CN114494210B - 基于图像处理的塑料膜生产缺陷检测方法及*** - Google Patents

基于图像处理的塑料膜生产缺陷检测方法及*** Download PDF

Info

Publication number
CN114494210B
CN114494210B CN202210106633.5A CN202210106633A CN114494210B CN 114494210 B CN114494210 B CN 114494210B CN 202210106633 A CN202210106633 A CN 202210106633A CN 114494210 B CN114494210 B CN 114494210B
Authority
CN
China
Prior art keywords
gray
feature extraction
abnormal
plastic film
gaussian kernel
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
CN202210106633.5A
Other languages
English (en)
Other versions
CN114494210A (zh
Inventor
黄高峰
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 Haoshang New Material Technology Co ltd
Original Assignee
Jiangsu Haoshang New Material Technology 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 Haoshang New Material Technology Co ltd filed Critical Jiangsu Haoshang New Material Technology Co ltd
Priority to CN202210106633.5A priority Critical patent/CN114494210B/zh
Publication of CN114494210A publication Critical patent/CN114494210A/zh
Application granted granted Critical
Publication of CN114494210B publication Critical patent/CN114494210B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及缺陷检测领域，具体涉及一种基于图像处理的塑料膜生产缺陷检测方法，包括：获取塑料膜灰度图；对灰度图中各特征提取空间进行高斯核卷积，得到各高斯核模板灰度值；构建梯度方向直方图，根据直方图调节高斯卷积函数的标准差参数，得到各高斯核模板调节后的灰度值；根据各调节后的灰度值得到各高斯核模板的灰度变化描述子，进而得到特征提取空间的灰度变化描述子；根据特征提取空间的灰度变化描述子获得特征提取空间中的异常区域；利用光源增强前后各异常区域与正常区域灰度变化情况确定出所有缺陷区域；对缺陷区域进行边缘检测，得到缺陷位置。上述方法用于对塑料膜进行缺陷检测，通过上述方法可提高缺陷检测的效率。

