CN116645368B - 一种流延膜卷边在线视觉检测方法 - Google Patents

一种流延膜卷边在线视觉检测方法 Download PDF

Info

Publication number
CN116645368B
CN116645368B CN202310926447.0A CN202310926447A CN116645368B CN 116645368 B CN116645368 B CN 116645368B CN 202310926447 A CN202310926447 A CN 202310926447A CN 116645368 B CN116645368 B CN 116645368B
Authority
CN
China
Prior art keywords
pixel point
casting film
film image
image
brightness
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
CN202310926447.0A
Other languages
English (en)
Other versions
CN116645368A (zh
Inventor
马希栋
代锡军
陈保
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.)
Qingdao Weidong Packing Co ltd
Original Assignee
Qingdao Weidong Packing 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 Qingdao Weidong Packing Co ltd filed Critical Qingdao Weidong Packing Co ltd
Priority to CN202310926447.0A priority Critical patent/CN116645368B/zh
Publication of CN116645368A publication Critical patent/CN116645368A/zh
Application granted granted Critical
Publication of CN116645368B publication Critical patent/CN116645368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种流延膜卷边在线视觉检测方法。该方法获取流延膜图像；对流延膜图像中的像素点构建预设窗口；将预设窗口在亮度分量图像中的区域作为第一目标区域，获取第一目标区域对应的流延膜图像中像素点的折皱可能系数；根据流延膜图像中像素点的位置和折皱可能系数，获取边缘凌乱程度；将预设窗口在明度分量图像中对的区域作为第二目标区域，获取第二目标区域对应的流延膜图像中像素点的明度变化程度；根据边缘凌乱程度与明度变化程度，获取透明变化显著值，进而获得流延膜卷边显著图；将流延膜卷边显著图分割，获得流延膜卷边区域。本发明准确获取流延膜卷边区域，提高流延膜生产质量。

