CN115131354B - 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 - Google Patents

一种基于光学手段的实验室用塑料薄膜缺陷检测方法 Download PDF

Info

Publication number
CN115131354B
CN115131354B CN202211051099.9A CN202211051099A CN115131354B CN 115131354 B CN115131354 B CN 115131354B CN 202211051099 A CN202211051099 A CN 202211051099A CN 115131354 B CN115131354 B CN 115131354B
Authority
CN
China
Prior art keywords
gray
abnormal
image
block
area
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
CN202211051099.9A
Other languages
English (en)
Other versions
CN115131354A (zh
Inventor
金海峰
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.)
Jiangsu Senxinda Biotechnology Co ltd
Original Assignee
Jiangsu Senxinda Biotechnology 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 Jiangsu Senxinda Biotechnology Co ltd filed Critical Jiangsu Senxinda Biotechnology Co ltd
Priority to CN202211051099.9A priority Critical patent/CN115131354B/zh
Publication of CN115131354A publication Critical patent/CN115131354A/zh
Application granted granted Critical
Publication of CN115131354B publication Critical patent/CN115131354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

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

本发明涉及光学领域，具体涉及一种基于光学手段的实验室用塑料薄膜缺陷检测方法，该方法包括：计算塑料薄膜图像Laplace的灰度方差；利用计算的Laplace的灰度方差得到光学相机下一步的移动距离以及焦距；进而对光学相机进行调整重新获取塑料薄膜图像，获得该新获取塑料薄膜图像Laplace的灰度方差，直到新获取塑料薄膜图像的清晰度符合设定的阈值时停止，将新获取塑料薄膜图像作为塑料薄膜图像；根据塑料薄膜图像的灰度图像中图像块中的像素点的灰度值得到异常区域块；根据异常区域块的灰度尺寸区域矩阵中的元素值更新像素点的灰度值；对更新灰度值后的灰度图像进行阈值分割得到缺陷区域，本发明提高了塑料薄膜缺陷检测的准确性。

Description

一种基于光学手段的实验室用塑料薄膜缺陷检测方法
技术领域
本发明涉光学领域，具体涉及一种基于光学手段的实验室用塑料薄膜缺陷检测方法。
背景技术
塑料薄膜在不同的行业领域应用的越来越广泛，比如应用于大型临时微生物实验室，塑料薄膜的质量检测是当前研究重点，若塑料薄膜在生产过程中出现划痕，则在使用过程中会造成塑料薄膜的损毁，产生损失。
传统的基于光学手段的塑料薄膜划痕缺陷的检测方法，是将图像采集装置固定在塑料薄膜平面上方，照明装置固定在薄膜平面下方，将光打在塑料薄膜上，塑料薄膜平面在工作辊的带动下作平移，使得图像采集装置能够得到塑料薄膜图像，然后根据图像中塑料薄膜和划痕之间的灰度差异进行区分，但是由于采集相机是逆着光源进行拍摄，在采集的塑料薄膜图像上会出现光斑，而光斑会影响检测结果，若光斑出现在划痕区域，则在进行阈值分割的时候，光斑覆盖在划痕上，造成检测结果错误，因此需要一种基于光学手段的实验室用塑料薄膜缺陷检测方法。
发明内容
本发明提供一种基于光学手段的实验室用塑料薄膜缺陷检测方法，以解决现有的问题。
