一种基于大数据的PVC片材质检方法与流程

一种基于大数据的pvc片材质检方法
技术领域
1.本发明涉及基于大数据的pvc片材质检技术领域，尤其涉及一种基于大数据的pvc片材质检方法。


背景技术：

2.大数据通俗的讲，就是巨量资料的整合。在互联网时代，采用合法手段，在一定合理的时间内，对于用来的各种信息进行捕捉、管理和处理，进而整合成巨量资料的集合，其深层含义便是一种数据的解析方式，最终通过巨量资料的整合以及数据测算探测可以帮助产品、服务的改进，进而推动产品、行业的进一步发展。
3.pvc片材，是以氯乙烯单体经自由基聚合而成的聚合物，制作成型的板材，具有优良的耐腐蚀性、绝缘性，并有一定的机械强度。在生产过程中，有些片材的表层会因工艺问题、意外磕碰等情况产生瑕疵，因此，需要在出厂时对pvc片材的表层进行质检。
4.目前，传统的质检方式准确性不高，有些工序还需要人工操作，容易存在误差，且质检效率也难以满足。


技术实现要素：

5.为了克服现有技术的不足，本发明的意图之一在于提供一种基于大数据的pvc片材质检方法，利用大数据，对pvc片材进行质检，提升自动化程度与准确度。
6.一种基于大数据的pvc片材质检方法，包括以下工序：
7.步骤s1：获取pvc片材图形信息；
8.步骤s2：对图形信息进行预处理，去除图形信息噪声；
9.步骤s3：按照图形信息进行pvc片材质检；
10.步骤s4：判断有瑕疵的pvc片材是否可修复；
11.步骤s5：将质检后的pvc片材分为质检合格、质检不合格但可修复、质检不合格且不可修复三种类型，分别通过不同传输线传输至下一道工序。
12.进一步的，步骤s2中的预处理方法，具体如下：
13.s210：对图形信息进行过滤，得到过滤图形信息；
14.s220：按照导向滤波算法解析pvc片材过滤图形中的整体外表图形信息；
15.s230：按照pvc片材过滤图形和pvc片材整体外表图形信息获取pvc片材细微纹路图形信息，分别对pvc片材整体外表图形信息以及pvc片材细微纹路图形信息进行显著性处理；
16.s240：按照显著性处理后的pvc片材整体外表图形信息以及pvc片材细微纹路图形信息得到pvc片材明显图形信息。
17.进一步的，步骤s3中的质检方法，具体如下：
18.s310：对pvc片材明显图形信息进行超像素切割得到多个超像素区域，解析两两超像素区域的近似性，当近似性大于第一临界值时，将对应两两超像素区域区分为同一类别；
19.s320：获取各个类别的超像素区域中每个像素点的梯度峰值；
20.s330：获取各个类别的超像素区域的梯度平均数；
21.s340：按照每个像素点的梯度峰值以及像素点所在超像素区域的梯度平均数解析每个像素点的类别从属指标；
22.s350：按照每个像素点的类别从属指标对各个类别超像素区域中的所有像素点进行区分；
23.s360：按照区分后的各个超像素区域得到pvc片材表层瑕疵区域。
24.进一步的，步骤s220包括：
25.s221：设立损失函数解析导向滤波算法的模块系数，按照模块系数解析pvc片材过滤图形中的整体外表图形信息；
26.s222：按照pvc片材过滤图形中每个像素点的梯度值创建像素点特性数据结构，利用所述像素点特性数据结构对所述损失函数进行改进；
27.s223:按照改进后的损失函数解析改进后的模块系数，再按照改进后的模块系数解析最终pvc片材整体外表图形信息。
28.进一步的，步骤s222包括：
29.对pvc片材过滤图形进行沿边获取，得到pvc片材梯度数据图形信息，获取pvc片材梯度数据图形信息中每个像素点的梯度值，按照每个像素点的梯度值创建像素点特性数据结构，表达式为：
[0030][0031][0032]
