CN115100208B - 一种基于直方图和动态光源的薄膜表面缺陷评估方法 - Google Patents
一种基于直方图和动态光源的薄膜表面缺陷评估方法 Download PDFInfo
- Publication number
- CN115100208B CN115100208B CN202211029544.1A CN202211029544A CN115100208B CN 115100208 B CN115100208 B CN 115100208B CN 202211029544 A CN202211029544 A CN 202211029544A CN 115100208 B CN115100208 B CN 115100208B
- Authority
- CN
- China
- Prior art keywords
- light source
- defect
- area
- region
- quality evaluation
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 112
- 238000011156 evaluation Methods 0.000 title claims abstract description 64
- 238000013441 quality evaluation Methods 0.000 claims abstract description 73
- 230000002950 deficient Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 239000010408 film Substances 0.000 claims description 76
- 239000010409 thin film Substances 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及缺陷检测领域，提出了一种基于灰度直方图和动态光源的薄膜表面缺陷程度评估方法，包括：S1：对获得的薄膜灰度图像进行自适应分割得到分割后的各区域；S2：获取每个区域的灰度直方图，获得该区域灰度直方图的多阶矩；S3：利用获取的区域灰度直方图的多阶矩得到该区域的质量评估值；S4：判断区域是否为缺陷区域；S5：对初始光源角度进行调节，利用S2‑S3的方法获取判断为缺陷的区域在每次光源角度调节后的质量评估值；S6：获取各缺陷区域的评估熵；S7：根据所有缺陷区域的评估熵中的最大评估熵对薄膜表面缺陷程度进行评价。本发明能够提高薄膜表面评估精度。
Description
技术领域
本发明涉及缺陷检测领域，具体涉及一种基于直方图和动态光源的薄膜表面缺陷评估方法。
背景技术
塑料薄膜的生产材料主要为聚氯乙烯（PVC），经过薄膜生产线产出成品。但是在薄膜生产过程中，由于生产中的微小杂质和其它一些因素影响，不可避免的会出现一些有缺陷的薄膜，从而严重影响薄膜的产品合格率，影响生产效益。
现有技术中，对薄膜表面缺陷检测主要通过人工的方式进行检测，该方式效率低下，严重浪费劳动力；随着机器视觉领域的发展，薄膜缺陷检测工艺也融入了机器视觉缺陷检测，利用图像二值化、形态学和图像增强对薄膜表面图像缺陷进行特征提取，获取薄膜表面缺陷，并对薄膜表面缺陷进行缺陷程度评估。通过机器视觉进行薄膜缺陷检测的过程中，由于薄膜在受到光照时发生反光等原因，造成对缺陷检测不准确，因此不能对薄膜的缺陷进行准确的评估，造成不良品流入到市场或良品被误认为不良品等问题。
发明内容
为了克服上述现有技术的缺点，本发明提供一种通过不断的调整光源角度，对不同光源角度中的缺陷区域进行评估，最终达到薄膜准确评估的基于直方图和动态光源的薄膜表面缺陷评估方法。
为达到上述目的，本发明采用如下技术方案，一种基于直方图和动态光源的薄膜表面缺陷评估方法，包括以下步骤：
S1：设置初始光源角度，获取初始光源角度下的薄膜灰度图像，对获得的薄膜灰度图像进行自适应分割得到分割后的各区域；
S2：获取每个区域的灰度直方图，利用灰度直方图中每一灰度级的灰度均值获得该区域灰度直方图的多阶矩；
S3：利用获取的区域灰度直方图的多阶矩得到该区域的质量评估值；
S4：将每个区域的质量评估值与评估阈值进行对比，判断该区域是否为缺陷区域；
S5：对初始光源角度进行调节，利用S2-S3的方法获取判断为缺陷的区域在每次光源角度调节后的质量评估值；
S6：利用缺陷区域在不同光源角度下的质量评估值得到缺陷区域每个光源角度下的质量评估值在该缺陷区域所有光源角度下的质量评估值中的占比，根据缺陷区域每个光源角度下的质量评估值在该缺陷区域所有光源角度下的质量评估值中的占比、该缺陷区域的长度和宽度获取各缺陷区域的评估熵；
