CN117333489A - 一种薄膜破损检测装置及检测系统 - Google Patents

一种薄膜破损检测装置及检测系统 Download PDF

Info

Publication number
CN117333489A
CN117333489A CN202311631991.9A CN202311631991A CN117333489A CN 117333489 A CN117333489 A CN 117333489A CN 202311631991 A CN202311631991 A CN 202311631991A CN 117333489 A CN117333489 A CN 117333489A
Authority
CN
China
Prior art keywords
target pixel
gray
gray value
pixel point
surface image
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.)
Granted
Application number
CN202311631991.9A
Other languages
English (en)
Other versions
CN117333489B (zh
Inventor
徐恒军
梅进
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.)
Suzhou Protech Precision Industry Co ltd
Original Assignee
Suzhou Protech Precision Industry 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 Suzhou Protech Precision Industry Co ltd filed Critical Suzhou Protech Precision Industry Co ltd
Priority to CN202311631991.9A priority Critical patent/CN117333489B/zh
Publication of CN117333489A publication Critical patent/CN117333489A/zh
Application granted granted Critical
Publication of CN117333489B publication Critical patent/CN117333489B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种薄膜破损检测装置及检测系统，该系统包括：采集薄膜表面图像；获取薄膜表面图像的灰度直方图；获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，进而得到目标像素点灰度值；根据目标像素点灰度值获取目标像素点，对目标像素点进行聚类，得到各个聚类簇；获取每个聚类簇中目标像素点为破损区域像素点的优选度；根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度分布，获取分割阈值；根据分割阈值对薄膜表面图像进行分割，获取破损区域，本发明分割的破损区域更加完整。

