一种基于人工智能的塑料薄膜质量评估方法技术

本发明专利技术涉及工业检测领域，具体涉及一种基于人工智能的塑料薄膜质量评方法。包括获取均匀光照下的薄膜图像，去噪和灰度化得到待测图像后对其进行聚类；获取待测图像所有像素点的灰度值及其频数；计算薄膜灰度值波动程度后计算薄膜均匀度指标；获取待测图像HSV图像中的亮度值计算薄膜厚度差异值；利用语义分割获取异常区域图像，对图像卷积处理得到有效滤波图；提取有效滤波图中异常区域像素点灰度级，计算塑料薄膜结构异常度；计算塑料薄膜的质量参数与质量阈值进行比较，完成对塑料薄膜的质量评估。本发明专利技术基于视觉及图像数据对薄膜的特征指标等进行提取对薄膜质量的判定，具有成本低，检测精度高，避免人为检测效率低对薄膜损害较大的作用。害较大的作用。害较大的作用。

【技术实现步骤摘要】
一种基于人工智能的塑料薄膜质量评估方法


[0001]本专利技术涉及工业检测领域，具体涉及一种基于人工智能的塑料薄膜质量评估方法。

技术介绍

[0002]在当下快速发展的社会环境中，塑料制品越来越多，其中塑料薄膜作为多种塑料制品的基础，广泛应用于生活、工业等领域，其中塑料薄膜多用于食品包装上，所以其质量检测是保证后续塑料制品高质量的基础。
[0003]在实际生产中，受到工艺、 温度、 设备等因素的影响，生产出来的塑料薄膜的厚度往往与实际要求的厚度不符。当塑料薄膜的厚度比实际要求的厚度小，则塑料薄膜的强度不能够满足要求；当塑料薄膜的厚度比实际要求的厚度大，将会造成材料的浪费，增加生产成本。所以对于塑料薄膜的质量进行检测评估是很重要的。
[0004]现有技术中对塑料薄膜质量检测时，人为检测时可能会对塑料薄膜造成损害，而使用检测装置对其进行质量检测。但是这种方法对塑料薄膜质量进行检测评估，只是起辅助作用，需要借助传感器对塑料薄膜进行检测，并且需要不断调节检测传感器的位置分区域对塑料薄膜进行检测，这种方法耗费时间，需要大量成本，在调整传感器的过程中还容易对机器造成损伤，费时费力且检测结果也不够精确。