本发明的一种基于光学手段的实验室用塑料薄膜缺陷检测方法采用如下技术方案：该方法包括：
获取光学相机的拍摄参数信息，所述拍摄参数信息包括：当前拍摄环境中采集的图像数据及焦距；
利用拍摄环境中采集的图像数据的灰度方差进行匹配得到光学相机下一步的移动距离以及焦距；
利用得到的移动距离以及焦距对光学相机进行调整重新调整后的新的图像数据，获得新的图像数据的清晰度，当该清晰度不符合设定的阈值时，利用该新的图像数据获取下一步的移动距离以及焦距，依次迭代，直到清晰度符合设定的阈值时，将该得到的焦距和移动距离作为光学相机的焦距和拍照时的移动距离；
利用得到的焦距和移动距离对光学相机进行控制，获得塑料薄膜图像；
利用获得的塑料薄膜图像进行缺陷区域的检测。
进一步，利用获得的塑料薄膜图像进行缺陷区域的检测的步骤包括：
将塑料薄膜图像转换为灰度图像，将灰度图像分割为多个图像块；
根据每个图像块中相邻像素点之间的灰度差得到图像块的异常程度值，根据图像块的异常程度值确定出异常图像块；
将不存在相邻异常图像块的异常图像块作为一个异常区域块；获取相邻异常图像块之间的异常程度差值，将异常程度差值小于合并阈值的相邻异常图像块合并得到异常区域块，对异常程度差值大于等于合并阈值的相邻异常图像块不合并。
构建每个异常区域块的灰度尺寸区域矩阵；
根据每个灰度尺寸区域矩阵中的元素值计算对应的异常区域块的连通域尺寸分布度量值，根据每个异常区域块的连通域尺寸分布度量值确定出目标区域块；
获取目标区域块对应的灰度尺寸区域矩阵中两个最大尺寸连通域对应的灰阶，利用该两个灰阶及两个最大尺寸的连通域中灰阶大的连通域的像素点的灰度值，对灰阶大的连通域中像素点的灰度值进行更新；完成对所有目标区域块中像素点的灰度值的更新。
进一步，根据每个图像块中相邻像素点之间的灰度差得到图像块的异常程度，根据图像块的异常程度得到异常图像块的步骤包括：
获取图像块中每个像素点与其邻域像素点的灰度值的差异度；
对图像块中每个像素点得到的差异度计算均值作为该图像块的异常程度；
将每个图像块的异常程度进行归一化处理得到对应的图像块的异常程度值；
根据每个图像块的异常程度值与预设的异常程度阈值确定出异常图像块。
进一步，构建每个异常区域块的灰度尺寸区域矩阵的步骤包括：
将灰度图像中的灰度值压缩至多个灰阶；
根据异常区域块中每个灰阶的连通域尺寸以及连通域尺寸的频数构建每个异常区域块的灰度尺寸区域矩阵。
进一步，根据异常区域块中每个灰阶的连通域尺寸以及连通域尺寸的频数构建每个异常区域块的灰度尺寸区域矩阵的步骤包括：
以每一行代表一个灰阶，每一列代表一个连通域尺寸，每个灰阶对应的连通域尺寸的频数作为元素值构建异常区域块的灰度尺寸区域矩阵。
进一步，根据每个灰度尺寸区域矩阵中的元素值计算对应的异常区域块的连通域尺寸分布度量值的步骤包括：
获取灰度尺寸区域矩阵中每个灰阶对应的每个连通域尺寸的频数；
根据下式（a）计算异常区域块的连通域尺寸分布度量值：
Figure 512677DEST_PATH_IMAGE001
（a）
其中，
Figure 384818DEST_PATH_IMAGE002
表示异常区域块的连通域尺寸分布度量值；
Figure 33974DEST_PATH_IMAGE003
表示异常区域块中第
Figure 319462DEST_PATH_IMAGE004
灰阶的连通域尺寸为
Figure 790894DEST_PATH_IMAGE005
的频数；
Figure 720804DEST_PATH_IMAGE005
表示灰度尺寸区域矩阵中的连通域尺寸；
Figure 681807DEST_PATH_IMAGE004
表示灰度尺寸区域矩阵中的灰阶；
Figure 576295DEST_PATH_IMAGE006
表示灰度尺寸区域矩阵中的最大连通域尺寸。
进一步，根据每个异常区域块的连通域尺寸分布度量值确定出目标区域块的步骤包括：
设置分布阈值，根据分布阈值和每个异常区域块的连通域尺寸分布度量值从所有的异常区域块中确定出目标区域块。
进一步，利用该两个灰阶及两个最大尺寸的连通域中灰阶大的连通域的像素点的灰度值，对灰阶大的连通域中像素点的灰度值进行更新的步骤包括：
根据下式（b）计算两个最大尺寸的连通域中灰阶大的连通域中像素点更新后的灰度值：
Figure 382577DEST_PATH_IMAGE007
（b）
其中，
Figure 698152DEST_PATH_IMAGE008
表示两个最大尺寸的连通域中灰阶大的连通域中像素点更新后的灰度值；
Figure 564477DEST_PATH_IMAGE009
表示两个最大尺寸的连通域中灰阶大的连通域中像素点的灰度值；
Figure 949190DEST_PATH_IMAGE010