Description

一种流延膜卷边在线视觉检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种流延膜卷边在线视觉检测方法。
背景技术
随着包装行业的迅速发展，流延膜也进入了快速发展时期。流延膜具备良好的热封性能和透明性能，广泛应用于各种日常用品的包装。在流延膜的生产过程中，流延膜的冷却定型以及收卷的过程中极易发生卷边现象，从而极大影响流延膜的使用性能。
随着机器视觉技术的不断发展，通过图像处理的方式快速检测流延膜的卷边现象，以此调整流延膜的生产工艺，防止流延膜卷边现象的产生，进而提高流延膜的生产质量。现有方法中利用视觉显著性检测算法，能够快速地提取图像中流延膜卷边的显著区域，但是，当流延膜卷边区域的特征较弱时，显著性检测算法自动识别感兴趣的区域有极大可能不是流延膜卷边区域，使得视觉显著性检测算法产生极大的误差，进而不能准确的获取图像中的流延膜卷边区域，导致对流延膜卷边现象不能进行准确分析。
发明内容
为了解决显著性检测算法自动识别流延膜卷边区域不准确，进而不能准确的获取图像中的流延膜卷边区域的技术问题，本发明的目的在于提供一种流延膜卷边在线视觉检测方法，所采用的技术方案具体如下：
本发明提出了一种流延膜卷边在线视觉检测方法，该方法包括以下步骤：
获取流延膜图像；
对流延膜图像中的每个像素点构建预设窗口；获取流延膜图像的亮度分量图像，将每个预设窗口在所述亮度分量图像中对应的区域作为第一目标区域，根据第一目标区域中每个像素点的亮度值，获取每个第一目标区域对应流延膜图像中每个像素点的折皱可能系数；
根据流延膜图像中每个像素点的位置和所述折皱可能系数，获取流延膜图像中每个像素点的边缘凌乱程度；
获取流延膜图像的明度分量图像，将每个预设窗口在所述明度分量图像中对应的区域作为第二目标区域，根据第二目标区域中每个像素点的明度值，获取每个第二目标区域对应流延膜图像中每个像素点的明度变化程度；
根据所述边缘凌乱程度与所述明度变化程度，获取流延膜图像中每个像素点的透明变化显著值；
根据流延膜图像中每个像素点的所述透明变化显著值，获得流延膜卷边显著图；对所述流延膜卷边显著图进行分割，获得流延膜卷边区域。
进一步地，所述折皱可能系数的获取方法为：
根据所述亮度分量图像中每个像素点的亮度值，获取每个像素点的亮度梯度幅值；
任选流延膜图像中的一个像素点作为目标像素点，获取目标像素点的预设窗口对应的第一目标区域中每行像素点的亮度梯度幅值的标准差，作为第一标准差；
获取目标像素点的预设窗口对应的第一目标区域中每行每相邻两个像素点之间的亮度梯度幅值的差异，作为第一差异；
根据所述第一标准差与所述第一差异，获取目标像素点的横向折皱指数；
获取目标像素点的预设窗口对应的第一目标区域中每列像素点的亮度梯度幅值的标准差，作为第二标准差；
获取目标像素点的预设窗口对应的第一目标区域中每列每相邻两个像素点之间的亮度梯度幅值的差异，作为第二差异；
根据所述第二标准差与所述第二差异，获取目标像素点的列向折皱指数；
计算目标像素点的所述横向折皱指数与所述列向折皱指数的乘积，作为第一结果；
将所述第一结果进行归一化的结果作为目标像素点的折皱可能系数。
进一步地，横向折皱指数和列向折皱指数的获取方法为：
根据横向折皱指数的公式获取横向折皱指数，所述横向折皱指数的公式为：
;
根据列向折皱指数的公式获取列向折皱指数，所述列向折皱指数的公式为：
;
式中，为流延膜图像中第x个像素点的横向折皱指数；/>为流延膜图像中第x个像素点的列向折皱指数；n为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总行数；m为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总列数；为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行的第一标准差；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第b列的第二标准差；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行、第b列的像素点的亮度梯度幅值；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行、第b-1列的像素点的亮度梯度幅值；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a-1行、第b列的像素点的亮度梯度幅值；/>为第一预设常数，其中，第一预设常数大于或者等于1；/>为第二预设常数，其中，第二预设常数大于0；/>为绝对值函数。
进一步地，所述边缘凌乱程度的获取方法为：
当目标像素点为边缘像素点时，获取目标像素点的预设窗口中每个边缘像素点的曲率值，根据目标像素点的折皱可能系数和预设窗口中边缘像素点的曲率值，获取目标像素点的边缘凌乱程度；
当目标像素点不是边缘像素点时，根据目标像素点的折皱可能系数，获取目标像素点的边缘凌乱程度。
进一步地，所述边缘凌乱程度的获取方法为：
根据边缘凌乱程度的公式获取边缘凌乱程度，所述边缘凌乱程度的公式为：
;
式中，为流延膜图像中第x个像素点的边缘凌乱程度；/>为流延膜图像中第x个像素点的折皱可能系数；L为流延膜图像中第x个像素点的预设窗口中边缘像素点的数量；为流延膜图像中第x个像素点的预设窗口中第f个边缘像素点的曲率值；/>为流延膜图像中第x个像素点的预设窗口中所有边缘像素点的曲率值的均值；W为流延膜图像中边缘像素点的集合；/>为绝对值函数；norm为归一化函数。
进一步地，所述明度变化程度的获取方法为：
获取所述明度分量图像中每个像素点明度值的均值作为整体明度均值；
获取第二目标区域中的每个像素点的明度值与整体明度均值的差异，作为对应像素点的明度变化值；
将每个第二目标区域中所述明度变化值的累加结果，作为每个第二目标区域对应流延膜图像中的每个像素点的明度变化程度。
进一步地，所述透明变化显著值的获取方法为：
计算流延膜图像中每个像素点的所述边缘凌乱程度与所述明度变化程度的乘积，作为流延膜图像中每个像素点的透明变化显著值。
进一步地，所述获取流延膜图像的亮度分量图像的方法为：
将流延膜图像的RGB颜色空间转换为Lab颜色空间，获取Lab颜色空间下的亮度分量图像；
所述获取流延膜图像的明度分量图像的方法为：
将流延膜图像的RGB颜色空间转换为HSV颜色空间，获取HSV颜色空间下的明度分量图像。
进一步地，所述根据流延膜图像中每个像素点的所述透明变化显著值，获得流延膜卷边显著图的方法为：
通过显著性检测算法，获取流延膜图像中每个像素点在Lab颜色空间下的每个分量图像中的显著值；
将流延膜图像中每个像素点的所述透明变化显著值与Lab颜色空间下的每个分量图像中显著值的相加结果，作为流延膜图像中每个像素点的卷边特征值；
根据卷边特征值，获得流延膜卷边显著图。
本发明具有如下有益效果：
对流延膜图像中的每个像素点构建预设窗口，对每个预设窗口对应的流延膜图像中的每个像素点的特征进行准确的获取，避免不在同一个预设窗口中的其他像素点带来的干扰；获取流延膜图像的亮度分量图像，流延膜对亮度变化敏感，有利于对每个像素点是否在卷边区域进行初步判断，因此，将每个预设窗口在亮度分量图像中对应的区域作为第一目标区域，更能准确的对流延膜图像中的每个像素点的亮度变化情况进行准确的分析，进而根据第一目标区域中每个像素点的亮度值，获取每个第一目标区域对应中心像素点的折皱可能系数，初步获取流延膜图像中每个像素点为卷边区域像素点的可能性；为了对流延膜图像中每个像素点进行准确的分析，确定流延膜图像中每个像素点为卷边区域像素点的可能性，进一步根据每个像素点的位置和折皱可能系数，获取流延膜图像中每个像素点的边缘凌乱程度，进一步获取流延膜图像中每个像素点为卷边区域像素点的可能性；获取流延膜图像的明度分量图像，根据明度分量图像中的明度值，获取流延膜图像中每个像素点的明度变化程度，流延膜对透明度敏感，因此，进一步获取流延膜图像中每个像素点为卷边区域像素点的可能性；为了准确的根据流延膜图像中每个像素点的特征，获取流延膜图像中每个像素点为卷边区域的可能性，进而根据边缘凌乱程度与明度变化程度，获取流延膜图像中每个像素点的透明变化显著值，最终确定流延膜图像中每个像素点为卷边区域像素点的可能性；进而根据流延膜图像中每个像素点的透明变化显著值，获得流延膜卷边显著图，使得卷边区域显现的更准确，通过对流延膜卷边显著图进行分割，准确获得流延膜卷边区域，进而准确对流延膜卷边现象进行分析，提高了流延膜的生产质量。