Description

基于图像处理的塑料膜生产缺陷检测方法及***
技术领域
本申请涉及缺陷检测领域，具体涉及一种基于图像处理的塑料膜生产缺陷检测方法及***。
背景技术
塑料膜因其具有良好的性能被广泛应用于生活中。而在塑料膜的生产过程中由于操作不当或工艺问题会导致生产后的塑料膜表面存在各种缺陷，影响塑料膜的使用。因此，对生产后的塑料膜进行缺陷检测是很必要的。
现有技术中，对塑料膜缺陷检测主要是通过人工检测，也存在通过图像识别技术结合不同光束进行塑料膜检测，利用明度变化实现缺陷检测。
然而，现有技术中存在的问题在于：通过人工检测塑料膜缺陷工作量较大，而且漏检率较高。利用图像识别对明度变化检测的方法，由于是塑料膜缺陷检测，通过光源进行缺陷检测势必会造成反光，导致明度变化受到影响，缺陷检测可能受到影响。因此，亟需一种方法用于提高塑料膜缺陷检测的效率和准确度。
发明内容
本发明提供了一种基于图像处理的塑料膜生产缺陷检测方法，包括：获取塑料膜灰度图；对灰度图中各特征提取空间进行高斯核卷积，得到各高斯核模板灰度值；构建梯度方向直方图，根据直方图调节高斯卷积函数的标准差参数，得到各高斯核模板调节后的灰度值；根据各调节后的灰度值得到各高斯核模板的灰度变化描述子，进而得到特征提取空间的灰度变化描述子；根据特征提取空间的灰度变化描述子获得特征提取空间中的异常区域；利用光源增强前后各异常区域与正常区域灰度变化情况确定出所有缺陷区域；对缺陷区域进行边缘检测，得到缺陷位置，相比于现有技术，本发明通过对特征提取空间进行高斯核卷积，并通过高斯核内部的梯度直方图构建参数调节模型，对高斯卷积函数中的参数自适应调节，得到灰度变化描述子指标，能够快速获取塑料膜表面的灰度变化特征，根据动态变化的标准差参数实现塑料膜表面缺陷粗定位。进一步的，本发明通过对异常塑料膜表面进行光源增强，利用塑料膜表面缺陷粗定位区域的灰度变化程度和与周围区域的对比度变化进行缺陷区域精确定位，能够准确的获取塑料膜缺陷位置，通过改变光源强度能够减少因塑料膜自身振动造成的灰度变化误差。
为达到上述目的，本发明采用以下技术方案，一种基于图像处理的塑料膜生产缺陷检测方法，包括：
获取塑料膜表面图像及其灰度图。
对灰度图进行区域划分，得到所有特征提取空间。
对每个特征提取空间进行高斯核卷积，得到各个高斯核模板灰度值。
根据各个高斯核模板内像素点的灰度值得到各个特征提取空间的梯度方向直方图。
根据各个特征提取空间的梯度方向直方图的均值和方差对高斯卷积函数中的标准差参数进行调节，利用调节标准差参数后的高斯卷积函数对每个特征提取空间进行高斯核卷积，得到各个高斯核模板调节后的灰度值。
将各个高斯核模板调节后的灰度值作为各个高斯核模板的灰度变化描述子，根据每个特征提取空间的所有高斯核模板的灰度变化描述子的均值得到所有特征提取空间的灰度变化描述子。
根据各个特征提取空间的灰度变化描述子获得所有特征提取空间中的异常区域。
利用光源增强前后各异常区域与正常区域灰度变化情况确定出所有异常区域中的缺陷区域。
对缺陷区域进行边缘检测，得到各异常区域中的缺陷位置。
进一步的，所述一种基于图像处理的塑料膜生产缺陷检测方法，所述各个特征提取空间的梯度方向直方图是按照如下方式得到：
利用高斯核模板对各个特征提取空间进行滑窗遍历，以每个模板内的中心像素点为圆心，每20°为一个单位角度区间，将各角度区间范围内的所有像素点对应的梯度值进行累加，得到所有角度区间的累加结果。
根据各个角度区间的累加结果得到各个特征提取空间的梯度方向直方图。
进一步的，所述一种基于图像处理的塑料膜生产缺陷检测方法，所述各个高斯核模板调节后的灰度值是按照如下方式得到：
