CN116416246B - 基于机器视觉的全降解塑料制品淋膜效果评价方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于机器视觉的全降解塑料制品淋膜效果评价方法。该方法获取全降解塑料制品淋膜的灰度图像；确定目标像素点中的疑似缺陷像素点；根据灰度值变化和疑似缺陷像素点的分布，获取疑似缺陷影响程度；根据疑似缺陷像素点的灰度梯度，确定缺陷概率；根据疑似缺陷影响程度和缺陷概率，获取精准缺陷影响程度；进而自适应获取像素点在局部阈值(NiBlack)算法中的修正系数；根据修正系数，获取每个像素点的局部分割阈值，确定气泡像素点，进而对全降解塑料制品淋膜的效果进行评价。本发明通过自适应获取修正系数，使得局部分割阈值更准确，进而对全降解塑料制品淋膜的效果评价更准确。

Description

基于机器视觉的全降解塑料制品淋膜效果评价方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种基于机器视觉的全降解塑料制品淋膜效果评价方法。

背景技术

全降解塑料制品淋膜是指采用浸涂或喷涂等方法，在全降解塑料制品表面形成一层均匀、透明、有保护作用的薄膜。全降解塑料制品淋膜可以增强塑料制品的物理、化学和机械性能，提高塑料制品的耐用性和使用寿命。同时，全降解塑料制品淋膜是可生物降解、无毒、环保的，用以保障环境安全。

由于工艺和设备问题，在全降解塑料制品淋膜浸涂或喷涂的过程中会出现气泡、起皮和划痕等缺陷，进而影响全降解塑料制品淋膜的质量。现有方法中使用局部阈值(NiBlack)算法对全降解塑料制品淋膜的缺陷进行检测分割，局部阈值(NiBlack)算法中的修正系数对局部分割阈值的大小起决定作用，现有方法中修正系数为人为设定，存在一定的误差，使得局部阈值(NiBlack)算法的缺陷分割精度低，造成较大的分割误差，使得正常像素点被误分为缺陷像素点，导致对全降解塑料制品淋膜的效果评价不准确。

发明内容

为了解决局部阈值(NiBlack)算法的缺陷分割精度低，导致对全降解塑料制品淋膜的效果评价不准确的技术问题，本发明的目的在于提供一种基于机器视觉的全降解塑料制品淋膜效果评价方法，所采用的技术方案具体如下：

本发明提出了一种基于机器视觉的全降解塑料制品淋膜效果评价方法，该方法包括：

获取全降解塑料制品淋膜的灰度图像；

选取所述灰度图像中的预设方向下的一个像素点序列中的每个像素点作为目标像素点，根据所述目标像素点的灰度值，确定所述目标像素点中的疑似缺陷像素点；根据所述目标像素点的灰度值变化和所述目标像素点中的所述疑似缺陷像素点的分布，获取所述目标像素点的疑似缺陷影响程度；

根据所述目标像素点中的每个所述疑似缺陷像素点的灰度梯度的方向，确定所述疑似缺陷像素点为气泡像素点的缺陷概率；根据所述疑似缺陷影响程度和所述缺陷概率，获取所述目标像素点的精准缺陷影响程度；获取所述预设方向下的每个像素点序列的精准缺陷影响程度；

根据每个像素点序列的所述精准缺陷影响程度，自适应获取每个像素点序列在NiBlack算法中的修正系数；根据所述修正系数，获取所述灰度图像中每个像素点在预设局部区域中的局部分割阈值；根据所述灰度图像中每个像素点的所述局部分割阈值和灰度值，筛选出气泡像素点；

根据所述气泡像素点对所述全降解塑料制品淋膜的效果进行评价。

进一步地，所述疑似缺陷影响程度的获取方法，包括；

根据每个所述目标像素点的灰度值，获取所述目标像素点的灰度值方差作为目标方差；

将所述目标方差进行归一化的结果作为所述目标像素点的疑似缺陷分布值；

获取所述目标像素点的数量作为第一数量，获取所述目标像素点中的所述疑似缺陷像素点的数量作为第二数量，将所述第二数量与所述第一数量的比值作为所述目标像素点的疑似缺陷概率值；

获取所述目标像素点中连续出现一个以上所述疑似缺陷像素点的片段作为疑似缺陷像素点片段；

获取所述疑似缺陷像素点片段中的所述疑似缺陷像素点的数量作为第三数量；

将所述第三数量与所述第二数量的比值作为第三权重；将所述第三权重与对应所述第三数量的乘积，作为对应所述疑似缺陷像素点片段的疑似缺陷特征值；

将所述目标像素点中的所有所述疑似缺陷像素点片段的所述疑似缺陷特征值进行累加的结果，作为所述目标像素点的整体疑似缺陷特征值；

将所述疑似缺陷概率值和所述整体疑似缺陷特征值的乘积，作为所述目标像素点的整体疑似影响值；

将所述疑似缺陷分布值与所述整体疑似影响值的乘积，作为所述目标像素点的疑似缺陷影响程度。

进一步地，所述缺陷概率的获取方法，包括：

计算所述目标像素点中的每个所述疑似缺陷像素点的灰度梯度的方向所在直线与预设邻域内的每个邻域像素点的灰度梯度的方向所在直线的夹角的均值，作为对应所述疑似缺陷像素点的缺陷估测角；

