性体单元位于模块基板上，呈矩阵排布；
光源用于向待检测的液晶弹性体材料阵列照射光线，从而使得液晶弹性体单元发生形变；
光学相机用于采集已发生形变的液晶弹性体单元的形变图像，并将该形变图像传输至处理器；
处理器用于接收光学相机采集的形变图像，并执行如下步骤：
(1)根据液晶弹性体单元的颜色分布和基板的颜色分布确定形变图像的概率图η(u,v)：
Figure FDA0003768972930000011
其中，θ＝θ(u,v)表示在空间位置(u,v)处像素的颜色值，η(u,v)为概率图在相应的空间位置(u,v)处的像素值；Θ1为液晶弹性体单元颜色所服从的高斯分布；Θ2为模块基板颜色所服从的高斯分布；
对概率图作进行如下处理得到特征分布图：
Figure FDA0003768972930000012
其中，
Figure FDA0003768972930000013
为两个预设方阵，-2≤α1,β1≤2，-4≤α2,β2≤4为方阵元素的空间坐标；u,v为空间位置；
利用同样方法事先计算出标准形变图像的特征分布图
Figure FDA0003768972930000014
(2)对形变图像特征分布图
Figure FDA0003768972930000015
中的每个像素计算其单元响应距离ρ(u,v)：
Figure FDA0003768972930000021
当
Figure FDA0003768972930000022
时，
Figure FDA0003768972930000023
Figure FDA0003768972930000024
其中，median表示取一个集合中所有元素的中间值，T为经验阈值，δ表示<k1,k2>取八个方向时的最大步长；
事先对标准形变图像特征分布图
Figure FDA0003768972930000025
中的每个像素，计算其单元响应距离ρS(u,v)；分别取上述两个单元响应距离中最大的前N个像素，计算形变图像特征分布图和标准形变图像特征分布图的空间相似性；
利用形变图像特征分布图和标准形变图像特征分布图的数学期望和两个分布图中的像素个数计算两者内容相似性；
(3)当空间相似性≤10，内容相似性>0.8时，则形变符合要求，否则形变异常；当形变异常时，输出如下灰度图
Figure FDA0003768972930000026
其中，u′,v′分别表示以u,v为中心、周围wu，wv范围内的像素坐标；λ>0为控制系数；
根据灰度图中灰度值大小来定位形变异常的液晶弹性体单元的位置。
2.如权利要求1所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：wu，wv＝4。
3.如权利要求1所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：λ＝0.9。
4.如权利要求1所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：光源为两个。
5.如权利要求4所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：两个光源分别位于检测区域左上方、右上方。
6.如权利要求5所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：两个光源分别照射液晶弹性体材料阵列左半部分和右半部分。
7.如权利要求6所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：两个光源交替照射。
8.如权利要求7所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：左上方的光源通过光照使得阵列左侧液晶弹性体单元发生形变，而右侧液晶弹性体单元未发生形变，构成第一图案。
9.如权利要求7所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：右上方的光源通过光照使得阵列右侧液晶弹性体单元发生形变，而左侧液晶弹性体单元未发生形变，构成第二图案。
10.如权利要求1所述的一种液晶弹性体材料阵列性能的测试设备，其特征在于：处理器为单片机、CPU、DSP、电脑、服务器。
CN202210660005.1A 2022-06-13 2022-06-13 一种液晶弹性体材料阵列性能的测试设备 Active CN114742835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210660005.1A CN114742835B (zh) 2022-06-13 2022-06-13 一种液晶弹性体材料阵列性能的测试设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210660005.1A CN114742835B (zh) 2022-06-13 2022-06-13 一种液晶弹性体材料阵列性能的测试设备

Publications (2)

Publication Number Publication Date
CN114742835A CN114742835A (zh) 2022-07-12
CN114742835B true CN114742835B (zh) 2022-09-02

Family

ID=82287880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210660005.1A Active CN114742835B (zh) 2022-06-13 2022-06-13 一种液晶弹性体材料阵列性能的测试设备

Country Status (1)

Country Link
CN (1) CN114742835B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360432A (zh) * 2011-09-30 2012-02-22 北京航空航天大学 一种基于测地线传播的图像场景语义标记方法
KR20120138376A (ko) * 2011-06-15 2012-12-26 한국전자통신연구원 다중 노출 카메라 영상을 이용한 자동 고속 이동 물체 검출 방법
CN103048331A (zh) * 2012-12-20 2013-04-17 石家庄印钞有限公司 基于柔性模板配准的印刷缺陷检测方法
CN104933721A (zh) * 2015-06-25 2015-09-23 西安理工大学 基于颜色滤波阵列特性的拼接图像篡改检测方法
CN106056575A (zh) * 2016-05-05 2016-10-26 南京大学 一种基于似物性推荐算法的图像匹配方法
CN109978898A (zh) * 2019-02-01 2019-07-05 广西科技大学 基于矢量场能量计算的轮廓检测方法
CN111881412A (zh) * 2020-07-28 2020-11-03 南京航空航天大学 一种基于cuda的pet系统矩阵计算方法
CN112036489A (zh) * 2020-08-31 2020-12-04 佛山市南海区广工大数控装备协同创新研究院 一种基于焊点颜色分布的pcb元件定位方法
CN113822893A (zh) * 2021-11-24 2021-12-21 中导光电设备股份有限公司 一种基于纹理特征的液晶面板外围电路检测方法和系统
CN114155353A (zh) * 2021-12-03 2022-03-08 武汉工程大学 基于液晶微透镜阵列的点云三维重建方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030215129A1 (en) * 2002-05-15 2003-11-20 Three-Five Systems, Inc. Testing liquid crystal microdisplays
CN105078418B (zh) * 2015-09-09 2017-06-30 南京理工大学 基于柔性液晶温度传感器的皮肤温度采集与成像方法
CN111898562A (zh) * 2020-08-04 2020-11-06 中国地质大学（北京） 一种智能柔性调控光源方法及系统
CN113762131A (zh) * 2021-09-01 2021-12-07 浙江树人学院（浙江树人大学） 高含硫气田的油套管双层管柱形变位置检测方法及终端