技术实现思路

[0005]本专利技术提供一种基于人工智能的塑料薄膜质量评估方法，以解决现有的技术出现的耗费时间、需要成本较大，容易对检测装置造成损伤和检测结果不够精确的问题。
[0006]本专利技术的基于人工智能的塑料薄膜质量评估方法采用如下技术方案，包括以下内容：获取均匀光照下的薄膜图像；对薄膜图像进行去噪后再灰度化处理得到待测图像，并对待测图像数据进行聚类得到多个聚类簇；提取待测图像中所有像素点的灰度值，统计各灰度值的频数；根据各灰度值存在像素点的频数计算薄膜灰度值波动程度，利用薄膜灰度值波动程度和聚类簇数量计算薄膜均匀度指标；将待测图像转化为HSV图像，获取HSV图像中每个像素点的亮度值，根据亮度值计算薄膜厚度差异值；获取异常区域图像，通过滤波器对异常区域图像进行卷积处理得到每个方向下不同波长对应的有效滤波图；提取有效滤波图中异常区域像素点的灰度级，根据异常区域像素点的灰度级计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度；利用塑料薄膜的均匀度指标、厚度差异值和结构异常度计算塑料薄膜的质量参
数；根据得到的塑料薄膜的质量参数与质量阈值进行比较，完成对塑料薄膜的质量评估。
[0007]计算薄膜均匀度指标的公式为：式中：为薄膜均匀度指标，为对待测图像数据进行聚类的聚类簇数量，为自然对数底数，为薄膜灰度值波动程度，为模型可调参数。
[0008]所述薄膜灰度值波动程度的计算公式如下：式中：为灰度值在待测图像中的频数，为灰度值的种类数，为不同种类灰度值的序号。
[0009]根据亮度值计算薄膜厚度差异值的方法如下：计算获取的待测图像中所有像素点的亮度的均值，薄膜厚度差异值是当前薄膜厚度指标与标准薄膜厚度指标之差的绝对值；当前薄膜厚度指标的计算公式如下：当前薄膜厚度指标的计算公式如下：式中：为当前薄膜厚度指标，为待测图像中所有像素点的亮度均值，为模型偏执因子，为模型参数。
[0010]通过滤波器对异常区域图像进行卷积处理得到有效滤波图的方法为：异常区域图像是经过语义分割后包含所有异常连通域的二值图与待测图像相乘后的图像；获取Gabor滤波器的不同滤波方向上多个不同的滤波核，基于不同的滤波方向设置不同的波长对待测图像进行卷积处理，分别得到不同滤波方向下不同波长对应的滤波图像；当同一滤波方向上波长与波长对应的滤波图像上对应像素点灰度值的差值之和小于卷积阈值时，认为在该方向下已经完全提取出待测图像中的结构信息，停止对后续波长的卷积处理，根据卷积处理的波长得到该滤波方向上各波长对应的滤波核对待测图像进行卷积处理的张有效滤波图；根据上述方法得到所有滤波方向上各波长对应的所有有效滤波图。
[0011]根据异常区域像素点的灰度级计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度的过程包括：塑料薄膜结构异常度的计算公式如下：
式中：为塑料薄膜结构异常度，为薄膜表面的异常区域的数量，为薄膜表面的异常区域的序号，为内部结构杂乱度高于阈值的异常区域数量，为第张有效滤波图中第个异常区域的内部结构杂乱度，为有效滤波图的序号，为有效滤波图的数量；其中，异常区域的内部结构杂乱度的计算公式如下：式中：为第张有效滤波图中第个异常区域的内部结构杂乱度，表示在该有效滤波图中异常区域第个像素点灰度级，为像素点灰度级的序号，为在该有效滤波图中该灰度级的频率，为在该有效滤波图中第个异常区域内像素点的灰度均值，为第个异常区域内灰度级的数量。
[0012]利用塑料薄膜的均匀度指标、厚度差异值和结构异常度计算塑料薄膜的质量参数的方法为：式中：为塑料薄膜质量评估模型，为薄膜均匀度指标，为薄膜厚度差异值，为塑料薄膜结构异常度，为小于零的模型可调参数；对塑料薄膜质量评估模型的值进行[0，1]的归一化处理，得到的结果为塑料薄膜的质量参数。
[0013]对塑料薄膜的质量评估的过程为：设置质量阈值，将塑料薄膜的质量参数和质量阈值进行比较：若塑料薄膜的质量参数低于质量阈值，则当前塑料薄膜质量出现问题，系统发出预警，提示工作人员当前薄膜质量不能满足出厂使用标准，需要对当前塑料薄膜再次加工进行修复；若塑料薄膜的质量参数不低于质量阈值，则当前塑料薄膜的质量满足出厂使用标准，系统发送指令，进行下一张塑料薄膜的质量评估工作。
[0014]本专利技术的有益效果是：本专利技术通过对图像采集装置进行设置，以获取可准确检测薄膜厚度及均匀度的图像数据，基于图像数据提取薄膜的厚度指标以及均匀度指标，同时对其表面的结构异常情况进行检测，并基于此对薄膜的整体质量进行评估，可准确检测薄膜质量，降低检测系统成本，同时，采用基于图像的方法对塑料薄膜进行质量检测，为非接触的方式，可避免人为接触对塑料薄膜造成的再次伤害。本专利技术具有检测速度快、准确性高、系统成本低等有益效果。
附图说明
[0015]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。
[0016]图1为本专利技术的实施例的方法流程图。
具体实施方式
[0017]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。
[0018]实施例1本专利技术的一种基于人工智能的塑料薄膜质量评估方法的实施例，如图1所示，具体包括：S101、获取均匀光照下的薄膜图像本专利技术将设置相机采集装置，以获取用于分析薄膜质量的图像数据，作为后续的待检测图像，用于对塑料本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的塑料薄膜质量评估方法，其特征在于：包括以下步骤：获取均匀光照下的薄膜图像；对薄膜图像进行去噪后再灰度化处理得到待测图像，并对待测图像数据进行聚类得到多个聚类簇；提取待测图像中所有像素点的灰度值，统计各灰度值的频数；根据各灰度值存在像素点的频数计算薄膜灰度值波动程度，利用薄膜灰度值波动程度和聚类簇数量计算薄膜均匀度指标；将待测图像转化为HSV图像，获取HSV图像中每个像素点的亮度值，根据亮度值计算薄膜厚度差异值；获取异常区域图像，通过滤波器对异常区域图像进行卷积处理得到每个方向下不同波长对应的有效滤波图；提取有效滤波图中异常区域像素点的灰度级，根据异常区域像素点的灰度级计算内部结构杂乱度，根据内部结构杂乱度计算塑料薄膜结构异常度；利用塑料薄膜的均匀度指标、厚度差异值和结构异常度计算塑料薄膜的质量参数；根据得到的塑料薄膜的质量参数与质量阈值进行比较，完成对塑料薄膜的质量评估。2.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述计算薄膜均匀度指标的公式为：式中：为薄膜均匀度指标，为对待测图像数据进行聚类的聚类簇数量，为自然对数底数，为薄膜灰度值波动程度，为模型可调参数。3.根据权利要求2所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述薄膜灰度值波动程度的计算公式如下：式中：为灰度值在待测图像中的频数，为灰度值的种类数，为不同种类灰度值的序号。4.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所述根据亮度值计算薄膜厚度差异值的方法如下：计算获取的待测图像中所有像素点的亮度的均值，薄膜厚度差异值是当前薄膜厚度指标与标准薄膜厚度指标之差的绝对值；当前薄膜厚度指标的计算公式如下：当前薄膜厚度指标的计算公式如下：式中：为当前薄膜厚度指标，为待测图像中所有像素点的亮度均值，为模型偏执因子，为模型参数。5.根据权利要求1所述的一种基于人工智能的塑料薄膜质量评估方法，其特征在于：所
述通过滤波器对异常区域图像进行卷积处理得到有效滤波图的方法为：异常区域图像是经过语义分割后包含所有异常连通域的二值图与待测图像相乘后的图像；获取Gabor滤波器的不同滤波方向上多个不同的滤波核，基于不同的滤波方向设置不同的波...

【专利技术属性】
技术研发人员：李平，
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：