CN115018844A - 一种基于人工智能的塑料薄膜质量评估方法 - Google Patents

一种基于人工智能的塑料薄膜质量评估方法 Download PDF

Info

Publication number
CN115018844A
CN115018844A CN202210946695.7A CN202210946695A CN115018844A CN 115018844 A CN115018844 A CN 115018844A CN 202210946695 A CN202210946695 A CN 202210946695A CN 115018844 A CN115018844 A CN 115018844A
Authority
CN
China
Prior art keywords
film
image
plastic film
quality
value
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
CN202210946695.7A
Other languages
English (en)
Other versions
CN115018844B (zh
Inventor
李平
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.)
NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Original Assignee
NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY 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 NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD filed Critical NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Priority to CN202210946695.7A priority Critical patent/CN115018844B/zh
Publication of CN115018844A publication Critical patent/CN115018844A/zh
Application granted granted Critical
Publication of CN115018844B publication Critical patent/CN115018844B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及工业检测领域，具体涉及一种基于人工智能的塑料薄膜质量评方法。包括获取均匀光照下的薄膜图像，去噪和灰度化得到待测图像后对其进行聚类；获取待测图像所有像素点的灰度值及其频数；计算薄膜灰度值波动程度后计算薄膜均匀度指标；获取待测图像HSV图像中的亮度值计算薄膜厚度差异值；利用语义分割获取异常区域图像，对图像卷积处理得到有效滤波图；提取有效滤波图中异常区域像素点灰度级，计算塑料薄膜结构异常度；计算塑料薄膜的质量参数与质量阈值进行比较，完成对塑料薄膜的质量评估。本发明基于视觉及图像数据对薄膜的特征指标等进行提取对薄膜质量的判定，具有成本低，检测精度高，避免人为检测效率低对薄膜损害较大的作用。

Description

一种基于人工智能的塑料薄膜质量评估方法
技术领域
本发明涉及工业检测领域，具体涉及一种基于人工智能的塑料薄膜质量评估方法。
背景技术
在当下快速发展的社会环境中，塑料制品越来越多，其中塑料薄膜作为多种塑料制品的基础，广泛应用于生活、工业等领域，其中塑料薄膜多用于食品包装上，所以其质量检测是保证后续塑料制品高质量的基础。
在实际生产中，受到工艺、 温度、 设备等因素的影响，生产出来的塑料薄膜的厚度往往与实际要求的厚度不符。当塑料薄膜的厚度比实际要求的厚度小，则塑料薄膜的强度不能够满足要求；当塑料薄膜的厚度比实际要求的厚度大，将会造成材料的浪费，增加生产成本。所以对于塑料薄膜的质量进行检测评估是很重要的。
现有技术中对塑料薄膜质量检测时，人为检测时可能会对塑料薄膜造成损害，而使用检测装置对其进行质量检测。但是这种方法对塑料薄膜质量进行检测评估，只是起辅助作用，需要借助传感器对塑料薄膜进行检测，并且需要不断调节检测传感器的位置分区域对塑料薄膜进行检测，这种方法耗费时间，需要大量成本，在调整传感器的过程中还容易对机器造成损伤，费时费力且检测结果也不够精确。
发明内容
本发明提供一种基于人工智能的塑料薄膜质量评估方法，以解决现有的技术出现的耗费时间、需要成本较大，容易对检测装置造成损伤和检测结果不够精确的问题。
本发明的基于人工智能的塑料薄膜质量评估方法采用如下技术方案，包括以下内容：
获取均匀光照下的薄膜图像；
对薄膜图像进行去噪后再灰度化处理得到待测图像，并对待测图像数据进行聚类得到多个聚类簇；
提取待测图像中所有像素点的灰度值，统计各灰度值的频数；
根据各灰度值存在像素点的频数计算薄膜灰度值波动程度，利用薄膜灰度值波动程度和聚类簇数量计算薄膜均匀度指标；
将待测图像转化为HSV图像，获取HSV图像中每个像素点的亮度值，根据亮度值计算薄膜厚度差异值；
获取异常区域图像，通过滤波器对异常区域图像进行卷积处理得到每个方向下不同波长对应的有效滤波图；
提取有效滤波图中异常区域像素点的灰度级，根据异常区域像素点的灰度级计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度；
利用塑料薄膜的均匀度指标、厚度差异值和结构异常度计算塑料薄膜的质量参数；
根据得到的塑料薄膜的质量参数与质量阈值进行比较，完成对塑料薄膜的质量评估。
计算薄膜均匀度指标的公式为：
Figure 588120DEST_PATH_IMAGE002
式中：
Figure 100002_DEST_PATH_IMAGE003
为薄膜均匀度指标，
Figure 139491DEST_PATH_IMAGE004
为对待测图像数据进行聚类的聚类簇数量，
Figure 100002_DEST_PATH_IMAGE005
为自然 对数底数，
Figure 523068DEST_PATH_IMAGE006
为薄膜灰度值波动程度，
Figure 100002_DEST_PATH_IMAGE007
为模型可调参数。
所述薄膜灰度值波动程度的计算公式如下：
Figure 100002_DEST_PATH_IMAGE009
式中：
Figure 588981DEST_PATH_IMAGE010
为灰度值