获取各个特征提取空间的梯度方向直方图的均值和方差。
根据各个特征提取空间的梯度方向直方图的均值和方差构建调节模型，对高斯卷积函数中的标准差参数进行调节，得到各调节标准差参数后的高斯卷积函数。
利用调节标准差参数后的高斯卷积函数对每个特征提取空间进行高斯核卷积，得到各个高斯核模板调节后的灰度值。
进一步的，所述一种基于图像处理的塑料膜生产缺陷检测方法，所述调节模型的表达式如下：
Figure BDA0003493675540000031
式中，μ为各个特征提取空间的梯度方向直方图的均值，σ2′为各个特征提取空间的梯度方向直方图的方差，
Figure BDA0003493675540000032
为调节模型参数。
进一步的，所述一种基于图像处理的塑料膜生产缺陷检测方法，所述所有特征提取空间中的异常区域是按照如下方式获得：
设置阈值，对各个特征提取空间的灰度变化描述子进行判断，将灰度变化描述子大于阈值的特征提取空间作为异常空间。
对异常空间内各个高斯核模板的灰度变化描述子进行判断，将灰度变化描述子大于阈值的高斯核模板作为异常区域，获得所有特征提取空间中的异常区域。
进一步的，所述一种基于图像处理的塑料膜生产缺陷检测方法，所述所有异常区域中的缺陷区域是按照如下方式确定：
获取光源增强前各异常区域与正常区域的灰度均值并作差，得到光源增强前各异常区域与正常区域的灰度均值差值。
获取光源增强后各异常区域与正常区域的灰度均值并作差，得到光源增强后各异常区域与正常区域的灰度均值差值。
将光源增强后各异常区域与正常区域的灰度均值差值与光源增强前各异常区域与正常区域的灰度均值差值进行作差，得到光源增强前后灰度均值差值的变化。
设置阈值，对光源增强前后灰度均值差值的变化进行判断，将光源增强前后灰度均值差值的变化大于阈值的异常区域确定为缺陷区域，确定出所有异常区域中的缺陷区域。
进一步的，所述一种基于图像处理的塑料膜生产缺陷检测方法，所述各异常区域中的缺陷位置是按照如下方式得到：
对各缺陷区域进行Sobel算子边缘检测，通过不同方向上的灰度梯度得到各异常区域中的缺陷位置。
另一方面，本发明还提供了一种基于图像处理的塑料膜生产缺陷检测***，包括采集单元、处理单元、计算单元和控制单元：
所述采集单元，将相机设置在卷取机入口的正上方，用于采集生产线上的塑料膜表面图像。
所述处理单元，运用数据主控器对采集单元采集到的图像进行预处理，得到塑料膜灰度图；进一步对灰度图进行特征提取，获取粗定位异常区域和正常区域。
所述计算单元，利用数据主控器计算处理单元获取的粗定位异常区域和正常区域光源增强前后的灰度变化值；进一步根据灰度变化值得到缺陷位置。
所述控制单元，数据主控器根据计算单元得到的缺陷位置的缺陷情况对塑料膜生产工艺进行控制和调节。
本发明的有益效果在于：
本发明通过对特征提取空间进行高斯核卷积，并通过高斯核内部的梯度直方图构建参数调节模型，对高斯卷积函数中的参数自适应调节，得到灰度变化描述子指标，能够快速获取塑料膜表面的灰度变化特征，根据动态变化的标准差参数实现塑料膜表面缺陷粗定位。
进一步的，本发明通过对异常塑料膜表面进行光源增强，利用塑料膜表面缺陷粗定位区域的灰度变化程度和与周围区域的对比度变化进行缺陷区域精确定位，能够准确的获取塑料膜缺陷位置，通过改变光源强度能够减少因塑料膜自身振动造成的灰度变化误差。
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为本发明实施例1提供的一种塑料膜生产缺陷检测方法流程示意图；
图2为本发明实施例2提供的一种塑料膜生产缺陷检测方法流程示意图；
