CN114761785A - 污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置 - Google Patents

污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置 Download PDF

Info

Publication number
CN114761785A
CN114761785A CN202080081795.7A CN202080081795A CN114761785A CN 114761785 A CN114761785 A CN 114761785A CN 202080081795 A CN202080081795 A CN 202080081795A CN 114761785 A CN114761785 A CN 114761785A
Authority
CN
China
Prior art keywords
image data
stain
evaluation
image
repellent
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.)
Granted
Application number
CN202080081795.7A
Other languages
English (en)
Other versions
CN114761785B (zh
Inventor
川部留美
山县秀人
山本育男
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.)
Daikin Industries Ltd
Original Assignee
Daikin Industries 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 Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN114761785A publication Critical patent/CN114761785A/zh
Application granted granted Critical
Publication of CN114761785B publication Critical patent/CN114761785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
    • G01N13/02—Investigating surface tension of liquids
    • 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
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • 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
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Treatments For Attaching Organic Compounds To Fibrous Goods (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

本发明涉及对拨剂的性能进行定量的评价。本发明的污渍评价方法是对利用拨剂处理后的基材上产生的污渍进行评价的评价方法，其中，包括：获取包含利用成为评价对象的拨剂处理后的基材的图像数据的获取步骤；由图像数据生成平滑化图像，并且将该平滑化图像进行二值化，对基材上产生的污渍区域进行检测的污渍检测步骤；和根据检测出的污渍区域的面积求得污渍的评价值的污渍评价步骤。

