(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111597014.2 (22)申请日 2021.12.24 (65)同一申请的已公布的文献号 申请公布号 CN 113989279 A (43)申请公布日 2022.01.28 (73)专利权人 武汉华康龙兴工贸有限公司 地址 430000 湖北省武汉市黄陂区横 店街 迎群村王后湾 (72)发明人 王振　 (74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 代理人 黄行军 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01)G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 党英霞 (54)发明名称 基于人工智能及图像处理的塑料薄膜质量 检测方法 (57)摘要 本发明涉及塑料薄膜质量检测领域， 具体涉 及一种基于人工智能及图像处理的塑料薄膜质 量检测方法， 包括： 获取 塑料薄膜表面图像； 根据 各像素点的特征信息对薄膜表面图像进行区域 划分， 得到各划分子块； 对划分的各子块进行高 斯模型拟合， 得到各子块的特征向量； 建立瑕疵 提取模型， 得到各子块两两 之间的特征向量差异 度； 根据特征向量差异度对所有子块进行类别归 属， 得到所有归属类别； 统计各类别中子块的数 量， 得到正常薄膜和瑕疵区域； 获取瑕疵区域二 值图及其对应的基准图像； 构建神经网络， 将基 准图像输入 该网络， 获取待检测塑料薄膜的质量 等级。 上述方法用于对塑料薄膜进行质量检测， 通过上述方法可有效提高质量检测的准确度和 效率。 权利要求书2页 说明书9页 附图2页 CN 113989279 B 2022.03.22 CN 113989279 B 1.一种基于人工智能及图像处 理的塑料薄膜质量检测方法， 其特 征在于， 包括： 采集待检测的塑料薄膜 表面图像； 对塑料薄膜 表面图像进行 预处理， 获取高质量的塑料薄膜 表面图像； 根据各像素点的特征信 息对塑料薄膜表面图像进行局部同类型区域划分， 得到各划分 子块； 所述各划分子块是按照如下 方式得到： 对高质量的塑料薄膜 表面图像中的像素点进行等间隔选取， 得到多个初始像素点； 根据选取的初始像素点及其八邻域像素点的梯度幅值， 获取 各最终初始像素点； 建立像素点描述子， 获取各最终初始像素点及其邻域范围内各像素点的像素点描述 子； 根据各最终初始像素点及其邻域范围内各像素点的像素点描述子设置子块划分损失 模型； 根据各最终初始像素点及其邻域范围内各像素点的损失模型值， 对高质量的塑料薄膜 表面图像进行初步子块划分， 得到各初步划分子块； 按照得到各初步划分子块的方法对初步划分后的各子块进行迭代划分， 最终得到各划 分子块； 对划分后的各子块进行高斯模型拟合， 得到各子块的特 征向量； 根据各子块的特 征向量建立瑕疵提取模型， 得到各子块两 两之间的特 征向量差异度； 根据各子块两两之间的特征向量差异度对所有子块进行类别归属， 得到所有归属类 别； 对各归属类别中子块的数量进行排序， 得到正常 薄膜区域和瑕疵区域； 利用得到的正常 薄膜区域和瑕疵区域获取瑕疵区域 提取二值图； 将瑕疵区域提取二值图与待检测塑料薄膜表面的RGB图像进行相乘操作 得到待检测塑 料薄膜所对应的基准图像； 构建神经网络， 将基准图像作为神经网络的输入， 神经网络输出为待检测薄膜的质量 等级， 根据输出的质量 等级完成对塑料薄膜质量的检测。 2.根据权利要求1所述的一种基于人工智能及图像处理的塑料薄膜质量检测方法， 其 特征在于， 所述子块划分损失模型的表达式如下： 式中， 为初始像素点与其邻域范围内像素点的损失模型值， 为初始像素 点的像素描述子， 为邻域范围内第m个像素点的像素描述子， 为邻域范围 内像素点的个数。 3.根据权利要求1所述的一种基于人工智能及图像处理的塑料薄膜质量检测方法， 其 特征在于， 所述对初步划分后的各子块进行迭代划分是按照如下 方式进行： 根据初步划分的各子块对应的初始像素点及其邻域范围内各像素点的像素点描述子， 选取得到各子块对应的新的初始像素点； 根据各子块对应的新的初始像素点及其邻域范围内各像素点的损失模型值， 对初步划权　利　要　求　书 1/2 页 2 CN 113989279 B 2分的各子块进行多次迭代划分， 得到每次迭代划分子块； 设置阈值， 对每次迭代划分后的子块进行判断： 当各子块内的像素点数量小于阈值时， 停止迭代， 最终得到各划分子块。 4.根据权利要求3所述的一种基于人工智能及图像处理的塑料薄膜质量检测方法， 其 特征在于， 所述各子块对应的新的初始像素点的选取设置如下： 式中， 为第c个子块所对应的新初始像素点的特征向量， 为第c个子块对应的初始 像素点的特征向量， 为第c个子块中第m个像素点的特征向量， 为模型参数， 为 第c个子块内像素点的个数。 5.根据权利要求1所述的一种基于人工智能及图像处理的塑料薄膜质量检测方法， 其 特征在于， 所述各子块的特 征向量是按照如下 方式得到： 根据划分的各子块内像素点的灰度值对子块进行高斯拟合， 得到各子块对应的高斯子 模型； 获取各高斯子模型的均值和方差； 将各高斯子模型的均值和方差作为各子块的分布特征， 构建特征向量， 得到各子块的 特征向量。 6.根据权利要求1所述的一种基于人工智能及图像处理的塑料薄膜质量检测方法， 其 特征在于， 所述瑕疵提取模型的表达式如下： 式中， 为特征向量序列中第i个与第j个向量数据之间的差异度， 分别为第i个 和第j个子块的特 征向量。 7.根据权利要求1所述的一种基于人工智能及图像处理的塑料薄膜质量检测方法， 其 特征在于， 所述所有归属类别是按照如下 方式得到： 设置阈值， 对各子块两 两之间的特 征差异度进行判断； 当两个子块之间的特 征差异度小于阈值时， 将这两个子块归为 一类； 对所有子块进行对应 类别归属， 得到所有的归属类别。 8.根据权利要求1所述的一种基于人工智能及图像处理的塑料薄膜质量检测方法， 其 特征在于， 所述瑕疵区域 提取二值图是按照如下 方式得到： 对所有归属类别内的子块数进行统计， 得到各类别对应的子块数量； 对各类别对应的子块数量按照从大到小 进行排序， 得到 子块数量前top ‑k个类别； 将子块数量前top ‑k个类别所对应的塑料薄膜图像像素点的像素值设为0， 其他区域的 像素值设为1， 该像素值 为1的图像即为瑕疵区域 提取二值图。权　利　要　求　书 2/2 页 3 CN 113989279 B 3