Figure 100002_DEST_PATH_IMAGE011
在待测图像中的频数，
Figure 185048DEST_PATH_IMAGE012
为灰度值的种类数，
Figure 100002_DEST_PATH_IMAGE013
为不同种类灰度 值的序号。
根据亮度值计算薄膜厚度差异值的方法如下：
计算获取的待测图像中所有像素点的亮度的均值，薄膜厚度差异值
Figure 833067DEST_PATH_IMAGE014
是当前薄膜 厚度指标与标准薄膜厚度指标之差的绝对值；
当前薄膜厚度指标的计算公式如下：
Figure 100002_DEST_PATH_IMAGE015
Figure 387545DEST_PATH_IMAGE016
式中：
Figure 100002_DEST_PATH_IMAGE017
为当前薄膜厚度指标，
Figure 488225DEST_PATH_IMAGE018
为待测图像中所有像素点的亮度均值，
Figure 100002_DEST_PATH_IMAGE019
为模型 偏执因子，
Figure 153562DEST_PATH_IMAGE020
为模型参数。
通过滤波器对异常区域图像进行卷积处理得到有效滤波图的方法为：
异常区域图像是经过语义分割后包含所有异常连通域的二值图与待测图像相乘后的图像；
获取Gabor滤波器的不同滤波方向上多个不同的滤波核，基于不同的滤波方向设置不同的波长对待测图像进行卷积处理，分别得到不同滤波方向下不同波长对应的滤波图像；
当同一滤波方向上波长
Figure 100002_DEST_PATH_IMAGE021
与波长
Figure 469136DEST_PATH_IMAGE022
对应的滤波图像上对应像素点灰度值的差值 之和小于卷积阈值时，认为在该方向下已经完全提取出待测图像中的结构信息，停止对后 续波长的卷积处理，根据卷积处理的波长得到该滤波方向上各波长对应的滤波核对待测图 像进行卷积处理的
Figure 991253DEST_PATH_IMAGE019
张有效滤波图；根据上述方法得到所有滤波方向上各波长对应的所有 有效滤波图。
根据异常区域像素点的灰度级计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度的过程包括：
塑料薄膜结构异常度的计算公式如下：
Figure 657858DEST_PATH_IMAGE024
式中：
Figure 100002_DEST_PATH_IMAGE025
为塑料薄膜结构异常度，
Figure 861306DEST_PATH_IMAGE026
为薄膜表面的异常区域的数量，
Figure 100002_DEST_PATH_IMAGE027
为薄膜表面的 异常区域的序号，
Figure 483918DEST_PATH_IMAGE028
为内部结构杂乱度高于阈值的异常区域数量，
Figure 100002_DEST_PATH_IMAGE029
为第
Figure 849040DEST_PATH_IMAGE030
张有效滤波图 中第
Figure 252208DEST_PATH_IMAGE027
个异常区域的内部结构杂乱度，
Figure 72397DEST_PATH_IMAGE030
为有效滤波图的序号，
Figure 100002_DEST_PATH_IMAGE031
为有效滤波图的数量；
其中，异常区域的内部结构杂乱度的计算公式如下：
Figure 100002_DEST_PATH_IMAGE033
式中：
Figure 736465DEST_PATH_IMAGE029
为第
Figure 413434DEST_PATH_IMAGE030
张有效滤波图中第
Figure 38319DEST_PATH_IMAGE027
个异常区域的内部结构杂乱度，
Figure 396620DEST_PATH_IMAGE034
表示在该有 效滤波图中异常区域第
Figure 56140DEST_PATH_IMAGE013
个像素点灰度级，
Figure 841693DEST_PATH_IMAGE013
为像素点灰度级的序号，
Figure 100002_DEST_PATH_IMAGE035
为在该有效滤波 图中该灰度级的频率，
Figure 625979DEST_PATH_IMAGE036
为在该有效滤波图中第
Figure 37237DEST_PATH_IMAGE027
个异常区域内像素点的灰度均值，
Figure 100002_DEST_PATH_IMAGE037
为第
Figure 36417DEST_PATH_IMAGE027
个异常区域内灰度级的数量。
利用塑料薄膜的均匀度指标、厚度差异值和结构异常度计算塑料薄膜的质量参数的方法为：
Figure 100002_DEST_PATH_IMAGE039
式中：
Figure 445402DEST_PATH_IMAGE040
为塑料薄膜质量评估模型，
Figure 44879DEST_PATH_IMAGE003
为薄膜均匀度指标，
Figure 744982DEST_PATH_IMAGE014
为薄膜厚度差异值，
Figure 847936DEST_PATH_IMAGE025
为 塑料薄膜结构异常度，
Figure 100002_DEST_PATH_IMAGE041
为小于零的模型可调参数；
对塑料薄膜质量评估模型
Figure 427822DEST_PATH_IMAGE040
的值进行[0，1]的归一化处理，得到的结果为塑料薄膜 的质量参数。
对塑料薄膜的质量评估的过程为：
设置质量阈值，将塑料薄膜的质量参数和质量阈值进行比较：
若塑料薄膜的质量参数低于质量阈值，则当前塑料薄膜质量出现问题，系统发出预警，提示工作人员当前薄膜质量不能满足出厂使用标准，需要对当前塑料薄膜再次加工进行修复；
若塑料薄膜的质量参数不低于质量阈值，则当前塑料薄膜的质量满足出厂使用标准，系统发送指令，进行下一张塑料薄膜的质量评估工作。
本发明的有益效果是：本发明通过对图像采集装置进行设置，以获取可准确检测薄膜厚度及均匀度的图像数据，基于图像数据提取薄膜的厚度指标以及均匀度指标，同时对其表面的结构异常情况进行检测，并基于此对薄膜的整体质量进行评估，可准确检测薄膜质量，降低检测系统成本，同时，采用基于图像的方法对塑料薄膜进行质量检测，为非接触的方式，可避免人为接触对塑料薄膜造成的再次伤害。本发明具有检测速度快、准确性高、系统成本低等有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的实施例的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明的一种基于人工智能的塑料薄膜质量评估方法的实施例，如图1所示，具体包括：