获取所述目标像素点中的每个所述疑似缺陷像素点片段中的所述疑似缺陷像素点的缺陷估测角的均值，作为对应所述疑似缺陷像素点片段的第一估测值；

获取所述目标像素点中的每个所述疑似缺陷像素点片段中的所述疑似缺陷像素点的灰度梯度和的方向所在直线与水平直线之间的夹角作为第一夹角，将所述第一夹角进行归一化处理的结果，作为对应所述疑似缺陷像素点片段的第二估测值；

将所述第一估测值与所述第二估测值的乘积，作为对应所述疑似缺陷像素点片段的气泡概率值；

获取所述目标像素点中的所有所述疑似缺陷像素点片段的气泡概率值的均值，作为所述目标像素点的标准气泡概率值；

将所述标准气泡概率值进行归一化的结果，作为所述目标像素点中的所述疑似缺陷像素点为气泡像素点的缺陷概率。

进一步地，所述精准缺陷影响程度的获取方法，包括：

所述疑似缺陷影响程度和所述缺陷概率均与所述精准缺陷影响程度为正相关的关系。

进一步地，所述根据每个像素点序列的所述精准缺陷影响程度，自适应获取每个像素点序列在NiBlack算法中的修正系数的方法，包括：

将每个所述精准缺陷影响程度进行归一化处理的结果作为对应像素点序列的修正系数调整值；

设定第一预设常数与第二预设常数，将所述第一预设常数与所述修正系数调整值的乘积作为第一结果；将所述第一结果与所述第二预设常数的差值作为对应像素点序列在NiBlack算法中的修正系数。

进一步地，所述获取所述灰度图像中每个像素点在预设局部区域中的局部分割阈值的方法，包括：

以所述灰度图像中的每个像素点为中心，设定预设局部区域；

将每行像素点的所述修正系数，作为对应行中每个像素点的所述预设局部区域的局部修正系数；

通过NiBlack算法和所述局部修正系数，获取所述灰度图像中每个像素点的所述预设局部区域的局部分割阈值。

进一步地，所述根据所述灰度图像中每个像素点的所述局部分割阈值和灰度值，筛选出气泡像素点的方法，包括：

当每个像素点的灰度值小于对应的局部分割阈值时，对应的像素点为气泡像素点。

进一步地，所述根据所述气泡像素点对所述全降解塑料制品淋膜的效果进行评价的方法，包括：

获取所述灰度图像中像素点的数量作为第四数量，获取所述灰度图像中气泡像素点的数量作为第五数量，将所述第五数量与所述第四数量的比值，作为所述灰度图像的效果评价值；

设定效果评价值阈值，当所述效果评价值大于所述效果评价值阈值时，所述灰度图像对应的所述全降解塑料制品淋膜的效果差；

当所述效果评价值小于或等于所述效果评价值阈值时，所述灰度图像对应的所述全降解塑料制品淋膜的效果好。

进一步地，所述根据所述目标像素点的灰度值，确定所述目标像素点中的疑似缺陷像素点的方法，包括：

使用大津法获取所述目标像素点的目标分割阈值，将灰度值小于所述目标分割阈值的所述目标像素点作为疑似缺陷像素点。

本发明具有如下有益效果：

1.根据灰度图像中每行像素点的灰度值的变化情况和疑似缺陷像素点片段中的疑似缺陷像素点的数量，获取每行像素点的疑似缺陷影响程度；根据每行像素点中的疑似缺陷像素点片段中的疑似缺陷像素点的灰度梯度的方向，获取疑似缺陷像素点片段的灰度梯度的特征，剔除受不均匀光照影响的像素点，识别真正的气泡像素点，获取每行像素点的精准缺陷影响程度，进而自适应获取每行像素点对应的局部阈值(NiBlack)算法中的修正系数，确保气泡像素点被准确分割，防止正常像素点被误分为气泡像素点，提高局部阈值分割的准确性，使得对全降解塑料制品淋膜的效果评价更准确。

2.根据目标像素点的灰度值，确定目标像素点中的疑似缺陷像素点，后续只根据对疑似缺陷像素点的分析，自适应获取每行像素点的修正系数，提高了自适应获取修正系数的效率。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于机器视觉的全降解塑料制品淋膜效果评价方法的流程示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

下面结合附图具体的说明本发明所提供的一种基于机器视觉的全降解塑料制品淋膜效果评价方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于机器视觉的全降解塑料制品淋膜效果评价方法的流程示意图，该方法包括以下步骤：

步骤S1：获取全降解塑料制品淋膜的灰度图像。

具体的，本发明实施例以全降解塑料吸管淋膜为例，已知塑料吸管是一种常用的饮品和食品器具，应用范围广泛。随着社会保护环境的意识不断增强，现在越来越多的企业开始推出全降解塑料吸管，以降低塑料吸管对环境污染的影响，因此，本发明实施例用于对全降解塑料吸管淋膜的效果进行评价。

利用工业相机俯视采集生产线上的每个塑料吸管表面的全降解塑料吸管淋膜图像，因为塑料吸管为圆柱形，同时，塑料吸管横放在生产线上，为了完整的获取每个塑料吸管表面的全降解塑料吸管淋膜图像，本发明实施例使用辊轴运输机，将塑料吸管旋转，通过工业相机采集一个塑料吸管对应的多张全降解塑料吸管淋膜图像，获取一个塑料吸管整个表面的全降解塑料吸管淋膜的信息。在本发明实施例中，工业相机采集全降解塑料吸管淋膜图像的视野中，塑料吸管的长度方向与全降解塑料吸管淋膜图像的水平方向保持平行。其中，每张全降解塑料吸管淋膜图像与前后相邻时刻下采集的全降解塑料吸管淋膜图像均有重叠的部分，保证每个塑料吸管表面的全降解塑料吸管淋膜可以完整的采集到。

