CN114972894A - 一种基于计算机视觉的cpp薄膜缺陷分类方法 - Google Patents

一种基于计算机视觉的cpp薄膜缺陷分类方法 Download PDF

Info

Publication number
CN114972894A
CN114972894A CN202210880989.4A CN202210880989A CN114972894A CN 114972894 A CN114972894 A CN 114972894A CN 202210880989 A CN202210880989 A CN 202210880989A CN 114972894 A CN114972894 A CN 114972894A
Authority
CN
China
Prior art keywords
defect
scale
image
pooled
classification
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
Application number
CN202210880989.4A
Other languages
English (en)
Inventor
骆惠娥
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.)
NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Original Assignee
NANTONG SANXIN PLASTICS EQUIPMENT 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 NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD filed Critical NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Priority to CN202210880989.4A priority Critical patent/CN114972894A/zh
Publication of CN114972894A publication Critical patent/CN114972894A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及机器视觉领域，提出了一种基于计算机视觉的CPP薄膜缺陷分类方法，包括：得到每一个缺陷连通域；得到每个缺陷连通域每个尺度的各池化图像；通过各池化图像上每一个像素点的灰度值与其邻域像素灰度值得到每个像素点的编码值；根据得到的所有差异分布熵的范围进行分级得到各池化图像所在的差异分布熵级；构建尺度‑差异分布熵共生矩阵；利用尺度‑差异分布熵共生矩阵的元素获得分类指向系数，根据分类指向系数的值对缺陷连通域的缺陷进行分类。本发明实现了对厚度不均和表面喷霜缺陷的区分。