Description

一种薄膜破损检测装置及检测系统
技术领域
本发明涉及图像处理领域，具体涉及一种薄膜破损检测装置及检测系统。
背景技术
薄膜缓冲材料指的是产品或部件上附一层薄膜，用于保护产品或部件，防止产品的损坏或污染，但是制造和使用过程中，薄膜缓冲材料可能受到各种外部压力、磨损和化学作用的影响，导致薄膜缓冲材料表面的薄膜出现破损，起不到保护产品或部件的功能，因此需要定期检查薄膜缓冲材料上的破损区域。
由于薄膜表面图像可能会存在与破损区域灰度值近似的褶皱区域，褶皱区域是在制造过程中薄膜发生的褶皱，而非破损，因此使用现有的阈值分割算法对薄膜图像中的破损区域进行分割时，当分割阈值的选择过大时，可能会将褶皱区域与破损区域同时分割出来，当分割阈值的选择过小时，对于破损区域的分割不完整。
发明内容
为了解决上述问题，本发明提供一种薄膜缓冲材破损检测系统，所述系统包括：
薄膜表面图像采集模块，用于采集薄膜表面图像；
目标像素点获取模块，用于获取薄膜表面图像的灰度直方图；根据灰度直方图中的最大灰度值与每个灰度值的差异以及灰度直方图中每个灰度值对应的像素点数量，获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度；根据薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，获取目标像素点灰度值；将薄膜表面图像中与目标像素点灰度值一致的像素点记为目标像素点，所述目标像素点代表褶皱区域像素点以及破损区域像素点；
优选度获取模块，用于对目标像素点进行聚类，得到各个聚类簇；根据每个聚类簇中目标像素点的平均灰度值与薄膜表面图像中像素点的平均灰度值的差异、每个聚类簇中目标像素点的梯度方向的熵值，以及每个聚类簇中目标像素点的平均梯度幅值与所有聚类簇中目标像素点的平均梯度幅值的差异，获取每个聚类簇中目标像素点为破损区域像素点的优选度；
分割阈值获取模块，用于根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度值，获取分割阈值；
破损区域获取模块，用于根据分割阈值对薄膜表面图像进行分割，获取破损区域。
优选的，所述根据灰度直方图中的最大灰度值与每个灰度值的差异以及灰度直方图中每个灰度值对应的像素点数量，获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，包括的步骤为：
将薄膜表面图像的灰度直方图中任一灰度值，记为当前灰度值；
;
式中，代表当前灰度值为目标像素点灰度值的可能程度；代表的是薄膜表 面图像的灰度直方图中的最大灰度值；代表当前灰度值；代表薄膜表面图像中的像素点 总数；代表薄膜表面图像的灰度直方图中灰度值对应的像素点数量的最大值；代 表薄膜表面图像的灰度直方图中灰度值对应的像素点数量的最小值；代表以自然 常数为底数的指数函数；代表薄膜表面图像的灰度直方图中当前灰度值对应的像素点数 量。
优选的，所述根据薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，获取目标像素点灰度值，包括的步骤为：
预设可能程度阈值，将薄膜表面图像的灰度直方图中可能程度大于可能程度阈值的灰度值记为目标像素点灰度值。
优选的，所述对目标像素点进行聚类，得到各个聚类簇，包括的步骤为：
预设聚类半径，最小聚类数目，使用DBSCAN密度聚类算法对目标像素点进行 聚类，目标像素点之间的距离度量采用欧式距离，得到各个聚类簇。
优选的，所述获取每个聚类簇中目标像素点为破损区域像素点的优选度，包括的步骤为：
使用sobel算子获取每个聚类簇中每个目标像素点的梯度幅值和梯度方向；
;
式中，代表第个聚类簇中目标像素点为破损区域像素点的优选度；代表第个聚类簇中目标像素点的平均灰度值；代表薄膜表面图像中所有像素点的平均灰度 值；代表第个聚类簇中第个目标像素点的梯度方向；将第个聚类簇中所有目标像 素点的梯度方向的众数作为第个聚类簇中目标像素点的主成分方向，记为；代表第个聚类簇中目标像素点的数量；表示第个聚类簇中目标像素点的平均梯度幅值； 表示所有聚类簇中目标像素点的平均梯度幅值；代表绝对值符号；代表以2为底 的对数函数。
优选的，所述根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度值，获取分割阈值，包括的步骤为：
;
式中，表示分割阈值；代表聚类簇的数量；代表第个聚类簇中目标像素点 的最大灰度值；代表第个聚类簇中目标像素点的最小灰度值；表示第个聚类簇中 目标像素点为破损区域像素点的优选度。