其中，θ(g)为像素点g的特性数据结构，z(g)为pvc片材梯度数据图形信息中像素点g的梯度值，z(b)为pvc片材梯度数据图形信息中像素点b的梯度值，v为pvc片材梯度数据图形信息中像素点的数量，σ为防止分母为零的模块参数。
[0033]
进一步的，步骤s223包括：
[0034]
s2231:改进后损失函数的表达式为：
[0035][0036][0037]
λ＝(chg(g)+e
h-m(g))2；
[0038]
其中，a(ch,eh)表示损失函数，g为引导图形，m代表pvc片材过滤图形，ch、eh是引导图形信息以像素点h为中心的部分窗口rh的模块系数，rh是包含像素点g的窗口，尺寸为r，θ(g)为第g个像素点的特性数据结构，l为调控系数；
[0039]
s2232:解析最终pvc片材整体外表图形信息的表达式为：
[0040][0041][0042][0043][0044]
其中，d'表示最终pvc片材整体外表图形信息，c
'h
、e
'h
表示改进后的模块系数，g(g)为引导图形，rh为包含像素点g的窗口，尺寸为r，x为窗口rh内包含的像素点的数量。
[0045]
进一步的，步骤s310包括：
[0046]
s311：按照超像素区域内包含像素点的像素值解析超像素区域对应的灰阶共生矩阵，将其作为超像素区域的特点参数矩阵yo，按照两两特点参数矩阵中每一行矢量的余弦近似性解析两两超像素区域近似性，表达式为：
[0047][0048][0049]
其中，代表超像素区域1与第超像素区域2的特点参数矩阵o1,o2的第一行矢量对应的余弦近似性，u
1,2
代表超像素区域1和超像素区域2之间的近似性，o表示特点参数矩阵中的第o行矢量。
[0050]
进一步的，步骤s340包括：
[0051]
获取各个超像素区域内每个像素点的梯度峰值，按照每个超像素区域内所有像素点的梯度峰值得到该像素块对应的梯度平均数，解析超像素区域f内各像素点的类别从属指标：
[0052][0053][0054]
其中表示第g个像素点属于第f个超像素区域的类别从属指标，tg表示第g个像素点的梯度峰值，表示第f个超像素区域的梯度平均数，exp为自然常数e为底的指数函数。
[0055]
进一步的，步骤s360包括：
[0056]
s361：当pvc片材明显图形信息中各个像素点在对应超像素区域中的类别从属指标大于预定临界值时，将该像素点区分到对应超像素区域中；
[0057]
s362：当存在像素点的类别从属指标低于预定临界值时，解析该像素点从属于其他像素块的类别从属指标，将对应像素点区分到类别从属指标序列中指标值最大对应的像素块中；
[0058]
s363：将包含像素点最多的超像素区域作为正常的像素块，其他各个超像素区域作为pvc片材表层的瑕疵像素块，将各瑕疵像素块对应的相通域作为pvc片材表层瑕疵区
域。
[0059]
本发明取得的有益成果为：
[0060]
1、本发明利用大数据，代替人工进行pvc片材的质检，大大提升自动化程度，并且减少人为误差，提升质检整体的准确度；
[0061]
2、通过图形信息数据对pvc片材表层进行瑕疵质检，质检过程为全自动化，过程中没有任何人为等接触，可防止划伤表层，降低对pvc片材的二次损害。
[0062]
3、基于图形信息数据进行质检解析，获取pvc片材对应的明显图形信息，提升了瑕疵区域与正常区域的差异性，在对明显图形信息进行超像素切割之后，进一步对像素点的从属类别进行解析，从而将超像素区域精确进行区分，提升了质检效率的同时，大大提升了pvc片材瑕疵状况的质检准确性。
[0063]