Description

污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置
技术领域
本发明涉及对拨剂的性能进行评价的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置。
背景技术
在评价拨剂的性能时，通常采用对利用拨剂处理后的基材喷射水分，将其结果通过目视与预先设定的基准进行比较，由此确定其评价值的方法(例如，参照非专利文献1)。具体而言，拨剂的性能评价实际上是利用AATCC(American Association of TextileChemists and Colorists，美国纺织化学家和着色家协会)的测试方法-22(Test Method-22)的评价基准、JIS(日本工业标准)的L－1092的评价基准、ISO(InternationalOrganization for Standardization：国际标准化组织)的4920的评价基准进行的相对评价。
通常，优选在性能评价中进行定量的评价。专利文献1中记载了对腐蚀度的评价进行评价的技术。在该专利文献1所记载的技术中，通过利用支持向量机，能够进行定量的评价。
现有技术文献
专利文献
专利文献1：日本特开2009－293993号公报
非专利文献
非专利文献1：“Water Repellency:Spray Test(防水性：喷雾测试)”、AmericanAssociation of Textile Chemists and Colorists(美国纺织化学家和着色家协会)出版、AATCC Technical Manual(技术手册)/2005、65-67页、2005年
发明内容
发明要解决的技术问题
本发明提供对拨剂的性能进行定量地评价的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置。
用于解决技术问题的技术方案
本发明的污渍评价方法是对在利用拨剂处理后的基材上产生的污渍进行评价的评价方法，该污渍评价方法包括：获取包含利用成为评价对象的上述拨剂处理后的基材的图像数据的获取步骤；由上述图像数据生成平滑化图像，并且将该平滑化图像进行二值化，对在上述基材上产生的污渍区域进行检测的污渍检测步骤；和根据检测出的上述污渍区域的面积求得污渍的评价值的污渍评价步骤。
本发明的水滴评价方法是对在利用拨剂处理后的基材上产生的水滴进行评价的评价方法，该水滴评价方法可以包括：获取包含利用成为评价对象的上述拨剂处理后的基材的图像数据的获取步骤；由上述图像数据生成边缘图像，根据该边缘图像对上述基材上产生的水滴区域进行检测的水滴检测步骤；和根据检测出的上述水滴区域的数目求得水滴的评价值的水滴评价步骤。
本发明的拨剂评价方法是对拨剂的性能进行评价的拨剂评价方法，该拨剂评价方法可以包括：获取包含利用成为评价对象的上述拨剂处理后的基材的图像数据的获取步骤；对上述图像数据中的上述基材上的污渍区域或水滴区域的至少任一种进行检测的检测步骤；和根据检测出的污渍区域的面积或水滴区域的数目求得上述拨剂的性能的评价值的评价步骤。
在上述的拨剂评价方法中，上述检测步骤可以是：在上述基材上包含污渍的情况下，使用实施了用于污渍图像数据的第一图像处理的上述图像数据来检测污渍区域，在上述基材上不含污渍的情况下，使用实施了用于水滴图像数据的第二图像处理的上述图像数据来检测水滴区域。
在上述的拨剂评价方法中，可以在上述检测步骤中，作为上述第一图像处理，由上述图像数据生成平滑化图像数据。
在上述的拨剂评价方法中，可以在上述检测步骤中，作为上述第二图像处理，由上述图像数据生成边缘图像数据。
在上述的拨剂评价方法中，可以还包括分类步骤，该分类步骤是：在上述基材上不含褶皱并且包含污渍的情况下，将上述图像数据分类为污渍图像数据，在上述基材上不含污渍且包含水滴的情况下，将上述图像数据分类为水滴图像数据。
在上述的拨剂评价方法中，可以使上述分类步骤能够根据污渍的含有类型将上述图像数据分类为第一污渍图像数据和第二污渍图像数据，上述检测步骤中，在分类为第一污渍图像数据的情况下和分类为第二污渍图像数据的情况下，执行不同的图像处理来检测污渍区域。
在上述的拨剂评价方法中，可以在上述检测步骤中，对于第一污渍图像数据，实施使灰度降低的图像处理之后执行二值化处理来检测污渍区域，对于第二污渍图像数据，实施使对比度增大的图像处理之后执行二值化处理来检测污渍区域。
在上述的拨剂评价方法中，可以在上述分类步骤中，利用通过机器学习而学习了包含利用拨剂处理后的基材的多个学习用图像数据与上述各学习用图像数据的分类之间的关系的模型，将所获取的上述图像数据作为输入数据，对该输入数据进行分类。
本发明的拨剂评价装置可以具有：获取部，该获取部获取包含利用成为评价对象的上述拨剂处理后的基材的图像数据；分类部，该分类部在图像数据中的上述基材上包含污渍的情况下，将上述图像数据分类为污渍图像数据，在上述基材上不含污渍的情况下，将上述图像数据分类为水滴图像数据；检测部，该检测部在上述图像数据为污渍图像数据的情况下，使用实施了用于污渍图像数据的第一图像处理的上述图像数据来检测污渍区域，在上述图像数据为水滴图像数据的情况下，使用实施了用于水滴图像数据的第二图像处理的上述图像数据来检测水滴区域；和评价部，该评价部根据检测出的污渍区域的面积或水滴区域的数目求得上述拨剂的性能的评价值。
在上述拨剂评价装置中，分类部可以利用通过机器学习而学习了包含利用拨剂处理后的基材的多个学习用图像数据与上述各学习用图像数据的分类之间的关系的模型，将由上述获取部获取的上述图像数据作为输入数据，对该输入数据进行分类。
本发明的学习完成模型的生成方法可以包括：获取多个数据组的步骤，该数据组包括作为包含利用评价对象的拨剂处理后的基材的图像数据的教学数据和作为对于该教学数据的正解数据的该图像数据的分类；和使用学习器，根据多个上述教学数据和上述正解数据，生成学习完成模型的步骤，该学习完成模型根据包含利用拨剂处理后的基材的图像数据，将上述图像数据的分类作为输出。
这些概括且特定的方案可以通过系统、方法和计算机程序、以及它们的组合而实现。
发明效果
通过本发明的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置，能够在拨剂评价时定量地进行评价。
附图说明
图1是表示对一般的拨剂评价进行说明的图像与评价值之间的关系的列表。
图2是表示实施方式1所涉及的拨剂评价装置的框图。
图3A是包含污渍的基材的图像数据的一例。
图3B是将图3A的图像数据进行二值化处理后的数据。
图4A是包含污渍的基材的图像数据的其它的一例。
图4B是将图4A的图像数据进行二值化处理后的数据。
图4C是图4B的图像数据的虚线部的放大图。
图5是说明第一图像处理的概略图。
图6A是包含污渍的基材的灰度图像。
图6B是对图6A的图像数据进行平滑化处理而得到的图像。
图6C是对图6B的图像数据进行第一图像处理而得到的图像。
图6D是将图6C的图像数据进行二值化处理后的数据。
图7A是包含水滴的基材的图像数据的一例。
图7B是对图7A的图像数据进行第二图像处理而得到的图像。
图7C是将图7B的图像数据进行二值化处理后的数据。
图8是说明图2的拨剂评价装置中的处理的流程图。
图9是说明水滴的提取的图。
图10A是表示学习完成模型的生成的概念图。
图10B是表示学习完成模型的利用的概念图。
图11是说明学习完成模型的生成中所利用的学习数据的概念图。
图12是表示实施方式2所涉及的拨剂评价装置的框图。
图13是实施方式2所涉及的拨剂评价装置所利用的学习数据的说明图。
图14是说明图12的拨剂评价装置的处理的流程图。
图15是说明变形例1所涉及的拨剂评价装置的污渍区域检测处理的流程图。
图16A是包含宽范围的污渍的基材的灰度图像。
图16B是对图16A的图像数据进行第一图像处理而得到的图像。
图16C是使图16B的图像数据的灰度降低而得到的图像。
图16D是将图16C的图像数据进行二值化处理后的数据。
图16E是使图16B的图像数据的对比度增大而得到的图像。
图16F是将图16E的图像数据进行二值化处理后的数据。
图17A是包含少量的污渍的基材的灰度图像。
图17B是对图17A的图像数据进行第一图像处理而得到的图像。
图17C是使图17B的图像数据的对比度增大而得到的图像。
图17D是将图17C的图像数据进行二值化处理后的数据。
图17E是使图17B的图像数据的灰度降低而得到的图像。
图17F是将图17E的图像数据进行二值化处理后的数据。
图18是变形例2所涉及的拨剂评价装置所利用的学习数据的说明图。
图19是说明变形例2所涉及的拨剂评价装置中的污渍区域检测处理的流程图。
具体实施方式
以下，参照附图对各实施方式所涉及的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置进行说明。本发明的污渍评价方法是对利用拨剂处理后的基材上产生的“污渍”进行评价的方法。水滴评价方法是对利用拨剂处理后的基材上产生的“水滴”进行评价的方法。拨剂评价方法和拨剂评价装置评价对基材进行处理的拨剂的性能。在以下的说明中，对于相同的构成，赋予相同的符号并省略说明。
在此，“拨剂”是为了拨水、拨油、防污等目的而对纤维等基材进行处理的物质。在拨剂的评价中，将作为基材的纤维用规定量的拨剂进行处理，对其喷射规定量的水分。在评价中，对于在喷射水分后残留于基材的污渍和水滴的状态，例如，与如图1所示的预先设定的基准的图像与评价值之间的关系进行比较。然后，选择和与本次结果相同程度的范围的基准相关联的评价值，由此，能够对各拨剂进行相对的评价。这里所设定的“评价值”例如为基于AATTC的分数。
(拨剂)
在本发明中，拨剂优选为对基材赋予拨水性的所谓的“拨水剂”。上述拨剂优选包含拨剂聚合物、溶剂和表面活性剂。
上述拨剂聚合物选自含氟拨剂聚合物或非氟拨剂聚合物。含氟拨剂聚合物和非氟拨剂聚合物优选为丙烯酸系聚合物、有机硅系聚合物或氨酯系聚合物。
作为上述含氟丙烯酸系聚合物，优选具有源自下述式所示的含氟单体的重复单元的含氟丙烯酸系聚合物。
CH2＝C(－X)－C(＝O)－Y－Z－Rf
(式中，X为氢原子、一价的有机基团或卤素原子，
