CN117330582A - 一种高分子pe薄膜表面晶点检测系统 - Google Patents
一种高分子pe薄膜表面晶点检测系统 Download PDFInfo
- Publication number
- CN117330582A CN117330582A CN202311258533.5A CN202311258533A CN117330582A CN 117330582 A CN117330582 A CN 117330582A CN 202311258533 A CN202311258533 A CN 202311258533A CN 117330582 A CN117330582 A CN 117330582A
- Authority
- CN
- China
- Prior art keywords
- crystal
- module
- points
- crystal point
- analysis
- 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.)
- Pending
Links
- 239000013078 crystal Substances 0.000 title claims abstract description 220
- 229920000642 polymer Polymers 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000002425 crystallisation Methods 0.000 claims description 3
- 230000008025 crystallization Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000004090 dissolution Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002861 polymer material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种高分子PE薄膜表面晶点检测系统，旨在解决传统系统在晶点检测中存在的不足之处，该系统由多个模块组成，包括图像采集、预处理、边缘检测、晶点分析和结果可视化等。与传统系统相比，本发明具有以下优点：首先，采用先进的图像处理算法和深度学习技术，实现对晶点的高准确性检测和分类识别，提升检测结果的可靠性。其次，引入自动化和效率化设计，系统能够实现快速、自动化的晶点检测和分析，提高工作效率。此外，本发明具备多样性适应性，能够适应不同尺寸、形状和颜色的晶点，并具备实时性和实用性，实现实时晶点分析和及时反馈。最后，系统提供直观的可视化结果和详尽的数据分析，帮助用户全面理解晶点特征和变化规律。
Description
技术领域
本发明涉及检测领域，更具体地说，涉及一种高分子PE薄膜表面晶点检测系统。
背景技术
在过去的几十年里，随着高分子材料在各个领域的广泛应用，对其表面质量和晶点的检测需求逐渐增加。早期的晶点检测通常依赖于人工目视检查，存在主观性和不一致性的问题。随着计算机视觉和图像处理技术的发展，逐渐出现了基于图像分析的自动化晶点检测系统。这些系统使用图像处理算法和特征提取方法，如边缘检测、阈值分割、形态学处理等，以实现晶点的自动检测和定量分析。近年来，深度学习技术的兴起进一步提升了晶点检测系统的准确性和鲁棒性。通过深度神经网络的训练和优化，可以实现对复杂表面晶点的高效检测和分析。这些技术的发展为高分子PE薄膜表面晶点检测系统提供了更准确、快速和可靠的解决方案。
传统的高分子PE薄膜表面晶点检测系统存在一些不足之处。首先，它们依赖于人工操作，导致结果的主观性和不一致性。其次，数据处理效率较低，处理大量图像和复杂算法需要较长时间。此外，缺乏自动化和集成性，需要手动设置参数和多次试验来获取最佳结果。准确性问题也是传统系统的挑战，由于人工操作和算法限制，结果可能存在误差，并无法有效检测微小的晶点。最后，难以适应多样化需求，无法有效检测不同尺寸、形状和颜色的晶点。为了克服这些不足，新一代晶点检测系统采用先进的计算机视觉技术、深度学习算法和自动化系统。这些系统提供更高的准确性、效率和自动化水平，减少人为因素对结果的影响，同时能够适应更多样化的晶点检测需求。
