一种基于计算机视觉的CPP薄膜缺陷分类方法技术

本发明专利技术涉及机器视觉领域，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

【技术实现步骤摘要】
一种基于计算机视觉的CPP薄膜缺陷分类方法


[0001]本专利技术涉及机器视觉领域，具体涉及一种基于计算机视觉的CPP薄膜缺陷分类方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术提供一种基于计算机视觉的CPP薄膜缺陷分类方法。
[0005]为达到上述目的，本专利技术采用如下技术方案，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。
[0006]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：式中：表示差异分布熵，表示中心像素的编码值，表示中心像素八邻域像素的编码值均值，表示二元组在编码值图像中出现的概率。
[0007]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：式中：表示缺陷连通域的分类指向系数，表示池化图像的第个尺度级别，表示池化图像对应的差异分布熵的第个级别，表示池化图像的尺度级别个数，表示池化图像对应的差异分布熵的级别个数，表示尺度级别为，差异分布熵的级别为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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]本专利技术的有益效果是：相比于现有技术，本专利技术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
[0013]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0014]图1为本专利技术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
[0015]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0016]实施例1本专利技术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。
[0017]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：式中：表示差异分布熵，表示中心像素的编码值，表示中心像素八邻域像素的编码值均值，表示二元组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：式中：表示缺陷连通域的分类指向系数，表示池化图像的第个尺度级别，表示池化图像对应的差异分布熵的第个级别，...

【专利技术属性】
技术研发人员：骆惠娥，
申请(专利权)人：南通三信塑胶装备科技股份有限公司，
类型：发明
国别省市：