S7：根据所有缺陷区域的评估熵中的最大评估熵对薄膜表面缺陷程度进行评价。
进一步的，所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，S1中得到分割后的各区域的方法为：
在薄膜灰度图像行/列方向上，若平均分割列数/平均分割行数大于最大边缘列数/最大边缘行数时，对薄膜灰度图像进行行方向上/列方向上的平均分块；若平均分割列数/平均分割行数小于最大边缘列数/最大边缘行数时，对薄膜灰度图像进行行方向上/列方向上的自适应分块。
进一步的，所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，S5中对初始光源角度进行调节的方法为：
根据设定的初始调节步长进行第一次光源角度调节；
获取缺陷区域第一次光源角度调节后的质量评估值；
计算第一次光源角度调节后的质量评估值与第一次光源角度调节前的质量评估值的差值绝对值，通过该差值绝对值与初始调节步长得到第二次光源调节步长，按照获取第二次光源调节步长的方法获取第二次光源调节之后的光源调节步长，完成对光源角度的调节。
进一步的，所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，S6中缺陷区域的评估熵的表达式为：
式中：表示缺陷区域的评估熵，表示第个光源角度，ɸ表示光源角度调节的次
数,表示缺陷区域在第个光源角度下的质量评估值在该缺陷区域所有光源角度下的质
量评估值中的占比，表示当前薄膜图像的长，表示当前薄膜图像的宽，表示第个
缺陷区域的长度，表示第个缺陷区域的宽度。
进一步的，所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，S3中区域的质量评估值的表达式为：
式中：表示区域的质量评估值，表示二阶矩，表示三阶矩，表示四阶矩，表示二阶矩的权重，表示三阶矩的权重，表示四阶矩的权重。
进一步的，所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，S4中将每个区域的质量评估值与评估阈值进行对比，判断该区域是否为缺陷区域的方法为：
若区域的质量评估值大于或等于质量评估值阈值，判断该区域为非缺陷区域；
若区域的质量评估值小于质量评估值阈值，判断该区域为缺陷区域。
进一步的，所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，S7中根据所有缺陷区域的评估熵中的最大评估熵对薄膜表面缺陷程度进行评价的方法为：
若所有缺陷区域的评估熵中的最大评估熵大于评估熵阈值，判断对应的薄膜为二等品；
若所有缺陷区域的评估熵中的最大评估熵小于或等于评估熵阈值，判断对应的薄膜为一等品。
进一步的，所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，S1中薄膜灰度图像的初始光源与水平方向的夹角为90度。
本发明的有益效果是：基于本发明所述通过薄膜表面图像灰度特征进行自适应图像分割，得到多个疑似缺陷图像，利用不同图像区域的灰度直方图特征构建质量评价模型，对区域是否为缺陷区域进行判断，相较于现有技术，有益效果在于既能得到灰度直方图分布特征，又保留了各边缘区域的空间分布特征，提高薄膜质量评估的客观性和准确性；通过不断地调整光源角度，对不同光源角度中的缺陷区域进行评估，最终达到对薄膜的准确评估，相较于现有技术，有益效果在于能够提高薄膜表面评估精度，减少反光的影响。
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为本发明的一种基于直方图和动态光源的薄膜表面缺陷评估方法的实施例的流程示意图。
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
本发明的一种基于直方图和动态光源的薄膜表面缺陷评估方法的实施例，如图1所示，包括：
S1：设置初始光源角度，获取初始光源角度下的薄膜灰度图像，对获得的薄膜灰度图像进行自适应分割得到分割后的各区域。
设置薄膜表面图像的初始光源角度为，该角度为光源与水平方向的夹角，通过
相机采集薄膜表面RGB图像，图像大小为，对薄膜表面RGB图像进行灰度化处理，灰度
化采用三通道均值灰度化：，得到灰度图像。然后对灰度图像进行灰度空间
分布特征提取，进行灰度图像分割，具体过程如下：
首先，对灰度图像通过Sobel边缘检测算法获取灰度图像表面存在的边缘像素
点，并将边缘像素点进行拟合得到边缘区域，对边缘像素点的分布区域进行统计，获取存在
的所有边缘像素点在图像坐标系中所分布的行数和列数。
然后，根据边缘所分布的行数和列数对图像进行自适应分割，图像行方向上：根据
所有边缘区域的个数和每个边缘分布的列数，对图像行方向上进行分块，时，对图像行方向上进行平均分块，分割块的列数为。（其中，