发明内容
本发明的目的在于提供一种高分子PE薄膜表面晶点检测系统，以解决上述背景技术提出的问题：
传统的高分子PE薄膜表面晶点检测系统存在一些不足之处。首先，它们依赖于人工操作，导致结果的主观性和不一致性。其次，数据处理效率较低，处理大量图像和复杂算法需要较长时间。此外，缺乏自动化和集成性，需要手动设置参数和多次试验来获取最佳结果。准确性问题也是传统系统的挑战，由于人工操作和算法限制，结果可能存在误差，并无法有效检测微小的晶点。最后，难以适应多样化需求，无法有效检测不同尺寸、形状和颜色的晶点。为了克服这些不足，新一代晶点检测系统采用先进的计算机视觉技术、深度学习算法和自动化系统。这些系统提供更高的准确性、效率和自动化水平，减少人为因素对结果的影响，同时能够适应更多样化的晶点检测需求。
一种高分子PE薄膜表面晶点检测系统，所述一种高分子PE薄膜表面晶点检测系统包括晶点成像模块、图像预处理模块、晶点检测模块、晶点分析模块、结果显示模块、用户界面模块、数据存储模块；
晶点成像模块获取高分子PE薄膜表面的图像，并将其传递给图像预处理模块；图像预处理模块对获取的图像进行去噪、增强和平滑处理，以提高后续晶点检测的准确性；
图像预处理模块处理后的图像将传递给晶点检测模块，晶点检测模块使用计算机视觉技术和图像处理算法，对图像进行边缘检测、阈值分割、形态学处理操作，以检测和识别晶点；
晶点检测模块检测到晶点后，将其传递给晶点分析模块进行进一步的分析和统计，晶点分析模块计算晶点的数量、大小、分布情况指标，并生成相应的统计报告；
晶点分析模块的结果将传递给结果显示模块进行可视化展示，结果显示模块在原始图像上标注检测到的晶点，或生成热力图形式的可视化结果，以便用户查看和分析；
用户界面模块提供用户与系统交互的界面，用户输入参数、查看结果，用户界面模块将用户的输入传递给其他模块，并将结果显示给用户，数据存储模块用于存储晶点检测和分析的结果数据，以便后续查询和分析。
优选的，所述晶点成像模块负责获取高分子PE薄膜表面的图像，使用高分辨率的相机或显微镜来捕捉薄膜表面的图像；
优选的，所述图像预处理模块对从成像模块获取的图像进行预处理，预处理包括图像去噪、图像增强、图像平滑操作，以提高后续晶点检测的准确性；
优选的，所述晶点检测模块是整个系统的核心部分，用于检测高分子PE薄膜表面的晶点，使用计算机视觉技术和图像处理算法，包括边缘检测、阈值分割、形态学处理，来检测和识别晶点；
优选的，所述晶点检测模块采用深度学习算法，包括卷积神经网络(CNN)或其他先进的神经网络结构，进行晶点的自动检测。通过对大量标注的图像进行训练，网络学习到晶点的特征和模式，实现更精确的检测结果。
所述晶点检测模块利用形状分析算法对晶点进行进一步的特征提取和分析，通过测量晶点的几何属性，包括面积、周长、圆度，更全面地描述晶点的形状特征，并进一步提高检测的可靠性；
所述晶点检测模块引入多尺度检测策略，对不同尺寸的晶点进行适应性检测。通过在不同尺度上对图像进行处理和分析，有效地检测到不同大小的晶点，提高检测的全面性和灵活性；
所述晶点检测模块优化算法和系统架构，以实现实时晶点检测和分析，通过并行计算、硬件加速或分布式处理技术手段，提高系统的计算速度，实现对快速运动或大规模样本的高效处理。
优选的，所述晶点分析模块用于对检测到的晶点进行分析和统计，计算晶点的数量、大小、分布情况指标，并生成相应的统计报告；
所述晶点分析模块使用机器学习或深度学习方法，对检测到的晶点进行分类和识别，通过训练一个分类器或使用卷积神经网络(CNN)模型，识别不同类型或特定特征的晶点，帮助更深入地分析晶点的属性和特性；
所述晶点分析模块开发晶点质量评估算法，基于晶点的形状、尺寸、分布特征，对晶点的质量进行定量评估，这帮助用户确定晶点的可接受范围，优化生产过程或制备条件，以提高产品的质量和性能；
所述晶点分析模块对晶点在时间或温度变化下的演化进行分析。通过跟踪晶点的形态和数量随时间或温度的变化，了解晶点的生长、溶解或迁移行为，揭示材料的晶化动力学特性；