对采集的每张全降解塑料吸管淋膜图像均进行灰度化处理，获取每张全降解塑料吸管淋膜图像的灰度图像。其中，灰度化处理为公知技术，在此不在进行赘述。

步骤S2：选取灰度图像中的预设方向下的一个像素点序列中的每个像素点作为目标像素点，根据目标像素点的灰度值，确定目标像素点中的疑似缺陷像素点；根据目标像素点的灰度值变化和目标像素点中的疑似缺陷像素点的分布，获取目标像素点的疑似缺陷影响程度。

具体的，在形成全降解塑料吸管淋膜的过程中，塑料吸管的表面容易形成气泡缺陷，因此，本发明实施例主要检测的是全降解塑料吸管淋膜中的气泡缺陷。其中，形成的气泡缺陷，经过冷却后在塑料吸管的表面是明显的凹陷状，因此，在灰度图像中的气泡缺陷区域内的气泡像素点的灰度值比较低，且气泡缺陷区域的形状为圆形或者椭圆形。采集全降解塑料吸管淋膜图像时是俯视照明，根据塑料吸管的圆柱形特征可知，当全降解塑料吸管淋膜图像中不存在缺陷时，对应的灰度图像中像素点的灰度值分布为从灰度图像的上下两侧向中心线逐渐增大，且同一行内的像素点的灰度值相似。当灰度图像中的同一行内的像素点的灰度值有明显差异时，说明该行像素点中存在缺陷像素点的可能性越大。因此，本发明实施例将预设方向设定为水平方向，预设方向下的一个像素点序列即为灰度图像中的一行像素点，本发明实施例中后续出现的一个像素点序列均为灰度图像中的一行像素点。

作为一个实施例，本发明实施例任选灰度图像中的一行像素点作为目标像素点，使用大津法获取目标像素点的目标分割阈值，将灰度值小于目标分割阈值的目标像素点作为疑似缺陷像素点，将灰度值大于或等于目标分割阈值的目标像素点作为正常像素点。其中，大津法为公知技术，在此不在进行赘述。将目标像素点中的疑似缺陷像素点标记为1，正常像素点标记为0，获取与目标像素点的位置相对应的一个0、1序列，该序列可以直观的反映出目标像素点中的疑似缺陷像素点的分布，进而根据目标像素点的灰度值变化和目标像素点中的疑似缺陷像素点的分布，分析目标像素点中的疑似缺陷像素点带来的影响程度即疑似缺陷影响程度，初步判断目标像素点中存在缺陷的程度，根据不同的缺陷程度对目标像素点进行不同程度的后续处理，使得目标像素点中的缺陷像素点划分更准确。其中，获取目标像素点的疑似缺陷影响程度的具体方法如下：

优选地，获取目标像素点的疑似缺陷影响程度的方法为：根据每个目标像素点的灰度值，获取目标像素点的灰度值方差作为目标方差；将目标方差进行归一化的结果作为目标像素点的疑似缺陷分布值；获取目标像素点的数量作为第一数量，获取目标像素点中的疑似缺陷像素点的数量作为第二数量，将第二数量与第一数量的比值作为目标像素点的疑似缺陷概率值；获取目标像素点中连续出现一个以上疑似缺陷像素点的片段作为疑似缺陷像素点片段；获取疑似缺陷像素点片段中的疑似缺陷像素点的数量作为第三数量；将第三数量与第二数量的比值作为第三权重；将第三权重与对应第三数量的乘积，作为对应疑似缺陷像素点片段的疑似缺陷特征值；将目标像素点中的所有疑似缺陷像素点片段的疑似缺陷特征值进行累加的结果，作为目标像素点的整体疑似缺陷特征值；将疑似缺陷概率值和整体疑似缺陷特征值的乘积，作为目标像素点的整体疑似影响值；将疑似缺陷分布值与整体疑似影响值的乘积，作为目标像素点的疑似缺陷影响程度。