优选的，所述根据分割阈值对薄膜表面图像进行分割，获取破损区域，包括的步骤为：
根据分割阈值，使用阈值分割算法对薄膜表面图像进行分割，分割出的灰度值小的区域为破损区域。
优选的，所述采集薄膜表面图像，包括的步骤为：
将薄膜缓冲材料水平放置在图像采集平台上并加以均匀的光照照射，使用高清CCD相机俯视拍摄薄膜缓冲材料的表面图像，对薄膜缓冲材料的表面图像进行灰度化处理，记为薄膜表面灰度图像，对薄膜表面灰度图像进行去噪处理，记为薄膜表面图像。
优选的，所述获取薄膜表面图像的灰度直方图，包括的步骤为：
以灰度值为横坐标，灰度值对应的像素点数量为纵坐标，构建薄膜表面图像的灰度直方图。
本发明还提供了一种薄膜破损检测装置，该装置包括相机、检测平台、存储器及处理器，所述检测平台用于放置薄膜缓冲材料，所述相机用于采集检测平台上薄膜缓冲材料的表面图像，所述相机与处理器使用数据线连接，所述处理器执行存储在所述存储器中的计算机程序时，实现上述系统。
本发明具有如下有益效果：本发明根据灰度直方图中的最大灰度值与每个灰度值的差异以及灰度直方图中每个灰度值对应的像素点数量与像素数量参考值的差异，获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，进而得到目标像素点灰度值；根据目标像素点灰度值获取目标像素点，即褶皱区域像素点以及破损区域像素点；对目标像素点进行聚类，得到各个聚类簇；获取每个聚类簇中目标像素点为破损区域像素点的优选度；最后根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度分布，得到分割阈值，本发明获取的分割阈值更加贴近于破损区域的灰度值，使用分割阈值对薄膜表面图像进行分割，能够实现对破损区域的完整分割，并且避免了阈值选择不准确将薄膜表面图像中的褶皱区域分割出来。
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提供的一种薄膜缓冲材破损检测系统的系统框图。
具体实施方式
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薄膜破损检测装置及检测系统，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薄膜破损检测装置及检测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种薄膜缓冲材破损检测系统，该系统包括以下模块：
薄膜表面图像采集模块101，采集薄膜表面图像。
需要说明的是，本发明的目的是为了检测出薄膜缓冲材料的表面薄膜是否出现了破损，因此首先需要采集薄膜表面图像，在本发明实施例中，将薄膜缓冲材料水平放置在检测平台上并加以均匀的光照照射，使用高清CCD相机俯视拍摄薄膜缓冲材料的表面图像，为了便于后续分析，首先薄膜缓冲材料的表面图像进行灰度化处理，记为薄膜表面灰度图像，由于在采集薄膜缓冲材料的表面图像，可能会存在噪声的影响，因此对于薄膜表面灰度图像进行去噪处理后，记为薄膜表面图像，需要说明的是，本发明实施例中使用均值滤波对薄膜表面灰度图像进行去噪处理，均值滤波算法为公知技术，不再对其进行过多赘述。
目标像素点获取模块102，获取薄膜表面图像的灰度直方图；获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度；根据薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度得到目标像素点灰度值，进而得到目标像素点。
需要说明的是，由于薄膜表面图像可能会存在与破损区域灰度值近似的褶皱区域，因此使用现有的阈值分割算法对薄膜图像中的破损区域进行分割时，分割阈值的选择会影响分割结果的准确性，因此本发明的目的是获取合适的分割阈值，使其分割阈值更加贴近破损区域的灰度值，已知破损区域和褶皱区域像素点的灰度值与正常区域像素点的灰度值存在差异，因此根据该特征获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，进而得到目标像素点，便于后续对其进行区分，目标像素点即破损区域和褶皱区域像素点。