S101、获取均匀光照下的薄膜图像
本发明将设置相机采集装置，以获取用于分析薄膜质量的图像数据，作为后续的待检测图像，用于对塑料薄膜进行分析，实现对其质量的评估。
S102、对待测图像数据进行聚类得到多个聚类簇
获取聚类后的聚类簇数量，作为薄膜表面均匀程度分析的特征参数，聚类数量越多，说明薄膜表面像素点灰度值的种类越多，即薄膜表面是不均匀的，将聚类簇数量作为均匀度指标分析的特征参数分析薄膜表面的均匀度，可以更精确；为了避免噪声对聚类效果的影响，聚类前先对采集的薄膜图像进行去噪处理,将去噪后的图像进行灰度化处理得到待测图像。
S103、统计待测图像中各灰度值的频数计算薄膜灰度值波动程度
统计待测图像中各灰度值的频数，对薄膜表面像素点的灰度值分布情况进行分析，基于熵算法计算薄膜灰度值的波动程度，作为薄膜表面均匀度分析的特征参数。
S104、利用薄膜灰度值波动程度计算薄膜均匀度指标
基于所述聚类簇数量以及表面灰度值的波动程度，对薄膜表面的均匀度指标进行计算，基于图像数据对薄膜的均匀度指标进行提取，用于对其质量进行评估。
S105、获取待测图像的HSV图像中的亮度值，根据亮度值计算薄膜厚度差异值
将待测图像转化为HSV图像提取亮度值，基于图像各像素点的亮度进行对薄膜的厚度指标进行分析、检测，避免传统接触性薄膜厚度检测对薄膜的损害，得到薄膜厚度差异值，用于对薄膜质量进行整体评估。
S106、获取异常区域图像
利用语义分割对待测图像进行异常连通域的提取，然后将语义分割后包含所有异常连通域的二值图与待测图像相乘得到异常区域图像，获取异常区域图像能够便于对异常区域的分析，以实现对薄膜表面的结构指标进行计算。
S107、对标记后的图像进行卷积处理得到有效滤波图
采用二维的Gabor滤波器对图像进行卷积操作，以对薄膜表面的结构分布进行分析，基于Gabor滤波器的滤波方向获取多个不同的滤波核，用于对灰度图像进行卷积，以全面提取图像中的结构纹理信息，得到有效滤波图。
S108、计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度
薄膜在进行生产过程中，均需要通过牵引辊进行拉伸、牵引，生产完成后出厂前的塑料薄膜极易产生表面异常情况，塑料薄膜表面可能会出现一些裂纹、鱼眼、破损、气泡以及僵块等现象，导致薄膜表面的结构分布出现变化，因此基于薄膜表面的异常程度对塑料薄膜的质量进行更加全面、精准的定量评估。
S109、计算塑料薄膜的质量参数，根据薄膜质量参数对薄膜质量进行质量评估
基于利用塑料薄膜的均匀度指标、厚度差异值和结构异常度构建薄膜质量评估模型，用于对塑料薄膜的质量进行全面评估计算，以便对相关工作人员进行预警，为其提供参考意见。
实施例2
本发明的一种基于人工智能的塑料薄膜质量评估方法的实施例，如图1所示，具体内容包括：
S201、获取均匀光照下的薄膜图像
本实施例中设置相机采集装置，以获取用于分析薄膜质量的图像数据，作为后续的待检测图像，用于对塑料薄膜进行分析，实现对其质量的评估。
获取均匀光照下的薄膜图像的过程为：
1.准备一个不封闭的矩形架，在矩形架的两边顶部分别设置有压膜设备，用于固定展开待检测薄膜。
2.在矩形架的底部内壁部署环形LED灯，用于形成均匀光照照射待检测薄膜，所述光源的具体设置实施者可以根据实际情况布置；
在所述矩形架的正上方固定一个摄像头，用于采集待检测的塑料薄膜图像，相机的视角以及拍摄范围实施者可根据薄膜的尺寸等实际情况进行调整。
至此，即可根据本实施例所述的装置机型塑料薄膜图像的采集，获取均匀光照下的高质量塑料薄膜图像。
S202、对待测图像数据进行聚类得到多个聚类簇
获取聚类后的聚类簇数量，作为薄膜表面均匀程度分析的特征参数，聚类数量越多，说明薄膜表面像素点灰度值的种类越多，即薄膜表面是不均匀的，将聚类簇数量作为均匀度指标分析的特征参数分析薄膜表面的均匀度，可以更精确。
为避免噪声对聚类效果的影响，首先对薄膜图像进行滤波处理，消除图像中存在的噪点等干扰信息，达到去噪的效果，对滤波后的图像进行灰度化处理后得到待测图像，其中图像去噪的方法有很多，如自适应中值滤波、均值滤波以及高斯滤波等，实施者可自行选取去噪算法对图像进行处理。
对于待测图像，利用DBSCAN聚类算法对图像数据进行聚类操作，获取多个聚类簇，数量记为N。在此说明，在利用DBSCAN聚类算法对图像数据进行聚类操作时，本实施例中设置聚类半径r=0.8，密度阈值minPts=5，获取聚类后的N个聚类簇，作为薄膜表面均匀程度分析的特征参数。
S203、统计待测图像中各灰度值的频数计算薄膜灰度值波动程度
统计待测图像中各灰度值的频数，对薄膜表面像素点的灰度值分布情况进行分析，基于熵算法计算薄膜灰度值的波动程度，作为薄膜表面均匀度分析的特征参数。
获取待测图像中每个像素点的灰度值，为了提高薄膜均匀度指标的精度，对于所 有像素点的灰度值，本实施例将筛除其内部的灰度最大值与最小值，以避免最值数据对灰 度分析的影响。对于得到的筛除最值后的所有灰度值，对各灰度值出现的次数进行统计，得 到每个灰度值的频数，记为
Figure 62066DEST_PATH_IMAGE010
，
Figure 815127DEST_PATH_IMAGE042
，
Figure 788899DEST_PATH_IMAGE012
为灰度值的种类，即不同的灰度值的数量。
对薄膜表面像素点的分布情况进行分析，基于熵值算法计算薄膜灰度值波动程度，计算公式如下：
Figure DEST_PATH_IMAGE043
式中：
Figure 539686DEST_PATH_IMAGE006
为薄膜灰度值波动程度，
Figure 113756DEST_PATH_IMAGE010
为灰度值
Figure 155661DEST_PATH_IMAGE011
在待测图像中的频数，
Figure 498787DEST_PATH_IMAGE012
为灰度值的 种类即不同灰度值的数量，
Figure 233525DEST_PATH_IMAGE013
为不同种类灰度值的序号。
波动模型函数值越大，则认为对应薄膜表面像素点的灰度值波动程度较大。
S204、利用薄膜灰度值波动程度计算薄膜均匀度指标
基于所述聚类簇数量以及表面灰度值的波动程度，对薄膜表面的均匀度指标进行计算，基于图像数据对薄膜的均匀度指标进行提取，用于对其质量进行评估。
本实施例基于所述聚类簇数量以及表面灰度值的波动程度，对薄膜表面的均匀度指标进行计算，计算公式为：
Figure DEST_PATH_IMAGE045
式中：
Figure 701415DEST_PATH_IMAGE003
为薄膜均匀度指标，
Figure 61858DEST_PATH_IMAGE004
为对待测图像数据进行聚类的聚类簇数量，
Figure 275802DEST_PATH_IMAGE005
为自然 对数底数，
Figure 165129DEST_PATH_IMAGE006
为薄膜灰度值波动程度，
Figure 198944DEST_PATH_IMAGE046
为模型可调参数。
均匀度指标计算模型函数值越大，则薄膜的均匀程度越高。
至此，得到了薄膜表面的均匀度指标。
S205、获取待测图像的HSV图像中的亮度值，根据亮度值计算薄膜厚度差异值
将待测图像转化为HSV图像提取亮度值，基于图像各像素点的亮度进行对薄膜的厚度指标进行分析、检测，避免传统接触性薄膜厚度检测对薄膜的损害，得到薄膜厚度差异值，用于对薄膜质量进行整体评估。
本实施例在图像采集时在薄膜下方布置了均匀的光照，因此，通过所采集图像各像素点的亮度信息以对薄膜的薄厚度进行表征，本实施例采用颜色空间转换算法将待测图像数据转换成HSV图像数据，HSV图像数据可获取图像各像素点的亮度信息，便于基于图像数据对薄膜的薄厚度进行分析。
薄膜厚度差异值的计算过程为：
1. 计算当前薄膜厚度指标
获取HSV图像中各像素点的亮度值，计算所有像素点的亮度均值，当前薄膜厚度指标的计算公式为：
Figure DEST_PATH_IMAGE047
Figure 769603DEST_PATH_IMAGE048
式中：
Figure 110758DEST_PATH_IMAGE017
为当前薄膜厚度指标，
Figure 187299DEST_PATH_IMAGE018
为待测图像中所有像素点的亮度均值，
Figure 505148DEST_PATH_IMAGE019
为模型 偏执因子，
Figure 941814DEST_PATH_IMAGE027
为模型参数。
其中
Figure 864771DEST_PATH_IMAGE027
为模型参数且
Figure 361480DEST_PATH_IMAGE048
，具体取值实施者自行设置，本发明将其设置为
Figure DEST_PATH_IMAGE049
。
Figure 291259DEST_PATH_IMAGE019
为模型偏置因子，实施者自行设定，本发明将其设置为c=5。
2.根据当前薄膜厚度指标得到薄膜厚度差异值
将待检测薄膜的厚度指标与标准薄膜的标准厚度进行对比，待检测薄膜的厚度指 标与标准薄膜的标准厚度之差的绝对值作为薄膜厚度差异值
Figure 282348DEST_PATH_IMAGE014
，即：
Figure DEST_PATH_IMAGE051
其中
Figure 43500DEST_PATH_IMAGE052
为标准薄膜的标准厚度，即人为选取的厚度满足出厂标准且表面均匀无 瑕疵的薄膜的厚度指标。
至此，得到薄膜厚度差异值。
S106、获取异常区域图像
利用语义分割对待测图像进行异常连通域的提取，然后将语义分割后包含所有异常连通域的二值图与待测图像相乘得到异常区域图像，获取异常区域图像能够便于对异常区域的分析，以实现对薄膜表面的结构指标进行计算。
对于所采集的图像数据进行灰度化处理，降低系统计算量，本发明将采用语义分割网络对待测图像中的异常区域进行提取，将异常区域对应的像素点标记为1，其他正常区域的像素点标记为0，通过语义分割网络获取语义感知效果图，将语义分割得到的语义感知效果图与待测图像进行相乘，得到的就是异常区域图像，其中语义感知效果图中包含各异常区域对应的连通域，用于后续对异常区域进行分析，以实现对薄膜表面的结构指标进行计算。在此需要说明，语义分割网络对异常区域进行提取过程为现有公知技术，本发明不做详细阐述，不在本发明保护范围内。
S207、对标记后的图像进行卷积处理得到有效滤波图
采用二维的Gabor滤波器对图像进行卷积操作，以对薄膜表面的结构分布进行分析，基于Gabor滤波器的滤波方向获取多个不同的滤波核，用于对灰度图像进行卷积，以全面提取图像中的结构纹理信息，得到有效滤波图。
本实施例将采用二维的Gabor滤波器对图像进行卷积操作，以对薄膜表面的结构分布进行分析，Gabor滤波器函数式具体为：
Figure 711110DEST_PATH_IMAGE054
式中，
Figure DEST_PATH_IMAGE055
为空间域像素的位置，且
Figure 128185DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE057
，
Figure 109917DEST_PATH_IMAGE058
为其中 正弦函数的波长，直接影响滤波器的滤波尺度，其值以像素为单位，通常
Figure DEST_PATH_IMAGE059
，其中，
Figure 928837DEST_PATH_IMAGE060
为图像尺寸，
Figure DEST_PATH_IMAGE061
为滤波器方向，指定了Gabor函数并行条纹的方向，取值为
Figure 439453DEST_PATH_IMAGE062
度，
Figure DEST_PATH_IMAGE063
为调谐函数的相位偏移，取值为
Figure 609403DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE065
为Gabor滤波器的半响应空间频率带宽，
Figure 676716DEST_PATH_IMAGE066
为空间纵 横比。
本实施例考虑到当Gabor滤波函数中的参数不同时，对应的核函数也不同，且不同 的Gabor滤波核与同一图像进行卷积后可获取不同的图像结构纹理信息。Gabor滤波函数的 参数序列为
Figure DEST_PATH_IMAGE067
，在进行滤波操作时，相位偏移、带宽以及空间纵横比一般为固定参 数，实施者可自行设定，本发明将其设置为相位偏移
Figure 350143DEST_PATH_IMAGE068
，带宽
Figure DEST_PATH_IMAGE069
，空间纵横比
Figure 297239DEST_PATH_IMAGE070
。 而波长
Figure 751223DEST_PATH_IMAGE058
和滤波器方向
Figure 622227DEST_PATH_IMAGE061
的取值通常不确定，其取值不同时对图像纹理信息的提取具有明显 的差异效果，因此，本发明将基于Gabor滤波器的滤波方向获取多个不同的滤波核，用于对 灰度图像进行卷积，以全面提取图像中的结构纹理信息；
本实施例将构建滤波核参数二元组
Figure DEST_PATH_IMAGE071
，基于波长以及滤波器方向设置不同的滤 波核，以对灰度图像进行结构信息的提取。本发明设置：对于滤波器方向，考虑到其取值范 围为
Figure 415740DEST_PATH_IMAGE072
，则本发明可取
Figure DEST_PATH_IMAGE073
，
Figure 596054DEST_PATH_IMAGE074
，共9个值；然后基于不同的滤波方向，设 置不同的波长：对于波长
Figure 271755DEST_PATH_IMAGE059
，因此，本发明设置初始波长
Figure DEST_PATH_IMAGE075
，步长
Figure 398980DEST_PATH_IMAGE076
，则可取
Figure DEST_PATH_IMAGE077
，其中
Figure 46999DEST_PATH_IMAGE078
，且
Figure DEST_PATH_IMAGE079
，
Figure 70319DEST_PATH_IMAGE080
为取整函数，在不同方向下分别以上述波 长得到对应的滤波核对图像进行卷积操作，并分别得到对应的滤波图像，当同一滤波方向 上波长
Figure 249627DEST_PATH_IMAGE021
与波长
Figure 977281DEST_PATH_IMAGE022
对应的滤波图像上对应像素点灰度值的差值之和小于
Figure DEST_PATH_IMAGE081
时（实施者可自 行设定，本实施例中
Figure 479806DEST_PATH_IMAGE082
，
Figure 18235DEST_PATH_IMAGE004
为待测图像中像素点的数量。），将认为在该方向下已经实 现对灰度图像的结构信息的完整全面提取，将不再进行后续波长下的卷积操作，也即通过{
Figure DEST_PATH_IMAGE083
}对应的滤波核对图像进行卷积得到
Figure 606211DEST_PATH_IMAGE019
张滤波图，已经可以实现对该方向下灰度 图像结构信息的全部提取，因此，将
Figure 137555DEST_PATH_IMAGE019
张滤波图称为有效滤波图。至此，即可根据上述方法获 取各个方向下的灰度图像结构信息的全面提取所对应的各滤波核，本实施例通过不同波长 对应的滤波图像差异阈值可有效降低计算量，同时可准确提取灰度图像对应的结构信息。
根据上述方法可以得到每个方向下对应的有效滤波图，每个有效滤波图均对应一 个二元组
Figure 369954DEST_PATH_IMAGE084
将对应有效滤波图记为
Figure 813704DEST_PATH_IMAGE030
，将所有有效滤波图的数量记为
Figure 216873DEST_PATH_IMAGE031
（在此需要说 明，所述有效滤波图包含不同滤波方向下的各有效滤波图），进一步本发明将基于有效滤波 图对各方向下异常区域的结构异常程度进行分析。
S208、计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度
薄膜在进行生产过程中，均需要通过牵引辊进行拉伸、牵引，生产完成后出厂前的塑料薄膜极易产生表面异常情况，塑料薄膜表面可能会出现一些裂纹、鱼眼、破损、气泡以及僵块等现象，导致薄膜表面的结构分布出现变化，因此基于薄膜表面的异常程度对塑料薄膜的质量进行更加全面、精准的定量评估。
塑料薄膜结构异常度的计算公式如下：
Figure 37061DEST_PATH_IMAGE024
式中：
Figure 576496DEST_PATH_IMAGE025
为塑料薄膜结构异常度，
Figure 191148DEST_PATH_IMAGE026
为薄膜表面的异常区域的数量，
Figure 816033DEST_PATH_IMAGE027
为薄膜表面的 异常区域的序号，
Figure 439913DEST_PATH_IMAGE028
为内部结构杂乱度高于阈值的异常区域数量，
Figure 833854DEST_PATH_IMAGE029
为第
Figure 884986DEST_PATH_IMAGE030
张有效滤波图 中第
Figure 200430DEST_PATH_IMAGE027
个异常区域的内部结构杂乱度，
Figure 611689DEST_PATH_IMAGE030
为有效滤波图的序号，
Figure 142027DEST_PATH_IMAGE031
为有效滤波图的数量；
本实施例将对内部结构杂乱度设置程度阈值
Figure DEST_PATH_IMAGE085
，当
Figure 754274DEST_PATH_IMAGE086
小于阈值
Figure 88172DEST_PATH_IMAGE085
时，将认为在对应 有效滤波图上异常区域的结构信息体现不明显，因此，统计异常区域结构杂乱程度高于阈 值所对应的二元组的个数，记为
Figure 53854DEST_PATH_IMAGE028
，将其作为异常区域异常程度表征的参数，用于对薄膜表 面结构异常程度进行计算。
其中，异常区域的内部结构杂乱度的计算公式如下：
Figure 445825DEST_PATH_IMAGE033
式中：
Figure 838760DEST_PATH_IMAGE029
为第
Figure 925534DEST_PATH_IMAGE030
张有效滤波图中第
Figure 429327DEST_PATH_IMAGE027
个异常区域的内部结构杂乱度，
Figure 652367DEST_PATH_IMAGE034
表示在该有 效滤波图中异常区域第
Figure 481783DEST_PATH_IMAGE013
个像素点灰度级，
Figure 524694DEST_PATH_IMAGE013
为像素点灰度级的序号，
Figure 832179DEST_PATH_IMAGE035
为在该有效滤波 图中该灰度级的频率，
Figure 175304DEST_PATH_IMAGE036
为在该有效滤波图中第
Figure 706780DEST_PATH_IMAGE027
个异常区域内像素点的灰度均值，
Figure 502566DEST_PATH_IMAGE037
为第
Figure 348163DEST_PATH_IMAGE027
个异常区域内灰度级的数量。
S209、计算塑料薄膜的质量参数，根据薄膜质量参数对薄膜质量进行质量评估
基于利用塑料薄膜的均匀度指标、厚度差异值和结构异常度构建薄膜质量评估模型，用于对塑料薄膜的质量进行全面评估计算，以便对相关工作人员进行预警，为其提供参考意见。
塑料薄膜质量评估模型的公式如下：
Figure 545795DEST_PATH_IMAGE039
式中：
Figure 451434DEST_PATH_IMAGE040
为塑料薄膜质量评估模型，
Figure 734516DEST_PATH_IMAGE003
为薄膜均匀度指标，
Figure 118224DEST_PATH_IMAGE014
为薄膜厚度差异值，
Figure 435942DEST_PATH_IMAGE025
为 塑料薄膜结构异常度，
Figure 512483DEST_PATH_IMAGE041
为小于零的模型可调参数；
对塑料薄膜质量评估模型
Figure 17282DEST_PATH_IMAGE040
的值进行[0，1]的归一化处理，得到的结果为塑料薄膜 的质量参数。
设定质量阈值，根据得到的塑料薄膜的质量参数与质量阈值
Figure DEST_PATH_IMAGE087
进行比较对塑料薄 膜进行质量评估，本实施例中质量阈值
Figure 204681DEST_PATH_IMAGE088
，并对相关工作人员进行预警提示。
当塑料薄膜的质量参数低于质量阈值时，系统将发出预警，提示工作人员待检测薄膜质量不满足出厂使用标准，需要对当前塑料薄膜进行加工修复，以保证出厂的塑料薄膜质量；
当塑料薄膜的质量参数不低于质量阈值时，系统发出指令，提示工作人员待检测薄膜质量合格，进行下一张塑料薄膜的检测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的塑料薄膜质量评估方法，其特征在于：包括以下步骤：
获取均匀光照下的薄膜图像；
对薄膜图像进行去噪后再灰度化处理得到待测图像，并对待测图像数据进行聚类得到多个聚类簇；
提取待测图像中所有像素点的灰度值，统计各灰度值的频数；
根据各灰度值存在像素点的频数计算薄膜灰度值波动程度，利用薄膜灰度值波动程度和聚类簇数量计算薄膜均匀度指标；
将待测图像转化为HSV图像，获取HSV图像中每个像素点的亮度值，根据亮度值计算薄膜厚度差异值；
获取异常区域图像，通过滤波器对异常区域图像进行卷积处理得到每个方向下不同波长对应的有效滤波图；
提取有效滤波图中异常区域像素点的灰度级，根据异常区域像素点的灰度级计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度；
利用塑料薄膜的均匀度指标、厚度差异值和结构异常度计算塑料薄膜的质量参数；
根据得到的塑料薄膜的质量参数与质量阈值进行比较，完成对塑料薄膜的质量评估。
2.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述计算薄膜均匀度指标的公式为：
Figure 834509DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
为薄膜均匀度指标，
Figure 447060DEST_PATH_IMAGE004
为对待测图像数据进行聚类的聚类簇数量，
Figure DEST_PATH_IMAGE005
为自然对数 底数，
Figure 443835DEST_PATH_IMAGE006
为薄膜灰度值波动程度，
Figure DEST_PATH_IMAGE007
为模型可调参数。
3.根据权利要求2所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述薄膜灰度值波动程度的计算公式如下：
Figure DEST_PATH_IMAGE009
式中：
Figure 296253DEST_PATH_IMAGE010
为灰度值
Figure DEST_PATH_IMAGE011
在待测图像中的频数，
Figure 175216DEST_PATH_IMAGE012
为灰度值的种类数，
Figure DEST_PATH_IMAGE013
为不同种类灰度值的 序号。
4.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述根据亮度值计算薄膜厚度差异值的方法如下：
计算获取的待测图像中所有像素点的亮度的均值，薄膜厚度差异值
Figure 302441DEST_PATH_IMAGE014
是当前薄膜厚度 指标与标准薄膜厚度指标之差的绝对值；
当前薄膜厚度指标的计算公式如下：
Figure DEST_PATH_IMAGE015
Figure 402990DEST_PATH_IMAGE016
式中：
Figure DEST_PATH_IMAGE017
为当前薄膜厚度指标，
Figure 691889DEST_PATH_IMAGE018
为待测图像中所有像素点的亮度均值，
Figure DEST_PATH_IMAGE019
为模型偏执 因子，
Figure 605619DEST_PATH_IMAGE020
为模型参数。
5.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述通过滤波器对异常区域图像进行卷积处理得到有效滤波图的方法为：
异常区域图像是经过语义分割后包含所有异常连通域的二值图与待测图像相乘后的图像；
获取Gabor滤波器的不同滤波方向上多个不同的滤波核，基于不同的滤波方向设置不同的波长对待测图像进行卷积处理，分别得到不同滤波方向下不同波长对应的滤波图像；
当同一滤波方向上波长
Figure DEST_PATH_IMAGE021
与波长
Figure 270955DEST_PATH_IMAGE022
对应的滤波图像上对应像素点灰度值的差值之和 小于卷积阈值时，认为在该方向下已经完全提取出待测图像中的结构信息，停止对后续波 长的卷积处理，根据卷积处理的波长得到该滤波方向上各波长对应的滤波核对待测图像进 行卷积处理的
Figure 835797DEST_PATH_IMAGE019
张有效滤波图；根据上述方法得到所有滤波方向上各波长对应的所有有效 滤波图。
6.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述根据异常区域像素点的灰度级计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度的过程包括：
塑料薄膜结构异常度的计算公式如下：
Figure 374226DEST_PATH_IMAGE024
式中：
Figure DEST_PATH_IMAGE025
为塑料薄膜结构异常度，
Figure 696623DEST_PATH_IMAGE026
为薄膜表面的异常区域的数量，
Figure DEST_PATH_IMAGE027
为薄膜表面的异常 区域的序号，
Figure 165651DEST_PATH_IMAGE028
为内部结构杂乱度高于阈值的异常区域数量，
Figure DEST_PATH_IMAGE029
为第
Figure 319420DEST_PATH_IMAGE030
张有效滤波图中第
Figure 278018DEST_PATH_IMAGE027
个异常区域的内部结构杂乱度，
Figure 166339DEST_PATH_IMAGE030
为有效滤波图的序号，
Figure DEST_PATH_IMAGE031
为有效滤波图的数量；
其中，异常区域的内部结构杂乱度的计算公式如下：
Figure DEST_PATH_IMAGE033
式中：
Figure 94850DEST_PATH_IMAGE029
为第
Figure 181755DEST_PATH_IMAGE030
张有效滤波图中第
Figure 61986DEST_PATH_IMAGE027
个异常区域的内部结构杂乱度，
Figure 686871DEST_PATH_IMAGE034
表示在该有效滤 波图中异常区域第
Figure 310751DEST_PATH_IMAGE013
个像素点灰度级，
Figure 704692DEST_PATH_IMAGE013
为像素点灰度级的序号，
Figure DEST_PATH_IMAGE035
为在该有效滤波图中 该灰度级的频率，
Figure 677196DEST_PATH_IMAGE036
为在该有效滤波图中第
Figure 540110DEST_PATH_IMAGE027
个异常区域内像素点的灰度均值，
Figure DEST_PATH_IMAGE037
为第
Figure 685789DEST_PATH_IMAGE027
个异 常区域内灰度级的数量。
7.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述利用塑料薄膜的均匀度指标、厚度差异值和结构异常度计算塑料薄膜的质量参数的方法为：
Figure DEST_PATH_IMAGE039
式中：
Figure 137499DEST_PATH_IMAGE040
为塑料薄膜质量评估模型，
Figure 77642DEST_PATH_IMAGE003
为薄膜均匀度指标，
Figure 427852DEST_PATH_IMAGE014
为薄膜厚度差异值，
Figure 642802DEST_PATH_IMAGE025
为塑料 薄膜结构异常度，
Figure DEST_PATH_IMAGE041
为小于零的模型可调参数；
对塑料薄膜质量评估模型
Figure 949018DEST_PATH_IMAGE040
的值进行[0，1]的归一化处理，得到的结果为塑料薄膜的质 量参数。
8.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述对塑料薄膜的质量评估的过程为：
设置质量阈值，将塑料薄膜的质量参数和质量阈值进行比较：
若塑料薄膜的质量参数低于质量阈值，则当前塑料薄膜质量出现问题，系统发出预警，提示工作人员当前薄膜质量不能满足出厂使用标准，需要对当前塑料薄膜再次加工进行修复；
若塑料薄膜的质量参数不低于质量阈值，则当前塑料薄膜的质量满足出厂使用标准，系统发送指令，进行下一张塑料薄膜的质量评估工作。
CN202210946695.7A 2022-08-09 2022-08-09 一种基于人工智能的塑料薄膜质量评估方法 Active CN115018844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210946695.7A CN115018844B (zh) 2022-08-09 2022-08-09 一种基于人工智能的塑料薄膜质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210946695.7A CN115018844B (zh) 2022-08-09 2022-08-09 一种基于人工智能的塑料薄膜质量评估方法

Publications (2)

Publication Number Publication Date
CN115018844A true CN115018844A (zh) 2022-09-06
CN115018844B CN115018844B (zh) 2023-03-24

Family

ID=83065339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210946695.7A Active CN115018844B (zh) 2022-08-09 2022-08-09 一种基于人工智能的塑料薄膜质量评估方法

Country Status (1)

Country Link
CN (1) CN115018844B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639215A (zh) * 2022-10-09 2023-01-24 江阴旺达商务贴有限公司 基于协方差分析的静电贴纸鉴定平台
CN116167640A (zh) * 2022-12-08 2023-05-26 南京贝迪新材料科技股份有限公司 一种lcp薄膜生产质量检测数据分析方法及系统
CN116309578A (zh) * 2023-05-19 2023-06-23 山东硅科新材料有限公司 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法
CN116385439A (zh) * 2023-06-05 2023-07-04 山东兰通机电有限公司 基于图像处理的电机橡胶减震垫质量检测方法
CN117152151A (zh) * 2023-10-31 2023-12-01 新东鑫(江苏)机械科技有限公司 基于机器视觉的电机外壳质量检测方法
CN117437235A (zh) * 2023-12-21 2024-01-23 四川新康意众申新材料有限公司 基于图像处理的塑料薄膜质量检测方法
CN117483209A (zh) * 2024-01-02 2024-02-02 深圳市深海龙腾科技有限公司 一种基于机器视觉的反射膜生产质控的方法及系统
CN118493483A (zh) * 2024-07-16 2024-08-16 长园新能源材料研究院(广东)有限公司 薄膜分割机的控制方法及其系统、控制器、存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015203570A (ja) * 2014-04-10 2015-11-16 キヤノン株式会社 膜厚測定装置および膜厚測定方法
CN111310640A (zh) * 2020-02-12 2020-06-19 青岛大学 Landsat8影像绿潮自适应阈值分区智能检测方法
CN113592811A (zh) * 2021-07-29 2021-11-02 常州大学 一种基于图像处理的熔喷布厚度一致性检测方法
CN114760739A (zh) * 2022-06-15 2022-07-15 启东盛丽光电科技有限公司 一种基于环境信息的智能照明灯具控制系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015203570A (ja) * 2014-04-10 2015-11-16 キヤノン株式会社 膜厚測定装置および膜厚測定方法