Y为－O－或－NH－，
Z为价键或二价的有机基团，
Rf为碳原子数1～6的氟代烷基。)
在一个实施方式中，作为上述非氟拨剂聚合物，优选为选自具有源自式CH2＝CA11－C(＝O)－O－A12(式中A11为氢原子或甲基，A12为碳原子数10～40的直链或支链的脂肪族烃基。)所示的长链(甲基)丙烯酸酯单体的重复单元的非氟丙烯酸系聚合物、或具有源自下述式所示的含酰胺基的单体的重复单元的非氟丙烯酸系聚合物，
Figure BDA0003661857530000061
(式中，R1为具有烯属不饱和聚合性基团的有机残基，
R2为碳原子数7～30的烃基，
R3为碳原子数1～5的烃基。)
在其它的实施方式中，上述非氟拨剂聚合物可以为日本特表2016－524628号所记载的非氟系聚合物。作为这种非氟系聚合物，例如可以列举下述式所示的氨酯系聚合物。
Figure BDA0003661857530000071
(式中，
R4分别独立，为－H、任意选择地含有至少1个不饱和键的具有6～30个碳的直链或支链烷基、或它们的组合；
－(CH2CH2O)n’(CH(CH3)CH2O)m’R7；或
－(CH2CH2O)n’(CH(CH3)CH2O)m’C(O)R6，
n’分别独立地为0～20，
m’分别独立地为0～20，
m’+n’大于0，
R5为－C(O)R6，
R6分别独立，为任意选择地含有至少1个不饱和键的具有5～29个碳的直链或支链烷基，
R7分别独立，为－H、或根据要求含有至少1个不饱和键的具有6～30个碳的直链或支链烷基。)
在其它的实施方式中，上述非氟拨剂聚合物可以为日本特开2006－328624号所记载的非氟系聚合物。作为这种非氟系聚合物，例如可以列举下述这样的非氟系聚合物，该非氟系聚合物是含有酯部分的碳原子数为12以上的(甲基)丙烯酸酯作为单体单元的非氟系聚合物，其中，上述(甲基)丙烯酸酯的构成比例相对于构成上述非氟系聚合物的单体单元的总量为80～100质量％，上述非氟系聚合物的重均分子量为10万以上，并且160℃时的熔融粘度为1000Pa·s以下。
在其它的实施方式中，作为上述非氟拨剂聚合物，可以为日本特开2017－025440号所记载的非氟系聚合物。作为这种非氟系聚合物，例如，可以列举含有来自下述式所示的(甲基)丙烯酸酯单体的结构单元和来自氯乙烯和偏氯乙烯中的至少任意1种单体的结构单元的非氟系聚合物。
Figure BDA0003661857530000081
(式中，R11表示氢或甲基，R12表示可以具有取代基的碳原子数12以上的1价的烃基。)
在上述的实施方式中，上述非氟系聚合物优选为还含有来自选自(B1)HLB为7～18的下述通式(I－1)所示的化合物、(B2)HLB为7～18的下述通式(II－1)所示的化合物和(B3)HLB为7～18的具有羟基和聚合性不饱和基团的油脂与碳原子数2～4的环氧烷加成得到的化合物中的至少1种反应性乳化剂的结构单元的非氟系聚合物。
Figure BDA0003661857530000082
(式中，R13表示氢或甲基，X表示碳原子数1～6的直链或支链的亚烷基，Y1表示包含碳原子数2～4的亚烷基氧基的2价的基团。)
Figure BDA0003661857530000083
(式中，R14表示具有聚合性不饱和基团的碳原子数13～17的1价的不饱和烃基，Y2表示包含碳原子数2～4的亚烷基氧基的2价的基团。)
在其它的实施方式中，上述非氟拨剂聚合物可以为日本特开2017－155095号所记载的非氟系聚合物。作为这种非氟系聚合物，例如可以列举下述式所示的有机改性硅酮。
Figure BDA0003661857530000091
(式中，R20、R21和R22分别独立，表示氢原子、甲基、乙基或碳原子数1～4的烷氧基，R23表示具有芳香族环的碳原子数8～40的烃基或碳原子数3～22的烷基，R30、R31、R32、R33、R34和R35分别独立，表示氢原子、甲基、乙基、碳原子数1～4的烷氧基、具有芳香族环的碳原子数8～40的烃基或碳原子数3～22的烷基，a表示0以上的整数，b表示1以上的整数，(a+b)为10～200，在a为2以上的情况下，多个存在的R20和R21分别可以相同也可以不同，在b为2以上的情况下，多个存在的R22和R23分别可以相同也可以不同。)
在其它的实施方式中，上述非氟拨剂聚合物可以为日本特开2017－214680号所记载的非氟系聚合物、特别是具有放射状且从中心有规则地分支的结构的树状高分子化合物。作为这种树状高分子化合物，例如，可以列举使选自异氰酸酯、二异氰酸酯、多异氰酸酯或其混合物的含异氰酸酯基的化合物的至少1种与下述式中的任一式所示的异氰酸酯反应性化合物的至少1种进行反应而得到的化合物。
Figure BDA0003661857530000101
(式中，R27分别独立，表示－H、R28、－C(O)R28、－(CH2CH2O)n(CH(CH3)CH2O)mR29或－(CH2CH2O)n(CH(CH3)CH2O)mC(O)R28，
n分别独立地为0～20，
m分别独立地为0～20，m+n大于0；
R28分别独立，表示可以包含1个以上的不饱和键的直链或支链的碳原子数5～29的烷基，
R29分别独立，表示－H、或可以包含1个以上的不饱和键的直链或支链的碳原子数6～30的烷基；
R26表示－H、－R28、－C(O)R28、－(CH2CH2O(CH(CH3)CH2O)mR29或－(CH2CH2O(CH(CH3)CH2OC(O)R28，
R24分别独立，表示－H、或可以包含1以上的不饱和键的直链或支链的碳原子数6～30的烷基、－(CH2CH2O)n’(CH(CH3)CH2O)m’R29或－(CH2CH2O(CH(CH3)CH2OC(O)R28，
n’分别独立地为0～20，
m’分别独立地为0～20，
m+n大于0。
R25表示－H、－C(O)R28或－CH2C[CH2OR27]3。)
在其它的实施方式中，上述非氟拨剂聚合物可以为日本特开2017－222827号所记载的非氟系聚合物。作为这种非氟系聚合物，例如可以列举下述式所示的封端异氰酸酯。
R51[－W1－R52]d[－V－R53(－Z1)g]e
(式中，d表示2以上的整数，e表示1以上的整数，(d+e)表示3～6，g表示1以上的整数，
R51表示(d+e)价的有机基团，
W1表示为酯基、酰胺基、氨酯基或脲基的2价的基团，
R52表示碳原子数10～24的直链或支链的1价的烃基，V表示为氨酯基或脲基的2价的基团，
R53表示(1+g)价的有机基团，
Z1表示为异氰酸酯基或被封端的异氰酸酯基的1价的基团。)
在其它的实施方式中，上述非氟拨剂聚合物可以为日本特开2015－120894号所记载的非氟系聚合物。作为这种非氟系聚合物，例如，可以列举具有(i)源自式CH2＝CR41－C(＝O)－O－R42(式中，R41为氢原子或甲基，R42为碳原子数18～30的直链或支链的脂肪族烃基。)所示的长链(甲基)丙烯酸酯单体的重复单元、和(ii)源自具有环状烃基的(甲基)丙烯酸酯单体的重复单元的非氟聚合体。
上述溶剂为水或非水溶剂、例如非氟有机溶剂、含氟有机溶剂等，优选可以为水。
上述表面活性剂可以为非离子性表面活性剂、阳离子性表面活性剂、阴离子表面活性剂和两性表面活性剂等。
在一个实施方式中，拨剂中除了包含上述成分以外还可以包含添加剂。作为添加剂的种类，可以列举交联剂(例如，封端异氰酸酯)、防虫剂、抗菌剂、柔软剂、防霉剂、阻燃剂、抗静电剂、消泡剂、涂料固定剂、渗透剂、有机溶剂、催化剂、pH调整剂、防皱剂等。
(基材)
被处理的基材典型地为纤维制品、特别是布，其中包括机织物、针织物和无纺布、服装形态的布和地毯，也可以为纤维、纱或中间纤维制品(例如，纤维条(sliver)或粗纱等)。纤维制品材料可以为天然纤维(例如，棉或羊毛等)、化学纤维(例如，粘胶人造丝或莱赛尔等)或合成纤维(例如，聚酯、聚酰胺或丙烯酸纤维等)、或者纤维的混合物(例如，天然纤维和合成纤维的混合物等)。
(处理方法)
所谓“处理”，意指将处理剂(在本发明中为拨剂)通过浸渍、喷雾、涂布等应用于被处理物(在本发明中为基材)。通过处理，处理剂的有效成分(在本发明中为拨剂聚合物)渗透至被处理物的内部和/或附着在被处理物的表面。并且，所谓“处理”，包括将处理剂通过与被处理物或其原料混炼(例如熔融混炼)而揉入被处理物中。
拨剂能够通过用于将基材、例如纤维制品用液体进行处理的已知的任意方法而应用于基材。当基材为布时，可以将布浸在溶液中，或者使溶液附着或喷雾至布上。处理后的基材为了呈现拨水性和/或拨油性而被干燥，优选以例如100℃～200℃被加热。
在获得经处理后的无纺布的情况下，通过将热塑性树脂和拨剂进行混炼(例如，熔融混炼)而获得树脂组成物，通过将其加热并进行纺丝，能够得到经处理后的无纺布。一般而言，将热塑性树脂和拨剂加热至温度100～320℃、例如200～300℃，并进行混炼之后，制造无纺布。
(评价)
如上所述，评价通过如下进行，即：对于在喷射水分后残留于基材的污渍和水滴的状态，例如，与如图1所示的预先设定的基准的图像与评价值之间的关系进行比较。图1所示的评价值基于AATCC－22(JIS－L－1092、ISO4920)的喷雾法确定。评价值以如下记载的表所示那样由拨水性No.来表示。分数越大，表示拨水性越好，并根据状态而赋予中间值(95、85、75)。
[表1]
拨水性No.(评价值) 状态
100 表面没有湿润或水滴的附着
90 表面没有湿润，但显示有小的水滴的附着
80 表面显示有小的个别的水滴上的湿润
70 表面的一半显示湿润，显示小的个别的湿润渗透布的状态
50 表面整体显示湿润
0 表面和背面整体显示湿润
此时，像以往那样由操作者通过目视将喷射水分后的基材的状态与基准图像进行比较的方法不属于定量的评价。与此相对，通过本发明的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置，能够获得定量的评价结果。