表示图像行方向上最多的边缘区域个数，表示图像行方向上最大边缘的分
布列数）；当时，则对图像行方向上采用自适应分块，改变每块图像所占得列数和，其中，前一项为大于平均分割列数的边缘
的分割列数，后一项为小于平均分割列数的边缘的分割列数，为自适应系数，
表示第u个大于平均分割列数的边缘区域所占列数。自适应分割时，若边缘所占列数多，则
为该边缘多分割列数；若边缘所占列数较少，则为该边缘少分割列数。
同样的，图像列方向上：根据所有边缘的个数，和每个边缘分布的行数，对图像
列方向上进行分块，，对图像列方向上进行平均分块，分割块的行数为，（其中，表示图像列方向上最多的边缘区域个数，表示图像列方向上最大边
缘的分布行数），当时，则对图像列方向上采用自适应分块，改变每块图像所占
得行数和，其中，前一项为大于平均分割行数
的边缘的分割行数，后一项为小于平均分割行数的边缘的分割行数，为自适应
系数，表示第v个大于平均分割行数的边缘所占行数。自适应分割时，若边缘所占行数多，
则为该边缘多分割行数；若边缘所占行数较少，则为该边缘少分割行数。通过上述自适应分
割方法，获取多个图像分割区域，得到每个图像分割区域的长度和宽度。
需要说明的是，经过上述方法对图像进行自适应分割，最终分割后的图像各区域内仅保留一个边缘区域或者无边缘区域，好处在于，能够根据边缘像素点的分布信息对图像进行自适应分割，获取完全包含边缘区域的等大或者非等大图像块，有助于后续为多个自适应大小的图像块进行动态光源角度调节提供参考依据，同时能够排除相邻边缘区域之间的影响。在前面通过Sobel边缘检测算法获取到边缘区域的原因是因为薄膜表面可能存在表面凸起或卷边，造成该图像区域光照分布不均，产生灰度梯度，从而获得边缘区域。
上述步骤实现了对薄膜表面图像进行灰度化和图像分割，能够根据薄膜表面的灰度空间特征对可能存在缺陷的区域进行区域分割，提高缺陷评估精度。
S2：获取每个区域的灰度直方图，利用灰度直方图中每一灰度级的灰度均值获得该区域灰度直方图的多阶矩。
通过上述步骤得到各区域分割图像，对各区域分割图像进行灰度直方图统计，以其中一个分割区域图像为例：首先，统计分割区域内部所有的灰度级以及所有灰度级的像素点个数，然后，对像素点的灰度级进行归一化处理，范围在[0,1]之间，绘制该区域的灰度直方图曲线，灰度直方图曲线的横坐标为灰度级，纵坐标为灰度级对应的像素点个数。
根据灰度直方图曲线特征进行各区域的薄膜质量评估，利用灰度直方图的多阶矩构建薄膜质量评估模型，具体过程如下：
首先，获取各区域的灰度直方图，求各灰度级下的灰度均值，其中，
表示图像灰度级数，表示第i个灰度级的直方图大小，表示第i个灰度级。
然后，根据各区域图像的灰度直方图均值获取灰度直方图的多阶矩，所述多阶矩
包括：二阶矩、三阶矩和四阶矩。灰度直方图的多阶矩为公知统计指标，计算方式不
再赘述。
二阶矩实质为方差，是灰度级对比度的度量，薄膜表面纹理平滑、灰度分布均匀，灰度起伏越小，图像的二阶矩越小，反之，图像的二阶矩越大。三阶矩是灰度直方图的偏斜度的度量，反映灰度分布信息，当直方图集中分布在左侧，三阶矩为负值；当直方图集中分布在右侧，三阶矩为正值。四阶矩是反映直方图的相对平坦性，灰度直方图曲线的边缘梯度越大，对应的四阶矩越大。
S3：利用获取的区域灰度直方图的多阶矩得到该区域的质量评估值。
根据各区域图像灰度直方图多阶矩构建薄膜质量评估模型：
其中, 表示二阶矩的权重，表示三阶矩的权重，表示四阶矩的权重，本实
施例中，表示区域的质量评估值，对薄膜质量评估值进行归
一化处理。
上述步骤获取各分割区域图像对应的灰度直方图，虽然灰度直方图丢失了空间信息，但是通过空间像素点之间的灰度梯度差异得到边缘区域，然后对各边缘区域的灰度直方图曲线进行分析，既得到了灰度直方图的分布特征，又保留了各边缘区域的空间分布特征。
S4：将每个区域的质量评估值与评估阈值进行对比，判断该区域是否为缺陷区域。
上述步骤根据薄膜质量评估模型获取各区域对应的薄膜表面质量评估值，若区域
对应的质量评估值大于或等于0.6，则说明该区域不是缺陷区域，若区域对应的质量评估值
中，存在区域的质量评估值，此时说明对应的区域存在缺陷，是缺陷区域。由于薄膜
容易受到光照影响，为了准确评估缺陷区域的缺陷程度，对薄膜缺陷区域的光源进行多角
度调节。
S5：对初始光源角度进行调节，利用S2-S3的方法获取判断为缺陷的区域在每次光源角度调节后的质量评估值。
对薄膜表面图像区域进行动态光源角度调节，具体的调节过程如下：
当质量评估值小于阈值时，触发动态光源角度调节。使动态光源角度在当前位置
的基础上进一步调节。首先，光源角度的初始调节步长为，采集薄膜表面RGB图像的
初始光源角度为，角度调节方向为俯仰角（角度为光源与水平方向的夹角）。