Description

一种基于计算机视觉的CPP薄膜缺陷分类方法
技术领域
本发明涉及机器视觉领域，具体涉及一种基于计算机视觉的CPP薄膜缺陷分类方法。
背景技术
CPP是塑胶工业中通过流延挤塑工艺生产的聚丙烯（PP）薄膜，由于具有透明度高，挺度好，摩擦系数低，以及可以进行表面印刷等特性，CPP薄膜被广泛应用在食品、日用品等产品的包装层中。而在CPP薄膜的生产中会出现多种缺陷，其中厚度不均缺陷会影响CPP薄膜的平均强度，而薄膜表面喷霜会影响其印刷特性，这两种缺陷均会影响产品的质量。
现有对薄膜的计算机视觉检测技术为在薄膜下方放置光源并在薄膜上方用相机采集图像，通过灰度阈值分割对图像进行处理进而检测缺陷。而上述两种缺陷的外在表现均为灰度值与正常灰度值存在大小的变化，灰度阈值分割仅仅能检测出灰度的变化聚集区，即仅能检测出上述两种缺陷存在，但无法区分这两种缺陷。而这两种缺陷的成因是不同的，厚度不均可能为冷却辊旁风刀角度设置不准确，导致挤出的薄膜在冷却时发生震动进而造成冷却后的成品厚度不均，而薄膜的喷霜是由于薄膜内的各种配合剂析出而在表面形成雾状或霜状的物质，影响薄膜的透光性进而在检测时被相机采集到，最终呈现的缺陷图像与厚度不均缺陷图像相似。而在产品的质量控制中需要对这两种缺陷进行区分进而进行相应的生产参数调整来排除缺陷，因此需要一种能区分这两种缺陷的方法来为生产过程中的质量控制操作提供依据。
发明内容
为了克服上述现有技术的缺点，本发明提供一种基于计算机视觉的CPP薄膜缺陷分类方法。
为达到上述目的，本发明采用如下技术方案，一种基于计算机视觉的CPP薄膜缺陷分类方法，包括以下步骤：
对采集的缺陷薄膜透光图进行预处理得到每一个缺陷连通域；
对每个缺陷连通域进行不同尺度的下采样得到每个缺陷连通域不同尺度的采样图像，对不同尺度的采样图像进行随机池化得到每个缺陷连通域每个尺度的各池化图像；
通过每个缺陷连通域每个尺度中各池化图像上每一个像素点的灰度值与其邻域像素灰度值得到每个像素点的编码值；
通过每个池化图像上每个像素点的编码值和其邻域像素的编码值均值得到各池化图像的差异分布熵；根据得到的所有差异分布熵的范围进行分级得到各池化图像所在的差异分布熵级；
根据各池化图像所在的尺度和各池化图像所对应的差异分布熵级构建尺度-差异分布熵共生矩阵；
利用尺度-差异分布熵共生矩阵的元素获得每个缺陷连通域的分类指向系数，根据分类指向系数的值对缺陷连通域的缺陷进行分类。
进一步的，所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，所述差异分布熵的表达式为：
Figure 100002_DEST_PATH_IMAGE002
式中：
Figure 100002_DEST_PATH_IMAGE004
表示差异分布熵，
Figure 100002_DEST_PATH_IMAGE006
表示中心像素的编码值，
Figure 100002_DEST_PATH_IMAGE008
表示中心像素八邻域像素的编码值均值，
Figure 100002_DEST_PATH_IMAGE010
表示二元组
Figure 100002_DEST_PATH_IMAGE012
在编码值图像中出现的概率。
进一步的，所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，根据所有池化图像所在的尺度进行分级得到各池化图像的尺度级别，利用各池化图像对应的尺度级别和差异分布熵的级别构建尺度-差异分布熵共生矩阵，提取尺度-差异分布熵共生矩阵中的尺度级别和差异分布熵级别得到分类指向系数；
所述分类指向系数的表达式为：
Figure 100002_DEST_PATH_IMAGE014
式中：
Figure 100002_DEST_PATH_IMAGE016
表示缺陷连通域的分类指向系数，
Figure 100002_DEST_PATH_IMAGE018
表示池化图像的第
Figure 764080DEST_PATH_IMAGE018
个尺度级别，
Figure 100002_DEST_PATH_IMAGE020
表示池化图像对应的差异分布熵的第
Figure 25428DEST_PATH_IMAGE020
个级别，
Figure 100002_DEST_PATH_IMAGE022
表示池化图像的尺度级别个数，
Figure 100002_DEST_PATH_IMAGE024
表示池化图像对应的差异分布熵的级别个数，
Figure 100002_DEST_PATH_IMAGE026
表示尺度级别为
Figure 304967DEST_PATH_IMAGE018
，差异分布熵的级别为
Figure 841122DEST_PATH_IMAGE020
的池化图像在其对应的尺度-差异分布熵共生矩阵中的概率。
进一步的，所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，通过每个缺陷连通域每个尺度中各池化图像上每一个像素点的灰度值与其邻域像素灰度值得到每个像素点的编码值的方法为：