作为一个示例，根据每个目标像素点的灰度值，获取该行目标像素点的灰度值方差即目标方差，方差的获取方法是常见的算术公式，在此不进行赘述。目标方差可以体现目标像素点的灰度值的变化程度即该行目标像素点的灰度值是否接近，当目标方差越大时，说明该行目标像素点的灰度值的差异越大，该行目标像素点中存在疑似缺陷像素点的可能性越大；当目标方差越小时，说明该行目标像素点的灰度值越接近，该行目标像素点越正常。获取归一化的目标方差即该行目标像素点的疑似缺陷分布值，表示该行目标像素点中存在疑似缺陷像素点的可能值。获取目标像素点的数量即第一数量，获取该行目标像素点中的疑似缺陷像素点的数量即第二数量，计算第二数量与第一数量的比值即该行目标像素点的疑似缺陷概率值，确定目标像素点中的疑似缺陷像素点的占比。已知0、1序列中的1表示的是目标像素点中的疑似缺陷像素点，因此，将0、1序列中连续为1的序列段作为疑似缺陷像素点片段，单独的一个1也为一个疑似缺陷像素点片段，例如，一个0、1序列为01110001101，则该序列对应3个疑似缺陷像素点片段，分别为“111”“11”“1”，其中，一个1代表一个疑似缺陷像素点，一个0代表一个正常像素点。获取每个疑似缺陷像素点片段中的疑似缺陷像素点的数量即第三数量，其中，疑似缺陷像素点片段“111”的第三数量为3、疑似缺陷像素点片段“11”的第三数量为2、疑似缺陷像素点片段“1”的第三数量为1。获取第三数量与第二数量的比值即第三权重，确定每个疑似缺陷像素点片段在目标像素点中的所有疑似缺陷像素点中的占比。计算第三权重与对应第三数量的乘积，作为对应疑似缺陷像素点片段的疑似缺陷特征值，确定对应疑似缺陷像素点片段对目标像素点的影响程度。计算目标像素点中的所有疑似缺陷像素点片段的疑似缺陷特征值进行累加的结果，即目标像素点的整体疑似缺陷特征值；计算目标像素点的疑似缺陷概率值和整体疑似缺陷特征值的乘积，即目标像素点中的疑似缺陷像素点带来的整体疑似影响值；计算疑似缺陷分布值与整体疑似影响值的乘积，即目标像素点的疑似缺陷影响程度。因此，获取目标像素点的疑似缺陷影响程度A的公式为：

式中，A为目标像素点的疑似缺陷影响程度；V为目标像素点的目标方差；m为目标像素点数量即第一数量；d为目标像素点中的疑似缺陷像素点数量即第二数量；k为目标像素点中的疑似缺陷像素点片段的数量；为目标像素点中的第i个疑似缺陷像素点片段中的疑似缺陷像素点的数量即第三数量；e为自然常数。

需要说明的是，疑似缺陷分布值为目标方差V归一化的结果，因此，疑似缺陷分布值的取值范围为0到1，在其他实施例中也可选择其他对目标方差V进行归一化的方法，例如函数转化、最大最小规范化、Sigmoid函数等归一化方法，在此不做限定。疑似缺陷分布值越大，V越大，目标像素点中存在疑似缺陷像素点的可能性越大，A越大。越大，第三权重越大，第i个疑似缺陷像素点片段的疑似缺陷特征值越大，进而，目标像素点的整体疑似缺陷特征值越大，疑似缺陷像素点片段中的疑似缺陷像素点越多；疑似缺陷概率值越大，d越大，目标像素点中存在疑似缺陷像素点越多，因此，整体疑似影响值越大，目标像素点中存在疑似缺陷像素点越多，目标像素点受到的缺陷影响程度越大，A越大。

根据获取目标像素点的疑似缺陷影响程度的方法，获取每张灰度图像中的每行像素点的疑似缺陷影响程度。

步骤S3：根据目标像素点中的每个疑似缺陷像素点的灰度梯度的方向，确定疑似缺陷像素点为气泡像素点的缺陷概率；根据疑似缺陷影响程度和缺陷概率，获取目标像素点的精准缺陷影响程度；获取预设方向下的每个像素点序列的精准缺陷影响程度。

具体的，由于全降解塑料吸管淋膜生产线为开放式环境，采集的全降解塑料吸管淋膜图像会受到自然光照的影响，使得全降解塑料吸管淋膜图像中产生光照不均匀现象，对应的灰度图像中的部分正常像素点会被误认为疑似缺陷像素点，以及当气泡缺陷很小，通过大津法进行阈值分割时，会令部分正常像素点被划分为气泡像素点。其中，预设方向下的每个像素点序列为灰度图像中每行像素点。因此，进一步根据气泡像素点的灰度特征，确定灰度图像中每行像素点的精准缺陷影响程度的方法如下：

（1）获取每行像素点中的疑似缺陷像素点为气泡像素点的缺陷概率。

以步骤S2中的目标像素点为例，优选地，获取目标像素点中的疑似缺陷像素点为气泡像素点的缺陷概率的方法为：计算目标像素点中的每个疑似缺陷像素点的灰度梯度的方向所在直线与预设邻域内的每个邻域像素点的灰度梯度的方向所在直线的夹角的均值，作为对应疑似缺陷像素点的缺陷估测角；获取目标像素点中的每个疑似缺陷像素点片段中的疑似缺陷像素点的缺陷估测角的均值，作为对应疑似缺陷像素点片段的第一估测值；获取目标像素点中的每个疑似缺陷像素点片段中的疑似缺陷像素点的灰度梯度和的方向所在直线与水平直线之间的夹角作为第一夹角，将第一夹角进行归一化处理的结果，作为对应疑似缺陷像素点片段的第二估测值；将第一估测值与第二估测值的乘积，作为对应疑似缺陷像素点片段的气泡概率值；获取目标像素点中的所有疑似缺陷像素点片段的气泡概率值的均值，作为目标像素点的标准气泡概率值；将标准气泡概率值进行归一化的结果，作为目标像素点中的疑似缺陷像素点为气泡像素点的缺陷概率。