已知褶皱区域与破损区域的像素点数量在薄膜表面图像中的分布较少，正常区域像素点数量在薄膜表面图像中的分布较多，因此首先获取薄膜表面图像的灰度直方图中灰度值对应的最多的像素点数量与最少的像素点数量的均值作为像素数量参考值，当薄膜表面图像的灰度直方图中任一灰度值对应的像素点数量与数量参考值之间的差异越小时，说明该灰度值越有可能为目标像素点灰度值或者正常区域像素点灰度值，又由于正常区域像素点的灰度值相较于目标像素点的灰度值较大，当正常区域像素点的灰度值与薄膜表面图像的灰度直方图中任一灰度值的差异较大时，说明该灰度值可能为目标像素点灰度值，因此根据薄膜表面图像的灰度直方图中每个灰度值对应的像素点数量与数量参考值之间的差异以及薄膜表面图像的灰度直方图中每个灰度值与正常区域像素点灰度值之间的差异，获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度。
在本发明实施例中，以灰度值为横坐标，灰度值对应的像素点数量为纵坐标，构建薄膜表面图像的灰度直方图。
将薄膜表面图像的灰度直方图中任一灰度值，记为当前灰度值，获取当前灰度值为目标像素点灰度值的可能程度：
;
式中，代表当前灰度值为目标像素点灰度值的可能程度；代表的是薄膜表面 图像的灰度直方图中的最大灰度值；代表当前灰度值；代表薄膜表面图像的灰 度直方图中的最大灰度值与当前灰度值之间的差异，已知薄膜表面图像的灰度直方图中的 最大灰度值代表的是正常区域的灰度值，并且褶皱区域和破损区域像素点的灰度值相较于 与正常区域像素点的灰度值较小，因此当的差值越大时，说明当前灰度值为目标 像素点灰度值的可能程度越大；代表薄膜表面图像中的像素点总数；代表薄膜表面 图像的灰度直方图中灰度值对应的像素点数量的最大值；代表薄膜表面图像的灰度直 方图中灰度值对应的像素点数量的最小值；代表以自然常数为底数的指数函数；代表薄膜表面图像的灰度直方图中当前灰度值对应的像素点数量；代表薄 膜表面图像的灰度直方图中灰度值对应的最多的像素点数量与最少的像素点数量的均值， 代表像素数量参考值，已知褶皱区域与破损区域的像素点数量在薄膜表面图像中的分布较 少，代表当前灰度值对应的像素点数量与像素点数量参考值之间的差异，其 值越小时，说明当前灰度值更可能为目标像素点灰度值或者更可能为正常区域像素点灰度 值，再结合的值，对当前灰度值进行筛选，当的值越小，并且的值越大时，当前灰度值更可能为目标像素点灰度值；值越大代表当前灰度值 为目标像素点灰度值的可能程度越大。
预设可能程度阈值，获取薄膜表面图像的灰度直方图中每个灰度值为目标像素 点灰度值的可能程度，将薄膜表面图像的灰度直方图中可能程度大于可能程度阈值的灰度 值记为目标像素点灰度值；在本发明实施例中，预设可能程度阈值，在其他实施例 中，实施人员可根据具体实施情况设置的值。
将薄膜表面图像中与目标像素点灰度值一致的像素点记为目标像素点。
至此，获取薄膜表面图像的灰度直方图；获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度；根据薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度得到目标像素点灰度值，进而得到目标像素点。
优选度获取模块103，根据目标像素点获取各个聚类簇，获取每个聚类簇中目标像素点为破损区域像素点的优选度。
需要说明的是，上述获取的薄膜表面图像中的目标像素点为破损区域像素点以及褶皱区域像素点，已知破损与褶皱不可能发生在同一位置，并且可能存在多个破损区域与褶皱区域，因此在本发明实施例中，对于获取的薄膜表面图像中的目标像素点进行聚类，将属于同一类类型的目标像素点聚为一类，便于后续对每个聚类簇进行分析。
在本发明实施例中，根据薄膜表面图像中的目标像素点获取各个聚类簇，预设聚 类半径，最小聚类数目，使用DBSCAN密度聚类算法对目标像素点进行聚类，目标像素点 之间的距离度量采用欧式距离，得到各个聚类簇，在本发明实施例中，预设聚类半径， 最小聚类数目，在其他实施例中，实施人员可根据具体实施情况设置及的值。
需要说明的是，对上述获取的聚类簇进行分析时，主要是为了将褶皱区域与破损区域像素点进行区分，使得分割阈值更贴近于破损区域像素点的灰度值，进而使得分割出的破损区域更加完整准确，已知褶皱区域像素点的灰度值相较于破损区域像素点的灰度值较大，因此当任一聚类簇中目标像素点的平均灰度值与薄膜表面图像中所有像素点的平均灰度值的差异较大时，说明该聚类簇中目标像素点更可能为破损区域像素点；已知出现破损区域时代表薄膜材料的破裂，会形成新的边缘，因此破损区域的梯度幅值较大，而褶皱区域存在一定的灰度变化，因此褶皱区域的梯度幅值较小，因此当任一聚类簇中目标像素点的平均梯度幅值较大时，说明该聚类簇中目标像素点更可能为破损区域像素点；又由于褶皱区域的纹理随机性比较大，因此当任一聚类簇中目标像素点的梯度方向的熵值越大时，说明该聚类簇中目标像素点更可能为褶皱区域像素点，根据上述特征，获取每个聚类簇中目标像素点为破损区域像素点的优选度。
在本发明实施例中，使用sobel算子获取每个聚类簇中每个目标像素点的梯度幅值和梯度方向。
