(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210946695.7 (22)申请日 2022.08.09 (71)申请人 南通三信塑胶装备 科技股份有限公 司 地址 226000 江苏省南 通市启东市汇龙镇 台角工业园区 (72)发明人 李平　 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06T 5/20(2006.01) G06T 7/60(2017.01) G06V 10/762(2022.01) (54)发明名称 一种基于人工智能的塑料薄膜质 量评估方 法 (57)摘要 本发明涉及工业检测领域， 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。 权利要求书3页 说明书9页 附图1页 CN 115018844 A 2022.09.06 CN 115018844 A 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： 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： 所权　利　要　求　书 1/3 页 2 CN 115018844 A 2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。 6.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。 7.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。 8.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 述对塑料薄膜的质量评估的过程 为：权　利　要　求　书 2/3 页 3 CN 115018844 A 3