在每个缺陷连通域每个尺度的各池化图像上，若邻域像素的灰度值大于中心像素的灰度值，则将邻域像素记为1；若邻域像素的灰度值小于中心像素的灰度值，则将邻域像素记为0；
以中心像素正下方为起始点，顺时针将邻域像素的0或者1排列得到一个二进制编码；
将该二进制编码转化为十进制作为中心像素点的编码值。
进一步的，所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，所述随机池化的方法为：对采样图像进行2*2，步长为2滑窗，通过选取每次滑窗内的一个像素值得到池化图像，重复对该采样图像进行滑窗，获得该采样图像池化得到的各池化图像。
进一步的，所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，所述预处理包括：对采集的缺陷薄膜透光图进行灰度化、阈值分割处理得到每一个缺陷连通域。
进一步的，所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，根据分类指向系数的值对缺陷连通域的缺陷进行分类的方法为：
若分类指向系数在[0,4]之间，判断该分类指向系数对应的缺陷连通域为厚度不均缺陷；若分类指向系数在[6,9]之间，判断该分类指向系数对应的缺陷连通域为表面喷霜缺陷；若分类指向系数在
Figure 100002_DEST_PATH_IMAGE028
之间，判断该分类指向系数对应的缺陷连通域为厚度不均缺陷和表面喷霜缺陷。
本发明的有益效果是：相比于现有技术，本发明根据缺陷的不同尺度灰度分布特征实现了对厚度不均和表面喷霜缺陷的区分。在识别出缺陷的同时还可以根据识别出的缺陷种类进行检修策略推荐，提高了生产线自动化程度。
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为本发明的一种基于计算机视觉的CPP薄膜缺陷分类方法的实施例的流程示意图；
图2为邻域灰度图；
图3为尺度-差异分布熵共生矩阵示意图。
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
本发明的一种基于计算机视觉的CPP薄膜缺陷分类方法的实施例，如图1所示，包括：
本实施例的应用场景为在薄膜制品产出口设置相机获得薄膜透光灰度图像，根据图像的特征对两种缺陷进行分类，并同时提供检修策略。
对采集的缺陷薄膜透光图进行预处理得到每一个缺陷连通域；
设置光源在薄膜卷辊正下方，在光线透过薄膜的上方设置相机，获取薄膜透光图，将其灰度化，并同时进行灰度阈值分割，此分割阈值由人为设定，即正常薄膜透光程度有一个阈值，灰度阈值分割后将灰度值不符合正常阈值的像素位置标记为缺陷点，并同时获得缺陷点聚集区的外包围框，每个包围框内记为一个缺陷实例，即为一个缺陷连通域。此步骤为现有散点边缘提取技术，具体提取过程不再赘述。
厚度不均与表面喷霜缺陷均会引起灰度的局部变化。厚度不均：小尺度下相似，大尺度下存在局部差异。即小尺度采样得到的图像的差异分布熵值较小，大尺度采样得到的图像的差异分布熵值较大。表面喷霜：小尺度下差异很大，大尺度下几乎无差异。即小尺度采样得到的图像的差异分布熵值较大，大尺度采样得到的图像的差异分布熵值较小。
截取原图像中的
Figure DEST_PATH_IMAGE030
个缺陷实例外包围框内像素，作为缺陷实例图像（缺陷连通域），每个缺陷实例图像（缺陷连通域）记为
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
。
对每个缺陷连通域进行不同尺度的下采样得到每个缺陷连通域不同尺度的采样图像，对不同尺度的采样图像进行随机池化得到每个缺陷连通域每个尺度的各池化图像；
对于一个缺陷实例图像
Figure 75401DEST_PATH_IMAGE032
，设其大小为
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE038
为该缺陷实例图像的行数，
Figure DEST_PATH_IMAGE040
为该缺陷实例图像的列数，对其进行金字塔逐层采样，当采样尺度为
Figure DEST_PATH_IMAGE042
时，采样结果为原图；当采样尺度为
Figure DEST_PATH_IMAGE044
时，采样结果大小为
Figure DEST_PATH_IMAGE046
，采样图像为原图的四分之一大小；当采样尺度为
Figure DEST_PATH_IMAGE048
时，采样结果大小为
Figure DEST_PATH_IMAGE050
，采样图像为原图的十六分之一大小。以此类推，一直到采样结果大小为
Figure DEST_PATH_IMAGE052
。则记采样尺度为
Figure DEST_PATH_IMAGE054
时，缺陷实例图像
Figure 90673DEST_PATH_IMAGE032
的采样图像为
Figure DEST_PATH_IMAGE056