上述示意仅是本发明技术方式的概述，为了可以更清楚了解本发明的技术方式，而可依照示意书的内容予以实施，并且为了让本发明的上述和其他意图、特点和优点可以更显明易懂，以下特举较佳实施例，并配合附图，详细示意如下。
附图说明
[0064]
图1为本实施例中的步骤示意图；
[0065]
图2为本实施例中步骤s3中的预处理方法示意图；
[0066]
图3为本实施例中步骤s4中的质检方法示意图。
具体实施方式
[0067]
下面，集合附图以及具体实施方式，对本发明做进一步描绘，应当示意的是，在不相冲突的前提下，以下描绘的各实施例之间或各技术特点之间可以任意组合构成新的实施例。除非另有定义，本文所使用的全体的技术和客观术语与归于本发明的技术领域的技术人员通常解释的含义相像。本文中在本发明的示意书中所使用的术语只是为了描绘具体而言实施例的意图，不是旨在于限度本发明。本文所使用的术语“及/或”包括一个或若干关联的所列名意图任意的和全体的组合。
[0068]
如图1-2所示，一种基于大数据的pvc片材质检方法，包括以下工序：
[0069]
步骤s1：获取pvc片材图形信息；
[0070]
步骤s2：对图形信息进行预处理，去除图形信息噪声；
[0071]
步骤s3：按照图形信息进行pvc片材质检；
[0072]
步骤s4：判断有瑕疵的pvc片材是否可修复；
[0073]
步骤s5：将质检后的pvc片材分为质检合格、质检不合格但可修复、质检不合格且不可修复三种类型，分别通过不同传输线传输至下一道工序。
[0074]
进一步的，步骤s2中的预处理方法，具体如下：
[0075]
s210：对图形信息进行过滤，得到过滤图形信息；
[0076]
首先，本方法将安装图形信息拍摄装置，用来获得pvc片材表层的图形信息数据，其中，相机的拍摄区域及视角工作人员按照具体情况自行处理。需要解释的是，相机拍摄区域能够包含待质检pvc片材，以便对其进行整体质检，或者工作人员可安装多台相机对待质检pvc片材进行图形信息的获得，然后通过图形信息后期处理软件将所相邻相机获得的图
形信息数据进行后期融合处理，以获取待质检pvc片材的表层整体的图形信息数据，工作人员采用多台相机对待质检pvc片材进行图形信息获得时，需保证相邻相机的拍摄区域有重复区域，以便后续进行图形信息融合获取pvc片材表层的整体图形信息数据。
[0077]
获取pvc片材表层图形信息后，本方法主要基于图形信息数据对pvc片材进行瑕疵质检。在图形信息获得过程中，考虑到环境存在大量噪声且pvc片材表层的灰尘等都会对pvc片材图形信息的获得产生干扰，因此，本方法将对获得的pvc片材图形信息数据进行过滤去噪处理，处理pvc片材表层图形信息的噪声，图形信息去噪处理方法有很多：均值过滤方法等，可自行选择去噪方法，实现对pvc片材表层图形信息的去噪处理，获取去噪后的过滤图形信息。
[0078]
s220：按照导向滤波算法解析pvc片材过滤图形中的整体外表图形信息；
[0079]
本方法考虑到外在光照以及pvc片材表层反光等现象，都会引起获得的pvc片材图形信息与实际相比存在较大差别。为防止外部现象造成pvc片材瑕疵质检准确性降低等问题，本方法将对pvc片材表层图形信息进行明显性处理，以提高pvc片材表层瑕疵的特点区分，作为pvc片材瑕疵质检的图形信息数据，以准确获取瑕疵区域。
[0080]
图形信息数据包括整体外表图形信息d以及细微纹路图形信息r，为提升pvc片材过滤图形的显著性处理成果，本方法将对pvc片材过滤图形进行分离，分别获取对应的整体外表图形信息和对应的细微纹路图形信息，后期分别进行不同的明显性处理过程，提高图形信息的显著性处理成果。本方法将首先对pvc片材过滤图形对应的整体外表图形信息数据进行获取，pvc片材整体外表图形信息数据。
[0081]