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流延膜卷边在线视觉检测方法的流程示意图；
图2为本发明一个实施例所提供的一种流延膜卷边严重程度评价方法的流程示意图。
具体实施方式
一种流延膜卷边在线视觉检测方法实施例：
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流延膜卷边在线视觉检测方法，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。
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。
下面结合附图具体的说明本发明所提供的一种流延膜卷边在线视觉检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种流延膜卷边在线视觉检测方法的流程示意图，该方法包括以下步骤：
步骤S1：获取流延膜图像。
具体的，本发明实施例通过识别流延膜卷边现象的位置，便于工作人员对流延膜的生产细节进行调整，防止流延膜卷边现象的再次发生，确保了流延膜的生产质量。为了准确的识别出流延膜中的卷边区域，现有方法中通过显著性检测算法获取流延膜卷边显著图，其中，显著性检测算法主要基于流延膜图像的Lab颜色空间下的每个通道中的每个像素点的显著值，但是流延膜的颜色比较单一，颜色通道下的每个像素点的显著值对识别流延膜中的卷边区域的帮助不大，因此，直接通过每个像素点在Lab颜色空间下的每个通道中的显著值，获取的流延膜卷边显著图是不准确的，进而导致流延膜中的卷边区域识别不准确。为了准确的识别出流延膜中的卷边区域，本发明实施例结合卷边区域的特性，获取每个像素点的透明变化显著值，作为每个像素点的特征融合指标之一，使得获取的流延膜卷边显著图中的卷边区域显现的更明显。
本发明实施例通过CMOS相机采集流延膜定型收卷过程中的流延膜图像，其中采集的流延膜图像为RGB图像。为了增强对流延膜图像中卷边现象分析的准确性，本发明实施例使用双边滤波对流延膜图像进行去噪，消除部分噪声以及外界干扰对流延膜图像造成的影响，同时保证了流延膜图像中的边缘细节。其中，双边滤波为公知技术，在此不再进行赘述。
采集的流延膜图像中存在不是流延膜区域的其他背景区域，为了避免其他背景区域对流延膜区域的检测产生干扰，本发明实施例使用语义分割网络获取只有流延膜区域的流延膜图像。其中，本发明实施例的语义分割网络使用FCN神经网络，输入为去噪后的流延膜图像；输出为只有流延膜区域的流延膜图像；FCN神经网络训练打标签的方式为：将流延膜区域标记为1，其他区域标记为0；FCN神经网络的损失函数为交叉熵损失函数。其中，FCN神经网络为公知技术，在此不做赘述。利用最小外接矩形，获取流延膜区域的矩形区域图像即流延膜矩形区域图像，其中，最小外接矩形为公知技术，在此不再进行赘述。
需要说明的是，后续出现的流延膜图像均为流延膜矩形区域图像。
本发明实施例针对透明且颜色统一的流延膜。
步骤S2：对流延膜图像中的每个像素点构建预设窗口；获取流延膜图像的亮度分量图像，将每个预设窗口在亮度分量图像中对应的区域作为第一目标区域，根据第一目标区域中每个像素点的亮度值，获取每个第一目标区域对应流延膜图像中每个像素点的折皱可能系数。
具体的，因为流延膜的颜色相同，因此流延膜图像中的颜色比较统一，不能区分出流延膜中的卷边区域，当流延膜中发生卷边现象时，卷边区域经过轻微的挤压便会产生折皱，因此折皱越明显的区域，越为卷边区域。发生折皱时一般情况下为流延膜发生的折叠，导致折叠区域的亮度会比较暗，因此，根据每个像素点的亮度值，确定每个像素点在卷边区域的可能性，即每个像素点的折皱可能系数。
为了对流延膜图像中的每个像素点进行准确的分析，本发明实施例以流延膜图像中的每个像素点为中心，设定的预设窗口，实施者可根据实际情况设定预设窗口的大小，在此不进行限定。对于流延膜图像中的每个边界像素点的预设窗口中不在流延膜图像中的区域内的像素点，通过局部二值模式进行插值，其中，局部二值模式为现有技术，在此不进行赘述。
为了获取每个像素点的亮度值，本发明实施例将流延膜图像的RGB颜色空间转换为Lab颜色空间，获取Lab颜色空间下的亮度分量图像。流延膜图像中的每个像素点的预设窗口在的亮度分量图像均有对应的区域即第一目标区域，进而根据第一目标区域中每个像素点的亮度值，获取每个第一目标区域对应流延膜图像中的每个像素点的折皱可能系数。
优选地，获取折皱可能系数的方法为：根据亮度分量图像中每个像素点的亮度值，获取每个像素点的亮度梯度幅值；任选流延膜图像中的一个像素点作为目标像素点，获取目标像素点的预设窗口对应的第一目标区域中每行像素点的亮度梯度幅值的标准差，作为第一标准差；获取目标像素点的预设窗口对应的第一目标区域中每行每相邻两个像素点之间的亮度梯度幅值的差异，作为第一差异；根据第一标准差与第一差异，获取目标像素点的横向折皱指数；获取目标像素点的预设窗口对应的第一目标区域中每列像素点的亮度梯度幅值的标准差，作为第二标准差；获取目标像素点的预设窗口对应的第一目标区域中每列每相邻两个像素点之间的亮度梯度幅值的差异，作为第二差异；根据第二标准差与第二差异，获取目标像素点的列向折皱指数；计算目标像素点的横向折皱指数与列向折皱指数的乘积，作为第一结果；将第一结果进行归一化的结果作为目标像素点的折皱可能系数。
作为一个示例，本发明实施例根据亮度分量图像中每个像素点的亮度值，利用Sobel算子，获得亮度分量图像中每个像素点的亮度梯度幅值。其中，Sobel算子为公知技术，在此不再进行赘述。选取流延膜图像中第x个像素点作为目标像素点，已知流延膜图像中第x个像素点的预设窗口为，因此，预设窗口对应的第一目标区域有9行9列。获取流延膜图像中第x个像素点的预设窗口对应的第一目标区域中每行像素点的亮度梯度幅值的标准差即第一标准差，获取流延膜图像中第x个像素点的预设窗口对应的第一目标区域中每行每相邻两个像素点之间的亮度梯度幅值的差异即第一差异。其中第一差异的具体获取方法为：将每行每相邻的两个像素点作为一个匹配对，将匹配对中的第二个像素点的亮度梯度幅值与第一个像素点的亮度梯度幅值的差值绝对值，作为第一差异。根据第一标准差与第一差异，获取流延膜图像中第x个像素点的横向折皱指数的公式为：
;
式中，为流延膜图像中第x个像素点的横向折皱指数；n为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总行数；m为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总列数；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行的第一标准差；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行、第b列的像素点的亮度梯度幅值；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行、第b-1列的像素点的亮度梯度幅值；为第一预设常数，其中，第一预设常数大于或者等于1；/>为第二预设常数，其中，第二预设常数大于0；/>为绝对值函数。