图3为本发明实施例3提供的一种塑料膜生产缺陷检测***框图。
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。
实施例1
本发明实施例提供一种基于图像处理的塑料膜生产缺陷检测方法，如图1所示，包括：
S101、获取塑料膜表面图像及其灰度图。
其中，灰度图，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。
S102、对灰度图进行区域划分，得到所有特征提取空间。
其中，特征提取空间相当于把整个灰度图进行分块。
S103、对每个特征提取空间进行高斯核卷积，得到各个高斯核模板灰度值。
其中，卷积操作就是将卷积核以窗口的形式在图像上进行左左到右，从上到下进行滑动，由此就会得到一张新的图像。
S104、根据各个高斯核模板内像素点的灰度值得到各个特征提取空间的梯度方向直方图。
其中，梯度方向直方图是用于后续对高斯卷积函数的调节。
S105、根据各个特征提取空间的梯度方向直方图的均值和方差对高斯卷积函数中的标准差参数进行调节，利用调节标准差参数后的高斯卷积函数对每个特征提取空间进行高斯核卷积，得到各个高斯核模板调节后的灰度值。
其中，调节模型参数
Figure BDA0003493675540000051
越大，对应的高斯卷积函数的标准差参数σ就越大。
S106、将各个高斯核模板调节后的灰度值作为各个高斯核模板的灰度变化描述子，根据每个特征提取空间的所有高斯核模板的灰度变化描述子的均值得到所有特征提取空间的灰度变化描述子。
其中，通过各个特征提取空间的灰度变化描述子可以得到异常区域。
S107、根据各个特征提取空间的灰度变化描述子获得所有特征提取空间中的异常区域。
其中，设置阈值，将灰度变化描述子大于阈值的特征提取空间作为异常空间。
S108、利用光源增强前后各异常区域与正常区域灰度变化情况确定出所有异常区域中的缺陷区域。
其中，光源增强前后异常区域与正常区域灰度变化越大，该异常区域存在缺陷的可能越大。
S109、对缺陷区域进行边缘检测，得到各异常区域中的缺陷位置。
其中，边缘检测的目的是标识数字图像中亮度变化明显的点。
本实施例的有益效果在于：
本实施例通过对特征提取空间进行高斯核卷积，并通过高斯核内部的梯度直方图构建参数调节模型，对高斯卷积函数中的参数自适应调节，得到灰度变化描述子指标，能够快速获取塑料膜表面的灰度变化特征，根据动态变化的标准差参数实现塑料膜表面缺陷粗定位。
进一步的，本实施例通过对异常塑料膜表面进行光源增强，利用塑料膜表面缺陷粗定位区域的灰度变化程度和与周围区域的对比度变化进行缺陷区域精确定位，能够准确的获取塑料膜缺陷位置，通过改变光源强度能够减少因塑料膜自身振动造成的灰度变化误差。
实施例2
本实施例的主要目的是：通过塑料膜图像和设定光源对塑料膜生产过程中存在的生产缺陷进行检测。
本发明实施例提供一种基于图像处理的塑料膜生产缺陷检测方法，如图2所示，包括：
S201、增加外置光源，获取塑料膜表面图像。
通过在卷取机入口处安装图像采集装置，图像采集装置包括：普通RGB相机和面状光源。利用面状光源为塑料膜表面进行打光，相机采集塑料膜表面图像。面状光源和相机位置固定，光源不存在散射的影响。检测对象为白色透明塑料膜，主要针对的缺陷为：凝胶缺陷。
S202、对图像进行预处理。
该步骤的目的：对图像进行预处理。能够带来的好处:能够利用预处理方法降低图像中噪声对检测造成的影响。
输入为：塑料膜表面图像，进行图像预处理，输出为：处理后的图像。