获取每个聚类簇中目标像素点为破损区域像素点的优选度：
;
式中，代表第个聚类簇中目标像素点为破损区域像素点的优选度；代表第个聚类簇中目标像素点的平均灰度值；代表薄膜表面图像中所有像素点的平均灰度 值；代表绝对值符号；代表第个聚类簇中目标像素点的平均灰度值与薄膜表面图 像中像素点的平均灰度值的差异，已知褶皱区域像素点的灰度值相较于破损区域像素点的 灰度值较大，当的值越大时，说明第个聚类簇中目标像素点更可能为破损区域像素 点，即第个聚类簇中目标像素点为破损区域像素点的优选度越大；代表第个聚类簇 中第个目标像素点的梯度方向；将第个聚类簇中所有目标像素点的梯度方向的众数作 为第个聚类簇中目标像素点的主成分方向，记为；代表第个聚类簇中目标像素点 的数量；代表第个聚类簇中目标像素点的梯度方向的熵值，已知褶皱 区域的纹理随机性较大，而像素点的梯度方向表示像素点的纹理变化，因此值越大时，说明第个聚类簇中目标像素点更可能为褶皱区域像素点；表示第个聚类簇中目标像素点的平均梯度幅值；表示所有聚类簇中目标像素点的 平均梯度幅值；表示第个聚类簇中目标像素点的平均梯度幅值与所有聚类簇中 目标像素点的平均梯度幅值的差异；已知破损区域像素点的梯度幅值相较于褶皱区域像素 点的梯度幅值较大，因此当的值越大时，说明第个聚类簇中目标像素点更可能 为破损区域像素点，即第个聚类簇中目标像素点为破损区域像素点的优选度越大。
至此，根据薄膜表面图像中的目标像素点获取各个聚类簇，获取每个聚类簇中目标像素点为破损区域像素点的优选度。
分割阈值获取模块104，根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度最大值以及灰度最小值，获取分割阈值。
需要说明的是，根据获取的每个聚类簇中目标像素点为破损区域像素点的优选度来获取分割阈值，已知当任一聚类簇中目标像素点为破损区域像素点的优选度越大时，说明该聚类簇中目标像素点更可能为破损区域像素点，因此在获取分割阈值时，应该更加关注该聚类簇中目标像素点的灰度分布，使得获取的分割阈值更加贴近破损区域像素点的灰度值，能够分割出完整准确的破损区域，而本发明通过获取每个聚类中目标像素点的灰度中值，代表每个聚类簇中目标像素点的灰度分布，因此根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度分布，获取分割阈值。
在本发明实施例中，获取分割阈值：;
式中，表示分割阈值；代表聚类簇的数量；代表第个聚类簇中目标像素 点的最大灰度值；代表第个聚类簇中目标像素点的最小灰度值；代表第 个聚类簇中目标像素点的灰度中值，表示第个聚类簇中目标像素点的灰度分布；表示 第个聚类簇中目标像素点为破损区域像素点的优选度；当第个聚类簇中目标像素点为 破损区域像素点的优选度越大时，说明第个聚类簇中目标像素点为破损区域像素点，因 此在获取分割阈值时，需要更加关注第个聚类簇中目标像素点的灰度分布。
至此，根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度最大值以及灰度最小值，获取分割阈值。
破损区域获取模块105，根据分割阈值对薄膜表面图像进行分割，获取破损区域。
在本发明实施例中，根据分割阈值，使用阈值分割算法对薄膜表面图像进行分割，分割出灰度值小的区域为破损区域。需要说明的是，阈值分割算法为公知技术，在本发明实施例中，不再对其进行过多赘述。
至此，得到了破损区域。
本发明另一个实施例提供了一种薄膜破损检测装置，该装置包括相机、检测平台、存储器及处理器，所述检测平台用于放置待检测物品，本实施例中待检测物品为薄膜缓冲材料，所述相机用于采集薄膜缓冲材料的表面图像，所述相机与处理器使用数据线连接，所述处理器执行存储在所述存储器中的计算机程序时，执行如下操作：
采集薄膜表面图像；获取薄膜表面图像的灰度直方图；获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度；根据薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度得到目标像素点灰度值，进而得到目标像素点；根据目标像素点获取各个聚类簇，获取每个聚类簇中目标像素点为破损区域像素点的优选度；根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度最大值以及灰度最小值，获取分割阈值；根据分割阈值对薄膜表面图像进行分割，获取破损区域。
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 (10)