在拨剂的评价中，将利用拨剂处理后的基材上产生的“污渍”和“水滴”等的要素作为参考。其中，利用拨剂处理后的基材的图像数据中，除了污渍和水滴以外，还包括与拨剂无关的要素。作为图像数据所包括的与拨剂无关的要素，可以列举基材上产生的“褶皱”、成为基材的纤维的包括颜色和质地粗糙度的质感(texture)等的“基材的性质”等。想要使用包括这些要素的图像数据通过自动处理执行，则需要对与拨剂的性能有关的要素和与拨剂的性能无关的要素进行区分。在本发明所涉及的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置中，从图像数据中排除与拨剂的性能无关的要素后，进行评价。
[实施方式1]
利用图2至图9对实施方式1所涉及的拨剂评价装置1A进行说明。
〈拨剂评价装置〉
如图2所示，拨剂评价装置1A是具有控制部11、存储部12和通信部13的信息处理装置。控制部11是掌管拨剂评价装置1A整体的控制的控制器。例如，控制部11通过读取并执行存储于存储部12的评价程序P，实现作为获取部111、检测部112、评价部113和结果处理部114的处理。另外，控制部11不限于通过硬件和软件的协作来实现规定功能，也可以是被设计成专用于实现规定功能的硬件电路。即、控制部11可以通过CPU、MPU、GPU、FPGA、DSP、ASIC等各式各样的处理器实现。
存储部12是记录各种信息的记录介质。存储部12通过例如RAM、ROM、闪存、SSD(固态设备，Solid State Device)、硬盘、其它存储设备、或者它们的适当组合而实现。存储部12中除了存有控制部11所执行的评价程序P以外，还存入用于学习和预测的各种数据等。例如，存储部12存储图像数据121、结果数据122和评价程序P。
通信部13是用于能够与外部的装置(未图示)进行数据通信的接口电路(模块，module)。例如，通信部13可以执行与拍摄图像数据的拍摄装置2的数据通信。
拨剂评价装置1A可以具有输入部14和输出部15。输入部14是用于输入操作信号、数据的操作按钮、鼠标、键盘等的输入单元。输出部15是用于输出处理结果、数据等的显示器等的输出单元。
在此，拨剂评价装置1A既可以通过1台计算机实现，也可以由通过网络连接的多台计算机的组合实现。另外，虽然省略了图示，但例如也可以配置成将存储于存储部12的数据的全部或一部分存储在通过网络连接的外部的记录介质中，使拨剂评价装置1A使用存储于外部的记录介质的数据。
获取部111获取包含利用评价对象的拨剂处理后的基材的图像数据121。并且，获取部111将所获取的图像数据121存储于存储部12中。例如，获取部111与拍摄装置2连接，向拍摄装置2发送拍摄操作信号，并获取拍摄装置2所拍摄的图像数据。
检测部112根据获取部111所获取的图像数据121属于“褶皱图像”、“污渍图像”或“水滴图像”中的哪一种类，利用对应于种类设定的方法进行处理，检测污渍区域或水滴区域。
“褶皱图像”是在图像数据121之中基材包含褶皱的数据。“污渍图像”是在图像数据121之中基材不包含褶皱而包含污渍的数据。“水滴图像”是在图像数据121之中基材不包含褶皱和污渍而包含水滴的数据。
在图像数据121为“褶皱图像”的情况下，判定该图像数据121是否包含污渍，在不包含污渍的情况下，作为“水滴图像”而利用后述的第二图像处理进行处理。另外，在图像数据121包含污渍的情况下，被排除在拨剂评价装置1A中的评价对象之外，而作为由操作者进行评价的评价对象来进行处理。
检测部112在图像数据121为“污渍图像”的情况下，执行污渍图像对象的“第一图像处理”。具体而言，检测部112通过第一图像处理而从图像数据121中消除亮度不均和基材的质感的影响。关于第一图像处理，在后面详细说明。检测部112使用经过第一图像处理后的图像数据121检测污渍区域。
检测部112在图像数据121为“水滴图像”的情况下，执行水滴图像对象的“第二图像处理”。具体而言，检测部112通过第二图像处理从图像数据121中消除褶皱的影响，强调水滴区域。关于第二图像处理，在后面详细说明。检测部112使用经过第二图像处理后的图像数据121检测水滴区域。
关于各图像数据121属于哪一种类，例如，在获取部111获取图像数据121时，将其与图像数据121相关联并与图像数据121一起获取。或者，也可以在拨剂评价的时间点显示于输出部15，使操作者通过输入部14选择是哪一种类。除此以外，还可以利用通过图像处理等获得的特定的值。
在由检测部112从经第一图像处理后的图像数据121中检测出污渍区域的情况下，评价部113利用基材中的污渍区域的面积率求得评价值，进行污渍评价。
在由检测部112从经第二图像处理后的图像数据121检测出水滴区域的情况下，评价部113利用水滴区域的数目求得评价值，进行水滴评价。另外，评价部113不仅可以利用水滴的数目，还可以利用每单位面积的水滴的数目来进行评价。
结果处理部114将所求出的评价值作为结果数据122，并将其与图像数据121相关联而存储于存储部12中。另外，结果处理部114也可以将评价值输出到输出部15。
另外，结果处理部114将在至此的处理中被排除在拨剂评价装置1A的评价对象之外的图像数据121作为操作者的评价对象而录入存储部12中。所谓被排除在评价对象之外的图像数据121，例如为包含褶皱和污渍双方的图像数据121。另外，在检测部112中的检测结果为规定结果的情况下，可以认为发生了错误，并作为评价对象之外而进行录入。并且，之后由操作者对作为操作者的评价对象而存储于存储部12中的图像数据121进行评价，由此，防止在无法利用拨剂评价装置1A评价的情况下不执行评价的情况。
《第一图像处理：污渍图像》
利用图3A至图6D，对第一图像处理进行说明。图3A是包含拨剂处理后的基材的图像数据的一例。具体而言，图3A是对获取部111所获取的图像数据121进行灰度化之后提取基材部分，将背景部分设为黑色的修整图像的一例。对拨剂处理后的基材喷射水分时，如图3A所示的图像那样，有时在基材上产生污渍。图3B是对图3A的图像数据进行二值化处理而得到的图像数据。在图3B的图像数据中，是能够检测出基材上产生的污渍区域的例子。具体而言，黑色部分是污渍区域。然而，不一定都是如图3B那样能够检测出污渍区域的图像数据。
图4A是包含拨剂处理后的基材的图像数据的其它的例子。图4A也是实施与图3A同样的处理而得到的修整图像。图4B是对图4A的图像数据进行二值化处理而得到的图像数据。虽然通过图4A的图像数据不容易确认，但与图像的上侧相比，下侧的亮度低。因此，在二值化处理后的图4B所示的图像数据中，基材的下方部分变黑，污渍区域未得到准确地检测。另外，将图4B的图像数据中的矩形的虚线部示于图4C。如图4C所示，通过二值化处理后的图像数据，可知表达出了作为基材的纤维的质感。
第一图像处理是用于防止如图4B和图4C所示的亮度不均或纤维的质感所带来的影响而能够进行污渍区域的检测的处理。具体而言，在图像数据121不是灰度的情况下，首先，如图5所示，生成将图像数据121转换成灰度图像而成的第一图像。在此，在以灰度获取图像数据121的情况下，将所获取的图像数据121作为第一图像。在图6A中示出第一图像的一例。另外，在本发明所例示的各图中，将获取部111获取的图像数据121以灰度图像表示，但实际上也有彩色图像的情况。
另外，如图5所示，检测部112对第一图像实施平滑化处理，生成第二图像。图6B是从图6A的图像获得的第二图像的一例。第二图像是第一图像的模糊化图像。具体而言，检测部112可以在平滑化处理中使用例如增大中心部分的权重的高斯滤波器(Gaussianfilter)。除此以外，也可以使用平均化、中值滤波器、双边过滤器(Bilateral filter)等的平滑化算法。
然后，如图5和下述的式(1)所示，检测部112对图像整体，对每个像素从第一图像的亮度值减去第二图像的亮度值，再加上平均亮度值，将所得到的图像数据作为第一图像处理的结果。将作为第一图像处理的结果所获得的图像的一例示于图6C。
Iij＝Lij－Mij+N…(1)
i：图像的x坐标
j：图像的y坐标
Iij：经第一图像处理后的图像的亮度值
Lij：第一图像的ij坐标的亮度值
Mij：第二图像的ij坐标的亮度值
N：第一图像的亮度值的平均
利用通过第一图像处理获得的图像数据，由此能够在不受亮度不均或基材的质感的影响的状况下，准确地对污渍区域进行检测。具体而言，图6D是从图6C的图像数据中提取基材部分进行修整，并进行二值化处理而得到的图像数据的一例。将图6D与图4B进行比较，可知消除了亮度不均或基材的质感所带来的影响。
《第二图像处理：水滴图像》
利用图7A和图7B对第二图像处理进行说明。图7A是包含拨剂处理后的基材的图像数据的一例。具体而言，图7A是从所获取的图像数据121中提取基材部分而得到的修整图像。第二图像处理是用于从这样的图像数据检测水滴区域的基于图像的亮度梯度的边缘检测处理。具体而言，作为第二图像处理，检测部112判定相邻的像素的亮度值之差是否为规定值以上，在为规定值以上的情况下设为黑，在小于规定值的情况下设为白，从而生成二值化图像。图7B是从图7A的图像数据通过上述的第二图像处理而得到的图像数据的一例。
另外，如图7A所示的图像那样，有时在基材上产生褶皱。关于这样产生的褶皱部分，在想要通过第一图像处理检测污渍时，存在无法区分褶皱和污渍的情况。图7C是以污渍检测为目的将图7A的图像进行二值化的例子。如图7C所示，有时褶皱与污渍同等地被检测，而无法准确地检测污渍。与之相对，通过第二图像处理所得到的图像数据不受褶皱的影响。因此，即使在基材上产生了褶皱的情况下，也能够得到如图7B所示的图像。
〈拨剂评价的处理〉
利用图8所示的流程图对拨剂评价装置1A中的拨剂评价的处理进行说明。首先，获取部111获取包含利用评价对象的拨剂处理后的基材的图像数据121(S1)。例如，获取部111使所连接的拍摄装置2获取作为评价对象的经过拨剂处理且喷射水分之后的基材的图像数据。另外，获取部111将所获取的图像数据121存储在存储部12中。
然后，检测部112判定所检测出的图像数据121是否包含褶皱(S2)。在不包含褶皱的情况下(在S2为“否”)，检测部112接下来判定图像数据121是否包含污渍(S3)。
在包含污渍的情况下(在S3为“是”)，检测部112利用式(1)对图像数据121执行上述的第一图像处理(S4)。