通过相机采集光源打光后的图像，对图像进行中值滤波去噪处理，排除存在干扰的噪声，对去噪后的图像灰度化处理，得到塑料膜表面灰度图像，灰度化采用R,G,B三通道均值灰度化，与HSI颜色空间转换的过程中，亮度(I)通道的转换方法一致，所以，灰度变化可以等价理解为亮度变化。
S203、构建灰度变化描述子。
该步骤的目的：通过表面图像进行灰度特征提取，构建灰度变化描述子。能够带来的好处:能够利用灰度变化描述子对塑料膜表面进行特征描述，有利于后续的塑料膜缺陷检测。
输入为：处理后的图像，进行灰度变化描述子提取，输出为：粗定位异常检测区域。
需要说明的是，为了提高塑料膜表面检测速度，采用对运动中的塑料膜生产线进行连续多帧的图像采集方式，一帧图像对应固定大小的塑料膜图像，连续多帧图像之间不存在重叠部分，塑料膜运动速度为10米/分。
通过图像表面特征获取灰度变化描述子，具体的获取过程如下：
1.首先，构建塑料膜表面固定大小N×N的特征提取空间，其中，N为自适应调整参数，对每个特征提取空间内部进行高斯核卷积，高斯核模板为m×m，其中，m<N，m|N(表示m能整除N)，高斯卷积函数为：
Figure BDA0003493675540000071
其中，σ表示高斯模板的标准差，g(x,y)表示坐标为(x,y)的像素点灰度值，/>
Figure BDA0003493675540000075
表示高斯模板的灰度均值。
2.然后，对特征提取空间内的图像获取梯度方向直方图(HOG)，梯度方向直方图的获取方式为：在高斯核模板滑窗的过程中，以模板内的中心像素点为圆心，每20°为一个单位角度区间，将角度区间范围内的所有像素点对应的梯度值进行累加，每个角度区间对应一个累加结果，构建梯度方向直方图。
3.通过梯度方向直方图的梯度值分布来确定高斯卷积函数的标准差参数σ，正常情况下，正常塑料膜表面光滑无缺陷，光源在表面分布均匀，所以，像素点之间一般不存在梯度，梯度方向直方图应该接近于0，相应的，高斯卷积函数的标准差σ→∞。所以，通过梯度方向直方图的均值μ和方差σ2′对高斯卷积函数中标准差参数σ进行调节，构建调节模型：
Figure BDA0003493675540000072
调节模型参数/>
Figure BDA0003493675540000074
越大，对应的高斯卷积函数的标准差参数σ就越大。
4.利用高斯核模板在N×N的特征提取空间上进行滑动，将高斯核模板对应的高斯卷积函数的大小Gai，作为各个高斯核模板的灰度变化描述子αi。然后，对所有特征提取空间中所有高斯核模板的灰度变化描述子均值
Figure BDA0003493675540000073
作为当前特征提取空间的灰度变化描述子。
S204、获取粗定位异常检测区域。
利用特征提取空间的灰度变化描述子均值阈值M1＝0.2，对连续帧图像的特征提取空间进行缺陷评估，将灰度变化描述子均值μg>M1的特征提取空间视为异常空间，并根据异常空间内部的各个高斯核模板的灰度变化描述子αi进行异常区域提取，将αi＞0.2的异常区域进行提取，获取到粗定位的异常区域。
需要说明的是，灰度变化描述子主要为了表征当前图像空间中，灰度变化的大小和快慢。利用灰度变化描述子能够快速的获取当前塑料膜表面可能存在的缺陷区域。
S205、对塑料膜表面进行细检测。
该步骤的目的：通过增强光源获取粗定位缺陷区域的灰度变化描述子的变化情况。能够带来的好处:能够实现塑料膜表面缺陷的精准检测，排除塑料膜振动造成的影响。
输入为：粗定位异常检测区域，进行增强光源处理，输出为：塑料膜表面缺陷图像。
通过得到的特征提取空间中粗定位的异常检测区域，进行光源增强，将面状光源的整体亮度提高，对特征提取空间图像进行重新采集。正常的塑料膜区域表面光滑，所以，亮度变化明显；异常塑料膜区域由于存在凝胶缺陷，会对光路产生散射和反射，造成亮度分布不均，与其他区域图像对比度较大。