。
Figure DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE060
的一个推荐值为10。
至此，原图像上的缺陷实例图像
Figure 777613DEST_PATH_IMAGE032
，
Figure 179776DEST_PATH_IMAGE034
，一个
Figure 989600DEST_PATH_IMAGE032
对应着
Figure 177437DEST_PATH_IMAGE060
种采样结果，分别记为
Figure 869449DEST_PATH_IMAGE056
，
Figure 747407DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE062
为自设值，本实施例中
Figure 411737DEST_PATH_IMAGE060
设置为10。
对于一个采样结果
Figure 248106DEST_PATH_IMAGE056
，其对应着多个随机池化结果，即
Figure DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE066
，…，
Figure DEST_PATH_IMAGE068
。
所述
Figure 909638DEST_PATH_IMAGE056
对应的随机池化结果即将
Figure DEST_PATH_IMAGE070
图像进行随机池化，随机池化过程如下：
将
Figure 528970DEST_PATH_IMAGE070
采用大小为2*2，步长为2的窗口进行滑窗处理，随机取每个滑窗内四个像素值其中之一作为结果，获得一个大小为
Figure 110124DEST_PATH_IMAGE070
四分之一的图像。前述过程进行
Figure DEST_PATH_IMAGE072
次，即可获得
Figure 792428DEST_PATH_IMAGE072
个随机池化的图像，分别标记为
Figure 724612DEST_PATH_IMAGE064
，
Figure 944371DEST_PATH_IMAGE066
，…，
Figure 645611DEST_PATH_IMAGE068
。
至此，每个缺陷实例
Figure 354941DEST_PATH_IMAGE032
在不同尺度均对应
Figure 446525DEST_PATH_IMAGE072
个随机池化图像
Figure 529363DEST_PATH_IMAGE064
，
Figure 819530DEST_PATH_IMAGE066
，…，
Figure 903024DEST_PATH_IMAGE068
。
对于一个随机池化图像
Figure DEST_PATH_IMAGE074
（
Figure DEST_PATH_IMAGE076
），计算其对应的差异分布熵，方式如下：
通过每个缺陷连通域每个尺度中各池化图像上每一个像素点的灰度值与其邻域像素灰度值得到每个像素点的编码值；
对于
Figure 888429DEST_PATH_IMAGE074
上每一个像素点，如图2邻域灰度图所示，以中心像素编码值作为其特征值：
将中心像素与其邻域像素比较，若邻域像素灰度值大于中心像素灰度值，将其记为1，若邻域像素灰度值小于中心像素灰度值，将其记为0。则以中心像素正下方为编码起始位置，顺时针的将这些邻域像素的0，1排列，得到一个8位二进制数，作为中心像素的编码，并将该编码转为十进制表示。
则以上述例子为例，该中心像素的编码为：0，1，1，1，0，0，1，0，其十进制表示为114。
则对于图像
Figure 246729DEST_PATH_IMAGE074
上的每一个点，均以每一个像素点的编码十进制表示值替换该点处的灰度值，获得同样大小的编码值图像。
通过每个池化图像上每个像素点的编码值和其邻域像素的编码值均值得到各池化图像的差异分布熵；根据得到的所有差异分布熵的范围进行分级得到各池化图像所在的差异分布熵级；
则以上述编码值图像中每一个像素点的编码值以及其8邻域像素点的编码值均值构成一个二元组
Figure 874892DEST_PATH_IMAGE012
,
Figure 191604DEST_PATH_IMAGE006
代表中心像素的编码值，
Figure 257780DEST_PATH_IMAGE008
代表其8邻域像素的编码值均值。计算该编码值图像的差异分布熵，由于该编码值图像中每个像素的编码值范围为0-255，则差异分布熵计算公式如下：
Figure DEST_PATH_IMAGE002A
式中：
Figure 763979DEST_PATH_IMAGE004
表示差异分布熵，
Figure 28738DEST_PATH_IMAGE010
表示二元组
Figure 451105DEST_PATH_IMAGE012
在编码值图像中出现的概率。
图像
Figure 66894DEST_PATH_IMAGE074
的差异分布熵记为