检测部112从在步骤S4中实施了第一图像处理的图像数据121检测污渍区域(S5)。具体而言，检测部112对实施了第一图像处理的图像数据121执行二值化处理，从所得到的二值化数据检测污渍区域。例如，在进行二值化处理后的图像数据为图6D所示的例子的情况下，检测部112将黑色的区域作为污渍区域而进行检测。检测部112在二值化处理中通过规定的方法设定阈值，对进行第一图像处理后的图像数据121的各个像素，在亮度值为设定阈值以上的情况下设为白，在小于阈值的情况下设为黑。例如，检测部112能够利用进行第一图像处理后的图像数据121的直方图来设定阈值。
评价部113利用在步骤S5中检测出的、基材中的污渍区域的面积率求得评价值(S6)。具体而言，在拨剂的性能高的情况下，即使对利用拨剂处理后的基材喷射水分，由于拨剂拨开水分，所以不容易形成污渍。另一方面，在拨剂的性能低的情况下，由于拨剂难以拨开水分，所以容易形成污渍。因此，根据基材的面积与污渍的面积的比率，能够评价拨剂的性能。具体而言，在相对于基材面积的污渍的面积率小的情况下，拨剂的性能高，相反，在相对于基材面积的污渍的面积率大的情况下，拨剂的性能低。例如，评价部113设定为能够利用事先表示这种面积率与评价值之间的关系的数学式或表，基于此求得污渍的评价值。通过评价部113利用这种评价基准求得评价值，与由评价者进行评价的情况相比，能够定量地求得更详细的评价值。
另外，在图像数据121包含褶皱的情况下，检测部112判定包含褶皱的图像数据121(在S2为“是”)中是否还包含污渍(S5)。
在图像数据121不包含污渍的情况下(在S3为“否”或在S7为“否”)，检测部112将该图像数据121作为水滴检测的对象并对图像数据121执行第二图像处理(S8)。
检测部112从在步骤S8中实施了第二图像处理的图像数据121检测水滴区域(S9)。例如，检测部112将形成于图像数据121中的闭合区域作为水滴区域进行检测。并且，将闭合区域以外的边缘部分也作为水滴区域进行提取。利用图9对水滴的提取进行说明。认为图9是实施了第二图像处理的图像数据121的一例。在图9的例子中，边缘e1和e2形成闭合区域，因此，检测部112将它们作为水滴区域进行检测。另外，边缘e3虽然没有形成闭合区域，但检测部112将这样的边缘也作为水滴区域。因此，在图9所示的例子中，水滴的数目为“3”。
评价部113利用在步骤S9中检测出的水滴区域的数目求得评价值(S10)。具体而言，在拨剂的性能高的情况下，即使对利用拨剂处理后的基材喷射水分，由于拨剂拨开水分，所以难以形成水滴。另一方面，在拨剂的性能低的情况下，由于拨剂难以拨开水分，所以容易形成水滴。因此，根据基材所包含的水滴的数目，能够评价拨剂的性能。具体而言，在水滴的数目少的情况下，拨剂的性能高。相反，在水滴的数目多的情况下，拨剂的性能低。例如，评价部113设定为能够利用事先表现这种水滴的数目与评价值之间的关系的数学式或表，基于此求得水滴的评价值。此时，就拨剂处理后的基材上所产生的水滴的数目而言，即使在使用相同的拨剂的情况下，也根据该基材的面积而不同。因此，评价部113所使用的水滴的数目与评价值之间的关系，需要根据图像数据121所包含的基材的面积来设定。通过评价部113利用这种评价基准求得评价值，与由评价者进行评价的情况相比，能够定量地求得更详细的评价值。
结果处理部114将在步骤S6或S10中求出的评价值作为结果数据122录入存储部12中(S11)。此时，结果处理部114可以将在步骤S5的第一图像处理的过程中所获得的各种图像数据或在第二图像处理中所获得的图像数据与原来的图像数据121相关联并存储于存储部12中。并且，结果处理部114也可以将与图像数据121关联的各种数据与图像数据121相关联并进行存储。
另外，结果处理部114将包含所求出的评价值的结果输出至输出部15(S12)。其中，在对多个图像数据121进行拨剂评价的情况下，可以在求出多个评价值之后，一起输出结果。
另外，关于包含褶皱和污渍的图像数据121(在S7为“是”)，如利用图7C所述的那样，因褶皱的影响，无法准确地提取污渍区域，因此，作为对象之外的图像数据而进行录入。例如，这些图像数据121成为操作者的评价对象。这种情况下，一部分的图像数据121被排除在拨剂评价装置1A的处理对象之外，成为操作者的评价对象，但整体之中的大多数仍是拨剂评价装置1A的处理对象。因此，能够对大多数进行定量的评价。在实验结果中，在获取部111所获取的整体的图像数据之中，能够将90％以上作为检查对象。
在拨剂评价装置1A中，如上述那样操作，通过执行根据图像的种类所设定的图像处理，消除图像数据所包含的与拨剂的性能无关的影响，由此，能够基于污渍的面积率或水滴的数目等数值进行计算，定量地对拨剂的性能进行评价。例如，基材有时使用各种颜色和材质，而通过利用上述的处理，能够定量地对性能进行评价。
[实施方式2]
利用图10A至图14对实施方式2所涉及的拨剂评价装置1B进行说明。实施方式2所涉及的拨剂评价装置1B利用通过机器学习所生成的学习完成模型将图像数据进行分类，进行评价。
“机器学习”是对所输入的多个数据所包含的特征进行学习，生成推定与新输入的数据相对应的结果的“模型”的手法。具体而言，机器学习通过“学习器”进行学习。将这样生成的模型作为“学习完成模型”或“学习模型”。
如图10A所示，当输入多组学习数据时，“学习器”学习所输入的学习数据的关系，生成用参数表示该关系的学习完成后的“模型”。另外，通过使用所生成的学习完成模型，如图10B所示，能够对新的“输入”获得希望求得的“输出”。机器学习包括监督学习、无监督学习、强化学习等，在本实施方式中，以利用监督学习的例子进行说明。因此，在图10A中，也表示关联有作为与各“学习数据”相对应的正解数据的“标签”的监督学习的例子。学习器例如作为机器学习能够利用神经元网络(NN)、支持向量机(SVM)、决策树、梯度提升等。另外，学习器可以将这些手法组合利用。
在此，所谓“学习数据”是在机器学习中所利用的数据。例如，在监督学习的情况下，该“学习数据”和作为与该学习数据相对应的正解的“标签”成为一组，被输入到学习器。更具体而言，在机器学习中，如图11所示，为了生成学习模型，利用“教学数据”和“标签”成为一组的且形成多组的“数据组”。此时，将作为该数据组的“教学数据组”之中的一部分设为学习用的数据组，将其余设为作为学习的确认的评价用的数据组。在此，设为学习用的数据组的“教学数据”成为“学习数据”，设为学习的确认用的数据组的“教学数据”成为“测试数据”。
〈拨剂评价装置〉
如图12所示，拨剂评价装置1B与图2所示的拨剂评价装置1A相比，在控制部11包含分类部115、以及存储部12存储学习完成模型123的方面不同。该拨剂评价装置1B在分类部115中对图像数据121的种类进行分类，利用于拨剂的评价中。
分类部115利用通过机器学习完成了学习的学习完成模型123，分类图像数据121的种类属于哪一种。具体而言，分类部115将表示相当于“褶皱图像”、“污渍图像”和“水滴图像”的各类别的可能性的值分别求出。并且，分类部115将值最高的类别的种类设为对象的图像数据121的种类。在拨剂评价装置1B中，通过使用学习完成模型123，无需操作者进行图像数据121的分类作业，能够将从图像数据121的分类到评价为止作为拨剂评价装置的评价对象。
该学习完成模型123是对包含经拨剂处理并被喷射水分后的基材的多个图像数据与对各图像数据预先选择的图像数据的种类之间的关系进行学习而生成的模型。图像数据的种类如上述为“褶皱图像”、“污渍图像”、“水滴图像”中的任一种。
《在分类部115中的学习》
分类部115利用学习器生成学习完成模型123。具体而言，学习器能够通过利用学习数据的深度学习而求得特征参数，生成学习完成模型123。另外，在此，虽然作为在分类部115内包含学习器的情形而进行说明，但并不限定于此。例如，学习器也可以存在于拨剂评价装置1B的外部。在学习器存在于拨剂评价装置1B的外部的情况下，分类部115利用由外部的学习器生成并存储于存储部12的学习完成模型123。
具体而言，如在图11所述的那样，分类部115用于机器学习的“学习数据”是包含经拨剂处理并被喷射水分后的基材的图像数据。并且，在该机器学习中，作为正解的“标签”为“图像数据的种类”。而且，学习器使用该学习数据和标签的多组数据组。因此，学习器对多个“图像数据”与其图像数据的“种类”之间的关系进行学习，获得输入图像数据并对所输入的图像数据的种类进行分类的学习完成模型123。另外，这样生成的学习完成模型123以参数表示图像数据与图像数据的种类之间的关系。分类部115如此利用通过机器学习所生成的学习完成模型123来对图像数据121的种类进行分类。
在此，作为教学数据所准备的多个图像数据不偏向于“褶皱图像”、“污渍图像”和“水滴图像”中的任一种，以学习所需的适当的比例包含。并且，分为学习用的数据组和评价用的数据组时，也不偏向于褶皱图像、污渍图像或水滴图像中的任一种的分类，以各个数据组达到均匀比例的方式进行选择。
〈拨剂评价的处理〉
利用图14所示的流程图，对拨剂评价装置1B中的拨剂评价的处理进行说明。在图14的流程图中，对于与图8所示的流程图相同的处理，标记相同的步骤序号并省略说明。具体而言，图14所示的流程图与图8所示的流程图相比，在追加了步骤S21的分类处理的方面不同。
分类部115对在步骤S1中获取的图像数据121的种类进行分类(S21)。然后，检测部112利用分类部115的分类结果来判定图像数据121中是否包含褶皱(S2)，继续进行步骤S3以下的处理。
在拨剂评价装置1B中，能够如此利用学习完成模型来对图像数据121的种类进行分类。并且，在拨剂评价装置1B中，通过执行基于所分类的图像种类的图像处理，能够消除图像数据所包含的与拨剂的性能无关的影响。由此，在拨剂评价装置1B中，能够利用污渍的面积率、水滴的数目等数值计算，定量地对拨剂的性能进行评价。
《变形例1》
在上述的实施方式中，说明了在有污渍的情况下，对实施第一图像处理后的图像执行污渍区域检测的例子。与之相对，在基材所包含的污渍为宽范围的情况下和污渍为少量的情况下利用不同的方法进行检测时，能够以更高精度检测污渍的区域。因此，在变形例1所涉及的拨剂评价装置中，根据污渍是否为宽范围，基于范围而在第一图像处理后的污渍检测处理中使用不同的方法。另外，变形例1所涉及的拨剂评价装置与利用图2进行说明的拨剂评价装置1A或利用图12进行说明的拨剂评价装置1B为相同的构成。因此，在此利用图2进行说明。