根据重新采集的特征提取空间图像，进行粗定位异常检测区域的灰度特征分析，具体过程如下：
1.首先，获取光源增强前的异常检测区域的灰度均值
Figure BDA0003493675540000081
以及其他正常区域的灰度均值/>
Figure BDA0003493675540000082
得到灰度均值差值/>
Figure BDA0003493675540000083
然后，获取光源增强后的异常检测区域的灰度均值/>
Figure BDA0003493675540000084
以及其他正常区域的灰度均值/>
Figure BDA0003493675540000085
得到灰度均值差值/>
Figure BDA0003493675540000086
2.根据光源增强前后灰度均值差值的变化c′-c>ε，其中，ε的大小与光源增强的大小有关，此处经验值取10。来确定异常检测区域是否存在凝胶缺陷。
3.然后，对异常检测区域内部的像素点进行Sobel算子边缘检测，通过不同方向上的灰度梯度来确定异常区域内部存在的凝胶缺陷精确位置。Sobel算子边缘检测算法为公知算法，实现过程不再过多描述，本实施例中Sobel算子所采用的灰度梯度方向为与图像坐标系横轴垂直和平行方向。
4.最终，得到异常检测区域中精确的凝胶缺陷位置，实现塑料塑料膜表面的缺陷检测和定位。
本实施例的有益效果在于：
本实施例通过对特征提取空间进行高斯核卷积，并通过高斯核内部的梯度直方图构建参数调节模型，对高斯卷积函数中的参数自适应调节，得到灰度变化描述子指标，能够快速获取塑料膜表面的灰度变化特征，根据动态变化的标准差参数实现塑料膜表面缺陷粗定位。
进一步的，本实施例通过对异常塑料膜表面进行光源增强，利用塑料膜表面缺陷粗定位区域的灰度变化程度和与周围区域的对比度变化进行缺陷区域精确定位，能够准确的获取塑料膜缺陷位置，通过改变光源强度能够减少因塑料膜自身振动造成的灰度变化误差。
实施例3
本发明实施例提供了一种基于图像处理的塑料膜生产缺陷检测***，如图3所示，包括采集单元、处理单元、计算单元和控制单元：
所述采集单元，将相机设置在卷取机入口的正上方，用于采集生产线上的塑料膜表面图像；
所述处理单元，将采集单元采集到的图像输入数据主控器，运用数据主控器对图像进行预处理，得到塑料膜表面灰度图；对灰度图进行特征提取获取塑料膜的灰度变化描述子，根据灰度变化描述子对塑料膜进行缺陷评估，得到粗定位异常区域；
所述计算单元，运用数据主控器将处理单元得到的异常区域进行增强光源处理，并计算增强光源前后异常区域与正常区域的灰度变化值，根据灰度变化值得到存在缺陷的异常区域，对存在缺陷的异常区域进行边缘检测，得到塑料膜表面的缺陷位置；
所述控制单元，根据计算单元得到的塑料膜表面的缺陷位置的缺陷情况，运用数据主控器对塑料膜生产工艺进行调节。
本实施例的有益效果在于：
本实施例通过对特征提取空间进行高斯核卷积，并通过高斯核内部的梯度直方图构建参数调节模型，对高斯卷积函数中的参数自适应调节，得到灰度变化描述子指标，能够快速获取塑料膜表面的灰度变化特征，根据动态变化的标准差参数实现塑料膜表面缺陷粗定位。
进一步的，本实施例通过对异常塑料膜表面进行光源增强，利用塑料膜表面缺陷粗定位区域的灰度变化程度和与周围区域的对比度变化进行缺陷区域精确定位，能够准确的获取塑料膜缺陷位置，通过改变光源强度能够减少因塑料膜自身振动造成的灰度变化误差。
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 (8)