Figure DEST_PATH_IMAGE078
。至此，每一个
Figure 439101DEST_PATH_IMAGE074
对应一个
Figure 558366DEST_PATH_IMAGE078
。
对于一个缺陷实例
Figure 888985DEST_PATH_IMAGE032
其在不同采样尺度的多个随机池化图像
Figure 994999DEST_PATH_IMAGE074
下具有不同的差异分布熵
Figure 702055DEST_PATH_IMAGE078
。将熵值取值范围均分为十等份，从小到大为十个级别，分别记为1,2,…,10。则[0,0.1]为第1级别；(0.1,0.2]为第2级别；…(0.9,1]为第10级别。
根据所有池化图像对应的尺度将尺度从小到大分为10级，得到各池化图像的尺度级别，本实施例将尺度分为1到10级，实施者可自行设定级别。
根据各池化图像所在的尺度和各池化图像所对应的差异分布熵级构建尺度-差异分布熵共生矩阵；
以尺度为一个维度，熵值为一个维度，构建尺度-差异分布熵共生矩阵如图3所示：
利用尺度-差异分布熵共生矩阵的元素获得每个缺陷连通域的分类指向系数，根据分类指向系数的值对缺陷连通域的缺陷进行分类。
如图3所示矩阵中，位置为
Figure DEST_PATH_IMAGE080
的元素值为
Figure 144669DEST_PATH_IMAGE032
对应的尺度级别为
Figure 646189DEST_PATH_IMAGE018
，熵值级别为
Figure 236570DEST_PATH_IMAGE020
的随机池化图像个数。根据上述矩阵，计算缺陷实例
Figure 747317DEST_PATH_IMAGE032
的分类指向系数
Figure 838245DEST_PATH_IMAGE016
：
Figure DEST_PATH_IMAGE014A
式中：
Figure 917191DEST_PATH_IMAGE026
为矩阵
Figure 666972DEST_PATH_IMAGE080
处元素值除以整个矩阵元素值之和所获得的值，或者说是尺度级别为
Figure 43727DEST_PATH_IMAGE018
，差异分布熵的级别为
Figure 992091DEST_PATH_IMAGE020
的池化图像在其对应的尺度-差异分布熵共生矩阵中的概率，即归一化概率，计算归一化概率，先统计矩阵
Figure 92204DEST_PATH_IMAGE080
处的池化图像个数，即尺度级别为
Figure 391598DEST_PATH_IMAGE018
，熵值级别为
Figure 244148DEST_PATH_IMAGE020
的随机池化图像个数，再统计所在矩阵中所有随机池化图像的总个数，这二者相除，即为所求概率。
Figure 312598DEST_PATH_IMAGE022
表示池化图像的尺度级别个数，
Figure 389138DEST_PATH_IMAGE024
表示池化图像对应的差异分布熵的级别个数，本实施例中取值都为10，则缺陷实例分类指向系数取值范围为[0,9]。
至此对于每一个
Figure 113512DEST_PATH_IMAGE032
均对应一个
Figure DEST_PATH_IMAGE082
。
类比上述步骤获得各缺陷实例
Figure 704505DEST_PATH_IMAGE032
的分类指向系数
Figure 627462DEST_PATH_IMAGE082
。
当
Figure 343745DEST_PATH_IMAGE082
在[0,4]之间，说明其为厚度不均缺陷；当
Figure 617732DEST_PATH_IMAGE082
在[6,9]之间，说明为表面喷霜缺陷；当
Figure 608822DEST_PATH_IMAGE082
在
Figure 589547DEST_PATH_IMAGE028
之间，说明其两种缺陷同时存在。基于此，将每个缺陷实例的面积占缺陷实例总面积的占比乘以对应的指向系数，之后再求和，得到整体分类指向系数，根据整体缺陷种类指向制定质量控制策略，若整体分类指向系数在[0,4]之间，说明缺陷主要为厚度不均，则着重检查机器风刀位置、角度等生产线上设备参数设定是否正确；若整体分类指向系数在[6,9]之间，说明缺陷主要为表面喷霜，则着重检查制品原料的配比是否正确，排除配合剂过饱和等原料配比错误；若整体分类指向系数在
Figure 276399DEST_PATH_IMAGE028
之间，说明两种缺陷同时存在，则既检查机器风刀位置、角度等生产线上设备参数设定是否正确，又检查制品原料的配比是否正确，排除配合剂过饱和等原料配比错误。
本发明的有益效果是：相比于现有技术，本发明根据缺陷的不同尺度灰度分布特征实现了对厚度不均和表面喷霜缺陷的区分。在识别出缺陷的同时还可以根据识别出的缺陷种类进行检修策略推荐，提高了生产线自动化程度。
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 (7)