所述晶点分析模块开发统计和可视化工具，对晶点数据进行统计分析和可视化展示，包括晶点数量的分布图、尺寸分布的直方图、晶点间距的相关性分析，帮助用户更好地理解晶点的特征和变化规律；
所述晶点分析模块利用数据挖掘和关联分析技术，挖掘晶点数据中的隐藏信息和关联关系，通过发现晶点与材料性能、制备条件或其他因素之间的关联，指导材料设计和工艺改进，实现优化的晶点控制和应用。
优选的，所述结果显示模块将晶点检测和分析的结果进行可视化展示，将检测到的晶点在原始图像上标注出来，或者生成热力图形式的可视化结果，以便用户查看和分析；
优选的，所述用户界面模块提供用户与系统交互的界面，设计一个直观友好的用户界面，使用户能够方便地操作系统，输入参数、查看结果；
优选的，所述数据存储模块用于存储晶点检测和分析的结果数据，将结果保存在数据库中，或者以文件形式进行存储。
相比于现有技术，本发明的优点在于：
(1)本发明采用先进的计算机视觉技术和深度学习算法，能够实现对高分子PE薄膜表面晶点的高准确性检测和分析，通过训练深度神经网络并结合优化的图像处理算法，可以识别微小和复杂的晶点，减少误判和漏判的情况；
(2)本发明采用自动化系统，实现对晶点检测和分析过程的自动化操作，无需人工干预和设置繁琐的参数，大大提高了检测效率，并降低了操作错误的风险；同时，本发明能够快速处理大量图像数据，提高处理速度和效率；
(3)本发明具有适应不同尺寸、形状和颜色的晶点的能力，通过灵活的算法和模型设计，可以检测和分析多种类型的晶点，并且对不同材料的晶点具有良好的适应性，这使得本发明在不同应用领域中具有广泛的适用性；
(4)本发明能够实时进行晶点检测和分析，快速生成结果并实时显示。这对于生产过程的控制和及时反馈至关重要，帮助用户迅速发现问题并采取相应的措施，提高产品质量和生产效率；
(5)本发明提供直观的可视化结果和详尽的数据分析。通过图像标注、热力图、统计图表等形式的可视化展示，用户可以直观地了解晶点的分布和特征；同时，本发明还提供数据存储和导出功能，便于用户进一步分析和比较不同样本或批次之间的晶点数据。
附图说明
图1为本发明的整体系统示意图；
图2为本发明的具体模块示意图。
具体实施方式
实施例：请参阅图1，图2，一种高分子PE薄膜表面晶点检测系统，一种高分子PE薄膜表面晶点检测系统包括晶点成像模块、图像预处理模块、晶点检测模块、晶点分析模块、结果显示模块、用户界面模块、数据存储模块；
晶点成像模块获取高分子PE薄膜表面的图像，并将其传递给图像预处理模块，图像预处理模块对获取的图像进行去噪、增强和平滑处理，得到处理后的图像；
图像预处理模块处理后的图像传递给晶点检测模块，晶点检测模块使用计算机视觉技术和图像处理算法，对图像进行边缘检测、阈值分割、形态学处理操作，检测和识别晶点；
晶点检测模块检测到晶点后，将其传递给晶点分析模块进行分析和统计，晶点分析模块计算晶点的数量、大小、分布情况指标，并生成相应的统计报告；
晶点分析模块的结果传递给结果显示模块进行可视化展示，结果显示模块在原始图像上标注检测到的晶点，生成热力图形式的可视化结果；
用户界面模块提供用户与系统交互的界面，用户输入参数、查看结果，用户界面模块将用户的输入传递给其他模块，并将结果显示给用户，数据存储模块存储晶点检测和分析的结果数据。
晶点成像模块负责获取高分子PE薄膜表面的图像，使用高分辨率的相机和显微镜捕捉薄膜表面的图像；
图像预处理模块对从晶石成像模块获取的图像进行预处理，预处理包括图像去噪、图像增强、图像平滑操作。
晶点检测模块是整个一种高分子PE薄膜表面晶点检测系统的核心部分，检测高分子PE薄膜表面的晶点，使用计算机视觉技术和图像处理算法，包括边缘检测、阈值分割、形态学处理检测和识别晶点；
具体的，边缘检测时别晶石包括以下步骤：
(1)图像预处理：首先，对获取的图像进行预处理以减少噪声和增强边缘特征，包括图像平滑化、灰度转换或颜色空间转换等操作；
(2)边缘检测算法选择：选择适合的边缘检测算法，常用的算法包括Sobel算子、Canny边缘检测、Laplacian算子等，根据具体应用需求和图像特点选择合适的算法；