表示两个灰阶中大的灰阶；
Figure 559163DEST_PATH_IMAGE011
表示两个灰阶中小的灰阶。
本发明的有益效果是：本发明的一种基于光学手段的实验室用塑料薄膜缺陷检测方法，通过计算图像块的异常程度得到异常区域块，分析异常区域块的灰度尺寸区域矩阵以及光斑和划痕缺陷的灰度特征，从而确定出了光斑和划痕同时存在的异常区域块，该异常区域块中可能存在光斑遮盖划痕缺陷的情况，并根据灰度尺寸区域矩阵进行自适应图像对比度增强，从而增加了阈值分割的准确度，提高了缺陷检测的准确率。
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为本发明的调整相机参数并获取塑料薄膜图像的步骤流程图；
图2为本发明的一种基于光学手段的实验室用塑料薄膜缺陷检测方法的实施例总体步骤的流程图；
图3为图1中的采集图像的装置图；
图4为图1中同时存在光斑和划痕区域的目标区域块。
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。
本发明的一种基于光学手段的实验室用塑料薄膜缺陷检测方法的实施例，如图2所示，该方法包括：
S1、获取塑料薄膜图像，根据塑料薄膜图像Laplace的灰度方差对相机参数进行调整，根据调整参数后的相机重新获取塑料薄膜图像，并获取塑料薄膜图像的灰度图像。
具体的，在塑料薄膜的生产过程中设置塑料薄膜图像数据采集平台，如图3所示，所述的图像数据采集平台包括用于采集图像的高分辨率工业CCD相机、塑料薄膜传动系统、支架平台、光源以及显示设备，显示设备包括图像存储模块、图像传输模块以及图像显示模块，利用图像数据采集平台采集塑料薄膜图像。
由于在采集塑料薄膜图像时，塑料薄膜时随着塑料薄膜传动系统进行运动的，因此本案中为了获取清晰度较高的塑料薄膜图像，通过Laplace算法对采集装置中的光学相机进行焦距调整，以及平均亮度法对曝光时间的自动调整。如图1所示，其中焦距的自动调整的具体内容如下:通过将采集的图像送入至相机参数调整模块，计算当前图像的Laplace的灰度方差，再将次此Laplace灰度方差对对焦数据库中的数据进行比较，获取下一步光学相机的移动距离以及焦距；再重新获取新图像，重复计算Laplace的灰度方差，直到图像满足清晰度要求，则参数调整成功。
其中曝光参数的自动调整的具体内容如下： 通过将采集的图像送入至相机参数调整模块，统计当前图像的灰度值，根据当前图像的灰度值计算得到图像的曝光值，重新计算新的相机曝光参数，并将新的相机曝光参数重新输入到光学相机中，重新采集图像，直到图像亮度值满足要求，则曝光参数调整成功。
利用调整参数后的相机重新采集塑料薄膜图像，对重新采集的塑料薄膜图像进行灰度化处理得到灰度图像。
S2、将灰度图像分割为多个图像块，根据每个图像块中相邻像素点之间的灰度差得到图像块的异常程度值，根据图像块的异常程度值确定出异常图像块。
对灰度图像进行局部化，分析不同区域的异常程度。将灰度图像分为等大小的
Figure 463665DEST_PATH_IMAGE012
个图像块，分别对每个图像块进行分析计算其异常程度，其中
Figure 766471DEST_PATH_IMAGE012
和图像块尺寸可根据实施者在具体实施过程中进行设定，本案中将灰度图像分为
Figure 451530DEST_PATH_IMAGE012
个
Figure 989828DEST_PATH_IMAGE013
像素的图像块
灰度图像中包括正常图像块和异常图像块，正常图像块内灰度值相近，灰度差不大；异常图像块内存在灰度差异较大的区域，异常图像块中包括光斑或者划痕，划痕和光斑可能位于相同的图像块内，且划痕和光斑的灰度值明显与正常的塑料薄膜的灰度值之间有着较大的差异。
具体的，通过计算图像块内每个相邻像素点之间的灰度差异来计算图像块的异常程度。利用
Figure 873470DEST_PATH_IMAGE014
的滑窗遍历图像块中的每个像素点，计算每个像素点与滑窗内的8邻域像素点之间的差异度
Figure 222543DEST_PATH_IMAGE015
，从而计算整个图像块的异常程度。根据下式（1）计算图像块中每个像素点的差异度：
Figure 191636DEST_PATH_IMAGE016
（1）
其中，
Figure 268045DEST_PATH_IMAGE017
表示图像块中第
Figure 271773DEST_PATH_IMAGE018
个像素点的差异度，将每个像素点与8邻域像素点的灰度差的方差作为该像素点的差异度；
Figure 791747DEST_PATH_IMAGE019
表示图像块中第