为了避免其中一个第一标准差为0时，导致第一目标区域中其他行的第一标准差均受到干扰，使得第x个像素点的横向折皱指数不准确的情况发生，本发明实施例将第一预设常数设定为1，实施者可根据实际情况，在第一预设常数的取值范围内进行取值，在此不进行限定。同时，为了避免第一差异为0时，导致的其他第一差异受到干扰，使得第x个像素点的横向折皱指数不准确的情况发生，本发明实施例将第二预设常数设定为0.01，实施者可根据实际情况，在第二预设常数的取值范围内进行取值，在此不进行限定。因此，获取第x个像素点的横向折皱指数的公式可以具体为：
;
需要说明的是，越大，说明流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行像素点的对应的第一目标区域波动越大，流延膜图像中第x个像素点越可能为卷边区域的像素点，/>越大；第一差异/>越大，说明流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行中的第b个像素点与第b-1个像素点之间的亮度梯度幅值的差异越大，/>越大，则流延膜图像中第x个像素点的预设窗口对应的第一目标区域中亮度梯度幅值的变化越大，流延膜图像中第x个像素点越可能为卷边区域的像素点，/>越大；因此，/>越大，流延膜图像中第x个像素点越可能为卷边区域像素点。
获取流延膜图像中第x个像素点的预设窗口对应的第一目标区域中每列像素点的亮度梯度幅值的标准差即第二标准差，获取流延膜图像中第x个像素点的预设窗口对应的第一目标区域中每列每相邻两个像素点之间的亮度梯度幅值的差异即第二差异。其中第二差异的具体获取方法为：将每列每相邻的两个像素点作为一个特征点对，将特征点对中的第二个像素点的亮度梯度幅值与第一个像素点的亮度梯度幅值的差值绝对值，作为第二差异。根据第二标准差与第二差异，获取流延膜图像中第x个像素点的列向折皱指数的公式为：
;
式中，为流延膜图像中第x个像素点的列向折皱指数；n为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总行数；m为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总列数；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第b列的第二标准差；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行、第b列的像素点的亮度梯度幅值；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a-1行、第b列的像素点的亮度梯度幅值；为第一预设常数，其中，第一预设常数大于或者等于1；/>为第二预设常数，其中，第二预设常数大于0；/>为绝对值函数。
为了避免其中一个第二标准差为0时，导致流延膜图像中第x个像素点的第一目标区域中其他列的第二标准差均受到干扰，使得流延膜图像中第x个像素点的列向折皱指数不准确的情况发生，本发明实施例将第一预设常数设定为1，实施者可根据实际情况，在第一预设常数的取值范围内进行取值，在此不进行限定。同时，为了避免第二差异为0时，导致其他第二差异受到干扰，使得流延膜图像中第x个像素点的列向折皱指数不准确的情况发生，本发明实施例将第二预设常数设定为0.01，实施者可根据实际情况，在第二预设常数的取值范围内进行取值，在此不进行限定。因此，获取流延膜图像中第x个像素点的列向折皱指数的公式可以具体为：
;
需要说明的是，越大，说明流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第b列像素点的亮度梯度幅值波动越大，流延膜图像中第x个像素点越可能为卷边区域的像素点，/>越大；第二差异/>越大，说明流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第b列中的第a-1个像素点与第a个像素点之间的亮度梯度幅值的差异越大，则/>越大，说明流延膜图像中第x个像素点的预设窗口对应的第一目标区域中像素点的亮度梯度幅值变化越大，流延膜图像中第x个像素点越可能为卷边区域的像素点，/>越大；因此，/>越大，流延膜图像中第x个像素点越可能为卷边区域像素点。
流延膜上出现皱折的方向不确定，因此通过横向折皱指数和列向折皱指数来衡量每个像素点的折皱可能系数。计算流延膜图像中第x个像素点的横向折皱指数与列向折皱指数的乘积即第一结果，将第一结果进行归一化的结果作为流延膜图像中第x个像素点的折皱可能系数。获取流延膜图像中第x个像素点的折皱可能系数的公式为：
;
式中，为流延膜图像中第x个像素点的折皱可能系数；/>为流延膜图像中第x个像素点的横向折皱指数；/>为流延膜图像中第x个像素点的列向折皱指数；norm为归一化函数；/>为第一结果。
需要说明的是，越大，说明流延膜图像中第x个像素点的预设窗口对应的第一目标区域中横向像素点的亮度梯度幅值的变化比较大，/>越大；/>越大，说明流延膜图像中第x个像素点的预设窗口对应的第一目标区域中列向像素点的亮度梯度幅值的变化比较大，越大；因此，/>越大，流延膜图像中第x个像素点越可能为卷边区域像素点。其中，/>的取值范围为0到1。
根据获取流延膜图像中第x个像素点的折皱可能系数的方法，获取流延膜图像中每个像素点的折皱可能系数。
步骤S3：根据流延膜图像中每个像素点的位置和折皱可能系数，获取流延膜图像中每个像素点的边缘凌乱程度。
具体的，皱折可能系数衡量的是流延膜图像中发生皱折的可能性大小，卷边现象产生的区域一定程度上会体现皱折现象的特征；同时，卷边区域中的边缘像素点的曲率会发生改变。正常流延膜的边缘像素点的曲率是较为平滑的直线，当流延膜发生卷边时，会发生卷曲现象，对应边缘像素点的曲率值会发生改变。因此，先确定流延膜图像中的像素点是否为边缘像素点，若像素点为边缘像素点，则获取边缘像素点的曲率值，根据边缘像素点的皱折可能系数与曲率值，共同确定流延膜图像中的边缘像素点的边缘凌乱程度；若流延膜图像中的像素点不是边缘像素点，则无需考虑像素点的曲率值，直接根据像素点的折皱可能系数，确定流延膜图像中的像素点的边缘凌乱程度。其中，本发明实施例通过canny边缘检测算法，获取流延膜图像中的所有边缘像素点。通过有限差分算法，获取每个边缘像素点的曲率值。其中，canny边缘检测算法和有限差分算法均为公知技术，在此不再进行赘述。
优选地，获取边缘凌乱程度的方法为：当目标像素点为边缘像素点时，获取目标像素点的预设窗口中每个边缘像素点的曲率值，根据目标像素点的折皱可能系数和预设窗口中边缘像素点的曲率值，获取目标像素点的边缘凌乱程度；当目标像素点不是边缘像素点时，根据目标像素点的折皱可能系数，获取目标像素点的边缘凌乱程度。
作为一个示例，以步骤S2中的流延膜图像中第x个像素点为例，已知流延膜图像中第x个像素点为目标像素点，当流延膜图像中第x个像素点为边缘像素点时，获取流延膜图像中第x个像素点的预设窗口中所有边缘像素点的曲率值的均值作为目标均值，获取流延膜图像中第x个像素点的预设窗口中每个边缘像素点的曲率值与目标均值的差值绝对值，作为对应边缘像素点的曲率变化程度；将流延膜图像中第x个像素点的预设窗口中每个边缘像素点的曲率变化程度与曲率值的乘积，作为对应边缘像素点的曲率参考值；将流延膜图像中第x个像素点的预设窗口中所有边缘像素点的曲率参考值的累加结果，作为第二结果；将第二结果归一化的结果，作为流延膜图像中第x个像素点的整体曲率变化程度；将流延膜图像中第x个像素点的折皱可能系数和整体曲率变化程度的相加结果，作为流延膜图像中第x个像素点的边缘凌乱程度。当流延膜图像中第x个像素点不是边缘像素点时，将流延膜图像中第x个像素点的折皱可能系数，作为流延膜图像中第x个像素点的边缘凌乱程度。因此，获取流延膜图像中第x个像素点的边缘凌乱程度的公式为：
;
式中，为流延膜图像中第x个像素点的边缘凌乱程度；/>为流延膜图像中第x个像素点的折皱可能系数；L为流延膜图像中第x个像素点的预设窗口中边缘像素点的数量；为流延膜图像中第x个像素点的预设窗口中第f个边缘像素点的曲率值；/>为流延膜图像中第x个像素点的预设窗口中所有边缘像素点的曲率值的均值即目标均值；W为流延膜图像中边缘像素点的集合；/>为绝对值函数；norm为归一化函数；/>为第二结果。
