一种薄膜防雾性能检测方法技术

本发明专利技术涉及薄膜性能检测技术领域，公开了一种薄膜防雾性能检测方法，检测步骤为：将标准对数近视力表作为背景图，将防雾等级为一级的或常温状态下的薄膜未起雾的图像数据进行训练，构建图像识别模型；获取防雾薄膜的图像信息，经过双边滤波预处理后，通过已构建的图像识别模型进行识别，获得该防雾薄膜与防雾等级为一级图形的匹配度；对图像则进行轮廓检测，获得雾滴的轮廓后进行圆形拟合，得到拟合半径；对图像进行二值化处理，计算白色像素面积与黑色像素面积；综合匹配度

【技术实现步骤摘要】
一种薄膜防雾性能检测方法


[0001]本专利技术涉及薄膜性能检测
，具体涉及一种薄膜防雾性能检测方法
。

技术介绍

[0002]包装内容物与外界环境存在温度差异，便会产生雾气，因此以冷防雾
、
热防雾为代表的防雾功能性薄膜得到了广阔发展
。
防雾薄膜中的防雾剂有表面活性作用，使薄膜表面变为亲水性，从而降低薄膜与水滴间的接触角得到防雾性能
。
而防雾性能测试缺乏长时间的检测方法，长时间检测易疲劳
、
仅凭肉眼判定防雾等级不准确
、
且无法准确记录防雾失效曲线
。