Figure 513716DEST_PATH_IMAGE018
个像素点的滑窗内第
Figure 131166DEST_PATH_IMAGE020
个像素点的灰度值，其中，当
Figure 723822DEST_PATH_IMAGE021
时，
Figure 414697DEST_PATH_IMAGE019
表示第
Figure 358383DEST_PATH_IMAGE018
个像素点本身的灰度值；
Figure 42174DEST_PATH_IMAGE022
第
Figure 754915DEST_PATH_IMAGE018
个像素点滑窗内的灰度值均值；
Figure 351112DEST_PATH_IMAGE023
表示第
Figure 47673DEST_PATH_IMAGE018
个像素点8邻域像素点的个数，本实施例中，
Figure 269576DEST_PATH_IMAGE024
。
根据下式（2）计算每个图像块的异常程度：
Figure 102402DEST_PATH_IMAGE025
（2）
其中，
Figure 603922DEST_PATH_IMAGE026
表示第
Figure 522199DEST_PATH_IMAGE027
个图像块的异常程度，将图像块中所有像素点的差异度均值作为该图像块的异常程度；
Figure 547793DEST_PATH_IMAGE012
表示第
Figure 969547DEST_PATH_IMAGE027
个图像块内像素点的数量；
Figure 173127DEST_PATH_IMAGE017
该图像块中第
Figure 313121DEST_PATH_IMAGE018
个像素点的差异度。为了方便计算，根据下式（3）对每个图像块的异常程度进行归一化：
Figure 405055DEST_PATH_IMAGE028
（3）
其中，
Figure 946895DEST_PATH_IMAGE029
表示异常程度中的最大值；
Figure 55796DEST_PATH_IMAGE030
表示异常程度中的最小值；
Figure 683087DEST_PATH_IMAGE026
表示第
Figure 50483DEST_PATH_IMAGE027
个图像块的异常程度；
Figure 446829DEST_PATH_IMAGE031
表示第
Figure 992211DEST_PATH_IMAGE027
个图像块归一化后的异常程度值。设置异常程度阈值
Figure 106798DEST_PATH_IMAGE032
，将异常程度值大于异常程度阈值
Figure 12306DEST_PATH_IMAGE032
的图像块记为异常图像块。
S3、将不存在相邻异常图像块的异常图像块作为一个异常区域块，获取相邻异常图像块之间的异常程度差值，将异常程度差值小于合并阈值的相邻异常图像块合并得到异常区域块，异常程度差值大于等于合并阈值的相邻异常图像块不合并。
为了找到划痕缺陷与光斑交接的图像区域，需要对得到的图像块进行分析，对异常的图像块中进行分类，寻找图像中可能存在光斑与划痕缺陷相交的区域。
具体的，将异常程度相近且位置相邻的异常图像块进行合并，得到不同大小的异常区域块（异常区域块由一个或多个异常图像块组成），若某个异常图像块的8邻域不存在异常图像块，将该异常图像块单独作为一个异常区域块。获取每个异常图像块的8邻域图像块，若某个异常图像块的8邻域存在异常图像块，计算该异常图像块与8邻域内异常图像块之间的异常程度值的差值，若该异常图像块的异常程度值
Figure 794317DEST_PATH_IMAGE031
与其8邻域内某个异常图像块的异常程度值
Figure 245021DEST_PATH_IMAGE033
的差值小于合并阈值，即
Figure 112483DEST_PATH_IMAGE034
，则将这两个异常图像块进行合并，对于异常程度差值大于等于合并阈值的相邻异常图像块不合并，计算每个异常图像块与其8邻域内异常图像块的异常程度值的差值，将所有符合条件的异常图像块都进行合并得到多个异常区域块。
S4、构建每个异常区域块的灰度尺寸区域矩阵。
对于合并后得到的每个异常区域块，分别构建对应的灰度尺寸区域矩阵。在构建灰度尺寸区域矩阵前，先将灰度图像中的灰度值压缩至10个灰阶，利用灰度尺寸区域矩阵将整个异常区域块进行灰阶的量化，分别获取每个异常区域块中每个灰阶对应的连通域尺寸，以及该灰阶对应的连通域尺寸出现的频数，构建每个异常区域块的灰度尺寸区域矩阵，灰度尺寸区域矩阵的每行代表一个灰阶，每列代表连通域尺寸，其中的元素值表示在灰阶对应的连通域尺寸出现的频数。