需要说明的是，当流延膜图像中第x个像素点为边缘像素点即第x个像素点属于W时，曲率变化程度越大，说明/>与/>差异越大，流延膜图像中第x个像素点所在区域越可能为卷边区域，曲率参考值/>越大，流延膜图像中第x个像素点的预设窗口中第f个边缘像素点越可能为卷边区域像素点，整体曲率变化程度越大，/>越大；/>越大，流延膜图像中第x个像素点越可能在卷边区域中，/>越大；因此，/>越大，流延膜图像中第x个像素点的所在区域越可能为卷边区域。当流延膜图像中第x个像素点不为边缘像素点即第x个像素点不属于W时，/>越小，/>越小，流延膜图像中第x个像素点所在区域越不可能发生卷边现象。
根据获取流延膜图像中第x个像素点的边缘凌乱程度的方法，获取流延膜图像中每个像素点的边缘凌乱程度。
步骤S4：获取流延膜图像的明度分量图像，将每个预设窗口在明度分量图像中对应的区域作为第二目标区域，根据第二目标区域中每个像素点的明度值，获取每个第二目标区域对应流延膜图像中每个像素点的明度变化程度。
具体的，流延膜具有良好的透明性，当流延膜中发生卷边时，由于流延膜卷曲，会影响流延膜的局部透明性，导致卷边区域的透明度与不是卷边区域的其他区域的透明度产生较大的差异，即卷边区域的透明度比较差。因此，为了更准确的获取卷边区域，本发明实施例将流延膜图像的RGB颜色空间转换为HSV颜色空间，获取HSV颜色空间下的明度分量图像。流延膜图像中的每个像素点的预设窗口在明度分量图像中均有对应的区域即第二目标区域，根据第二目标区域内每个像素点的明度值，获取每个第二目标区域对应流延膜图像中每个像素点的明度变化程度。
优选地，获取明度变化程度的方法为：获取明度分量图像中每个像素点明度值的均值作为整体明度均值；获取第二目标区域中的每个像素点的明度值与整体明度均值的差异，作为对应像素点的明度变化值；将每个第二目标区域中明度变化值的累加结果，作为每个第二目标区域对应流延膜图像中的每个像素点的明度变化程度。
作为一个示例，获取明度分量图像中每个像素点的明度值的均值即整体明度均值，以步骤S2中的流延膜图像中第x个像素点为例，获取流延膜图像中第x个像素点的预设窗口对应的第二目标区域中的每个像素点的明度值与整体明度均值的差值绝对值，作为对应像素点的明度变化值，将流延膜图像中第x个像素点的第二目标区域中明度变化值的累加结果，作为流延膜图像中第x个像素点的明度变化程度。因此，获取流延膜图像中第x个像素点的明度变化程度的公式为：
;
式中，为流延膜图像中第x个像素点的明度变化程度；K为流延膜图像中第x个像素点的预设窗口对应的第二目标区域中像素点的数量，本发明实施例为/>个；/>为流延膜图像中第x个像素点的预设窗口对应的第二目标区域中第k个像素点的明度值；/>为整体明度均值；/>为绝对值函数。
需要说明的是，明度变化值越大，说明流延膜图像中第x个像素点的预设窗口对应的第二目标区域中第k个像素点的明度值的离散程度越大，与其他像素点之间的明度值的差异越大，/>越大，流延膜图像中第x个像素点的预设窗口对应的第二目标区域内像素点的明度值差异越大，流延膜图像中第x个像素点越可能为卷边区域像素点，/>越大；因此，/>越大，流延膜图像中第x个像素点越可能为卷边区域像素点。
根据获取流延膜图像中第x个像素点的明度变化程度的方法，获取流延膜图像中每个像素点的明度变化程度。
步骤S5：根据边缘凌乱程度与明度变化程度，获取流延膜图像中每个像素点的透明变化显著值。
具体的，为了确定流延膜图像中卷边区域的像素点，本发明实施例根据流延膜图像中每个像素点的边缘凌乱程度与明度变化程度，获取流延膜图像中每个像素点的透明变化显著值。
优选地，获取透明变化显著值的方法为：计算流延膜图像中每个像素点的边缘凌乱程度与明度变化程度的乘积，作为流延膜图像中每个像素点的透明变化显著值。
作为一个示例，以步骤S2中的流延膜图像中第x个像素点为例，获取流延膜图像中第x个像素点的透明变化显著值的公式为：
;
式中，为流延膜图像中第x个像素点的透明变化显著值；/>为流延膜图像中第x个像素点的边缘凌乱程度；/>为流延膜图像中第x个像素点的明度变化程度。
需要说明的是，越大，说明流延膜图像中第x个像素点越可能为卷边区域像素点，/>越大；/>越大，说明流延膜图像中第x个像素点的预设窗口对应的第二目标区域内像素点的明度值与整体明度均值的差异越大，说明流延膜图像中第x个像素点越可能为卷边区域像素点，/>越大；因此，/>越大，流延膜图像中第x个像素点越可能为卷边区域像素点。
根据获取流延膜图像中第x个像素点的透明变化显著值的方法，获取流延膜图像中每个像素点的透明变化显著值。
步骤S6：根据流延膜图像中每个像素点的透明变化显著值，获得流延膜卷边显著图；对流延膜卷边显著图进行分割，获得流延膜卷边区域。
具体的，本发明实施例通过论文：基于视觉显著性的印刷辊筒缺陷检测关键技术研究中的频率调谐算法，获取流延膜图像在对应的Lab颜色空间下的每个分量图像中像素点的通道值的均值，即每个分量图像的特征均值。其中，基于视觉显著性的印刷辊筒缺陷检测关键技术研究的作者为黄爽，在该论文中频率调谐算法的引用为：R. Achanta,S.Hemami,F. Estrada,et al.Frequency-tuned salient region detection[J].IEEEComputer Society Conference on Computer Vision and Pattern Recognition(CVPR), 2009,1597-1604.频率调谐算法即显著性检测算法为公知技术，在此不在进行赘述。
本发明实施例根据流延膜图像中每个像素点在Lab颜色空间下的每个分量图像中的通道值和特征均值，获取每个像素点在Lab颜色空间下的每个分量图像中的显著值，将每个像素点的显著值进行累加，获取每个像素点的融合特征指标，进而确定显著图。以步骤S2中的流延膜图像中第x个像素点为例，获取流延膜图像中第x个像素点的融合特征指标的方法如下：
获取流延膜图像中第x个像素点在Lab颜色空间下的每个分量图像的显著值的公式为：
;
;
;
式中，、/>、/>分别为流延膜图像中第x个像素点在L、a、b分量图像中的显著值；/>、/>、/>分别为L、a、b分量图像中的第x个像素点；/>、/>、/>分别为L、a、b分量图像的特征均值。
需要说明的是，与/>的差异越大，说明流延膜图像中第x个像素点的亮度值与其他像素点的亮度值的差异越大，/>越大；/>与/>的差异越大、/>与/>的差异越大，说明流延膜图像中第x个像素点的颜色与其他像素点的颜色的差异越大，/>越大、/>越大。因为流延膜的颜色统一，因此，只有/>对流延膜图像中第x个像素点的融合特征指标起决定作用。
、/>、/>相加获得流延膜图像中第x个像素点的融合特征指标，获取流延膜图像中第x个像素点的融合特征指标的公式为：
;
式中，为流延膜图像中第x个像素点的融合特征指标；/>、/>、/>分别为流延膜图像中第x个像素点在L、a、b分量图像中的显著值。
需要说明的是，越大，/>越大；/>越大，/>越大；/>越大，/>越大。
本发明实施例中需要识别的区域为流延膜的卷边区域，卷边区域中的颜色与流延膜图像中的其他区域中的颜色区别并不明显，只对Lab颜色空间中的亮度较为敏感，直接利用显著性检测算法识别流延膜图像中的卷边区域，得到的效果较差。已知，流延膜图像中每个像素点的透明变化显著值可以反映出对应像素点在卷边区域的可能性，即像素点的透明变化显著值越大，则该像素点越可能为卷边区域像素点。因此，根据流延膜图像中每个像素点的透明变化显著值与Lab颜色空间下的每个分量图像中的显著值，获取流延膜图像中每个像素点的卷边特征值。
优选地，获取卷边特征值的方法为：通过显著性检测算法，获取流延膜图像中每个像素点在Lab颜色空间下的每个分量图像中的显著值；将流延膜图像中每个像素点的透明变化显著值与Lab颜色空间下的每个分量图像中显著值的相加结果，作为流延膜图像中每个像素点的卷边特征值。