按照导向滤波可知，图形信息中的整体外表、沿边对应的图形信息数据d可以用线性模块进行解析，具体表示为：
[0082][0083]
η＝chg(g)；
[0084]
其中，g(g)为引导图形，d为整体外表图形信息，ch，eh是引导图形信息以像素点h为中心的部分窗口rh的模块系数，rh是包含像素点g的窗口，尺寸为r。对导出图形信息两边同时取梯度函数时，可以得出该部分线性模块可以确保当图形信息g存在梯度时，图形信息d也会有对应的梯度数据。
[0085]
s230：按照pvc片材过滤图形和pvc片材整体外表图形信息获取pvc片材细微纹路图形信息，分别对pvc片材整体外表图形信息以及pvc片材细微纹路图形信息进行显著性处理；
[0086]
s240：按照显著性处理后的pvc片材整体外表图形信息以及pvc片材细微纹路图形信息得到pvc片材明显图形信息。
[0087]
基于pvc片材过滤图形，对pvc片材表层对应的细微纹路图形信息进行解析：
[0088]
r＝m-d'；
[0089]
其中，r为pvc片材细微纹路图形信息，m为pvc片材过滤图形，d'为改进后得到的最终pvc片材整体外表图形信息。
[0090]
为提高pvc片材表层瑕疵质检的准确性，对于不同的图形信息数据本方法将采用不同的显著性处理方法，对于整体外表图形信息，为使得其内的细微以及沿边信息更加明
显，本方法采用直方图平衡化对其进行处理，以提高图形信息整体的明暗区域最亮的白和最暗的黑之间的差异度；对于所述细微纹路图形信息，为提升其内部的细微纹路信息，本方法将采用伽马变换方法对其进行处理，其中伽马变换参数取值为0.4，以提升细微纹路图形信息中较暗细微纹路的亮度信息，提高图形信息亮度的匀称程度。
[0091]
最后，基于显著性处理后的整体外表图形信息d
pq
和细微纹路图形信息r
pq
，本方法将获取最终显著性处理后的pvc片材图形信息数据：
[0092]mpq
＝d
pq
+r
pq
；
[0093]
式中，m
pq
(g)为最终明显性处理后的pvc片材明显图形信息，所述明显图形信息能有效突出pvc片材表层的瑕疵区域和正常区域像素点的区别特点，利于对瑕疵像素点进行准确质检。
[0094]
进一步的，步骤s3中的质检方法，具体如下：
[0095]
s310：对pvc片材明显图形信息进行超像素切割得到多个超像素区域，解析两两超像素区域的近似性，当近似性大于第一临界值时，将对应两两超像素区域区分为同一类别；
[0096]
对于每个超像素区域，本方法将对其像素块特点参数进行获取，按照超像素区域内包含像素点的像素值解析超像素区域对应的灰阶共生矩阵，为降低软件解析量，对pvc片材明显图形信息中像素点的像素值进行灰阶等级区分，本方法将图形信息的灰阶级均分为9个等级，对应各超像素区域灰阶共生矩阵维度大小为9*9，将其作为像素块的特点参数矩阵oh，代表超像素区域h的特点参数矩阵，用来表征超像素区域内的像素分布情况。
[0097]
s320：获取各个类别的超像素区域中每个像素点的梯度峰值；
[0098]
s330：获取各个类别的超像素区域的梯度平均数；
[0099]
s340：按照每个像素点的梯度峰值以及像素点所在超像素区域的梯度平均数解析每个像素点的类别从属指标；
[0100]
为进一步提升瑕疵像素点的质检准确性，本方法对最终合并后获取的各像素块进行解析。
[0101]
解析各个像素点的类别从属指标的方法为：
[0102]
超像素区域内各个像素点的梯度峰值，按照每个超像素区域内所有像素点的梯度峰值得到该像素块对应的梯度平均数，解析超像素区域f内各像素点的类别从属指标：
[0103][0104][0105]