S5、根据每个灰度尺寸区域矩阵中的元素值计算对应的异常区域块的连通域尺寸分布度量值，根据每个异常区域块的连通域尺寸分布度量值确定出目标区域块。
光斑区域内部相较于划痕区域内部灰度值变化较少，则对应的会属于一个灰阶，在异常区域块中显示为大尺寸连通域的同一个灰阶；而划痕区域内部灰度值变化较大，则对应的会存在多个灰阶，在异常区域块中显示为较多小尺寸连通域的同一灰阶。
因此对得到的每个异常区域块对应的灰度尺寸区域矩阵进行分析计算其连通域尺寸分布度量值。若连通域尺寸分布度量值大，则表明图像区域中大尺寸连通域分布越多，根据下式（a） 计算异常区域块的连通域尺寸分布度量值：
Figure 821682DEST_PATH_IMAGE001
（a）
其中，
Figure 192620DEST_PATH_IMAGE002
表示异常区域块的连通域尺寸分布度量值；
Figure 407701DEST_PATH_IMAGE003
表示异常区域块中第
Figure 106667DEST_PATH_IMAGE004
灰阶的连通域尺寸为
Figure 494923DEST_PATH_IMAGE005
的频数；
Figure 847931DEST_PATH_IMAGE005
表示灰度尺寸区域矩阵中的连通域尺寸；
Figure 30651DEST_PATH_IMAGE004
表示灰度尺寸区域矩阵中的灰阶；
Figure 748071DEST_PATH_IMAGE006
表示灰度尺寸区域矩阵中的最大连通域尺寸，式（a）为现有的灰度尺寸区域矩阵中的计算大面积尺寸区域分布度量值的公式，在此不过多赘述。
通过连通域尺寸分布度量值
Figure 674439DEST_PATH_IMAGE002
从所有的异常区域块中确定出光斑和划痕区域可能同时存在的异常区域块，作为目标区域块。设置分布阈值，当异常区域块的
Figure 879024DEST_PATH_IMAGE035
时，则该异常区域块可能出现光斑；当异常区域块的
Figure 498224DEST_PATH_IMAGE036
时，则该异常区域块可能出现划痕；当某个异常区域块得到的连通域尺寸分布度量值
Figure 499678DEST_PATH_IMAGE002
不属于所述两种情况，而是
Figure 105103DEST_PATH_IMAGE037
，则该异常区域块中可能同时出现光斑和划痕区域，因为本方案要解决的问题是检测所有的划痕区域包括光斑遮盖的划痕区域，没有被光斑遮盖的划痕区域很好区分，现在需要做的就是需要增大将光斑和划痕的灰度值差异，找出被光斑遮盖的划痕区域，所以需要对同时存在光斑和划痕的异常区域块进行分析。
S6、获取目标区域块对应的灰度尺寸区域矩阵中两个最大尺寸连通域对应的灰阶，利用该两个灰阶及两个最大尺寸的连通域中灰阶大的连通域的像素点的灰度值，对灰阶大的连通域中像素点的灰度值进行更新；完成对所有目标区域块中像素点的灰度值的更新。
步骤S5得到的目标区域块进行处理，为了增大光斑和划痕的灰阶差异，对目标区域块内的局部图像进行自适应增强处理。目标区域块中可能包含正常塑料薄膜区域图像、光斑图像以及划痕区域图像，在同一个目标区域块正常塑料薄膜区域的图像内部灰阶相同，且连通域尺寸较大，正常塑料薄膜区域相较于光斑区域，灰阶较小，光斑区域的图像内部灰阶相同，且连通域面积较大，划痕区域的图像内部灰阶混乱，各个灰阶的连通域尺寸较小，如图4所示。
因此，通过构建的灰度尺寸区域矩阵进行分析，若非零元素值集中在灰度尺寸区域矩阵右侧表示图像中多为连通域较大的灰阶，而图像中连通域最大的两个灰阶对应的为光斑区域和正常塑料薄膜区域，因此，提取灰度尺寸区域矩阵中连通域尺寸最大的两个灰阶
Figure 39561DEST_PATH_IMAGE010
和
Figure 954296DEST_PATH_IMAGE011
，且这两个灰度阶需要满足
Figure 505363DEST_PATH_IMAGE038
，其中
Figure 383321DEST_PATH_IMAGE010
和
Figure 437864DEST_PATH_IMAGE011
为连通域最大的两个灰阶
Figure 523501DEST_PATH_IMAGE039
，光斑区域的灰阶大于正常塑料薄膜区域的灰阶，所以
Figure 296285DEST_PATH_IMAGE010
表示未覆盖划痕的光斑区域的灰阶，
Figure 243512DEST_PATH_IMAGE011
表示正常塑料薄膜区域的灰阶，
Figure 418142DEST_PATH_IMAGE040
可根据实施者具体实施情况而定，本案给出经验值
Figure 406170DEST_PATH_IMAGE041