技术实现思路

[0003]本专利技术的专利技术目的在于提供一种薄膜防雾性能检测方法，可长时间连续检测
、
效率高
、
精度高
。
[0004]为实现上述专利技术目的，本专利技术采用的技术方案是：一种薄膜防雾性能检测方法，包括以下步骤：
S1、
以
GB/T 11533
‑
2011
附录
B
中的标准对数近视力表作为背景图，将防雾等级为一级的或常温状态下的薄膜未起雾的图像数据进行训练，构建图像识别模型；
S2、
获取防雾薄膜的图像信息，经过双边滤波预处理后，通过已构建的图像识别模型进行识别，获得该防雾薄膜与防雾等级为一级图形的匹配度；
S3、
对图像进行轮廓检测，获得雾滴的轮廓后进行圆形拟合，得到拟合半径；
S4、
对图像进行二值化处理，计算白色像素面积与黑色像素面积，白色像素面积除以白色像素面积与黑色像素面积之和得到白色面积比；
S5、
综合匹配度
、
拟合半径与白色面积比得到薄膜防雾级别
。
[0005]优选地，所述步骤
S1
中的训练方法为：选用
Darknet
‑
53
网络结构，设定步长值为2，采用下采样的方式
、
前
52
层用作特征提取，最后一层用于输出预测值；完成训练后，得到识别防雾背景图的图像识别模型
。
[0006]优选地，所述步骤
S2
中的双边滤波参数范围设置为：颜色标准差1‑
100
，空间距离标准差为3‑
8。
[0007]优选地，所述步骤
S3
中的轮廓检测方法为：使用
Canny
边缘检测，算子核尺寸为3或5，算子低阈值为1‑
254
，算子高阈值为
151
‑
1000
，轮廓面积为1‑
50。
[0008]优选地，所述步骤
S4
中的二值化处理使用
OTUS
阈值法
。
[0009]优选地，所述步骤
S5
中判定防雾级别的方法为：当匹配度为
60
‑
100、
拟合半径为0时，对应塑料薄膜防雾性试验标准
GB/T31726
‑
2015
中的一级；当匹配度为
60
‑
100、
拟合半径为
15
‑
20
时，对应塑料薄膜防雾性试验标准
GB/T31726
‑
2015
中的二级；当匹配度为
20
‑
60、
拟合半径为
10
‑
15、
白色面积比为
0.5
时，对应塑料薄膜防雾性试验标准
GB/T31726
‑
2015
中的三级；当匹配度为0‑
20、
拟合半径为5‑
10、
白色面积比为
0.5
‑
0.7
时，对应塑料薄膜防雾性试
验标准
GB/T31726
‑
2015
中的四级；当匹配度为
20
‑
60、
拟合半径为
10
‑
15、
白色面积比为
0.7
‑1时，对应塑料薄膜防雾性试验标准
GB/T31726
‑
2015
中的五级
。
有益效果
[0010]本专利技术基于图像数据处理技术综合匹配度
、
拟合半径与面积比得到薄膜防雾级别，不仅提高了防雾性能检测作业的工作效率，精度优，且能够降低人工成本，可长时间替代人工连续检测，克服了人工识别存在的长时间检测易疲劳
、
仅凭肉眼判定防雾等级不准确
、
人工成本高，效率低下的技术缺陷
。
附图说明
[0011]图1为本专利技术图像识别模型结构图
。
[0012]图2为本专利技术目标检测训练过程示意图
。
[0013]图3为图像像素值均值滤波前后对比图
。
[0014]图4为本专利技术双边滤波预处理前后对照图
。
[0015]图5为本专利技术雾滴轮廓检测与圆形拟合图
。
[0016]图6为本专利技术防雾等级为四级的二值化图像
。
[0017]图7为本专利技术防雾等级为五级的二值化图像
。
[0018]图8为本专利技术防雾等级识别流程图
。
具体实施方式
[0019]本实施例提供一种薄膜防雾性能检测方法，包括以下步骤：
S1、
以
GB/T 11533
‑
2011
附录
B
中的标准对数近视力表作为背景图，将对应
GB/T31726
‑
2015
中防雾等级为一级的或常温状态下的薄膜未起雾的图像数据进行训练，构建图像识别模型
。
具体的训练方法为：
1.
数据准备：首先收集并标注防雾等级为一级的或常温状态下的薄膜未起雾的图像数据，并生成标签文件
。
[0020]2.
模型架构：使用
YOLOv3
深度卷积神经网络作为模型架构，选用
Darknet
‑
53
网络结构，设定步长值为2，采用下采样的方式
、
前
52
层用作特征提取，最后一层用于输出预测值
。
完成训练后，得到识别防雾背景图的图像识别模型
。
[0021]YOLOv3
在基本的图像特征提取方面，采用了新的网络结构
Darknet
‑
53
，该结构含有
53
个卷积层，借鉴了残差网络
residual network
的做法，形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种薄膜防雾性能检测方法，其特征在于，包括以下步骤：
S1、
以
GB/T 11533
‑
2011
附录
B
中的标准对数近视力表作为背景图，将防雾等级为一级的或常温状态下的薄膜未起雾的图像数据进行训练，构建图像识别模型；
S2、
获取防雾薄膜的图像信息，经过双边滤波预处理后，通过已构建的图像识别模型进行识别，获得该防雾薄膜与防雾等级为一级图形的匹配度；
S3、
对图像进行轮廓检测，获得雾滴的轮廓后进行圆形拟合，得到拟合半径；
S4、
对图像进行二值化处理，计算白色像素面积与黑色像素面积，白色像素面积除以白色像素面积与黑色像素面积之和得到白色面积比；
S5、
综合匹配度
、
拟合半径与白色面积比得到薄膜防雾级别
。2.
根据权利要求1所述的薄膜防雾性能检测方法，其特征在于：所述步骤
S1
中的训练方法为：选用
Darknet
‑
53
网络结构，设定步长值为2，采用下采样的方式
、
前
52
层用作特征提取，最后一层用于输出预测值；完成训练后，得到识别防雾背景图的图像识别模型
。3.
根据权利要求1所述的薄膜防雾性能检测方法，其特征在于：所述步骤
S2
中的双边滤波参数范围设置为：颜色标准差1‑
100
，空间距离标准差为3‑
8。4.
根据权利要求1所述的薄膜防雾性能检测方法，其特征在于：所述步骤
S3
中的轮廓检测方法为：使用
Canny
边缘检测，算子核尺寸为3或5，算子低阈值为1‑
254
，算子高阈值为
151
‑
1000

【专利技术属性】
技术研发人员：吕江鹏，郭涛，焦福星，
申请(专利权)人：福建凯达集团有限公司，
类型：发明
国别省市：