其中表示第g个像素点属于第f个超像素区域的类别从属指标，tg表示第i个像素点的梯度峰值，表示第f个超像素区域的梯度平均数。
[0106]
s350：按照每个像素点的类别从属指标对各个类别超像素区域中的所有像素点进行区分；
[0107]
s360：按照区分后的各个超像素区域得到pvc片材表层瑕疵区域。
[0108]
对pvc片材明显图形信息中所有像素点进行对应类别区分，得到pvc片材表层瑕疵区域的方法为：
[0109]
当pvc片材明显图形信息中各个像素点在对应超像素区域中的类别从属指标大于
预定临界值时，将该像素点区分到对应超像素区域中；
[0110]
当存在像素点的类别从属指标低于预定临界值时，解析该像素点从属于其他像素块的类别从属指标，将对应像素点区分到类别从属指标序列中指标值最大对应的超像素区域中；
[0111]
本方法安装当类别从属度指标低于0.7时，将认为对应像素点类别待定，需要对其进行解析以实现准确区分。
[0112]
将包含像素点最多的超像素区域作为正常的像素块，其他各个超像素区域作为pvc片材表层的瑕疵像素块，将各瑕疵像素块对应的相通域作为pvc片材表层瑕疵区域。
[0113]
正常情况下，按照先验pvc片材表层的瑕疵为各种类型的小区域瑕疵，因此，本方法将包含像素点最多的像素块作为正常的像素块，对应pvc片材表层正常的区域，其他各像素块作为pvc片材表层的瑕疵像素块，各瑕疵像素块对应的相通域记为瑕疵相通域，实现对pvc片材表层瑕疵的质检辨别。
[0114]
进一步的，步骤s220包括：
[0115]
s221：设立损失函数解析导向滤波算法的模块系数，按照模块系数解析pvc片材过滤图形中的整体外表图形信息；
[0116]
s222：按照pvc片材过滤图形中每个像素点的梯度值创建像素点特性数据结构(或称描述子)，利用所述像素点特性数据结构对所述损失函数进行改进；
[0117]
s223:按照改进后的损失函数解析改进后的模块系数，再按照改进后的模块系数解析最终pvc片材整体外表图形信息。
[0118]
为突显图形信息中的细微纹路信息，本实施例将首先通过沿边质检算符对pvc片材过滤图形进行沿边信息获取，所述沿边质检算符有很多，工作人员可自行选择，优选的本方法采用索贝尔算子对pvc片材过滤图形进行沿边获取，获取对应的梯度数据图形信息z，z(g)代表梯度数据图形信息像素点g处的梯度值。
[0119]
进一步的，步骤s222包括：
[0120]
对pvc片材过滤图形进行沿边获取，得到pvc片材梯度数据图形信息，获取pvc片材梯度数据图形信息中每个像素点的梯度值，按照每个像素点的梯度值创建像素点特性数据结构，表达式为：
[0121][0122][0123]
其中，θ(g)为像素点g的特性数据结构，z(g)为pvc片材梯度数据图形信息中像素点g的梯度值，z(b)为pvc片材梯度数据图形信息中像素点b的梯度值，v为pvc片材梯度数据图形信息中像素点的数量，σ为防止分母为零的模块参数。
[0124]
按照本方法所设立的像素点特性数据结构可知，当像素点为平滑像素点时，其对应特性数据结构小于1，当像素点为梯度变化像素点也即沿边点时，本方法安装的特性数据结构大于1，可基于像素点的特点信息针对性的对不同的像素点进行处理解析。
[0125]
进一步的，步骤s223包括：
[0126]
s2231:改进后损失函数的表达式为：
[0127][0128][0129]
λ＝(chg(g)+e
h-m(g))2；
[0130]
其中，a(ch,eh)表示损失函数，g为引导图形，m代表pvc片材过滤图形，ch、eh是引导图形信息以像素点h为中心的部分窗口rh的模块系数，rh是包含像素点g的窗口，尺寸为r，θ(g)为第g个像素点的特性数据结构，l为调控系数；