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120138376A (ko) * 2011-06-15 2012-12-26 한국전자통신연구원 다중 노출 카메라 영상을 이용한 자동 고속 이동 물체 검출 방법
CN102360432A (zh) * 2011-09-30 2012-02-22 北京航空航天大学 一种基于测地线传播的图像场景语义标记方法
CN103048331A (zh) * 2012-12-20 2013-04-17 石家庄印钞有限公司 基于柔性模板配准的印刷缺陷检测方法
CN104933721A (zh) * 2015-06-25 2015-09-23 西安理工大学 基于颜色滤波阵列特性的拼接图像篡改检测方法
CN106056575A (zh) * 2016-05-05 2016-10-26 南京大学 一种基于似物性推荐算法的图像匹配方法
CN109978898A (zh) * 2019-02-01 2019-07-05 广西科技大学 基于矢量场能量计算的轮廓检测方法
CN111881412A (zh) * 2020-07-28 2020-11-03 南京航空航天大学 一种基于cuda的pet系统矩阵计算方法
CN112036489A (zh) * 2020-08-31 2020-12-04 佛山市南海区广工大数控装备协同创新研究院 一种基于焊点颜色分布的pcb元件定位方法
CN113822893A (zh) * 2021-11-24 2021-12-21 中导光电设备股份有限公司 一种基于纹理特征的液晶面板外围电路检测方法和系统
CN114155353A (zh) * 2021-12-03 2022-03-08 武汉工程大学 基于液晶微透镜阵列的点云三维重建方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Distribution on Warp Maps for Alignment of Open and Closed Curves;Karthik Bharath 等;《J Am Stat Assoc》;20201231;第115卷(第531期);第1378-1392页 *
基于场景的红外焦平面阵列非均匀性校正;秦屹;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20140715;第2014年卷(第07期);第I138-696页 *
弹性材料后屈曲形变参数和弹性模量测定仪;姜松 等;《农业机械学报》;20130430;第44卷(第4期);第152-156页 *
阵列测向系统性能分析与仿真;孙金元 等;《桂林电子工业学院学报》;20040228;第24卷(第1期);第29-32页 *

Also Published As

Publication number Publication date
CN114742835A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN110162175B (zh) 基于视觉的触觉测量方法、装置、设备及存储介质
Costanza Model goodness of fit: a multiple resolution procedure
CN103439342B (zh) 基于热图时序特征的红外无损检测方法
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN113948220B (zh) 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法
Sovetkin et al. Automatic processing and solar cell detection in photovoltaic electroluminescence images
CN111950396A (zh) 一种仪表读数神经网络识别方法
CN114945938A (zh) 缺陷实际面积的检测方法、显示面板的检测方法及装置
CN114972194A (zh) 一种从不一致标签中检测缺陷的方法
CN116579975A (zh) 一种卷积神经网络的脑龄预测方法及系统
CN114742835B (zh) 一种液晶弹性体材料阵列性能的测试设备
CN117333489B (zh) 一种薄膜破损检测装置及检测系统
CN117274278B (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及系统
CN116205918B (zh) 基于图卷积的多模态融合半导体检测方法、装置及介质
CN114694128A (zh) 一种基于抽象度量学习的指针式仪表检测方法及系统
CN111832401A (zh) 一种电子阅卷识别方法
CN116452820B (zh) 环境污染等级确定方法及装置
CN115661349B (zh) 基于样本图像的三维重建方法、系统、设备、介质及产品
CN117451744B (zh) 红外透镜的缺陷检测方法、装置、设备及存储介质
CN116704064B (zh) 基于高光谱的污水成像方法、系统、电子设备及存储介质
CN111553418B (zh) 神经元重建错误的检测方法、装置和计算机设备
CN115393362B (zh) 一种青光眼自动识别模型选择方法、设备和介质
CN116703897B (zh) 一种基于图像处理的猪只体重估值方法
CN112013962B (zh) 一种基于cnn神经网络的mrtd参数测试方法
CN108122226B (zh) 一种玻璃缺陷的检测方法及装置

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