作为一个示例，本发明实施例利用二维离散函数的求导方式获取灰度图像中每个像素点的灰度梯度，其中，二维离散函数的求导方式为公知技术，在此不进行赘述。本发明实施例设定预设邻域的大小为，实施者可以根据实际情况进行设定，在此不进行限定。计算目标像素点中的每个疑似缺陷像素点的灰度梯度的方向所在直线与预设邻域内的每个邻域像素点的灰度梯度的方向所在直线的夹角的均值，作为对应疑似缺陷像素点的缺陷估测角。已知灰度梯度的方向是像素点的灰度值变化最剧烈的方向，正常像素点的灰度梯度的方向所在直线是互相平行的；同时，两条直线的夹角范围为，因此，缺陷估测角的范围同样为。当疑似缺陷像素点的缺陷估测角趋于0时，说明对应疑似缺陷像素点为正常像素点；当疑似缺陷像素点的缺陷估测角趋于90时，说明对应疑似缺陷像素点为气泡像素点或受不均匀光照影响的像素点。因此，获取目标像素点中的每个疑似缺陷像素点片段中的疑似缺陷像素点的缺陷估测角的均值，即对应疑似缺陷像素点片段中的疑似缺陷像素点为缺陷像素点的第一估测值，因此，第一估测值越大，说明对应疑似缺陷像素点片段中的疑似缺陷像素点越为气泡像素点或受不均匀光照影响的像素点。为了进一步区分开气泡像素点和受不均匀光照影响的像素点，根据气泡像素点的灰度梯度的规律进行区分，其中，气泡像素点的灰度梯度的规律为：当疑似缺陷像素点片段中的疑似缺陷像素点为气泡像素点时，若疑似缺陷像素点片段中的疑似缺陷像素点的数量为1个，则该疑似缺陷像素点片段中的疑似缺陷像素点的灰度梯度的方向所在直线为纵向直线；若疑似缺陷像素点片段中的疑似缺陷像素点的数量大于1时，该疑似缺陷像素点片段中的每个疑似缺陷像素点的灰度梯度的方向所在直线相交与气泡缺陷区域的中心，且疑似缺陷像素点的灰度梯度和的方向所在直线为纵向直线。当疑似缺陷像素点片段中的疑似缺陷像素点为受不均匀光照影响的像素点时，该疑似缺陷像素点片段中的疑似缺陷像素点的灰度梯度的方向是无序的，疑似缺陷像素点的灰度梯度和的方向也是无序的。因此，获取目标像素点中的每个疑似缺陷像素点片段中的疑似缺陷像素点的灰度梯度和的方向所在直线与水平直线之间的夹角即第一夹角，当第一夹角无限靠近90时，说明对应疑似缺陷像素点片段中的疑似缺陷像素点为气泡像素点；当第一夹角小于且远离90时，说明对应疑似缺陷像素点片段中的疑似缺陷像素点为受不均匀光照影响的像素点。获取归一化的第一夹角即对应疑似缺陷像素点片段中的疑似缺陷像素点为气泡像素点的第二估测值，当第二估测值趋于1时，则对应疑似缺陷像素点片段中的疑似缺陷像素点为气泡像素点。获取第一估测值与第二估测值的乘积即对应疑似缺陷像素点片段的气泡概率值，确定对应疑似缺陷像素点片段中的疑似缺陷像素点为气泡像素点的可能性。获取目标像素点中的所有疑似缺陷像素点片段的气泡概率值的均值，即目标像素点的标准气泡概率值；获取归一化的标准气泡概率值即目标像素点中的疑似缺陷像素点为气泡像素点的缺陷概率。因此，目标像素点中的疑似缺陷像素点为气泡像素点的缺陷概率Y的公式为：

式中，Y为目标像素点中的疑似缺陷像素点为气泡像素点的缺陷概率；为目标像素点中的第i个疑似缺陷像素点片段的第一估测值；为目标像素点中的第i个疑似缺陷像素点片段对应的第一夹角；k为目标像素点中的疑似缺陷像素点片段的数量。

需要说明的是，第二估测值为归一化的结果，因此，第二估测值的取值范围为0到1，第二估测值越趋近于1，说明第i个疑似缺陷像素点片段中的疑似缺陷像素点越为气泡像素点，第i个疑似缺陷像素点片段的气泡概率值越大；在其他实施例中也可选择其他对进行归一化的方法，例如函数转化、最大最小规范化、Sigmoid函数等归一化方法，在此不做限定。越大，说明第i个疑似缺陷像素点片段中的疑似缺陷像素点越为气泡像素点或受不均匀光照影响的像素点，第i个疑似缺陷像素点片段的气泡概率值越大；越大，Y越大，目标像素点中的疑似缺陷像素点为气泡像素点的可能性越大。

（2）获取精准缺陷影响程度。

以步骤S2中的目标像素点为例，为了更准确的确定目标像素点中的气泡像素点，进而，根据目标像素点的疑似缺陷影响程度和缺陷概率，共同来获取目标像素点的精准缺陷影响程度，其中，疑似缺陷影响程度和缺陷概率均与精准缺陷影响程度为正相关的关系。因此，获取目标像素点的精准缺陷影响程度P的公式为：