1.一种基于计算机视觉的CPP薄膜缺陷分类方法，其特征在于：
对采集的缺陷薄膜透光图进行预处理得到每一个缺陷连通域；
对每个缺陷连通域进行不同尺度的下采样得到每个缺陷连通域不同尺度的采样图像，对不同尺度的采样图像进行随机池化得到每个缺陷连通域每个尺度的各池化图像；
通过每个缺陷连通域每个尺度中各池化图像上每一个像素点的灰度值与其邻域像素灰度值得到每个像素点的编码值；
通过每个池化图像上每个像素点的编码值和其邻域像素的编码值均值得到各池化图像的差异分布熵；根据得到的所有差异分布熵的范围进行分级得到各池化图像所在的差异分布熵级；
根据各池化图像所在的尺度和各池化图像所对应的差异分布熵级构建尺度-差异分布熵共生矩阵；
利用尺度-差异分布熵共生矩阵的元素获得每个缺陷连通域的分类指向系数，根据分类指向系数的值对缺陷连通域的缺陷进行分类。
2.根据权利要求1所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，其特征在于，所述差异分布熵的表达式为：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
表示差异分布熵，
Figure DEST_PATH_IMAGE006
表示中心像素的编码值，
Figure DEST_PATH_IMAGE008
表示中心像素八邻域像素的编码值均值，
Figure DEST_PATH_IMAGE010
表示二元组
Figure DEST_PATH_IMAGE012
在编码值图像中出现的概率。
3.根据权利要求1所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，其特征在于，根据所有池化图像所在的尺度进行分级得到各池化图像的尺度级别，利用各池化图像对应的尺度级别和差异分布熵的级别构建尺度-差异分布熵共生矩阵，提取尺度-差异分布熵共生矩阵中的尺度级别和差异分布熵级别得到分类指向系数；
所述分类指向系数的表达式为：
Figure DEST_PATH_IMAGE014
式中：
Figure DEST_PATH_IMAGE016
表示缺陷连通域的分类指向系数，
Figure DEST_PATH_IMAGE018
表示池化图像的第
Figure 110802DEST_PATH_IMAGE018
个尺度级别，
Figure DEST_PATH_IMAGE020
表示池化图像对应的差异分布熵的第
Figure 312107DEST_PATH_IMAGE020
个级别，
Figure DEST_PATH_IMAGE022
表示池化图像的尺度级别个数，
Figure DEST_PATH_IMAGE024
表示池化图像对应的差异分布熵的级别个数，
Figure DEST_PATH_IMAGE026
表示尺度级别为
Figure 709458DEST_PATH_IMAGE018
，差异分布熵的级别为
Figure 298702DEST_PATH_IMAGE020
的池化图像在其对应的尺度-差异分布熵共生矩阵中的概率。
4.根据权利要求1所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，其特征在于，通过每个缺陷连通域每个尺度中各池化图像上每一个像素点的灰度值与其邻域像素灰度值得到每个像素点的编码值的方法为：
在每个缺陷连通域每个尺度的各池化图像上，若邻域像素的灰度值大于中心像素的灰度值，则将邻域像素记为1；若邻域像素的灰度值小于中心像素的灰度值，则将邻域像素记为0；
以中心像素正下方为起始点，顺时针将邻域像素的0或者1排列得到一个二进制编码；
将该二进制编码转化为十进制作为中心像素点的编码值。
5.根据权利要求1所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，其特征在于，所述随机池化的方法为：对采样图像进行2*2，步长为2滑窗，通过选取每次滑窗内的一个像素值得到池化图像，重复对该采样图像进行滑窗，获得该采样图像池化得到的各池化图像。
6.根据权利要求1所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，其特征在于，所述预处理包括：对采集的缺陷薄膜透光图进行灰度化、阈值分割处理得到每一个缺陷连通域。
7.根据权利要求1所述的一种基于计算机视觉的CPP薄膜缺陷分类方法，其特征在于，根据分类指向系数的值对缺陷连通域的缺陷进行分类的方法为：
若分类指向系数在[0,4]之间，判断该分类指向系数对应的缺陷连通域为厚度不均缺陷；若分类指向系数在[6,9]之间，判断该分类指向系数对应的缺陷连通域为表面喷霜缺陷；若分类指向系数在
Figure DEST_PATH_IMAGE028
之间，判断该分类指向系数对应的缺陷连通域为厚度不均缺陷和表面喷霜缺陷。
CN202210880989.4A 2022-07-26 2022-07-26 一种基于计算机视觉的cpp薄膜缺陷分类方法 Pending CN114972894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210880989.4A CN114972894A (zh) 2022-07-26 2022-07-26 一种基于计算机视觉的cpp薄膜缺陷分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210880989.4A CN114972894A (zh) 2022-07-26 2022-07-26 一种基于计算机视觉的cpp薄膜缺陷分类方法