作为一个示例，以步骤S2中的流延膜图像中第x个像素点为例，获取流延膜图像中第x个像素点的卷边特征值的公式为：
;/>
式中，为流延膜图像中第x个像素点的卷边特征值；/>为流延膜图像中第x个像素点的透明变化显著值；/>、/>、/>分别为流延膜图像中第x个像素点在L、a、b分量图像中的显著值。
需要说明的是，越大，说明流延膜图像中第x个像素点越可能为卷边区域像素点，/>越大；/>越大，说明流延膜图像中第x个像素点的亮度值与亮度分量图像中的特征均值的差异越大流延膜图像中第x个像素点越可能为卷边区域像素点，/>越大；因为本发明实施例中的流延膜为统一颜色，因此，/>、/>的值很小，对/>的影响不大。因此，/>越大，流延膜图像中第x个像素点越为卷边区域像素点。
根据获取流延膜图像中第x个像素点的卷边特征值的方法，获取流延膜图像中每个像素点的卷边特征值。
根据流延膜图像中每个像素点的卷边特征值，确定流延膜卷边显著图，在流延膜卷边显著图中流延膜卷边区域像素点的卷边特征值比较大，流延膜卷边显著图中不是流延膜卷边区域的其他区域像素点的卷边特征值比较小，因此本发明实施例利用大津阈值分割算法，对流延膜卷边显著图进行分割，将分割出来的高于分割阈值的区域视为流延膜卷边区域。其中，大津阈值分割算法为公知技术，在此不再进行赘述。至此，准确的获取出流延膜图像中的卷边区域，工作人员对流延膜中的卷边区域进行分析，进一步提高流延膜的生产质量。
一种流延膜卷边严重程度评价方法实施例：
随着包装行业的迅速发展，流延膜也进入了快速发展时期。流延膜具备良好的热封性能和透明性能，广泛应用于各种日常用品的包装。在流延膜的生产过程中，流延膜的冷却定型以及收卷的过程中极易发生卷边现象，从而极大影响流延膜的生产质量。
随着机器视觉技术的不断发展，通过图像处理的方式快速检测流延膜的卷边现象，以此调整流延膜的生产工艺，防止流延膜卷边现象的产生，进而提高流延膜的生产质量。现有方法中利用视觉显著性检测算法，能够快速地提取图像中流延膜卷边的显著区域，但是，当流延膜卷边区域的特征较弱时，显著性检测算法自动识别感兴趣的区域有极大可能不是流延膜卷边区域，使得视觉显著性检测算法产生极大的误差，进而不能准确的获取图像中的流延膜卷边区域，导致不能准确对流延膜卷边严重程度进行分析，使得工作人员不能精准的对流延膜的生产工艺进行调整，对流延膜的生产质量造成影响。
为了解决不能准确对流延膜卷边严重程度进行分析的技术问题，本发明的目的在于提供一种流延膜卷边严重程度评价方法，所采用的技术方案具体如下：
请参阅图2，其示出了本发明一个实施例提供的一种流延膜卷边严重程度评价方法的流程示意图，该方法包括以下步骤：
步骤S1：获取流延膜图像。
步骤S2：对流延膜图像中的每个像素点构建预设窗口；获取流延膜图像的亮度分量图像，将每个预设窗口在所述亮度分量图像中对应的区域作为第一目标区域，根据第一目标区域中每个像素点的亮度值，获取每个第一目标区域对应流延膜图像中每个像素点的折皱可能系数。
步骤S3：根据流延膜图像中每个像素点的位置和所述折皱可能系数，获取流延膜图像中每个像素点的边缘凌乱程度。
步骤S4：获取流延膜图像的明度分量图像，将每个预设窗口在所述明度分量图像中对应的区域作为第二目标区域，根据第二目标区域中每个像素点的明度值，获取每个第二目标区域对应流延膜图像中每个像素点的明度变化程度。
步骤S5：根据所述边缘凌乱程度与所述明度变化程度，获取流延膜图像中每个像素点的透明变化显著值。
步骤S6：根据流延膜图像中每个像素点的所述透明变化显著值，获得流延膜卷边显著图；对所述流延膜卷边显著图进行分割，获得流延膜卷边区域。
步骤S7：根据流延膜卷边区域的大小，对流延膜卷边严重程度进行评价。
其中，步骤S1～步骤S6在一种流延膜卷边在线视觉检测方法实施例中已经给出了详细说明，不再赘述。以下对步骤S7进行具体描述。
步骤S7：根据流延膜卷边区域的大小，对流延膜卷边严重程度进行评价。
具体的，为了便于工作人员对流延膜的生产工艺进行准确的调整，本发明实施例根据流延膜卷边区域的大小，对流延膜卷边严重程度进行评价，将流延膜卷边严重程度进行不同等级的划分，工作人员根据流延膜卷边的不同严重程度，对流延膜的生产工艺进行对应不同程度的调整，提高了流延膜的生产质量，同时，便于工作人员操作。
优选地，对流延膜卷边严重程度进行评价的方法为：获取流延膜卷边区域中所有像素点数量，作为第一数量；获取流延膜卷边显著图中所有像素点的数量，作为第二数量；将第一数量与第二数量的比值，作为评价标准值；当评价标准值小于预设的第一评价阈值时，流延膜生产工艺中的评价设备为绿灯，且没有声音，流延膜卷边严重程度小；当评价标准值大于或者等于预设的第一评价阈值，小于或者等于预设的第二评价阈值时，流延膜生产工艺中的评价设备为黄灯，且发出平缓的警报声音，流延膜卷边严重程度中等；当评价标准值大于预设的第二评价阈值时，流延膜生产工艺中的评价设备为红灯，且发出急促的警报声音，流延膜卷边严重程度大。
本发明实施例设定第一评价阈值为0.3，第二评价阈值为0.7，实施者可根据实际情况进行设定，在此不进行限定。当评价标准值小于预设的第一评价阈值时，说明流延膜中的卷边现象很小，可以忽略不计，对流延膜的质量没有影响，此时流延膜生产工艺中的评价设备为绿灯，且没有声音，工作人员无需进行调整。当评价标准值大于或者等于预设的第一评价阈值，小于或者等于预设的第二评价阈值时，说明流延膜中的卷边现象严重，流延膜的质量造成的严重的影响，此时流延膜生产工艺中的评价设备为黄灯，且发出平缓的警报声音，提醒工作人员及时对流延膜生产工艺进行调整，工作人员根据设定好的调整方法，对流延膜生产工艺进行调整，例如调整流延膜生产工艺的速度或者定型方式等，使得流延膜生产工艺中的评价设备变为绿灯，且没有声音。当评价标准值大于预设的第二评价阈值时，说明流延膜中的卷边现象超级严重，流延膜生产工艺中可能出现的问题，此时，流延膜生产工艺中的评价设备为红灯，且发出急促的警报声音，工作人员应该立即停止流延膜生产工艺，对整个流延膜生产工艺进行检测修理。通过流延膜中卷边区域的大小，对流延膜卷边严重程度进行了准确的评价，使得工作人员及时对流延膜生产工艺进行调整，确保了流延膜的生产质量。
本实施例提供的一种流延膜卷边严重程度评价方法具有如下技术效果：
对流延膜图像中的每个像素点构建预设窗口，对每个预设窗口对应的流延膜图像中的每个像素点的特征进行准确的获取，避免不在同一个预设窗口中的其他像素点带来的干扰；获取流延膜图像的亮度分量图像，流延膜对亮度变化敏感，有利于对每个像素点是否在卷边区域进行初步判断，因此，将每个预设窗口在亮度分量图像中对应的区域作为第一目标区域，更能准确的对流延膜图像中的每个像素点的亮度变化情况进行准确的分析，进而根据第一目标区域中每个像素点的亮度值，获取每个第一目标区域对应中心像素点的折皱可能系数，初步获取流延膜图像中每个像素点为卷边区域像素点的可能性；为了对流延膜图像中每个像素点进行准确的分析，确定流延膜图像中每个像素点为卷边区域像素点的可能性，进一步根据每个像素点的位置和折皱可能系数，获取流延膜图像中每个像素点的边缘凌乱程度，进一步获取流延膜图像中每个像素点为卷边区域像素点的可能性；获取流延膜图像的明度分量图像，根据明度分量图像中的明度值，获取流延膜图像中每个像素点的明度变化程度，流延膜对透明度敏感，因此，进一步获取流延膜图像中每个像素点为卷边区域像素点的可能性；为了准确的根据流延膜图像中每个像素点的特征，获取流延膜图像中每个像素点为卷边区域的可能性，进而根据边缘凌乱程度与明度变化程度，获取流延膜图像中每个像素点的透明变化显著值，最终确定流延膜图像中每个像素点为卷边区域像素点的可能性；进而根据流延膜图像中每个像素点的透明变化显著值，获得流延膜卷边显著图，使得卷边区域显现的更准确，通过对流延膜卷边显著图进行分割，准确获得流延膜卷边区域，进而对流延膜卷边严重程度进行准确的分析，使得工作人员对流延膜生产工艺进行准确的调整，避免卷边区域的再次发生，提高了流延膜的生产质量。
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 (4)