利用图15所示的流程图，对变形例1所涉及的拨剂评价装置中的拨剂评价的处理进行说明。变形例1所涉及的拨剂评价装置的处理与利用图14进行说明的处理不同的部分在于，步骤S5中的污渍检测的处理。如图15所示，检测部112判定污渍的范围是否为宽范围(S51)。
检测部112在基材上所产生的污渍为宽范围的情况下(在S51为“是”)，进行降低灰度的处理(S52)，然后，执行二值化处理(S54)。具体而言，检测部112不以亮度值0～255表示灰度化的图像数据，而是将其变换成以少于256灰度的数目的灰度表示的图像数据。此时，检测部112利用作为无监督学习的k平均法从图像数据自动提取代表性的亮度值，并且，将其变换成该所提取的灰度的图像数据。另外，除k平均法以外，也可以利用同样是无监督学习的平均量子化或中央分割法。由此，能够使有污渍的部分的亮度值与无污渍的部分的亮度值成为不同的亮度值。
在图16A中表示宽范围存在污渍时的图像数据121的一例。在图16A所示的例子中，在基材的中央部分宽广地存在污渍，只有基材的端部分的一部分没有产生污渍。与之相对，图16B是对图16A的图像数据121实施了第一图像处理的一例。另外，图16C是对图16B的图像数据实施了降低灰度的处理的一例。具体而言，在图16C中，在将有污渍的部分的亮度值设为“第一亮度值”时，将作为没有污渍的部分的亮度值的“第二亮度值”设定为比第一亮度值低。另外，在图16C中，将作为基材以外的背景部分的亮度值的“第三亮度值”设定为“0”。因此，图像数据整体由3种灰度表示。
图16D是对图16C的图像数据实施了二值化处理的一例。该二值化处理中所利用的阈值设定于第一亮度值与第二亮度值之间。因此，如图16D所示，在经二值化处理所得到的图像数据中，污渍部分和背景部分的亮度为“黑(0)”，没有污渍的部分的亮度为“白(255)”。
另一方面，在污渍不是宽范围的情况下，换言之，在基材上所产生的污渍为少量的情况下(在S51为“否”)，检测部112进行增大对比度的处理(S53)，然后，执行二值化处理(S54)。例如，检测部112能够在增大对比度的处理中采用使用查找表的已有的对比度调整方法。
在图17A中表示污渍非宽范围存在的情况，具体而言，表示污渍为少量的情况下的图像数据121的一例。并且，图17B是对图17A的图像数据121实施了第一图像处理的一例。而且，图17C是对图17B的图像数据实施了增大对比度的处理的一例。虽然在图17A、图17B中，污渍的区域不明显，但是通过增大对比度，污渍的区域变得明显。
图17D是对图17C的图像数据实施了二值化处理的一例。例如，作为该二值化处理中所利用的阈值，可以利用预先设定的亮度值。
另外，检测部112使用在步骤S54中得到的二值化图像检测污渍区域(S55)。如此，在变形例1所涉及的拨剂评价装置中，通过对根据污渍的范围进行处理后的图像进行二值化处理，能够准确地检测污渍区域。由此，在变形例1所涉及的拨剂评价装置中，能够提高拨剂的评价精度。
假设，对图16B的图像数据实施了增大对比度的处理的情况下，如图16E所示，在污渍部分与没有污渍的部分的境界处对比度被增大。图16F是对图16E的图像数据实施了二值化处理的一例。如此，在对有宽范围的污渍的图像数据不进行作为宽范围的污渍用的处理的“灰度的降低”，而是实施作为少量的污渍用的处理的“对比度的增大”的情况下，如图16F所示，则不能准确地检测污渍部分。
另外，在对图17B的图像数据实施降低色调的处理的情况下，如图17E所示，污渍部分与没有污渍的部分之间的对比度低。图17F是对图17E的图像数据实施了二值化处理的一例。如此，在对污渍为少量的图像数据不进行作为少量的污渍用的处理的“对比度的增大”，而是实施作为宽范围的污渍用的处理的“灰度的降低”的情况下，如图17F所示，则不能准确地检测污渍部分。因此，在对各图像数据121进行处理时，需要实施根据污渍的量而设定的处理。
在此，变形例1所涉及的拨剂评价装置可以在获取图像数据121的同时获取污渍是否为宽范围的信息。或者，就变形例1所涉及的拨剂评价装置而言，也可以由操作者输入污渍是否为宽范围的选择。
《变形例2》
在实施方式2中，如图13所示，以学习器利用“褶皱图像”、“污渍图像”和“水滴图像”这3种学习数据进行学习的例子进行了说明。另一方面，在变形例1所涉及的拨剂评价装置中，将“污渍图像”进一步区分为“污渍为宽范围的图像”和“污渍为少量的图像”而进行分类。因此，在变形例2所涉及的拨剂评价装置中，与变形例1所涉及的拨剂评价装置相匹配地，如图18所示，利用4种学习数据进行机器学习。由于变形例2所涉及的拨剂评价装置与利用图12进行说明的拨剂评价装置1B的构成相同，因此参照图12进行说明。
分类部115在机器学习时被输入图18所示那样的学习数据。具体而言，图18所示的学习数据是图13所示的学习数据之中的“污渍图像”被区分为“污渍为宽范围的图像”和“污渍为少量的图像”的数据。因此，由图18所示的学习数据生成的学习模型，是将所输入的图像分类成“褶皱图像”、“污渍为宽范围的图像”、“污渍为少量的图像”、“水滴图像”中的哪一种。
另外，检测部112根据由分类部115所分类的种类对图像数据121实施图像处理，检测各区域。
利用图19所示的流程图对变形例2所涉及的拨剂评价装置中的拨剂评价的处理进行说明。关于变形例2所涉及的拨剂评价装置的处理，仅对与利用图14进行说明的处理不同的处理标记步骤序号进行说明。
分类部115在分类处理中进行属于“褶皱图像”、“污渍为宽范围的图像”、“污渍为少量的图像”和“水滴图像”中的哪一种的分类(S22)。
在图像数据121中没有褶皱的情况下(在S2为“否”)，根据污渍的有无和污渍的量不同，之后的处理不同，因此，检测部112判定污渍的有无和污渍的量(S32)。
在污渍为宽范围的情况下(在S32为宽范围)，检测部112在步骤S4中执行第一图像处理之后，利用在变形例1中所述的方法检测污渍区域(S51)。具体而言，检测部112对实施了第一图像处理的图像数据121执行灰度的降低处理，之后执行二值化处理，检测污渍区域。然后，如在图8所述的那样，评价部113利用在步骤S51中检测出的宽范围的污渍区域来进行污渍评价(S6)。
在污渍为少量的情况下(在S32为少量)，检测部112在步骤S4中执行第一图像处理之后，利用在变形例1中所述的方法检测污渍区域(S52)。具体而言，检测部112对实施了第一图像处理的图像数据121执行对比度的增大处理，之后执行二值化处理，检测污渍区域。然后，同样，评价部113利用在步骤S52中检测出的少量的污渍区域进行污渍评价(S6)。
在没有污渍的情况下(在S32为无污渍)，检测部112如在图8所述的那样，执行第二图像处理(S8)、水滴区域的检测(S9)和水滴评价(S10)。
由此，在变形例2所涉及的拨剂评价装置中，能够利用学习完成模型分类图像数据121属于4种中的哪一种，提高拨剂的评价精度。
《其它变形例》
(基于水滴的数目的错误)
如上所述，在拨剂处理后的基材上所产生的水滴的数目，根据该基材的面积和拨剂的性能而不同。然而，关于规定的面积中通常可产生的水滴的数目存在标准的值，能够设定产生其以上数目的水滴的情况为罕见这样的值。因此，在基材上产生的水滴的数目比对于其面积所设定的规定数多的情况下，有可能是某种错误。因此，预先将可认为是错误的水滴的数目设定为阈值，评价部113在检测出的水滴的数目为阈值以上时，评价为错误。另外，结果处理部114在录入结果时，在水滴的数目被认为是错误的情况下，录入为错误。在检测出的水滴的数目异常多的情况下，并非根据其数目录入结果，而是录入为错误，由此，能够催促操作者进行确认或由操作者进行评价等。
(分类的错误)
在实施方式2和变形例2所涉及的拨剂评价装置中，上述例子中，以由分类部115进行分类的例子进行了说明。然而，也存在无法由分类部115判断分类为哪一类的情况。例如，在分类部115中求得表示相当于“褶皱图像”、“污渍图像”和“水滴图像”的各类别的可能性的值时，在所求出的所有的值都低于规定值的情况下，无法准确地判断分类为哪一类。具体而言，在各值低于规定值的情况下，利用分类部115得到的分类结果的可靠性低。如此，在所有的值都低于阈值的情况下，评价部113录入为错误。由此，在分类的可靠性低的情况下，并非录入根据其分类所得到的结果，而是录入为错误，由此能够催促操作者进行确认或由操作者进行评价等。
(再学习)
在实施方式2和变形例2所涉及的拨剂评价装置中，以结果处理部114将由评价部113得到的评价值作为结果数据122存储于存储部12的例子进行了说明。与之相对，在存储部12中，将所存储的图像数据121与关于该图像数据121在分类部115中所得到的分类结果相关联并蓄积而进行存储，由此，之后能够利用于学习完成模型123的再学习中。这种情况下，在存储部12中，除了存储由获取部111所获取的图像数据121以外，还可以存储经过各种处理的图像。例如，存储部12也可以存储提取了对象的基材部分的修整图像、二值化图像等。
〈效果和补充〉
如上所述，作为在本发明中所公开的技术的示例而对上述各实施方式进行了说明。然而，本发明的技术并不限定于此，也可以适用于适当进行变更、置换、附加、省略等的实施方式。
本发明的全部的请求保护的范围所记载的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置，通过硬件资源、例如处理器、存储器(memory)和程序的协作等而实现。
产业上的可利用性
本发明的污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置例如对于拨剂性能的定量的评价有用。
本发明主张基于2019年12月25日在日本申请的日本特愿2019－234074的优先权，其全部记载内容通过参照援引于本说明书中。
符号说明
1A、1B：拨剂评价装置；11：控制部；111：获取部；112：检测部；113：评价部；114：结果处理部；115：分类部；12：存储部；121：图像数据；122：结果数据；123：学习完成模型；P：评价程序；13：通信部；14：输入部；15：输出部。