，即在满足该条件时，才表明这两个灰阶分别表示未覆盖划痕的光斑区域和正常薄膜区域的灰阶，如果灰阶相差过大或者过小都不能表示该灰阶为未覆盖划痕的光斑区域和正常薄膜区域的灰阶。
通过将未覆盖划痕的光斑区域的灰阶调整至与正常塑料薄膜区域的灰阶相同，增加光斑区域与划痕区域的对比度，从而方便后续利用阈值分割划痕区域。目标区域块中未覆盖划痕的光斑区域的灰阶为
Figure 666251DEST_PATH_IMAGE010
，正常塑料薄膜区域的灰阶为
Figure 151590DEST_PATH_IMAGE011
，获取未覆盖划痕的光斑区域的连通域中所有像素点的灰度值，根据下式（b）计算未覆盖划痕的光斑区域中所有像素点更新后的灰度值：
Figure 180726DEST_PATH_IMAGE007
（b）
其中，
Figure 421214DEST_PATH_IMAGE008
表示两个最大尺寸的连通域中灰阶大的连通域中像素点更新后的灰度值，在本实施例中指未覆盖划痕的光斑区域中像素点更新后的灰度值；
Figure 293224DEST_PATH_IMAGE009
表示两个最大尺寸的连通域中灰阶大的连通域中像素点的灰度值，在本实施例中指未覆盖划痕的光斑区域中像素点的灰度值；
Figure 706888DEST_PATH_IMAGE010
表示两个灰阶中大的灰阶，在本实施例中指未覆盖划痕的光斑区域的灰阶；
Figure 465896DEST_PATH_IMAGE011
表示两个灰阶中小的灰阶，在本实施例中指正常塑料薄膜区域的灰阶，
Figure 205182DEST_PATH_IMAGE042
表示两个灰阶的差值，
Figure 298909DEST_PATH_IMAGE043
表示两个灰阶对应的连通域的灰度差值，用未覆盖划痕的光斑区域的灰度值
Figure 250684DEST_PATH_IMAGE009
减去两个灰阶对应的连通域的灰度差值表示未覆盖划痕的光斑区域中像素点更新后的灰度值。
利用同样的方法对所有目标区域块中像素点的灰度值的更新。
S7、对更新灰度值后的灰度图像进行阈值分割得到缺陷区域。
具体的，在步骤6中，对每个目标区域块中未覆盖划痕的光斑区域的灰度值进行更新，增大了光斑区域与划痕区域的灰度值对比度，对调整对比度后的灰度图像进行
Figure 129779DEST_PATH_IMAGE044
阈值选取技术，确定阈值，分割调整对比度后的灰度图像得到划痕缺陷区域，此时得到的划痕缺陷区域更加准确。
综上所述，本发明提供一种基于光学手段的实验室用塑料薄膜缺陷检测方法，通过计算图像块的异常程度得到异常区域块，分析异常区域块的灰度尺寸区域矩阵以及光斑和划痕缺陷的灰度特征，从而确定出了光斑和划痕同时存在的异常区域块，该异常区域块中可能存在光斑遮盖划痕缺陷的情况，并根据灰度尺寸区域矩阵进行自适应图像对比度增强，从而增加了阈值分割的准确度，提高了缺陷检测的准确率。
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 (7)

1.一种基于光学手段的实验室用塑料薄膜缺陷检测方法，其特征在于，该方法包括：
获取光学相机的拍摄参数信息，所述拍摄参数信息包括：当前拍摄环境中采集的图像数据及焦距；
利用拍摄环境中采集的图像数据的灰度方差进行匹配得到光学相机下一步的移动距离以及焦距；
利用得到的移动距离以及焦距对光学相机进行调整重新调整后的新的图像数据，获得新的图像数据的清晰度，当该清晰度不符合设定的阈值时，利用该新的图像数据获取下一步的移动距离以及焦距，依次迭代，直到清晰度符合设定的阈值时，将该得到的焦距和移动距离作为光学相机的焦距和拍照时的移动距离；
利用得到的焦距和移动距离对光学相机进行控制，获得塑料薄膜图像；
利用获得的塑料薄膜图像进行缺陷区域的检测，包括：
将塑料薄膜图像转换为灰度图像，将灰度图像分割为多个图像块；
根据每个图像块中相邻像素点之间的灰度差得到图像块的异常程度值，根据图像块的异常程度值确定出异常图像块；
将不存在相邻异常图像块的异常图像块作为一个异常区域块；获取相邻异常图像块之间的异常程度差值，将异常程度差值小于合并阈值的相邻异常图像块合并得到异常区域块，对异常程度差值大于等于合并阈值的相邻异常图像块不合并；
构建每个异常区域块的灰度尺寸区域矩阵；
根据每个灰度尺寸区域矩阵中的元素值计算对应的异常区域块的连通域尺寸分布度量值，根据每个异常区域块的连通域尺寸分布度量值确定出目标区域块；
获取目标区域块对应的灰度尺寸区域矩阵中两个最大尺寸连通域对应的灰阶，利用两个最大尺寸连通域对应的灰阶及两个最大尺寸的连通域中灰阶大的连通域的像素点的灰度值，对灰阶大的连通域中像素点的灰度值进行更新；完成对所有目标区域块中像素点的灰度值的更新；