[0131]
通过不同像素点的特性数据结构对导向滤波的损失函数进行调节，进一步实现对模块系数进行改进，得到改进的模块系数c
′h、e
′h，更加突显图形信息中的沿边外表信息，更加准确的获取pvc片材整体外表图形信息。
[0132]
通过曲线拟合(最小二乘法)对模块系数进行解析可得：
[0133][0134][0135][0136][0137]
其中，εh、ψh分别为引导图形在窗口rh内像素点的灰阶均值和方差，mh为输入图形信息在窗口内像素点的灰阶均值，x为窗口rh内包含的像素点的数量。
[0138]
s2232:解析最终pvc片材整体外表图形信息的表达式为：
[0139][0140][0141][0142]
其中，d'表示最终pvc片材整体外表图形信息，c
′h、e
′h表示改进后的模块系数，g(g)为引导图形，rh为包含像素点g的窗口，尺寸为r，x为窗口rh内包含的像素点的数量。
[0143]
为提升对pvc片材过滤图形的显著性处理成果，本实施例将对上述导向滤波步骤进行改进，上述导向滤波步骤对所有像素点均使用相同的调控系数l，没有考虑到像素点之间的差异性，因此，为更好地突显图形信息中的外表信息，保持图形信息中更加完整的沿边信息，本实施例将对上述导向滤波的损失函数进行改进。
[0144]
进一步的，步骤s310包括：
[0145]
s311：按照超像素区域内包含像素点的像素值解析超像素区域对应的灰阶共生矩阵，将其作为超像素区域的特点参数矩阵yo，按照两两特点参数矩阵中每一行矢量的余弦
近似性解析两两超像素区域近似性，表达式为：
[0146][0147][0148]
其中，代表超像素区域1与第超像素区域2的特点参数矩阵o1,o2的第一行矢量对应的余弦近似性，u
1,2
代表超像素区域1和超像素区域2之间的近似性，o表示特点参数矩阵中的第o行矢量。
[0149]
本方法将对所述近似性设定程度临界值us＝0.9，将近似性高于0.9的两个超像素区域作为同一个类别的超像素区域，实现超像素区域的归类，为提升像素点的区分准确性，实现瑕疵像素点的准确质检，本方法将对归类后的超像素区域进行迭代处理，重复进行上述方法，直至任意两个超像素区域的近似性均不高于us时，即停止超像素区域的归类处理。至此，可得到最终归类后的各像素块，实现不同类别像素点区分。
[0150]
进一步的，步骤s340包括：
[0151]
获取各个超像素区域内每个像素点的梯度峰值，按照每个超像素区域内所有像素点的梯度峰值得到该像素块对应的梯度平均数，解析超像素区域f内各像素点的类别从属指标：
[0152][0153][0154]
其中表示第g个像素点属于第f个超像素区域的类别从属指标，tg表示第g个像素点的梯度峰值，表示第f个超像素区域的梯度平均数，exp为自然常数e为底的指数函数。
[0155]
进一步的，步骤s360包括：
[0156]
s361：当pvc片材明显图形信息中各个像素点在对应超像素区域中的类别从属指标大于预定临界值时，将该像素点区分到对应超像素区域中；
[0157]
s362：当存在像素点的类别从属指标低于预定临界值时，解析该像素点从属于其他像素块的类别从属指标，将对应像素点区分到类别从属指标序列中指标值最大对应的像素块中；
[0158]
s363：将包含像素点最多的超像素区域作为正常的像素块，其他各个超像素区域作为pvc片材表层的瑕疵像素块，将各瑕疵像素块对应的相通域作为pvc片材表层瑕疵区域。
[0159]
上述实施方式仅为本发明的优选实施方式，不能以此来限度本发明保护的范围，本领域的技术人员在本发明的基础上所做的一切非实则性的转化及替换均归于本发明所要求保护的范围。