(3)图像梯度计算：应用选择的边缘检测算法对图像进行梯度计算。梯度表示图像中像素灰度变化的强度和方向，常用的梯度计算方法包括计算水平和垂直方向的导数；
(4)边缘强度计算：根据梯度计算的结果，计算像素的边缘强度。这可以通过计算梯度的幅值或其他衍生量来实现；
(5)边缘阈值化：根据设定的阈值，对边缘强度进行二值化处理。超过阈值的像素被认为是边缘点，反之则被认为是非边缘点；
(6)边缘连接：对二值化后的边缘进行连接，以消除断裂和断点，并形成连续的边缘曲线，常用的边缘连接方法包括Hough变换、边缘跟踪等；
(7)边缘筛选和过滤：根据边缘的长度、曲率、形状等特征，进行边缘的筛选和过滤，排除非晶石边缘或噪声边缘；
(8)晶石识别和分析：根据边缘检测后的结果，采用特定的算法或规则进行晶石的识别和分析，可能涉及形状分析、尺寸测量、晶石特征提取等操作。
具体的，阈值分割检测和识别晶点包括以下步骤：
(1)图像预处理：首先，对获取的图像进行预处理以减少噪声和增强晶石的特征。这可能包括图像平滑化、灰度转换或颜色空间转换等操作；
(2)确定阈值：根据图像的灰度特征和晶石的亮度分布，选择适当的阈值方法确定分割晶石和背景的阈值。常见的阈值方法包括固定阈值、自适应阈值或基于统计学的阈值选择方法；
(3)图像二值化：使用确定的阈值将图像转换为二值图像，将晶石区域设为前景(白色),背景设为背景(黑色)，这将产生一个二值掩膜，以突出晶石的区域；
(4)去除噪声：对二值图像进行噪声去除处理，以消除可能的小尺寸噪声或孤立的像素点，可以使用形态学操作(如腐蚀、膨胀、开运算、闭运算等)来平滑图像和填充空洞；
(5)连通区域标记：对二值图像进行连通区域分析，将相邻的像素组合成连通的区域，每个连通区域被赋予一个唯一的标签，以便后续分析和测量；
(6)晶石分析：根据连通区域的特征(如面积、周长、形状等)，进行晶石的分析和识别，可以应用形状分析、特征提取、分类器或其他算法来判断和区分晶石；
(7)结果可视化和输出：将识别的晶石区域在原始图像上进行可视化标记，以便用户进行观察和验证，还可以输出晶石的位置、特征或其他相关信息，以供进一步的处理或记录。
晶点检测模块采用卷积神经网络(CNN)进行晶点的自动检测。通过对大量标注的图像进行训练，网络学习到晶点的特征和模式；
晶点检测模块利用形状分析算法对晶点进行进一步的特征提取和分析，通过测量晶点的几何属性，包括面积、周长、圆度，描述晶点的形状特征；
晶点检测模块引入多尺度检测策略，对不同尺寸的晶点进行适应性检测，通过在不同尺度上对图像进行处理和分析，检测到不同大小的晶点；
晶点检测模块优化算法和系统架构，进行实时晶点检测和分析，运用并行计算、硬件加速和分布式处理技术手段；
晶点分析模块对检测到的晶点进行分析和统计，计算晶点的数量、大小、分布情况指标，并生成相应的统计报告；
晶点分析模块使用机器学习和深度学习方法，对检测到的晶点进行分类和识别，通过训练分类器和使用卷积神经网络(CNN)模型，识别不同类型和特定特征的晶点；
晶点分析模块开发晶点质量评估算法，基于晶点的形状、尺寸、分布特征，对晶点的质量进行定量评估；
晶点分析模块对晶点在时间和温度变化下的演化进行分析，通过跟踪晶点的形态和数量随时间和温度的变化，了解晶点的生长、溶解和迁移行为，揭示材料的晶化动力学特性；
晶点分析模块开发统计和可视化工具，对晶点数据进行统计分析和可视化展示，包括晶点数量的分布图、尺寸分布的直方图、晶点间距的相关性分析；
晶点分析模块利用数据挖掘和关联分析技术，挖掘晶点数据中的隐藏信息和关联关系，通过发现晶点与材料性能、制备条件和其他因素之间的关联，指导材料设计和工艺改进。
结果显示模块将晶点检测和分析的结果进行可视化展示，将检测到的晶点在原始图像上标注出来，和生成热力图形式的可视化结果。
用户界面模块提供用户与系统交互的界面，设计一个直观友好的用户界面，使用户能够方便地操作系统，输入参数、查看结果；
数据存储模块用于存储晶点检测和分析的结果数据，将结果保存在数据库中，和以文件形式进行存储。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种高分子PE薄膜表面晶点检测系统，其特征在于，所述一种高分子PE薄膜表面晶点检测系统包括晶点成像模块、图像预处理模块、晶点检测模块、晶点分析模块、结果显示模块、用户界面模块、数据存储模块；