对更新灰度值后的灰度图像进行阈值分割得到缺陷区域。
2.根据权利要求1所述的一种基于光学手段的实验室用塑料薄膜缺陷检测方法，其特征在于，根据每个图像块中相邻像素点之间的灰度差得到图像块的异常程度值，根据图像块的异常程度值得到异常图像块的步骤包括：
获取图像块中每个像素点与其邻域像素点的灰度值的差异度；
对图像块中每个像素点得到的差异度计算均值作为该图像块的异常程度；
将每个图像块的异常程度进行归一化处理得到对应的图像块的异常程度值；
根据每个图像块的异常程度值与预设的异常程度阈值确定出异常图像块。
3.根据权利要求1所述的一种基于光学手段的实验室用塑料薄膜缺陷检测方法，其特征在于，构建每个异常区域块的灰度尺寸区域矩阵的步骤包括：
将灰度图像中的灰度值压缩至多个灰阶；
根据异常区域块中每个灰阶的连通域尺寸以及连通域尺寸的频数构建每个异常区域块的灰度尺寸区域矩阵。
4.根据权利要求3所述的一种基于光学手段的实验室用塑料薄膜缺陷检测方法，其特征在于，根据异常区域块中每个灰阶的连通域尺寸以及连通域尺寸的频数构建每个异常区域块的灰度尺寸区域矩阵的步骤包括：
以每一行代表一个灰阶，每一列代表一个连通域尺寸，每个灰阶对应的连通域尺寸的频数作为元素值构建异常区域块的灰度尺寸区域矩阵。
5.根据权利要求1所述的一种基于光学手段的实验室用塑料薄膜缺陷检测方法，其特征在于，根据每个灰度尺寸区域矩阵中的元素值计算对应的异常区域块的连通域尺寸分布度量值的步骤包括：
获取灰度尺寸区域矩阵中每个灰阶对应的每个连通域尺寸的频数；
根据下式（a）计算异常区域块的连通域尺寸分布度量值：
Figure DEST_PATH_IMAGE001
（a）
其中，
Figure 93953DEST_PATH_IMAGE002
表示异常区域块的连通域尺寸分布度量值；
Figure DEST_PATH_IMAGE003
表示异常区域块中第
Figure 676113DEST_PATH_IMAGE004
灰阶的连通域尺寸为
Figure DEST_PATH_IMAGE005
的频数；
Figure 428169DEST_PATH_IMAGE005
表示灰度尺寸区域矩阵中的连通域尺寸；
Figure 968740DEST_PATH_IMAGE004
表示灰度尺寸区域矩阵中的灰阶；
Figure 704615DEST_PATH_IMAGE006
表示灰度尺寸区域矩阵中的最大连通域尺寸。
6.根据权利要求1所述的一种基于光学手段的实验室用塑料薄膜缺陷检测方法，其特征在于，根据每个异常区域块的连通域尺寸分布度量值确定出目标区域块的步骤包括：
设置分布阈值，根据分布阈值和每个异常区域块的连通域尺寸分布度量值从所有的异常区域块中确定出目标区域块。
7.根据权利要求1所述的一种基于光学手段的实验室用塑料薄膜缺陷检测方法，其特征在于，利用两个最大尺寸连通域对应的灰阶及两个最大尺寸的连通域中灰阶大的连通域的像素点的灰度值，对灰阶大的连通域中像素点的灰度值进行更新的步骤包括：
根据下式（b）计算两个最大尺寸的连通域中灰阶大的连通域中像素点更新后的灰度值：
Figure DEST_PATH_IMAGE007
（b）
其中，
Figure 841198DEST_PATH_IMAGE008
表示两个最大尺寸的连通域中灰阶大的连通域中像素点更新后的灰度值；
Figure DEST_PATH_IMAGE009
表示两个最大尺寸的连通域中灰阶大的连通域中像素点的灰度值；
Figure 714606DEST_PATH_IMAGE010
表示两个最大尺寸连通域对应的灰阶中大的灰阶；
Figure DEST_PATH_IMAGE011
表示两个最大尺寸连通域对应的灰阶中小的灰阶。
CN202211051099.9A 2022-08-31 2022-08-31 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 Active CN115131354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211051099.9A CN115131354B (zh) 2022-08-31 2022-08-31 一种基于光学手段的实验室用塑料薄膜缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211051099.9A CN115131354B (zh) 2022-08-31 2022-08-31 一种基于光学手段的实验室用塑料薄膜缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115131354A CN115131354A (zh) 2022-09-30