根据光源角度调节范围内存在的薄膜缺陷区域和对应薄膜缺陷区域的质量评价
值进行角度调节，初始的调节步长为，根据质量评价值的变化作为引导，进行自适应
角度调节。具体的，光源角度初始调节步长为，每次光源角度调节后，利用调节前后的各
个缺陷区域的灰度直方图获取对应的质量评估值，利用调节前后的作为参
考指标，当质量评估指标变化越大，说明光源角度对该缺陷区域的影响较大，当质量评估指
标变化越小，说明光源角度对该区域的影响较小。将调节前后得到的作为调节步长的参
考值，来对调节步长进行进一步细分，步长细化的大小为，参考指标的值越
大，光源角度调节步长越小，当参考指标趋近于0时，光源角度调节停止，保证每一次调节
都能获取到新的薄膜缺陷区域信息。
记录初始光源角度区域的质量评估值，获取每次光源角度调节后的缺陷区域的
质量评估值。
S6：利用缺陷区域在不同光源角度下的质量评估值得到缺陷区域每个光源角度下的质量评估值在该缺陷区域所有光源角度下的质量评估值中的占比，根据缺陷区域每个光源角度下的质量评估值在该缺陷区域所有光源角度下的质量评估值中的占比、该缺陷区域的长度和宽度获取各缺陷区域的评估熵。
利用缺陷区域每次光源角度对应的质量评估值进行评估熵分析：
其中，表示缺陷区域的评估熵，表示第个光源角度，ɸ表示光源角度调节的次
数，不为固定值，具体大小根据光源角度实际调节的次数而定，表示第块缺陷区域的
长度，表示第块缺陷区域的宽度，表示当前薄膜图像的长，表示当前薄膜图像的
宽，表示第个光源角度下各缺陷区域对应的质量评估值出现的占比，该占比为各缺陷区
域在第个光源角度下的质量评估值在该缺陷区域所有质量评估值中的占比，将各缺陷区
域对应的评估熵进行归一化处理，归一化范围为[0,1]。依据质量评估指标构建的评估熵来
表达缺陷区域的缺陷程度。
上述动态光源角度调节的过程即为：当存在一个分割区域的质量评估值小于阈值时，即对光源进行多次角度调节，计算每次角度调节后各缺陷区域的质量评估值，通过每个缺陷区域所有光源角度对应的质量评估值的占比计算每个缺陷区域的评估熵。
S7：根据所有缺陷区域的评估熵中的最大评估熵对薄膜表面缺陷程度进行评价。
通过动态光源调节后的评估熵大小对当前薄膜表面缺陷程度进行评估，评估熵越大，说明在光源角度调节的过程中，各缺陷区域的质量评估值变化越大。进而说明各缺陷区域的薄膜表面凸起程度越高，对应的薄膜表面缺陷程度越大。
即各缺陷区域的评估熵越大，当前缺陷区域的表面缺陷程度越大。
为了方便质量等级评估，设定评估熵阈值，若所有缺陷区域的评估熵中最大评估熵大于评估熵阈值，判断对应的薄膜为二等品；
若所有缺陷区域的评估熵中最大评估熵小于或等于评估熵阈值，判断对应的薄膜为一等品品。一等品的质量优于二等品。
评估熵阈值为经验值，可根据生产要求进行调整。
基于本发明所述通过薄膜表面图像灰度特征进行自适应图像分割，得到多个疑似缺陷图像，利用不同图像区域的灰度直方图特征构建质量评价模型，对区域是否为缺陷区域进行判断，相较于现有技术，有益效果在于既能得到灰度直方图分布特征，又保留了各边缘区域的空间分布特征，提高薄膜质量评估的客观性和准确性；通过不断地调整光源角度，对不同光源角度中的缺陷区域进行评估，最终达到对薄膜的准确评估，相较于现有技术，有益效果在于能够提高薄膜表面评估精度，减少反光的影响。
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 (5)
1.一种基于直方图和动态光源的薄膜表面缺陷评估方法，其特征在于，包括：
S1：设置初始光源角度，获取初始光源角度下的薄膜灰度图像，对获得的薄膜灰度图像进行自适应分割得到分割后的各区域；
S2：获取每个区域的灰度直方图，利用灰度直方图中每一灰度级的灰度均值获得该区域灰度直方图的多阶矩；
S3：利用获取的区域灰度直方图的多阶矩得到该区域的质量评估值；
S4：将每个区域的质量评估值与评估阈值进行对比，判断该区域是否为缺陷区域；
S5：对初始光源角度进行调节，利用S2-S3的方法获取判断为缺陷的区域在每次光源角度调节后的质量评估值；
S6：利用缺陷区域在不同光源角度下的质量评估值得到缺陷区域每个光源角度下的质量评估值在该缺陷区域所有光源角度下的质量评估值中的占比，根据缺陷区域每个光源角度下的质量评估值在该缺陷区域所有光源角度下的质量评估值中的占比、该缺陷区域的长度和宽度获取各缺陷区域的评估熵；
S7：根据所有缺陷区域的评估熵中的最大评估熵对薄膜表面缺陷程度进行评价；
S5中对初始光源角度进行调节的方法为：
根据设定的初始调节步长进行第一次光源角度调节；
获取缺陷区域第一次光源角度调节后的质量评估值；
计算第一次光源角度调节后的质量评估值与第一次光源角度调节前的质量评估值的差值绝对值，通过该差值绝对值与初始调节步长得到第二次光源调节步长，按照获取第二次光源调节步长的方法获取第二次光源调节之后的光源调节步长，完成对光源角度的调节；