1.一种流延膜卷边在线视觉检测方法，其特征在于，该方法包括以下步骤：
获取流延膜图像；
对流延膜图像中的每个像素点构建预设窗口；获取流延膜图像的亮度分量图像，将每个预设窗口在所述亮度分量图像中对应的区域作为第一目标区域，根据第一目标区域中每个像素点的亮度值，获取每个第一目标区域对应流延膜图像中每个像素点的折皱可能系数；
根据流延膜图像中每个像素点的位置和所述折皱可能系数，获取流延膜图像中每个像素点的边缘凌乱程度；
获取流延膜图像的明度分量图像，将每个预设窗口在所述明度分量图像中对应的区域作为第二目标区域，根据第二目标区域中每个像素点的明度值，获取每个第二目标区域对应流延膜图像中每个像素点的明度变化程度；
根据所述边缘凌乱程度与所述明度变化程度，获取流延膜图像中每个像素点的透明变化显著值；
根据流延膜图像中每个像素点的所述透明变化显著值，获得流延膜卷边显著图；对所述流延膜卷边显著图进行分割，获得流延膜卷边区域；
所述折皱可能系数的获取方法为：
根据所述亮度分量图像中每个像素点的亮度值，获取每个像素点的亮度梯度幅值；
任选流延膜图像中的一个像素点作为目标像素点，获取目标像素点的预设窗口对应的第一目标区域中每行像素点的亮度梯度幅值的标准差，作为第一标准差；
获取目标像素点的预设窗口对应的第一目标区域中每行每相邻两个像素点之间的亮度梯度幅值的差异，作为第一差异；
根据所述第一标准差与所述第一差异，获取目标像素点的横向折皱指数；
获取目标像素点的预设窗口对应的第一目标区域中每列像素点的亮度梯度幅值的标准差，作为第二标准差；
获取目标像素点的预设窗口对应的第一目标区域中每列每相邻两个像素点之间的亮度梯度幅值的差异，作为第二差异；
根据所述第二标准差与所述第二差异，获取目标像素点的列向折皱指数；
计算目标像素点的所述横向折皱指数与所述列向折皱指数的乘积，作为第一结果；
将所述第一结果进行归一化的结果作为目标像素点的折皱可能系数；
横向折皱指数和列向折皱指数的获取方法为：
根据横向折皱指数的公式获取横向折皱指数，所述横向折皱指数的公式为：
根据列向折皱指数的公式获取列向折皱指数，所述列向折皱指数的公式为：
式中，为流延膜图像中第x个像素点的横向折皱指数；/>为流延膜图像中第x个像素点的列向折皱指数；n为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总行数；m为流延膜图像中第x个像素点的预设窗口对应的第一目标区域内的总列数；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行的第一标准差；为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第b列的第二标准差；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行、第b列的像素点的亮度梯度幅值；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a行、第b-1列的像素点的亮度梯度幅值；/>为流延膜图像中第x个像素点的预设窗口对应的第一目标区域中第a-1行、第b列的像素点的亮度梯度幅值；/>为第一预设常数，其中，第一预设常数大于或者等于1；/>为第二预设常数，其中，第二预设常数大于0；/>为绝对值函数；
所述边缘凌乱程度的获取方法为：
当目标像素点为边缘像素点时，获取目标像素点的预设窗口中每个边缘像素点的曲率值，根据目标像素点的折皱可能系数和预设窗口中边缘像素点的曲率值，获取目标像素点的边缘凌乱程度；
当目标像素点不是边缘像素点时，根据目标像素点的折皱可能系数，获取目标像素点的边缘凌乱程度；
根据边缘凌乱程度的公式获取边缘凌乱程度，所述边缘凌乱程度的公式为：
式中，为流延膜图像中第x个像素点的边缘凌乱程度；/>为流延膜图像中第x个像素点的折皱可能系数；L为流延膜图像中第x个像素点的预设窗口中边缘像素点的数量；/>为流延膜图像中第x个像素点的预设窗口中第f个边缘像素点的曲率值；/>为流延膜图像中第x个像素点的预设窗口中所有边缘像素点的曲率值的均值；W为流延膜图像中边缘像素点的集合；/>为绝对值函数；norm为归一化函数；
所述透明变化显著值的获取方法为：
计算流延膜图像中每个像素点的所述边缘凌乱程度与所述明度变化程度的乘积，作为流延膜图像中每个像素点的透明变化显著值。
2.如权利要求1所述一种流延膜卷边在线视觉检测方法，其特征在于，所述明度变化程度的获取方法为：
获取所述明度分量图像中每个像素点明度值的均值作为整体明度均值；
获取第二目标区域中的每个像素点的明度值与整体明度均值的差异，作为对应像素点的明度变化值；
将每个第二目标区域中所述明度变化值的累加结果，作为每个第二目标区域对应流延膜图像中的每个像素点的明度变化程度。
3.如权利要求1所述一种流延膜卷边在线视觉检测方法，其特征在于，所述获取流延膜图像的亮度分量图像的方法为：
将流延膜图像的RGB颜色空间转换为Lab颜色空间，获取Lab颜色空间下的亮度分量图像；
所述获取流延膜图像的明度分量图像的方法为：
将流延膜图像的RGB颜色空间转换为HSV颜色空间，获取HSV颜色空间下的明度分量图像。
4.如权利要求3所述一种流延膜卷边在线视觉检测方法，其特征在于，所述根据流延膜图像中每个像素点的所述透明变化显著值，获得流延膜卷边显著图的方法为：
通过显著性检测算法，获取流延膜图像中每个像素点在Lab颜色空间下的每个分量图像中的显著值；
将流延膜图像中每个像素点的所述透明变化显著值与Lab颜色空间下的每个分量图像中显著值的相加结果，作为流延膜图像中每个像素点的卷边特征值；
根据卷边特征值，获得流延膜卷边显著图。
CN202310926447.0A 2023-07-27 2023-07-27 一种流延膜卷边在线视觉检测方法 Active CN116645368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310926447.0A CN116645368B (zh) 2023-07-27 2023-07-27 一种流延膜卷边在线视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310926447.0A CN116645368B (zh) 2023-07-27 2023-07-27 一种流延膜卷边在线视觉检测方法