所述晶点成像模块获取高分子PE薄膜表面的图像，并将其传递给所述图像预处理模块，所述图像预处理模块对获取的图像进行去噪、增强和平滑处理，得到处理后的图像；
所述图像预处理模块处理后的图像传递给所述晶点检测模块，所述晶点检测模块使用计算机视觉技术和图像处理算法，对图像进行边缘检测、阈值分割、形态学处理操作，检测和识别晶点；
所述晶点检测模块检测到晶点后，将其传递给所述晶点分析模块进行分析和统计，所述晶点分析模块计算晶点的数量、大小、分布情况指标，并生成相应的统计报告；
所述晶点分析模块的结果传递给所述结果显示模块进行可视化展示，所述结果显示模块在原始图像上标注检测到的晶点，生成热力图形式的可视化结果；
所述用户界面模块提供用户与系统交互的界面，用户输入参数、查看结果，所述用户界面模块将用户的输入传递给其他模块，并将结果显示给用户，所述数据存储模块存储晶点检测和分析的结果数据。
2.根据权利要求1所述一种高分子PE薄膜表面晶点检测系统，其特征在于，所述晶点成像模块负责获取高分子PE薄膜表面的图像，使用高分辨率的相机和显微镜捕捉薄膜表面的图像。
3.根据权利要求1所述一种高分子PE薄膜表面晶点检测系统，其特征在于，所述图像预处理模块对从晶石成像模块获取的图像进行预处理，预处理包括图像去噪、图像增强、图像平滑操作。
4.根据权利要求1所述一种高分子PE薄膜表面晶点检测系统，其特征在于，所述晶点检测模块是整个一种高分子PE薄膜表面晶点检测系统的核心部分，检测高分子PE薄膜表面的晶点，使用计算机视觉技术和图像处理算法，包括边缘检测、阈值分割、形态学处理检测和识别晶点；
所述晶点检测模块采用卷积神经网络进行晶点的自动检测，通过对大量标注的图像进行训练，网络学习到晶点的特征和模式；
所述晶点检测模块利用形状分析算法对晶点进行进一步的特征提取和分析，通过测量所述晶点的几何属性，包括面积、周长、圆度，描述所述晶点的形状特征；
所述晶点检测模块引入多尺度检测策略，对不同尺寸的晶点进行适应性检测，通过在不同尺度上对图像进行处理和分析，检测到不同大小的晶点；
所述晶点检测模块优化算法和系统架构，进行实时晶点检测和分析，运用并行计算、硬件加速和分布式处理技术手段。
5.根据权利要求1所述一种高分子PE薄膜表面晶点检测系统，其特征在于，所述晶点分析模块对检测到的晶点进行分析和统计，计算晶点的数量、大小、分布情况指标，并生成相应的统计报告；
所述晶点分析模块使用机器学习和深度学习方法，对检测到的晶点进行分类和识别，通过训练分类器和使用卷积神经网络模型，识别不同类型和特定特征的晶点；
所述晶点分析模块开发晶点质量评估算法，基于晶点的形状、尺寸、分布特征，对晶点的质量进行定量评估；
所述晶点分析模块对所述晶点在时间和温度变化下的演化进行分析，通过跟踪所述晶点的形态和数量随时间和温度的变化，了解所述晶点的生长、溶解和迁移行为，揭示材料的晶化动力学特性；
所述晶点分析模块开发统计和可视化工具，对晶点数据进行统计分析和可视化展示，包括晶点数量的分布图、尺寸分布的直方图、晶点间距的相关性分析；
所述晶点分析模块利用数据挖掘和关联分析技术，挖掘晶点数据中的隐藏信息和关联关系，通过发现晶点与材料性能、制备条件和其他因素之间的关联，指导材料设计和工艺改进。
6.根据权利要求1所述一种高分子PE薄膜表面晶点检测系统，其特征在于，所述结果显示模块将晶点检测和分析的结果进行可视化展示，将检测到的晶点在原始图像上标注出来，和生成热力图形式的可视化结果。
7.根据权利要求1所述一种高分子PE薄膜表面晶点检测系统，其特征在于，所述用户界面模块提供用户与系统交互的界面，设计一个直观友好的用户界面，使用户能够方便地操作系统，输入参数、查看结果。