Publications (1)

Publication Number Publication Date
CN114972894A true CN114972894A (zh) 2022-08-30

Family

ID=82969704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210880989.4A Pending CN114972894A (zh) 2022-07-26 2022-07-26 一种基于计算机视觉的cpp薄膜缺陷分类方法

Country Status (1)

Country Link
CN (1) CN114972894A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131354A (zh) * 2022-08-31 2022-09-30 江苏森信达生物科技有限公司 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN115239707A (zh) * 2022-09-20 2022-10-25 南通群程金属制品有限公司 基于数据处理的磷化铝压片表面缺陷检测方法
CN115830148A (zh) * 2023-02-23 2023-03-21 深圳佑驾创新科技有限公司 一种标定板及标定方法
CN116385414A (zh) * 2023-04-10 2023-07-04 哈尔滨耐是智能科技有限公司 零部件多尺度缺陷特征提取方法、计算设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439338A (zh) * 2013-08-30 2013-12-11 无锡金视界科技有限公司 薄膜缺陷分类方法
US20190331608A1 (en) * 2018-04-25 2019-10-31 Shin-Etsu Chemical Co., Ltd. Defect classification method, method of sorting photomask blanks, and method of manufacturing mask blank
CN114359270A (zh) * 2022-03-09 2022-04-15 山东华硕汽车配件科技有限公司 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114663435A (zh) * 2022-05-25 2022-06-24 启东新朋莱纺织科技有限公司 一种纺织布料张力异常自动监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439338A (zh) * 2013-08-30 2013-12-11 无锡金视界科技有限公司 薄膜缺陷分类方法
US20190331608A1 (en) * 2018-04-25 2019-10-31 Shin-Etsu Chemical Co., Ltd. Defect classification method, method of sorting photomask blanks, and method of manufacturing mask blank
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114359270A (zh) * 2022-03-09 2022-04-15 山东华硕汽车配件科技有限公司 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN114663435A (zh) * 2022-05-25 2022-06-24 启东新朋莱纺织科技有限公司 一种纺织布料张力异常自动监测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131354A (zh) * 2022-08-31 2022-09-30 江苏森信达生物科技有限公司 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN115239707A (zh) * 2022-09-20 2022-10-25 南通群程金属制品有限公司 基于数据处理的磷化铝压片表面缺陷检测方法
CN115830148A (zh) * 2023-02-23 2023-03-21 深圳佑驾创新科技有限公司 一种标定板及标定方法
CN116385414A (zh) * 2023-04-10 2023-07-04 哈尔滨耐是智能科技有限公司 零部件多尺度缺陷特征提取方法、计算设备及存储介质
CN116385414B (zh) * 2023-04-10 2023-11-07 哈尔滨耐是智能科技有限公司 零部件多尺度缺陷特征提取方法、计算设备及存储介质

Similar Documents

Publication Publication Date Title
CN114972894A (zh) 一种基于计算机视觉的cpp薄膜缺陷分类方法
CN107945161B (zh) 基于纹理特征提取的道路表面缺陷检测方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN115311270B (zh) 一种塑料制品表面缺陷检测方法
CN115100221B (zh) 一种玻璃缺陷分割方法
CN116229335B (zh) 基于图像数据的畜禽养殖场环境识别方法
CN114972203A (zh) 基于分水岭分割的机械零件轧制异常检测方法
CN114332650B (zh) 一种遥感图像道路识别方法及***
CN110648310A (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN116363127B (zh) 基于图像处理的全降解塑料制品质量检测方法
CN114511718B (zh) 一种建筑施工用物料智能管理方法及***
CN113888536B (zh) 一种基于计算机视觉的印刷品重影检测方法及***
CN117635609B (zh) 一种塑胶产品生产质量视觉检测方法
CN115115625A (zh) 基于图像处理的电缆生产异常检测方法
CN117173187A (zh) 一种阀门故障智能检测***
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN116309577A (zh) 一种高强传送带物料智能检测方法及***
CN116246174A (zh) 基于图像处理的甘薯种类识别方法
CN115984255A (zh) 一种在线取能可移动智慧防振锤的缺陷识别方法
CN115147418A (zh) 缺陷检测模型的压缩训练方法和装置
CN114998215A (zh) 一种缝纫机表面喷漆异常检测方法及***
CN112884741B (zh) 一种基于图像相似性对比的印刷表观缺陷检测方法
Shabir et al. Tyre defect detection based on GLCM and Gabor filter
CN116934761B (zh) 一种乳胶手套缺陷自适应检测方法
CN114065798A (zh) 基于机器识别的视觉识别方法及装置

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