式中，P为目标像素点的精准缺陷影响程度；A为目标像素点的疑似缺陷影响程度；Y为目标像素点中的疑似缺陷像素点为气泡像素点的缺陷概率。

需要说明的是，A越大，说明目标像素点中的疑似缺陷像素点越多，进而目标像素点中的气泡像素点就可能越多，P越大；Y越大，说明目标像素点中的疑似缺陷像素点为气泡像素点的可能性越大，P越大；因此，P越大，目标像素点中的疑似缺陷像素点为气泡像素点的概率越大。本发明实施例将疑似缺陷影响程度和缺陷概率的乘积作为精准缺陷影响程度，与精准缺陷影响程度均构成正相关的关系，在本发明另一个实施例中可以将疑似缺陷影响程度和缺陷概率的相加结果作为精准缺陷影响程度，使得疑似缺陷影响程度和缺陷概率均与精准缺陷影响程度为正相关的关系，在本发明其他实施例中可选择其他基础数学运算构成正相关的关系，在此不做限定。

根据获取目标像素点的精准缺陷影响程度的方法，获取每张灰度图像中的每行像素点的精准缺陷影响程度。

步骤S4：根据每个像素点序列的精准缺陷影响程度，自适应获取每个像素点序列在NiBlack算法中的修正系数；根据修正系数，获取灰度图像中每个像素点在预设局部区域中的局部分割阈值；根据灰度图像中每个像素点的局部分割阈值和灰度值，筛选出气泡像素点。

具体的，每个像素点序列为灰度图像中的每行像素点。在局部阈值(NiBlack)算法中，当修正系数较小时，获取的局部分割阈值就会偏低，容易造成缺陷像素点被误分为正常像素点；当修正系数较大时，获取的局部分割阈值就会偏高，容易造成正常像素点被误分为缺陷像素点。因此，本方法实施例根据灰度图像中每行像素点的灰度特征和疑似缺陷像素点的片段，计算每行像素点的疑似缺陷影响程度，再根据每行像素点中的疑似缺陷像素点片段上的疑似缺陷像素点的灰度梯度的方向规律，剔除受不均匀光照影响的像素点，识别真正的气泡像素点，获取每行像素点的精准缺陷影响程度，进而获取每行像素点的自适应修正系数，即赋予精准缺陷影响程度较大的行内像素点较大的修正系数，保证气泡像素点的精准分割，赋予精准缺陷影响程度较小的行内像素点较小的修正系数，防止正常像素点被误分为气泡像素点，提高了局部阈值(NiBlack)算法的局部阈值分割的准确性，准确划分出灰度图像中的气泡像素点。其中，局部阈值(NiBlack)算法为公知技术，在此不进行赘述。其中，确定灰度图像中的气泡像素点的方法如下：

（1）获取每行像素点的修正系数。

每行像素点的灰度值分布不相同，使用局部阈值(NiBlack)算法对每行像素点进行局部阈值分割时，如果局部分割区域和修正系数均相同，会导致局部分割区域中的局部分割阈值不准确，导致气泡像素点的划分不准确。因此，本发明实施例根据每行像素点的精准缺陷影响程度，自适应获取每行像素点的修正系数。

优选地，获取每行像素点的修改系数的方法为：将每个精准缺陷影响程度进行归一化处理的结果作为对应像素点序列的修正系数调整值；设定第一预设常数与第二预设常数，将第一预设常数与修正系数调整值的乘积作为第一结果；将第一结果与第二预设常数的差值作为对应像素点序列在局部阈值(NiBlack)算法中的修正系数。

作为一个示例，任选一张灰度图像作为目标灰度图像，将目标灰度图像中的每行像素点的精准缺陷影响程度构成一个集合，将该集合中的每个数据均除以该集合中最大的数据，完成对目标灰度图像中的每个精准缺陷影响程度的归一化处理，即获取每行像素点的修正系数调整值。以目标灰度图像中的第j行像素点为例，根据第j行像素点的修正系数调整值，获取第j行像素点的修正系数的公式为：

式中，为目标灰度图像中的第j行像素点的修正系数；为目标灰度图像中的第j行像素点的修正系数调整值；n为目标灰度图像中的像素点的行数，2为第一预设常数；1为第二预设常数。

需要说明的是，已知局部阈值(NiBlack)算法中修正系数的取值范围为[-1,1]，其中，0表示使用默认局部分割阈值，负数表示使用较低的局部分割阈值，正数表示使用较高的局部分割阈值，当修正系数越大时，二值化阈值越高，局部区域中的亮色区域越明显；反之，当修正系数越小时，二值化阈值越低，局部区域中的暗色区域越清晰。为第j行像素点的精准缺陷影响程度归一化的结果，的取值范围为0到1，因此，本发明设定第一预设常数为2，设定第一预设常数为1，确保自适应获取的局部阈值(NiBlack)算法中的修正系数的取值范围为[-1,1]；越大，说明第j行像素点中的气泡像素点越多，对应的局部分割阈值应该越大，确定气泡像素点被划分的更准确，越大；因此，越大，第j行像素点对应的局部分割阈值越大。

根据获取目标灰度图像中的第j行像素点的修正系数的方法，获取每张灰度图像中的每行像素点的修正系数。

（2）获取局部分割阈值。

根据获取的每行像素点的修正系数，通过局部阈值(NiBlack)算法，获取每个像素点在对应的局部区域内的局部分割阈值。

优选地，获取局部阈值分割的方法为：以灰度图像中的每个像素点为中心，设定预设局部区域；将每行像素点的修正系数，作为对应行中每个像素点的预设局部区域的局部修正系数；通过局部阈值(NiBlack)算法和局部修正系数，获取灰度图像中每个像素点的预设局部区域的局部分割阈值。