Claims (13)

1.一种污渍评价方法，其是对在利用拨剂处理后的基材上产生的污渍进行评价的评价方法，该污渍评价方法的特征在于，包括：
获取包含利用成为评价对象的所述拨剂处理后的基材的图像数据的获取步骤；
由所述图像数据生成平滑化图像，并且将该平滑化图像进行二值化，对在所述基材上产生的污渍区域进行检测的污渍检测步骤；和
根据检测出的所述污渍区域的面积求得污渍的评价值的污渍评价步骤。
2.一种水滴评价方法，其是对在利用拨剂处理后的基材上产生的水滴进行评价的评价方法，该水滴评价方法的特征在于，包括：
获取包含利用成为评价对象的所述拨剂处理后的基材的图像数据的获取步骤；
由所述图像数据生成边缘图像，根据该边缘图像对在所述基材上产生的水滴区域进行检测的水滴检测步骤；和
根据检测出的所述水滴区域的数目求得水滴的评价值的水滴评价步骤。
3.一种拨剂评价方法，其是对拨剂的性能进行评价的拨剂评价方法，该拨剂评价方法的特征在于，包括：
获取包含利用成为评价对象的所述拨剂处理后的基材的图像数据的获取步骤；
对所述图像数据中的所述基材上的污渍区域或水滴区域中的至少任一种进行检测的检测步骤；和
根据检测出的污渍区域的面积或水滴区域的数目求得所述拨剂的性能的评价值的评价步骤。
4.如权利要求3所述的拨剂评价方法，其特征在于：
在所述检测步骤中，在所述基材上包含污渍的情况下，使用实施了用于污渍图像数据的第一图像处理的所述图像数据来检测污渍区域，在所述基材上不含污渍的情况下，使用实施了用于水滴图像数据的第二图像处理的所述图像数据来检测水滴区域。
5.如权利要求4所述的拨剂评价方法，其特征在于：
在所述检测步骤中，作为所述第一图像处理，由所述图像数据生成平滑化图像数据。
6.如权利要求4或5所述的拨剂评价方法，其特征在于：
在所述检测步骤中，作为所述第二图像处理，由所述图像数据生成边缘图像数据。
7.如权利要求3～6中任一项所述的拨剂评价方法，其特征在于：
还包括分类步骤，该分类步骤是：在所述基材上不含褶皱且包含污渍的情况下，将所述图像数据分类为污渍图像数据，在所述基材上不含污渍且包含水滴的情况下，将所述图像数据分类为水滴图像数据。
8.如权利要求7所述的拨剂评价方法，其特征在于：
所述分类步骤能够根据污渍的含有类型将所述图像数据分类为第一污渍图像数据和第二污渍图像数据，
在所述检测步骤中，在分类为第一污渍图像数据的情况下和分类为第二污渍图像数据的情况下，执行不同的图像处理来检测污渍区域。
9.如权利要求8所述的拨剂评价方法，其特征在于：
在所述检测步骤中，对于第一污渍图像数据，实施使灰度降低的图像处理之后执行二值化处理来检测污渍区域，对于第二污渍图像数据，实施使对比度增大的图像处理之后执行二值化处理来检测污渍区域。
10.如权利要求7～9中任一项所述的拨剂评价方法，其特征在于：
在所述分类步骤中，利用通过机器学习而学习了包含利用拨剂处理后的基材的多个学习用图像数据与所述各学习用图像数据的分类之间的关系的模型，将所获取的所述图像数据作为输入数据，对该输入数据进行分类。
11.一种拨剂评价装置，其是对拨剂的性能进行评价的拨剂评价装置，该拨剂评价装置的特征在于，具有：
获取部，该获取部获取包含利用成为评价对象的所述拨剂处理后的基材的图像数据；
分类部，该分类部在图像数据中的所述基材上包含污渍的情况下，将所述图像数据分类为污渍图像数据，在所述基材上不含污渍的情况下，将所述图像数据分类为水滴图像数据；
检测部，该检测部在所述图像数据为污渍图像数据的情况下，使用实施了用于污渍图像数据的第一图像处理的所述图像数据来检测污渍区域，在所述图像数据为水滴图像数据的情况下，使用实施了用于水滴图像数据的第二图像处理的所述图像数据来检测水滴区域；和
评价部，该评价部根据检测出的污渍区域的面积或水滴区域的数目求得所述拨剂的性能的评价值。
12.如权利要求11所述的拨剂评价装置，其特征在于：
所述分类部利用通过机器学习而学习了包含利用拨剂处理后的基材的多个学习用图像数据与所述各学习用图像数据的分类之间的关系的模型，将由所述获取部获取的所述图像数据作为输入数据，对该输入数据进行分类。
13.一种生成方法，其是生成用于评价拨剂的性能的学习完成模型的方法，该生成方法的特征在于，包括：
获取多个数据组的步骤，该数据组包括作为包含利用评价对象的拨剂处理后的基材的图像数据的教学数据和作为对于该教学数据的正解数据的该图像数据的分类；和
使用学习器，根据多个所述教学数据和所述正解数据，生成学习完成模型的步骤，该学习完成模型根据包含利用拨剂处理后的基材的图像数据，将所述图像数据的分类作为输出。
CN202080081795.7A 2019-12-25 2020-11-18 污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置 Active CN114761785B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-234074 2019-12-25
JP2019234074A JP7054010B2 (ja) 2019-12-25 2019-12-25 しみ評価方法、水滴評価方法、撥剤評価方法及び撥剤評価装置
PCT/JP2020/042993 WO2021131418A1 (ja) 2019-12-25 2020-11-18 しみ評価方法、水滴評価方法、撥剤評価方法及び撥剤評価装置