1.一种基于图像处理的塑料膜生产缺陷检测方法，其特征在于，包括：
获取塑料膜表面图像及其灰度图；
对灰度图进行区域划分，得到所有特征提取空间；
对每个特征提取空间进行高斯核卷积，得到各个高斯核模板灰度值；
根据各个高斯核模板内像素点的灰度值得到各个特征提取空间的梯度方向直方图；
根据各个特征提取空间的梯度方向直方图的均值和方差对高斯卷积函数中的标准差参数进行调节，利用调节标准差参数后的高斯卷积函数对每个特征提取空间进行高斯核卷积，得到各个高斯核模板调节后的灰度值；
将各个高斯核模板调节后的灰度值作为各个高斯核模板的灰度变化描述子，根据每个特征提取空间的所有高斯核模板的灰度变化描述子的均值得到所有特征提取空间的灰度变化描述子；
根据各个特征提取空间的灰度变化描述子获得所有特征提取空间中的异常区域；
利用光源增强前后各异常区域与正常区域灰度变化情况确定出所有异常区域中的缺陷区域；
对缺陷区域进行边缘检测，得到各异常区域中的缺陷位置。
2.根据权利要求1所述的一种基于图像处理的塑料膜生产缺陷检测方法，其特征在于，所述各个特征提取空间的梯度方向直方图是按照如下方式得到：
利用高斯核模板对各个特征提取空间进行滑窗遍历，以每个模板内的中心像素点为圆心，每20°为一个单位角度区间，将各角度区间范围内的所有像素点对应的梯度值进行累加，得到所有角度区间的累加结果；
根据各个角度区间的累加结果得到各个特征提取空间的梯度方向直方图。
3.根据权利要求1所述的一种基于图像处理的塑料膜生产缺陷检测方法，其特征在于，所述各个高斯核模板调节后的灰度值是按照如下方式得到：
获取各个特征提取空间的梯度方向直方图的均值和方差；
根据各个特征提取空间的梯度方向直方图的均值和方差构建调节模型，对高斯卷积函数中的标准差参数进行调节，得到各调节标准差参数后的高斯卷积函数；
利用调节标准差参数后的高斯卷积函数对每个特征提取空间进行高斯核卷积，得到各个高斯核模板调节后的灰度值。
4.根据权利要求3所述的一种基于图像处理的塑料膜生产缺陷检测方法，其特征在于，所述调节模型的表达式如下：
Figure FDA0003828845240000021
式中，μ为各个特征提取空间的梯度方向直方图的均值，σ2′为各个特征提取空间的梯度方向直方图的方差，
Figure FDA0003828845240000022
为调节模型参数。
5.根据权利要求1所述的一种基于图像处理的塑料膜生产缺陷检测方法，其特征在于，所述所有特征提取空间中的异常区域是按照如下方式获得：
设置阈值，对各个特征提取空间的灰度变化描述子进行判断，将灰度变化描述子大于阈值的特征提取空间作为异常空间；
对异常空间内各个高斯核模板的灰度变化描述子进行判断，将灰度变化描述子大于阈值的高斯核模板作为异常区域，获得所有特征提取空间中的异常区域。
6.根据权利要求1所述的一种基于图像处理的塑料膜生产缺陷检测方法，其特征在于，所述所有异常区域中的缺陷区域是按照如下方式确定：
获取光源增强前各异常区域与正常区域的灰度均值并作差，得到光源增强前各异常区域与正常区域的灰度均值差值；
获取光源增强后各异常区域与正常区域的灰度均值并作差，得到光源增强后各异常区域与正常区域的灰度均值差值；
将光源增强后各异常区域与正常区域的灰度均值差值与光源增强前各异常区域与正常区域的灰度均值差值进行作差，得到光源增强前后灰度均值差值的变化；
设置阈值，对光源增强前后灰度均值差值的变化进行判断，将光源增强前后灰度均值差值的变化大于阈值的异常区域确定为缺陷区域，确定出所有异常区域中的缺陷区域。
7.根据权利要求1所述的一种基于图像处理的塑料膜生产缺陷检测方法，其特征在于，所述各异常区域中的缺陷位置是按照如下方式得到：
对各缺陷区域进行Sobel算子边缘检测，通过不同方向上的灰度梯度得到各异常区域中的缺陷位置。
8.一种基于图像处理的塑料膜生产缺陷检测***，其特征在于，包括采集单元、处理单元、计算单元和控制单元：
所述采集单元，将相机设置在卷取机入口的正上方，用于采集生产线上的塑料膜表面图像；
所述处理单元，用于对采集单元采集到的图像进行预处理，得到塑料膜灰度图；
对灰度图进行区域划分，得到所有特征提取空间；
对每个特征提取空间进行高斯核卷积，得到各个高斯核模板灰度值；
根据各个高斯核模板内像素点的灰度值得到各个特征提取空间的梯度方向直方图；
根据各个特征提取空间的梯度方向直方图的均值和方差对高斯卷积函数中的标准差参数进行调节，利用调节标准差参数后的高斯卷积函数对每个特征提取空间进行高斯核卷积，得到各个高斯核模板调节后的灰度值；
将各个高斯核模板调节后的灰度值作为各个高斯核模板的灰度变化描述子，根据每个特征提取空间的所有高斯核模板的灰度变化描述子的均值得到所有特征提取空间的灰度变化描述子；
根据各个特征提取空间的灰度变化描述子获得所有特征提取空间中的异常区域；
所述计算单元，用于计算处理单元获取的异常区域和正常区域光源增强前后的灰度变化值；
根据光源增强前后各异常区域与正常区域灰度变化值确定出所有异常区域中的缺陷区域；
对缺陷区域进行边缘检测，得到各异常区域中的缺陷位置；
所述控制单元，用于根据计算单元得到的缺陷位置的缺陷情况对塑料膜生产工艺进行控制和调节。
CN202210106633.5A 2022-01-28 2022-01-28 基于图像处理的塑料膜生产缺陷检测方法及*** Active CN114494210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210106633.5A CN114494210B (zh) 2022-01-28 2022-01-28 基于图像处理的塑料膜生产缺陷检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210106633.5A CN114494210B (zh) 2022-01-28 2022-01-28 基于图像处理的塑料膜生产缺陷检测方法及***