作为一个示例，以（1）获取每行像素点的修正系数中的目标灰度图像中的第j行像素点中第x个像素点为例，本发明实施例设定预设局部区域的大小为，即在每行中以每个像素点为中心，横向单个像素点为宽度，5个像素点为长度的线形预设局部区域，对于处于边界的像素点，则只计算预设局部区域内的灰度图像中的像素点对应的区域。将第j行像素点的修正系数，作为第j行中每个像素点的预设局部区域的局部修正系数，根据局部阈值(NiBlack)算法，获取目标灰度图像中的第j行像素点中第x个像素点的局部分割阈值的公式为：

式中，为目标灰度图像中的第j行像素点中第x个像素点的局部分割阈值；为目标灰度图像中的第j行像素点中第x个像素点的局部修正系数；为目标灰度图像中的第j行像素点中第x个像素点的预设局部区域的灰度值标准差；为目标灰度图像中的第j行像素点中第x个像素点的预设局部区域的灰度值均值；n为目标灰度图像中的像素点行数，m为目标灰度图像中的像素点列数。

需要说明的是，的取值范围为[-1,1]，对的大小起决定作用，当为0时，即为；当大于0时，越大；当小于0时，越小。局部阈值(NiBlack)算法为公知技术，在此不再进行赘述。

根据获取目标灰度图像中的第j行像素点中第x个像素点的局部分割阈值的方法，获取每张灰度图像中的每个像素点的局部分割阈值。

（3）确定气泡像素点。

当每个像素点的灰度值小于对应的局部分割阈值时，对应的像素点为气泡像素点。至此，确定每张灰度图像中的气泡像素点。

步骤S5：根据气泡像素点对全降解塑料制品淋膜的效果进行评价。

具体的，根据每张灰度图像中的气泡像素点，获取每张灰度图像对应的局部全降解塑料吸管淋膜的效果评价值，根据效果评价值对对应的局部全降解塑料吸管淋膜的效果进行评价。

优选地，获取效果评价值的方法为：获取灰度图像中像素点的数量作为第四数量，获取灰度图像中气泡像素点的数量作为第五数量，将第五数量与第四数量的比值，作为灰度图像对应的全降解塑料制品淋膜的效果评价值。

作为一个示例，以步骤S4中的目标灰度图像为例，获取目标灰度图像中像素点的数量即第四数量，获取目标灰度图像中气泡像素点的数量即第五数量，计算第五数量与第四数量的比值，即目标灰度图像的效果评价值，因此，获取目标灰度图像的效果评价值R的公式为：

式中，R为目标灰度图像的效果评价值；为目标灰度图像中气泡像素点的数量即第五数量；H为目标灰度图像中像素点的数量即第四数量。

需要说明的是，越大，目标灰度图像中的气泡缺陷越多，越大；因此，越大，说明目标灰度图像对应的局部全降解塑料制品淋膜的效果越差。

根据获取目标灰度图像的效果评价值的方法，获取每张灰度图像的效果评价值。

设定效果评价值阈值，当效果评价值大于效果评价值阈值时，灰度图像对应的全降解塑料制品淋膜的效果差；当效果评价值小于或等于效果评价值阈值时，灰度图像对应的全降解塑料制品淋膜的效果好。

本发明实施例设定效果评价值阈值为0.1%，实施者可以根据实际情况进行设定，在此不进行限定。当效果评价值大于效果评价值阈值时，说明对应灰度图像对应的局部全降解塑料制品淋膜的效果差；当效果评价值小于或等于效果评价值阈值时，说明对应灰度图像对应的局部全降解塑料制品淋膜的效果好。

至此，本发明结束。

综上所述，本发明实施例获取全降解塑料制品淋膜的灰度图像；确定目标像素点中的疑似缺陷像素点；根据灰度值变化和疑似缺陷像素点的分布，获取疑似缺陷影响程度；根据疑似缺陷像素点的灰度梯度，确定缺陷概率；根据疑似缺陷影响程度和缺陷概率，获取精准缺陷影响程度；进而自适应获取像素点在局部阈值(NiBlack)算法中的修正系数；根据修正系数，获取每个像素点的局部分割阈值，确定气泡像素点，进而对全降解塑料制品淋膜的效果进行评价。本发明通过自适应获取修正系数，使得局部分割阈值更准确，进而对全降解塑料制品淋膜的效果评价更准确。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (7)

1.一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其特征在于，该方法包括以下步骤：

获取全降解塑料制品淋膜的灰度图像；

选取所述灰度图像中的预设方向下的一个像素点序列中的每个像素点作为目标像素点，根据所述目标像素点的灰度值，确定所述目标像素点中的疑似缺陷像素点；根据所述目标像素点的灰度值变化和所述目标像素点中的所述疑似缺陷像素点的分布，获取所述目标像素点的疑似缺陷影响程度；

根据所述目标像素点中的每个所述疑似缺陷像素点的灰度梯度的方向，确定所述疑似缺陷像素点为气泡像素点的缺陷概率；根据所述疑似缺陷影响程度和所述缺陷概率，获取所述目标像素点的精准缺陷影响程度；获取所述预设方向下的每个像素点序列的精准缺陷影响程度；