1.一种薄膜缓冲材破损检测系统，其特征在于，所述系统包括：
薄膜表面图像采集模块，用于采集薄膜表面图像；
目标像素点获取模块，用于获取薄膜表面图像的灰度直方图；根据灰度直方图中的最大灰度值与每个灰度值的差异以及灰度直方图中每个灰度值对应的像素点数量，获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度；根据薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，获取目标像素点灰度值；将薄膜表面图像中与目标像素点灰度值一致的像素点记为目标像素点，所述目标像素点代表褶皱区域像素点以及破损区域像素点；
优选度获取模块，用于对目标像素点进行聚类，得到各个聚类簇；根据每个聚类簇中目标像素点的平均灰度值与薄膜表面图像中像素点的平均灰度值的差异、每个聚类簇中目标像素点的梯度方向的熵值，以及每个聚类簇中目标像素点的平均梯度幅值与所有聚类簇中目标像素点的平均梯度幅值的差异，获取每个聚类簇中目标像素点为破损区域像素点的优选度；
分割阈值获取模块，用于根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度值，获取分割阈值；
破损区域获取模块，用于根据分割阈值对薄膜表面图像进行分割，获取破损区域。
2.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述根据灰度直方图中的最大灰度值与每个灰度值的差异以及灰度直方图中每个灰度值对应的像素点数量，获取薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，包括的步骤为：
将薄膜表面图像的灰度直方图中任一灰度值，记为当前灰度值；
;
式中，代表当前灰度值为目标像素点灰度值的可能程度；/>代表的是薄膜表面图像的灰度直方图中的最大灰度值；/>代表当前灰度值；/>代表薄膜表面图像中的像素点总数；代表薄膜表面图像的灰度直方图中灰度值对应的像素点数量的最大值；/>代表薄膜表面图像的灰度直方图中灰度值对应的像素点数量的最小值；/>代表以自然常数为底数的指数函数；/>代表薄膜表面图像的灰度直方图中当前灰度值对应的像素点数量。
3.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述根据薄膜表面图像的灰度直方图中每个灰度值为目标像素点灰度值的可能程度，获取目标像素点灰度值，包括的步骤为：
预设可能程度阈值，将薄膜表面图像的灰度直方图中可能程度大于可能程度阈值的灰度值记为目标像素点灰度值。
4.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述对目标像素点进行聚类，得到各个聚类簇，包括的步骤为：
预设聚类半径，最小聚类数目/>，使用DBSCAN密度聚类算法对目标像素点进行聚类，目标像素点之间的距离度量采用欧式距离，得到各个聚类簇。
5.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述获取每个聚类簇中目标像素点为破损区域像素点的优选度，包括的步骤为：
使用sobel算子获取每个聚类簇中每个目标像素点的梯度幅值和梯度方向；
;
式中，代表第/>个聚类簇中目标像素点为破损区域像素点的优选度；/>代表第/>个聚类簇中目标像素点的平均灰度值；/>代表薄膜表面图像中所有像素点的平均灰度值；/>代表第/>个聚类簇中第/>个目标像素点的梯度方向；将第/>个聚类簇中所有目标像素点的梯度方向的众数作为第/>个聚类簇中目标像素点的主成分方向，记为/>；/>代表第/>个聚类簇中目标像素点的数量；/>表示第/>个聚类簇中目标像素点的平均梯度幅值；/>表示所有聚类簇中目标像素点的平均梯度幅值；/>代表绝对值符号；/>代表以2为底的对数函数。
6.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述根据每个聚类簇中目标像素点为破损区域像素点的优选度以及每个聚类簇中目标像素点的灰度值，获取分割阈值，包括的步骤为：
;
式中，表示分割阈值；/>代表聚类簇的数量；/>代表第/>个聚类簇中目标像素点的最大灰度值；/>代表第/>个聚类簇中目标像素点的最小灰度值；/>表示第/>个聚类簇中目标像素点为破损区域像素点的优选度。
7.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述根据分割阈值对薄膜表面图像进行分割，获取破损区域，包括的步骤为：
根据分割阈值，使用阈值分割算法对薄膜表面图像进行分割，分割出的灰度值小的区域为破损区域。
8.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述采集薄膜表面图像，包括的步骤为：
将薄膜缓冲材料水平放置在图像采集平台上并加以均匀的光照照射，使用高清CCD相机俯视拍摄薄膜缓冲材料的表面图像，对薄膜缓冲材料的表面图像进行灰度化处理，记为薄膜表面灰度图像，对薄膜表面灰度图像进行去噪处理，记为薄膜表面图像。
9.根据权利要求1所述的一种薄膜缓冲材破损检测系统，其特征在于，所述获取薄膜表面图像的灰度直方图，包括的步骤为：
以灰度值为横坐标，灰度值对应的像素点数量为纵坐标，构建薄膜表面图像的灰度直方图。
10.一种薄膜破损检测装置，包括相机、检测平台、存储器及处理器，其特征在于，所述检测平台用于放置薄膜缓冲材料，所述相机用于采集检测平台上薄膜缓冲材料的表面图像，所述相机与处理器使用数据线连接，所述处理器执行存储在所述存储器中的计算机程序时，实现如权利要求1-9任意一项所述一种薄膜缓冲材破损检测系统中的方法。
CN202311631991.9A 2023-12-01 2023-12-01 一种薄膜破损检测装置及检测系统 Active CN117333489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311631991.9A CN117333489B (zh) 2023-12-01 2023-12-01 一种薄膜破损检测装置及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311631991.9A CN117333489B (zh) 2023-12-01 2023-12-01 一种薄膜破损检测装置及检测系统