S6中缺陷区域的评估熵的表达式为：
式中：表示缺陷区域的评估熵，/>表示第/>个光源角度，ɸ表示光源角度调节的次数,/>表示缺陷区域在第/>个光源角度下的质量评估值在该缺陷区域所有光源角度下的质量评估值中的占比，/>表示当前薄膜图像的长，/>表示当前薄膜图像的宽，/>表示第/>个缺陷区域的长度，/>表示第/>个缺陷区域的宽度；
S1中得到分割后的各区域的方法为：
在薄膜灰度图像行/列方向上，若平均分割列数/平均分割行数大于最大边缘列数/最大边缘行数时，对薄膜灰度图像进行行方向上/列方向上的平均分块；若平均分割列数/平均分割行数小于最大边缘列数/最大边缘行数时，对薄膜灰度图像进行行方向上/列方向上的自适应分块。
2.根据权利要求1所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，其特征在于，S3中区域的质量评估值的表达式为：
式中：表示区域的质量评估值，/>表示二阶矩，/>表示三阶矩，/>表示四阶矩，/>表示二阶矩的权重，/>表示三阶矩的权重，/>表示四阶矩的权重。
3.根据权利要求1所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，其特征在于，S4中将每个区域的质量评估值与评估阈值进行对比，判断该区域是否为缺陷区域的方法为：
若区域的质量评估值大于或等于质量评估值阈值，判断该区域为非缺陷区域；
若区域的质量评估值小于质量评估值阈值，判断该区域为缺陷区域。
4.根据权利要求1所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，其特征在于，S7中根据所有缺陷区域的评估熵中的最大评估熵对薄膜表面缺陷程度进行评价的方法为：
若所有缺陷区域的评估熵中的最大评估熵大于评估熵阈值，判断对应的薄膜为二等品；
若所有缺陷区域的评估熵中的最大评估熵小于或等于评估熵阈值，判断对应的薄膜为一等品。
5.根据权利要求1所述的一种基于直方图和动态光源的薄膜表面缺陷评估方法，其特征在于，S1中薄膜灰度图像的初始光源与水平方向的夹角为90度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211029544.1A CN115100208B (zh) | 2022-08-26 | 2022-08-26 | 一种基于直方图和动态光源的薄膜表面缺陷评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211029544.1A CN115100208B (zh) | 2022-08-26 | 2022-08-26 | 一种基于直方图和动态光源的薄膜表面缺陷评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100208A CN115100208A (zh) | 2022-09-23 |
| CN115100208B true CN115100208B (zh) | 2024-01-12 |
Family
ID=83301111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211029544.1A Active CN115100208B (zh) | 2022-08-26 | 2022-08-26 | 一种基于直方图和动态光源的薄膜表面缺陷评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100208B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115631173B (zh) * | 2022-10-28 | 2023-04-18 | 兰州理工大学 | 一种复合薄膜缺陷识别方法 |
| CN116168039B (zh) * | 2023-04-26 | 2023-07-14 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403704B (zh) * | 2007-12-07 | 2010-11-17 | 东华大学 | 氟塑料薄膜在线疵点检测系统和方法 |
| CN102099672B (zh) * | 2008-07-18 | 2013-01-30 | 旭硝子株式会社 | 用于缺陷检查的图像数据的处理装置及方法、使用它们的缺陷检查装置及方法、使用它们的板状体的制造方法 |
| CN114166849B (zh) * | 2021-11-29 | 2022-12-20 | 广州海谷电子科技有限公司 | 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 |