CN111310640A (zh) * 2020-02-12 2020-06-19 青岛大学 Landsat8影像绿潮自适应阈值分区智能检测方法
CN113592811A (zh) * 2021-07-29 2021-11-02 常州大学 一种基于图像处理的熔喷布厚度一致性检测方法
CN114760739A (zh) * 2022-06-15 2022-07-15 启东盛丽光电科技有限公司 一种基于环境信息的智能照明灯具控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱本铄等: "基于MATLAB对PP/PLA复合材料薄膜均匀性评估方法", 《材料科学与工程学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639215A (zh) * 2022-10-09 2023-01-24 江阴旺达商务贴有限公司 基于协方差分析的静电贴纸鉴定平台
CN116167640B (zh) * 2022-12-08 2024-04-09 南京贝迪新材料科技股份有限公司 一种lcp薄膜生产质量检测数据分析方法及系统
CN116167640A (zh) * 2022-12-08 2023-05-26 南京贝迪新材料科技股份有限公司 一种lcp薄膜生产质量检测数据分析方法及系统
CN116309578A (zh) * 2023-05-19 2023-06-23 山东硅科新材料有限公司 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法
CN116309578B (zh) * 2023-05-19 2023-08-04 山东硅科新材料有限公司 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法
CN116385439A (zh) * 2023-06-05 2023-07-04 山东兰通机电有限公司 基于图像处理的电机橡胶减震垫质量检测方法
CN116385439B (zh) * 2023-06-05 2023-08-15 山东兰通机电有限公司 基于图像处理的电机橡胶减震垫质量检测方法
CN117152151A (zh) * 2023-10-31 2023-12-01 新东鑫(江苏)机械科技有限公司 基于机器视觉的电机外壳质量检测方法
CN117152151B (zh) * 2023-10-31 2024-02-02 新东鑫(江苏)机械科技有限公司 基于机器视觉的电机外壳质量检测方法
CN117437235B (zh) * 2023-12-21 2024-03-12 四川新康意众申新材料有限公司 基于图像处理的塑料薄膜质量检测方法
CN117437235A (zh) * 2023-12-21 2024-01-23 四川新康意众申新材料有限公司 基于图像处理的塑料薄膜质量检测方法
CN117483209A (zh) * 2024-01-02 2024-02-02 深圳市深海龙腾科技有限公司 一种基于机器视觉的反射膜生产质控的方法及系统
CN117483209B (zh) * 2024-01-02 2024-04-09 深圳市深海龙腾科技有限公司 一种基于机器视觉的反射膜生产质控的方法及系统
CN118493483A (zh) * 2024-07-16 2024-08-16 长园新能源材料研究院(广东)有限公司 薄膜分割机的控制方法及其系统、控制器、存储介质
CN118493483B (zh) * 2024-07-16 2024-10-18 长园新能源材料研究院(广东)有限公司 薄膜分割机的控制方法及其系统、控制器、存储介质

Also Published As

Publication number Publication date
CN115018844B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
Zhou et al. Automated visual inspection of glass bottle bottom with saliency detection and template matching
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN103034838B (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN115294113B (zh) 一种木饰面板质量检测方法
CN115170572B (zh) 一种bopp复合薄膜表面涂胶质量监测方法
CN114494210B (zh) 基于图像处理的塑料膜生产缺陷检测方法及系统
CN102654464A (zh) 基于多特征模糊识别的铜带表面缺陷检测系统
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN114549441B (zh) 基于图像处理的吸管缺陷检测方法
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN110473194A (zh) 基于多图像块阈值分割算法的水果表面缺陷检测方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN109239073A (zh) 一种用于汽车车身的表面缺陷检测方法
CN109961432A (zh) 一种滤布破损的检测方法和系统
CN110197479A (zh) 一种表面改性质量检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN106248634A (zh) 果实外表皮光泽度测量装置及方法
CN117274293A (zh) 基于图像特征的细菌菌落精确划分方法
CN115222732B (zh) 一种基于大数据分析和色差检测的注塑工艺异常检测方法
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
Li et al. Vehicle seat detection based on improved RANSAC-SURF algorithm
CN115471494A (zh) 基于图像处理的沃柑质检方法、装置、装备及存储介质
CN111861950A (zh) 一种织物表面毛球区域的检测方法及装置

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