根据每个像素点序列的所述精准缺陷影响程度，自适应获取每个像素点序列在NiBlack算法中的修正系数；根据所述修正系数，获取所述灰度图像中每个像素点在预设局部区域中的局部分割阈值；根据所述灰度图像中每个像素点的所述局部分割阈值和灰度值，筛选出气泡像素点；

根据所述气泡像素点对所述全降解塑料制品淋膜的效果进行评价；

所述疑似缺陷影响程度的获取方法，包括；

根据每个所述目标像素点的灰度值，获取所述目标像素点的灰度值方差作为目标方差；

将所述目标方差进行归一化的结果作为所述目标像素点的疑似缺陷分布值；

获取所述目标像素点的数量作为第一数量，获取所述目标像素点中的所述疑似缺陷像素点的数量作为第二数量，将所述第二数量与所述第一数量的比值作为所述目标像素点的疑似缺陷概率值；

获取所述目标像素点中连续出现一个以上所述疑似缺陷像素点的片段作为疑似缺陷像素点片段；

获取所述疑似缺陷像素点片段中的所述疑似缺陷像素点的数量作为第三数量；

将所述第三数量与所述第二数量的比值作为第三权重；将所述第三权重与对应所述第三数量的乘积，作为对应所述疑似缺陷像素点片段的疑似缺陷特征值；

将所述目标像素点中的所有所述疑似缺陷像素点片段的所述疑似缺陷特征值进行累加的结果，作为所述目标像素点的整体疑似缺陷特征值；

将所述疑似缺陷概率值和所述整体疑似缺陷特征值的乘积，作为所述目标像素点的整体疑似影响值；

将所述疑似缺陷分布值与所述整体疑似影响值的乘积，作为所述目标像素点的疑似缺陷影响程度；

所述缺陷概率的获取方法，包括：

计算所述目标像素点中的每个所述疑似缺陷像素点的灰度梯度的方向所在直线与预设邻域内的每个邻域像素点的灰度梯度的方向所在直线的夹角的均值，作为对应所述疑似缺陷像素点的缺陷估测角；

获取所述目标像素点中的每个所述疑似缺陷像素点片段中的所述疑似缺陷像素点的缺陷估测角的均值，作为对应所述疑似缺陷像素点片段的第一估测值；

获取所述目标像素点中的每个所述疑似缺陷像素点片段中的所述疑似缺陷像素点的灰度梯度和的方向所在直线与水平直线之间的夹角作为第一夹角，将所述第一夹角进行归一化处理的结果，作为对应所述疑似缺陷像素点片段的第二估测值；

将所述第一估测值与所述第二估测值的乘积，作为对应所述疑似缺陷像素点片段的气泡概率值；

获取所述目标像素点中的所有所述疑似缺陷像素点片段的气泡概率值的均值，作为所述目标像素点的标准气泡概率值；

将所述标准气泡概率值进行归一化的结果，作为所述目标像素点中的所述疑似缺陷像素点为气泡像素点的缺陷概率。

2.如权利要求1所述的一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其特征在于，所述精准缺陷影响程度的获取方法，包括：

所述疑似缺陷影响程度和所述缺陷概率均与所述精准缺陷影响程度为正相关的关系。

3.如权利要求1所述的一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其特征在于，所述根据每个像素点序列的所述精准缺陷影响程度，自适应获取每个像素点序列在NiBlack算法中的修正系数的方法，包括：

将每个所述精准缺陷影响程度进行归一化处理的结果作为对应像素点序列的修正系数调整值；

设定第一预设常数与第二预设常数，将所述第一预设常数与所述修正系数调整值的乘积作为第一结果；将所述第一结果与所述第二预设常数的差值作为对应像素点序列在NiBlack算法中的修正系数。

4.如权利要求1所述的一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其特征在于，所述获取所述灰度图像中每个像素点在预设局部区域中的局部分割阈值的方法，包括：

以所述灰度图像中的每个像素点为中心，设定预设局部区域；

将每行像素点的所述修正系数，作为对应行中每个像素点的所述预设局部区域的局部修正系数；

通过NiBlack算法和所述局部修正系数，获取所述灰度图像中每个像素点的所述预设局部区域的局部分割阈值。

5.如权利要求1所述的一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其特征在于，所述根据所述灰度图像中每个像素点的所述局部分割阈值和灰度值，筛选出气泡像素点的方法，包括：

当每个像素点的灰度值小于对应的局部分割阈值时，对应的像素点为气泡像素点。

6.如权利要求1所述的一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其特征在于，所述根据所述气泡像素点对所述全降解塑料制品淋膜的效果进行评价的方法，包括：

获取所述灰度图像中像素点的数量作为第四数量，获取所述灰度图像中气泡像素点的数量作为第五数量，将所述第五数量与所述第四数量的比值，作为所述灰度图像的效果评价值；

设定效果评价值阈值，当所述效果评价值大于所述效果评价值阈值时，所述灰度图像对应的所述全降解塑料制品淋膜的效果差；

当所述效果评价值小于或等于所述效果评价值阈值时，所述灰度图像对应的所述全降解塑料制品淋膜的效果好。

7.如权利要求1所述的一种基于机器视觉的全降解塑料制品淋膜效果评价方法，其特征在于，所述根据所述目标像素点的灰度值，确定所述目标像素点中的疑似缺陷像素点的方法，包括：

使用大津法获取所述目标像素点的目标分割阈值，将灰度值小于所述目标分割阈值的所述目标像素点作为疑似缺陷像素点。