Publications (2)

Publication Number Publication Date
CN114761785A true CN114761785A (zh) 2022-07-15
CN114761785B CN114761785B (zh) 2023-09-29

Family

ID=76575391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080081795.7A Active CN114761785B (zh) 2019-12-25 2020-11-18 污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置

Country Status (7)

Country Link
US (1) US20220327669A1 (zh)
EP (1) EP4083602A4 (zh)
JP (1) JP7054010B2 (zh)
KR (1) KR102498511B1 (zh)
CN (1) CN114761785B (zh)
TW (1) TWI824209B (zh)
WO (1) WO2021131418A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173641A (zh) * 2023-11-02 2023-12-05 南通苏禾车灯配件有限公司 基于机器视觉的自主洗车监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004037399A (ja) * 2002-07-05 2004-02-05 Pentax Corp 画像検査方法および装置
JP2008233026A (ja) * 2007-03-23 2008-10-02 Seiko Epson Corp 液物性評価装置
CN102830045A (zh) * 2012-07-26 2012-12-19 浙江理工大学 基于图像处理的织物沾水等级客观评定方法
CN104392441A (zh) * 2014-11-18 2015-03-04 浙江理工大学 基于图像处理的高抗噪织物沾水等级检测评定方法
JP2017211259A (ja) * 2016-05-25 2017-11-30 株式会社シーイーシー 検査装置、検査方法、及びプログラム

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4413343B2 (ja) 1999-11-12 2010-02-10 Ｈｏｙａ株式会社 ３次元画像検出装置
JP4347484B2 (ja) * 2000-01-21 2009-10-21 浜松ホトニクス株式会社 厚み計測装置、及びそれを用いたウエットエッチング装置、ウエットエッチング方法
US6842532B2 (en) * 2001-02-08 2005-01-11 The Hong Kong Polytechnic University Three dimensional measurement, evaluation and grading system for fabric/textile structure/garment appearance
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
JP2004056586A (ja) 2002-07-22 2004-02-19 Renesas Technology Corp 画像処理装置及び画像処理方法
US7535501B1 (en) * 2004-10-12 2009-05-19 Lifetouch, Inc. Testing of digital cameras
JP4996875B2 (ja) 2005-04-28 2012-08-08 日華化学株式会社 撥水剤、撥水加工方法及び撥水性繊維製品
JP2006322757A (ja) 2005-05-17 2006-11-30 Fujifilm Holdings Corp しみ検査方法及びしみ検査装置
JP2007198850A (ja) 2006-01-25 2007-08-09 Fujifilm Corp むら検査方法及びむら検査装置
JP5248213B2 (ja) 2008-06-03 2013-07-31 一般財団法人電力中央研究所 腐食度評価方法、装置及びプログラム
CN102967538A (zh) * 2012-12-12 2013-03-13 江南大学 一种织物表面抗湿性自动测定方法
US10138392B2 (en) 2013-03-29 2018-11-27 The Chemours Company Fc, Llc Non-fluorinated urethane based coatings
JP2015029174A (ja) 2013-07-30 2015-02-12 シャープ株式会社 画像形成装置
JP6085030B2 (ja) * 2013-08-05 2017-02-22 パイオニア株式会社 情報検出器及び情報計測器、並びに情報検出方法
WO2015080026A1 (ja) 2013-11-22 2015-06-04 ダイキン工業株式会社 表面処理剤
CN104568676A (zh) 2015-01-20 2015-04-29 清华大学深圳研究生院 一种材料憎水性能的测试方法及装置
TWI627588B (zh) * 2015-04-23 2018-06-21 日商思可林集團股份有限公司 檢查裝置及基板處理裝置
JP6695017B2 (ja) 2015-07-23 2020-05-20 日華化学株式会社 非フッ素系ポリマー、撥水剤組成物、撥水性繊維製品及び撥水性繊維製品の製造方法
JP6741442B2 (ja) 2016-02-29 2020-08-19 日華化学株式会社 撥水助剤、非フッ素系撥水剤組成物、及び撥水性繊維製品の製造方法
JP2017214680A (ja) 2016-05-31 2017-12-07 日華化学株式会社 撥水性繊維製品の製造方法
JP2017223558A (ja) 2016-06-15 2017-12-21 大日本印刷株式会社 画像処理装置、孔検査システムおよび画像処理方法
JP6688171B2 (ja) 2016-06-17 2020-04-28 日華化学株式会社 撥水剤組成物、撥水性繊維製品及び撥水性繊維製品の製造方法
DE102016114378A1 (de) * 2016-08-03 2018-02-08 J. Schmalz Gmbh Handhabungsvorrichtung und Verfahren zur Überwachung einer Handhabungsvorrichtung
CN106407928B (zh) * 2016-09-13 2019-09-10 武汉大学 基于雨滴识别的变压器复合绝缘子套管监测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004037399A (ja) * 2002-07-05 2004-02-05 Pentax Corp 画像検査方法および装置
JP2008233026A (ja) * 2007-03-23 2008-10-02 Seiko Epson Corp 液物性評価装置
CN102830045A (zh) * 2012-07-26 2012-12-19 浙江理工大学 基于图像处理的织物沾水等级客观评定方法
CN104392441A (zh) * 2014-11-18 2015-03-04 浙江理工大学 基于图像处理的高抗噪织物沾水等级检测评定方法
JP2017211259A (ja) * 2016-05-25 2017-11-30 株式会社シーイーシー 検査装置、検査方法、及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薄一航: "《数字图像程序基础 从一个矩形画起 Processing语言版》", 北京：中国电影出版社, pages: 146 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173641A (zh) * 2023-11-02 2023-12-05 南通苏禾车灯配件有限公司 基于机器视觉的自主洗车监测方法
CN117173641B (zh) * 2023-11-02 2024-03-05 南通苏禾车灯配件有限公司 基于机器视觉的自主洗车监测方法

Also Published As

Publication number Publication date
JP7054010B2 (ja) 2022-04-13
KR20220084415A (ko) 2022-06-21
WO2021131418A1 (ja) 2021-07-01
KR102498511B1 (ko) 2023-02-10
JP2021103111A (ja) 2021-07-15
US20220327669A1 (en) 2022-10-13
EP4083602A1 (en) 2022-11-02
EP4083602A4 (en) 2024-01-03
TWI824209B (zh) 2023-12-01
CN114761785B (zh) 2023-09-29
TW202141016A (zh) 2021-11-01

Similar Documents

Publication Publication Date Title
Guerrero et al. Support vector machines for crop/weeds identification in maize fields
CN114761785B (zh) 污渍评价方法、水滴评价方法、拨剂评价方法和拨剂评价装置
Margraf et al. An evolutionary learning approach to self-configuring image pipelines in the context of carbon fiber fault detection
CN110267998B (zh) 用于疏水性和疏油性织物整理的聚合物
CN102830045A (zh) 基于图像处理的织物沾水等级客观评定方法
Yaghoobi et al. Image gray-level enhancement using Black Hole algorithm
JP2021060457A (ja) ゴム材料の物性推定方法、システム及びプログラム
JP5477611B2 (ja) 防汚性を有し、油抜き処理後に油汚れのない布及びその製造方法
CN114549346A (zh) 模糊图像识别方法、装置、设备及存储介质
CN114885095A (zh) 图像采集控制方法及设备、图像采集系统和可读存储介质
Nishimura et al. Object tracking by branched correlation filters and particle filter
WO2020230781A1 (ja) 学習モデル生成方法、プログラム、記憶媒体、学習済みモデル
CN114514539A (zh) 剪枝模块的确定方法、装置及计算机可读存储介质
CN112022003A (zh) 扫地机器人及其控制方法、装置、计算机可读存储介质
JP2021182328A (ja) 文字認識装置及び文字認識方法
CN107016663B (zh) 一种基于改进l0梯度的织物沾水区域分割方法
JP2008163475A (ja) 繊維構造物
CN115078386B (zh) 一种玻纤布面生产过程中红色胶带的检测方法及装置
Wu et al. Medical image thresholding algorithm based on fuzzy sets theory
CN114219951B (zh) 形状匹配方法、装置、计算机设备以及存储装置
JP6675134B2 (ja) 繊維製品の形態安定性能を評価する方法および装置
Shi et al. A new classification method for animal fibers
Tomczyk et al. Contribution of active contour approach to image understanding
Abril et al. Image segmentation based on a Gaussian model applied to pilling evaluation in fabrics
Strnad et al. Antifungal activity assessment of cotton fabrics using image processing and analysis

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