Publications (2)

Publication Number Publication Date
CN116645368A CN116645368A (zh) 2023-08-25
CN116645368B true CN116645368B (zh) 2023-10-03

Family

ID=87643742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310926447.0A Active CN116645368B (zh) 2023-07-27 2023-07-27 一种流延膜卷边在线视觉检测方法

Country Status (1)

Country Link
CN (1) CN116645368B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017177717A1 (zh) * 2016-04-14 2017-10-19 广州视源电子科技股份有限公司 基于颜色和梯度的元件定位方法和系统
CN107680106A (zh) * 2017-10-13 2018-02-09 南京航空航天大学 一种基于Faster R‑CNN的显著性目标检测方法
JP2018137642A (ja) * 2017-02-22 2018-08-30 キヤノン株式会社 画像処理装置、画像処理方法
CN108898136A (zh) * 2018-07-04 2018-11-27 安徽大学 一种跨模态图像显著性检测方法
WO2020107717A1 (zh) * 2018-11-30 2020-06-04 长沙理工大学 视觉显著性区域检测方法及装置
CN112435173A (zh) * 2019-08-26 2021-03-02 广州虎牙科技有限公司 一种图像处理和直播方法、装置、设备和存储介质
CN112489055A (zh) * 2020-11-30 2021-03-12 中南大学 融合亮度-时序特征的卫星视频动态车辆目标提取方法
CN114359323A (zh) * 2022-01-10 2022-04-15 浙江大学 一种基于视觉注意机制的图像目标区域检测方法
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN115965624A (zh) * 2023-03-16 2023-04-14 山东宇驰新材料科技有限公司 一种抗磨液压油污染颗粒检测方法
CN116205823A (zh) * 2023-05-05 2023-06-02 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种基于空域滤波的超声影像去噪方法
CN116228772A (zh) * 2023-05-09 2023-06-06 聊城市检验检测中心 一种生鲜食品变质区域快速检测方法及系统
CN116245766A (zh) * 2023-03-01 2023-06-09 深圳市科曼医疗设备有限公司 一种图像增强处理方法、装置、电子设备及可读存储介质
CN116385450A (zh) * 2023-06-07 2023-07-04 昆山恒光塑胶股份有限公司 基于图像处理的ps片材抗耐磨性检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017177717A1 (zh) * 2016-04-14 2017-10-19 广州视源电子科技股份有限公司 基于颜色和梯度的元件定位方法和系统
JP2018137642A (ja) * 2017-02-22 2018-08-30 キヤノン株式会社 画像処理装置、画像処理方法
CN107680106A (zh) * 2017-10-13 2018-02-09 南京航空航天大学 一种基于Faster R‑CNN的显著性目标检测方法
CN108898136A (zh) * 2018-07-04 2018-11-27 安徽大学 一种跨模态图像显著性检测方法
WO2020107717A1 (zh) * 2018-11-30 2020-06-04 长沙理工大学 视觉显著性区域检测方法及装置
CN112435173A (zh) * 2019-08-26 2021-03-02 广州虎牙科技有限公司 一种图像处理和直播方法、装置、设备和存储介质
CN112489055A (zh) * 2020-11-30 2021-03-12 中南大学 融合亮度-时序特征的卫星视频动态车辆目标提取方法
CN114359323A (zh) * 2022-01-10 2022-04-15 浙江大学 一种基于视觉注意机制的图像目标区域检测方法
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN116245766A (zh) * 2023-03-01 2023-06-09 深圳市科曼医疗设备有限公司 一种图像增强处理方法、装置、电子设备及可读存储介质
CN115965624A (zh) * 2023-03-16 2023-04-14 山东宇驰新材料科技有限公司 一种抗磨液压油污染颗粒检测方法
CN116205823A (zh) * 2023-05-05 2023-06-02 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种基于空域滤波的超声影像去噪方法
CN116228772A (zh) * 2023-05-09 2023-06-06 聊城市检验检测中心 一种生鲜食品变质区域快速检测方法及系统
CN116385450A (zh) * 2023-06-07 2023-07-04 昆山恒光塑胶股份有限公司 基于图像处理的ps片材抗耐磨性检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Saliency Detection Based on Multiscale Extrema of Local Perceptual Color Differences;Keigo Ishikura等;IEEE Transactions on Image Processing;第27卷(第2期);703 - 717 *
图像显著性区域检测算法研究;刘晓曼;中国优秀硕士学位论文全文数据库 信息科技辑;第2020年卷(第7期);I138-992 *
基于多尺度多特征的显著性区域检测;侯向丹;刘晓曼;刘洪普;连珂;;河北工业大学学报(06);30-35 *
融合似物性前景对象与背景先验的图像显著性检测;郭鹏飞;金秋;刘万军;;计算机工程与科学(09);157-166 *

Also Published As

Publication number Publication date
CN116645368A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN109035195B (zh) 一种织物疵点检测方法
CN111047655B (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN110322522B (zh) 一种基于目标识别区域截取的车辆颜色识别方法
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
CN115170572B (zh) 一种bopp复合薄膜表面涂胶质量监测方法
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN103914708B (zh) 基于机器视觉的食品品种检测方法及系统
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN115797299B (zh) 一种光学复合膜的缺陷检测方法
CN115239718B (zh) 一种基于图像处理的塑料制品缺陷检测方法与系统
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN116109577A (zh) 一种印刷标签缺陷检测系统及方法
CN116883412A (zh) 一种石墨烯远红外电热设备故障检测方法
CN116645368B (zh) 一种流延膜卷边在线视觉检测方法
CN115861259A (zh) 一种基于模板匹配的引线框架表面缺陷检测方法及装置
CN116205894A (zh) 基于多信息融合的轴承滚子缺陷检测方法
CN115984230A (zh) 铝箔封口质量检测方法、计算机装置、产品及存储介质
CN115311288A (zh) 一种汽车贴膜破损检测方法
CN115147410A (zh) 一种多色块包装覆膜缺陷检测方法
CN114943738A (zh) 一种基于视觉识别的传感器封装固化胶缺陷识别方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An online visual detection method for rolled edges of cast film

Granted publication date: 20231003

Pledgee: China Life Property insurance Co.,Ltd. Qingdao Branch

Pledgor: QINGDAO WEIDONG PACKING CO.,LTD.

Registration number: Y2024370010068