Publications (2)

Publication Number Publication Date
CN114494210A CN114494210A (zh) 2022-05-13
CN114494210B true CN114494210B (zh) 2023-03-24

Family

ID=81477441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210106633.5A Active CN114494210B (zh) 2022-01-28 2022-01-28 基于图像处理的塑料膜生产缺陷检测方法及***

Country Status (1)

Country Link
CN (1) CN114494210B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782475B (zh) * 2022-06-16 2022-09-02 南通金石包装印刷有限公司 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法
CN114792314B (zh) * 2022-06-21 2022-09-02 南通永卓金属制品有限公司 基于激光束的金属丝网缺陷检测方法及人工智能***
CN114972348B (zh) * 2022-08-01 2022-09-30 山东尚雅建材有限公司 一种基于图像处理的美缝效果检测方法
CN114972354B (zh) * 2022-08-02 2022-10-28 济宁金筑新型建材科技有限公司 基于图像处理的蒸压加气混凝土砌块生产控制方法及***
CN115082482B (zh) * 2022-08-23 2022-11-22 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法
CN115131353B (zh) * 2022-08-30 2022-12-02 海门市元绒纺织科技有限公司 平网印花纺织品生产异常识别定位方法及***
CN116973367B (zh) * 2023-07-05 2024-01-30 广东汇发塑业科技有限公司 一种生物降解膜的降解缺陷位置检验方法
CN117455914B (zh) * 2023-12-25 2024-03-15 青岛海天成光伏新能源有限公司 一种光伏接线盒的生产线智能控制方法及***
CN117811218B (zh) * 2024-02-29 2024-05-14 广东电网有限责任公司 一种无人机输变配一体化协同巡检方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法
CN110570411A (zh) * 2019-09-05 2019-12-13 中国科学院长春光学精密机械与物理研究所 一种基于变异系数的Mura检测方法及装置
CN111325728B (zh) * 2020-02-19 2023-05-30 南方科技大学 产品缺陷检测方法、装置、设备及存储介质
CN112098416A (zh) * 2020-08-21 2020-12-18 深圳大学 一种基于机器视觉的风机叶片缺陷检测方法及***

Also Published As

Publication number Publication date
CN114494210A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114494210B (zh) 基于图像处理的塑料膜生产缺陷检测方法及***
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN109490316B (zh) 一种基于机器视觉的表面缺陷检测算法
CN116168026B (zh) 基于计算机视觉的水质检测方法及***
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN116596936B (zh) 基于图像数据的太阳翼帆板质量检测方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN117237368B (zh) 一种桥梁裂缝检测方法及***
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
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
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN116310845B (zh) 一种用于污水处理的智能监测***
CN111179362B (zh) 一种基于动态光照校正算法的试纸颜色均匀性检测方法
CN117557820B (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及***
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及***
CN114140384A (zh) 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法
CN115690105A (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN117541582A (zh) 一种高频变频器igbt绝缘质量检测方法
CN116934752A (zh) 一种基于人工智能的玻璃检测方法及***
CN115187788A (zh) 一种基于机器视觉的农作物种子自动计数方法
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN113674180A (zh) 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质
CN110458042B (zh) 一种荧光ctc中的探针数目检测方法

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
GR01 Patent grant
GR01 Patent grant