8.根据权利要求1所述一种高分子PE薄膜表面晶点检测系统，其特征在于，所述数据存储模块用于存储晶点检测和分析的结果数据，将结果保存在数据库中，和以文件形式进行存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311258533.5A CN117330582A (zh) | 2023-09-27 | 2023-09-27 | 一种高分子pe薄膜表面晶点检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311258533.5A CN117330582A (zh) | 2023-09-27 | 2023-09-27 | 一种高分子pe薄膜表面晶点检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117330582A true CN117330582A (zh) | 2024-01-02 |
Family
ID=89276564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311258533.5A Pending CN117330582A (zh) | 2023-09-27 | 2023-09-27 | 一种高分子pe薄膜表面晶点检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117330582A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809141A (zh) * | 2024-03-01 | 2024-04-02 | 南京邮电大学 | 一种基于计算机视觉及深度学习的热致变色液晶温度识别方法 |
-
2023
- 2023-09-27 CN CN202311258533.5A patent/CN117330582A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809141A (zh) * | 2024-03-01 | 2024-04-02 | 南京邮电大学 | 一种基于计算机视觉及深度学习的热致变色液晶温度识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334706B (zh) | 一种图像目标识别方法及装置 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
| CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN104700092B (zh) | 一种基于模板和特征匹配相结合的小字符数字识别方法 | |
| WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
| CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
| Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
| CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
| CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
| CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
| CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
| Vishwanath et al. | Connected component analysis for Indian license plate infra-red and color image character segmentation | |
| Wu et al. | Automatic gear sorting system based on monocular vision | |
| CN116402822B (zh) | 混凝土结构图像检测方法、装置、电子设备及存储介质 | |
| CN117314826A (zh) | 一种显示屏的性能检测方法 |
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 |