| CN113947821A (zh) * | 2021-12-20 | 2022-01-18 | 南京航空航天大学 | 一种涡轮增压叶片质量控制方法 |
| CN114299066B (zh) * | 2022-03-03 | 2022-05-31 | 清华大学 | 基于显著性特征预提取与图像分割的缺陷检测方法和装置 |
-
2022
- 2022-08-26 CN CN202211029544.1A patent/CN115100208B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100208A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115100208B (zh) | 一种基于直方图和动态光源的薄膜表面缺陷评估方法 | |
| CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
| CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
| CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
| CN114387274B (zh) | 一种基于人工智能的纸盒缺陷检测方法 | |
| CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
| CN115359053B (zh) | 一种金属板材缺陷智能检测方法及系统 | |
| CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
| CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
| CN116030052B (zh) | 电脑显示板层压工序蚀刻质量检测方法 | |
| CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
| CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
| CN116843692B (zh) | 基于人工智能的再生活性炭状态检测方法 | |
| CN111144377A (zh) | 一种基于人群计数算法的密集区域预警方法 | |
| CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
| CN116721391A (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
| CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN115346126A (zh) | 一种边坡裂纹识别方法 | |
| Jing et al. | Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF | |
| CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
| CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
| CN115861308B (zh) | 一种元宝枫病害检测方法 | |
| CN115311266B (zh) | 一种纺织品印染工艺中印染识别方法 | |
| CN116152255B (zh) | 一种改性塑料生产瑕疵判断方法 | |
| CN115861318B (zh) | 一种棉花加工生产质量检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231213 Address after: No. 317 Shuangquan Road, Lixin Street, Gangcheng District, Jinan City, Shandong Province, 250000 Applicant after: Shandong Lanhai Crystal Technology Co.,Ltd. Address before: 226000 Taijiao Industrial Park, Huilong Town, Qidong City, Nantong City, Jiangsu Province Applicant before: NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |