一种具有金属涂层的聚酯膜表面耐磨度检测方法技术

一种具有金属涂层的聚酯膜表面耐磨度检测方法，包括：（1）对具有金属涂层的聚酯膜进行磨损操作，在磨损操作开始时进行计时，同时采集聚酯膜的图像，并记录每幅图像的采集时间；（2）对采集的图像在处理器中进行处理，识别是否存在磨损，若存在则输出该图像的采集时间，作为发生磨损的时间。该方法能够在具有金属涂层的聚酯膜生产线上实施耐磨度检测，检测精度高。高。

【技术实现步骤摘要】
一种具有金属涂层的聚酯膜表面耐磨度检测方法


[0001]本专利技术涉及聚酯薄膜性能检测领域，特别是涉及具有金属涂层的聚酯薄膜表面耐磨度检测。

技术介绍

[0002]聚酯薄膜材料具有透明、化学惰性、密封能力好，易于成型加工等一系列良好性能，因此成为当今高分子工业中最广泛使用的材料之一，广泛应用于包装。建筑、农业、工业和消费市场。而为了获得更佳的光学、化学或机械性能，常常会对聚酯薄膜进行涂覆，形成表面涂层。例如，形成光致变色层、光学阻隔层、热阻隔层、高绝缘层、抗菌层等等。而这些涂层的机械力学性能较弱，其对磨损破坏特别敏感。磨损产生的痕迹会影响薄膜的功能性，因此对包装薄膜材料的磨损性能进行检测和评估是必要的。
[0003]随着技术的进步，基于视觉的工业检测已经成为工业检测领域重要的检测方法之一。相对于传统人工目视检测精度低、效率低、可靠性差、强度大等缺陷，其具有非接触、无损伤、高效率等诸多优势，因此已被广泛应用于印刷品、包装品等工业检测中。针对薄膜材料的视觉检测近年来也成为业内争相研究的重要技术。具有金属涂层的薄膜材料的材质具有高反射率的光学特性，而作为其基层的聚酯层则具有较高的透光率，这些特性使薄膜材料在光学图像中的表观特征更加复杂，因此大大增加了检测难度。
[0004]传统方法中，通常采用复杂的图像预处理与信噪比增强技术，加强图像特征的显著性，以便从检测图像中更好的识别和评估薄膜材料的目标特征；采用统计学、形态学等方法提取目标的图像特征，并实施检测。但该方法所能处理的瑕疵结构较简单，不适用于瑕疵形态结构复杂的情形。现有技术中也有利用图像模板的相关性实现瑕疵检测，但对图像模板有严格的限制条件，需要待检测目标与模板严格匹配，因此适用范围有限。也有一些使用神经网络方式进行识别的方法，但其均不是专门针对聚酯薄膜耐磨度实验而设计的，适用性较差，无法准确检测。特别是其神经网络模型的模板是固定的，对特征提取不好，特别是无法适应带有金属涂层的薄膜材料高反光性质。可见，现有视觉检测方法难以解决薄膜材料图像的信噪比相对较低、磨损痕迹的图像特征复杂的问题，检测精度和准确率都难以实用化。
[0005]此外，在实际使用过程中，有多种形态的磨损痕迹，不同痕迹对聚酯薄膜的寿命影响也不同。而现有磨损检测仪以及图像处理方法，从未提出也无法对磨损的类型进行区分，只能笼统得到磨损程度的判别，而这种判别是不精确的，无法在生产实际中使用。

技术实现思路

[0006]为解决上述一个或多个问题，以及实施例中提到的相关问题和效果，现提出本专利技术具体方案如下：一种具有金属涂层的聚酯膜表面耐磨度检测方法，（1）对具有金属涂层的聚酯膜进行磨损操作，在磨损操作开始时进行计时，同时采
集聚酯膜的图像，并记录每幅图像的采集时间；（2）对采集的图像在处理器中进行处理，识别是否存在磨损，若存在则输出该图像的采集时间，作为发生磨损的时间；所述处理包括：步骤1：采集图像的优化将采集图像分成个相邻子区，表示其中一个子区，为子区位置的下标，表示子区中坐标为的像素值，、分别表示子区的均值和方差；使得值最大的一对值记为；优化后的图像输出为：步骤2：利用多阶模板对磨损痕迹进行识别a）构建神经网络模型设定一组模板，记为，其中，表示模板的阶数，表示同阶的模板的编号；建立上述多个模板与图像的关系模型，得到图像的特征图；利用上述特征图得到关系特征矩阵；建立磨损痕迹出现概率z与关系特征矩阵的模型：b）利用折痕、穿孔、磨损、断裂四种磨损痕迹样本分别训练上述模型，从而确定相应神经网络模型参数及模板具体形式，分别得到识别四种磨损类别的四个神经网络模型；c）将优化后的图像输入上述四个神经网络模型中，其中任意一个模型输出z>0.65，则判断出现磨损。
[0007]所述处理器为生产线上的在线处理设备或远程服务器。
[0008]高一阶模板的尺寸是其相邻阶数低阶模板尺寸的2倍。
[0009]对于任一类别的磨损痕迹样本：包括包含该磨损痕迹类别的图像、及不含该磨损痕迹类别的图像。
[0010]含该类磨损痕迹的图像称为正样本，标记为1；不含该类磨损痕迹的图像称为负样本，标记为0。
[0011]关系特征矩阵的大小与最低阶模板的尺寸相同。
[0012]向用户输出发生磨损的时间。
[0013]向用户输出发生磨损的类别。
[0014]本专利技术的专利技术点及技术效果：1、对不同类型的磨损痕迹，按其深浅、形状等表观特征建立相应的不同阶数的模板，通过多阶多组模板实现对于带有金属涂层的聚酯薄膜的不同类别的摩擦痕迹进行准
确、快速区分、识别和检测，实现对薄膜材料磨损痕迹无接触、高效率、高性能检测。
[0015]2、在进行神经网络模型处理前，将图像输入图像数据优化单元，优化单元根据带金属涂层的聚酯膜材料图像数据与噪声数据的统计特征，对输入图像进行优化处理，提高图像信息的信噪比，与相应神经网络模型相互配合，实现了准确识别和检测。
[0016]3、对磨损痕迹进行分类，优化模板构成，利用网络模型预先对不同类型的磨损痕迹样本图像进行学习，确定模板的参数。使得模板更加适应带有金属涂层的聚酯膜检测，避免了固定模板以及未对磨损痕迹进行分类带来的计算量大、识别精度差的问题。且可以向用户输出磨损痕迹类型，更好地辅助用户进行耐磨度判断。
具体实施方式
[0017]一、对具有金属涂层的聚酯膜进行磨损操作。例如可以使用现有磨损仪进行磨损，也可以在实际使用环境中进行磨损。在磨损操作开始时进行计时，同时采集聚酯膜的图像，并记录每幅图像的采集时间。作为一种优选，通常在一定经验时间后开始采集图像（在磨损操作初期即发生磨损的概率较小）。
[0018]二、若存在则输出该图像的采集时间，作为发生磨损的时间。即经过该时间后聚酯膜发生磨损现象。由此辅助用户判断聚酯膜的耐磨度。其中处理器可以为生产线上的在线处理设备，也可以为远程服务器。在处理器中存储有实现如下具体识别的方法的程序指令，并最终由处理器执行。
[0019]步骤1：具有金属涂层的聚酯膜材料的图像数据获取及预处理优化使用摄像机拍摄带金属涂层的聚酯膜材料的图像，将图像输入图像数据优化单元；优化单元根据带金属涂层的聚酯膜材料图像数据与噪声数据的统计特征，对输入图像进行优化处理，提高图像信息的信噪比，并输出优化后的图像。
[0020]图像数据优化单元接收一张带金属涂层的聚酯膜材料的图像作为输入，该图像包含待检测的带金属涂层的聚酯膜材料，优化单元根据预设的统计方法、模型统计图像信息，并生成优化的图像输出。
[0021]优化单元的预设模型，为按图像空间坐标分区的多专家模型，每个专家模型用于描述一个子区的图像数据分布，用式(1)表示。假设图像的尺寸为，被划分为个相邻子区，那么每个子区的大小为。假设完整图像记为，则表示其中一个子区，为标记子区位置的下标，，。
[0022]设为完整图像中一个像素的坐标，为子区中一个像素的坐标，、分别表示对应像素值，令：
、分别表示子区像素值的均值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有金属涂层的聚酯膜表面耐磨度检测方法，其特征在于：（1）对具有金属涂层的聚酯膜进行磨损操作，在磨损操作开始时进行计时，同时采集聚酯膜的图像，并记录每幅图像的采集时间；（2）对采集的图像在处理器中进行处理，识别是否存在磨损，若存在则输出该图像的采集时间，作为发生磨损的时间；所述处理包括：步骤1：采集图像的优化将采集图像分成个相邻子区， 表示其中一个子区， 为子区位置的下标，表示子区中坐标为 的像素值， 、 分别表示子区的均值和方差；使得值最大的一对值记为 ；优化后的图像输出为：步骤2：利用多阶模板对磨损痕迹进行识别a）构建神经网络模型设定一组模板，记为 ，其中， 表示模板的阶数，表示同阶的模板的编号；建立上述多个模板与图像 的关系模型，得到图像 的特征图；利用上述特征图得到关系特征矩阵 ；建立磨损痕迹出现概率z与关系特征矩阵 的模型：b）利用折痕、穿孔、磨损、断裂四种磨损痕迹样本分别训练上述模型，从而确定相应神经网络模型参数及模板具体形式，分别得到识别四种磨损类别的四个神经网络模型；c）将优化后的图像输入上述四个神经网络模型中，其中任意一个模型输出z&a...

【专利技术属性】
技术研发人员：李国庆，李沅鸿，张启纲，蔡文彬，李航，陈宝同，
申请(专利权)人：河南银金达新材料股份有限公司，
类型：发明
国别省市：