Publications (2)

Publication Number Publication Date
CN117333489A true CN117333489A (zh) 2024-01-02
CN117333489B CN117333489B (zh) 2024-02-02

Family

ID=89279779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311631991.9A Active CN117333489B (zh) 2023-12-01 2023-12-01 一种薄膜破损检测装置及检测系统

Country Status (1)

Country Link
CN (1) CN117333489B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117593303A (zh) * 2024-01-18 2024-02-23 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及系统
CN117934483A (zh) * 2024-03-25 2024-04-26 青岛佳美洋食品有限公司 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法
CN117934483B (zh) * 2024-03-25 2024-05-31 青岛佳美洋食品有限公司 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
CN115049828A (zh) * 2022-06-09 2022-09-13 大理大学 基于自调整谱聚类和熵权法的水下声呐图像目标分割方法
CN115311292A (zh) * 2022-10-12 2022-11-08 南通创铭伊诺机械有限公司 基于图像处理的带钢表面缺陷检测方法及系统
CN115330800A (zh) * 2022-10-14 2022-11-11 深圳市亿康医疗技术有限公司 基于图像处理的放疗靶区自动分割方法
CN115511889A (zh) * 2022-11-23 2022-12-23 江苏惠汕新能源集团有限公司 一种太阳能电池板支架表面焊接缺陷检测方法
CN116645367A (zh) * 2023-07-27 2023-08-25 山东昌啸商贸有限公司 一种高端制造用的钢板切割质量检测方法
CN116703894A (zh) * 2023-08-02 2023-09-05 深圳市邦胜能源科技有限公司 一种锂电池隔膜质量检测系统
CN116721102A (zh) * 2023-08-10 2023-09-08 山东淼珠生物科技有限公司 一种爆珠产品质量快速溯源方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
CN115049828A (zh) * 2022-06-09 2022-09-13 大理大学 基于自调整谱聚类和熵权法的水下声呐图像目标分割方法
CN115311292A (zh) * 2022-10-12 2022-11-08 南通创铭伊诺机械有限公司 基于图像处理的带钢表面缺陷检测方法及系统
CN115330800A (zh) * 2022-10-14 2022-11-11 深圳市亿康医疗技术有限公司 基于图像处理的放疗靶区自动分割方法
CN115511889A (zh) * 2022-11-23 2022-12-23 江苏惠汕新能源集团有限公司 一种太阳能电池板支架表面焊接缺陷检测方法
CN116645367A (zh) * 2023-07-27 2023-08-25 山东昌啸商贸有限公司 一种高端制造用的钢板切割质量检测方法
CN116703894A (zh) * 2023-08-02 2023-09-05 深圳市邦胜能源科技有限公司 一种锂电池隔膜质量检测系统
CN116721102A (zh) * 2023-08-10 2023-09-08 山东淼珠生物科技有限公司 一种爆珠产品质量快速溯源方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117593303A (zh) * 2024-01-18 2024-02-23 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及系统
CN117593303B (zh) * 2024-01-18 2024-04-09 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及系统
CN117934483A (zh) * 2024-03-25 2024-04-26 青岛佳美洋食品有限公司 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法
CN117934483B (zh) * 2024-03-25 2024-05-31 青岛佳美洋食品有限公司 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法

Also Published As

Publication number Publication date
CN117333489B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
US11227405B2 (en) Determining positions and orientations of objects
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
EP3176751B1 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
US6185320B1 (en) Method and system for detection of lesions in medical images
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
EP2085928B1 (en) Detection of blobs in images
US20130202188A1 (en) Defect inspection method, defect inspection apparatus, program product and output unit
CN115861291B (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
CN117333489B (zh) 一种薄膜破损检测装置及检测系统
Song et al. Micro surface defect detection method for silicon steel strip based on saliency convex active contour model
CN112308854B (zh) 一种芯片表面瑕疵的自动检测方法、系统及电子设备
CN117132510B (zh) 一种基于图像处理的监控图像增强方法及系统
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN111369523A (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN110288040B (zh) 一种基于拓扑验证的图像相似评判方法及设备
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN107545565B (zh) 一种太阳能网版检测方法
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN107092912A (zh) 一种车牌的识别方法和装置
CN113012121A (zh) 裸片扫描结果的处理方法、装置、电子设备与存储介质
CN118037722B (zh) 一种铜管生产缺陷检测方法及系统
CN115984316B (zh) 一种复杂环境的工业图像边缘提取方法及装置
CN116416251B (zh) 基于图像处理的整芯阻燃输送带质量检测方法及相关装置

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