CN115131354B true CN115131354B (zh) 2022-11-25

Family

ID=83387588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211051099.9A Active CN115131354B (zh) 2022-08-31 2022-08-31 一种基于光学手段的实验室用塑料薄膜缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115131354B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
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
CN116721074B (zh) * 2023-06-07 2024-02-13 昊泽吉顺新材料(深圳)有限公司 基于图像分析的手机保护膜生产质量检测系统
CN117115172B (zh) * 2023-10-25 2024-01-12 山东鲁润阿胶药业有限公司 一种基于机器视觉的阿胶品质检测方法及系统
CN117437232B (zh) * 2023-12-21 2024-03-26 山东心传矿山机电设备有限公司 一种基于图像处理的水泵叶轮外观缺陷检测方法及系统
CN117809052B (zh) * 2024-03-01 2024-05-14 海豚乐智科技(成都)有限责任公司 一种块状目标检测及特征提取方法、装置及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465775B (zh) * 2020-11-26 2022-11-25 云谷（固安）科技有限公司 触控面板缺陷检测系统及触控面板缺陷检测方法
CN113592870B (zh) * 2021-10-02 2021-12-24 武汉海川彩印有限责任公司 基于自适应焦距的印刷缺陷检测方法
CN114972894A (zh) * 2022-07-26 2022-08-30 南通三信塑胶装备科技股份有限公司 一种基于计算机视觉的cpp薄膜缺陷分类方法

Also Published As

Publication number Publication date
CN115131354A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN115131354B (zh) 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN117351008B (zh) 一种智能手机面板表面缺陷检测方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN114494210B (zh) 基于图像处理的塑料膜生产缺陷检测方法及系统
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
CN117764986B (zh) 基于图像处理的钛板表面缺陷检测方法
CN104048969A (zh) 一种隧道病害的识别方法
CN117094914B (zh) 基于计算机视觉的智慧城市道路监控系统
CN116030060B (zh) 一种塑料颗粒质量检测方法
CN116703911B (zh) 一种led灯生产质量检测系统
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN118037722B (zh) 一种铜管生产缺陷检测方法及系统
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
JP2013238449A (ja) ひび割れ検出方法
CN115239702A (zh) 一种塑料薄膜缺陷分析处理方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115272256A (zh) 亚像素级传感光纤路径高斯提取方法及系统
CN115108466A (zh) 一种集装箱吊具智能定位的方法
CN117237350A (zh) 一种铸钢件质量实时检测方法
CN117372435A (zh) 基于图像特征的连接器针脚检测方法
CN116129365A (zh) 输送设备上颗粒物料的检测方法和系统

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