一种光致变色阻隔膜的光学疲劳度检测方法与流程

1.本

技术实现要素：
属于高分子薄膜材料检测领域，特别地，涉及一种光致变色阻隔膜的光学疲劳度检测方法。


背景技术：

2.随着科学技术的不断发展和人类社会的进步，人们对于物质材料的要求也不断提高。在各种新型材料中，高分子变色阻隔薄膜由于其特殊且优良的性质，逐渐应用于工业、生活的各个领域。例如在太阳光的照射下薄膜发生变色，从半透明色变成具有某种特定颜色，从而阻隔了太阳光透过。高分子变色薄膜受光变色的原理是高分子化合物在光照条件下发生化学反应，转变成另一种颜色的产物，其本质是反应前后物质分子结构或电子组态的改变而导致其吸收光谱发生明显的变化，体现为变色。基于变色的原理，高分子变色薄膜存在固有的光疲劳效应，体现在光照多次激发变色、退色循环后，其变色性能下降，直至失去变色性能，从而造成该阻隔膜失效。由于光疲劳效应的产生是一个漫长的过程，通常需要几百、上千次的循环才可能在表观上体现，耗时极长，因此对光疲劳效应造成的高分子变色薄膜性能检测一直以来是业界的难点。通常采用批量样本的方法对高分子变色薄膜的光疲劳性能进行检测，但通过人工测量的方法仍然需要大量的时间和人力，且可以检测的数量有限。业界相关研究也较少。
3.现有技术中使用图像处理方法进行多次变色退色识别，但识别准确度不高。为此，也有人提出使用神经网络方式进行检测，但网络模型的结构和具体设置并非专为工厂中光学疲劳度检测而设计，因此不仅模型训练成本高、检测慢，更重要的是检测准确度较差。这是因为薄膜通常具有一定的透光性，和一定的反光性，会对图像造成一定的噪音。如何去除这些噪音影响，是构建神经网络模型亟待解决的问题。
发明内容
4.为解决上述一个或多个问题，提出一种光致变色阻隔膜的光学疲劳度检测方法步骤1：利用光源照射光致变色阻隔膜进行反复变色、退色操作，并采集每次变色时的变色图像和退色时的退色图像，并记录采集变色图像和退色图像的时间戳；上述两种图像统称为采集图像；步骤2：利用采集图像每个像素的rgb值计算采集图像的色调h矩阵；对h矩阵进行如下处理：定义方阵u：方阵u：为矩阵u的元素，p,q为元素在矩阵中的行、列坐标，为采集图像的行数；其
中：计算矩阵：；取矩阵f的第一行为一维的向量，称为图像的颜色特征向量f；步骤3：将上述特征向量送入分类器进行分类识别，输出三种分类值、、；并利用下式对分类结果进行重映射；当时，表示与当前输入颜色特征向量对应的采集图像的状态为退色后颜色；当时，表示与当前输入颜色特征向量对应的采集图像的状态为变色后颜色；当时，表示与当前输入颜色特征向量对应的采集图像的状态为异常色调；步骤4：根据输出颜色特征向量对应的采集图像性质与分类结果的比较确定提示光疲劳的图像，并根据该图像的时间戳确定发生光疲劳的时间。
5.在步骤3中进行分类识别时，从图像的色调矩阵中的图像颜色分布特征和图像的空间结构信息两个方面进行模型建立。
6.还需要进行模型样本的学习。
7.步骤1中使用光源为紫外光源。
8.步骤1中利用摄像机采集阻隔膜因光照的变色图像和经过一段时间后的退色图像，同时记录时间戳。
9.步骤2-4在处理器中完成，所述处理器为现场处理器或远程服务器。
10.若采集图像为受到光照后的图像，且根据步骤3模型输出识别结果为变色后颜色；或者采集图像为去掉光照后的恢复图像，且根据步骤3模型输出识别结果为退色后颜色；满足上述任一情形，则判定在相应时间节点阻隔膜光疲劳性能正常；否则，判定在相应时间节点阻隔膜光疲劳性能异常。
11.采集图像为受到光照后的变色图像，且根据步骤3模型输出识别结果为退色后颜色，则判定在相应时间节点阻隔膜失去变色性能。
12.如果采集图像为去掉光照后的退色图像，且根据步骤3模型输出识别结果为变色后颜色，则判定在相应时间节点阻隔膜失去退色性能。
13.如果步骤3模型输出识别结果为异常色调，则判定在相应时间节点阻隔膜出现异常色调。
14.本发明的发明点及技术效果：1、通过实施图像采集方法，自动为智能检测算法提供数据源，完成基于图像的高分子变色薄膜光疲劳性能检测。特别是提出在进行神经网络模型处理前，对图像进行颜色分离及颜色特征提取，将提取后的特征作为模型的输入，而不使用通常的以图像作为输入的方式，大大降低了数据维度，提高智能检测算法的效率。
15.2、本发明通过线性、非线性组合分类器，建立了阻隔膜光疲劳检测方法的识别模型，并且优化了模型的算法，保证了识别的准确性同时提高了算法效率。使得简易化的设备即可满足生产线上的实际检测需求，使得在线检测成为可能，同时在检测阶段能够实现完全自主的运行，自动输出检测结果，可实现大批量检测样品的验证，操作流程简单，并可以达到较高的测量精度，满足厂家的性能验证需求，有助于提高产品性能，降低生产厂商检测成本。
具体实施方式
16.（一）检测装置结构检测装置包括光源、摄像机、处理器。
17.其中光源为紫外光源，用于向阻隔膜照射，从而引起阻隔膜变色。
18.摄像机用来拍摄阻隔膜因光照的变色图像和经过一段时间后的退色图像。
19.处理器用来控制光源和摄像机的开闭，同时用于对摄像机在拍摄图片时记录时间戳。此外，处理器还用于按如下算法处理摄像机采集的图像。可以理解，处理器可以为布置于现场的现场处理器，也可以为远程服务器。
20.（二）检测算法步骤1：光致变色阻隔膜进行反复变色、退色操作，并进行相关图像采集。
21.利用摄像机采集若干张被测高分子变色薄膜的图像；向被测薄膜施以一定时长光照，被测薄膜因受光照激发变色，采集变色后的图像；移去光照源经过一定时长后，令被测薄膜退色恢复原有颜色，采集退色后的图像；循环重复前述变色、退色过程，通过设定摄像机时钟和控制程序，使摄像机在每个变色周期、退色周期结束时自动采集图像，获得若干采样图像。
22.(1) 高分子变色薄膜受到一定时长光照会变色，使用紫外光源对薄膜进行照射，持续时间为，照射结束后，控制摄像机立即拍摄一张图像，记为。
23.(2) 薄膜变色后，移去光照，经历一段时间后会退色恢复受光照前颜色，设该时长表示为，过程(1)完成、经历时间，控制摄像机立即拍摄一张图像，记为。
24.(3) 为进行疲劳测试，重复过程(1)、(2)数次，直至达到预设次数，该预设次数记为。可获得一系列受照图像（变色图像）集合、与恢复图像（退色图像）集合，。同时记录采集相应图像的时间戳。
25.过程(1)、(2)、(3)中照明、拍摄图像可由计算机预设时间后自动控制。
26.步骤2：采集的图像（变色图像、退色图像）的颜色分离及颜色特征提取步骤。
27.将步骤1中采集的图像的颜色特征分离，使智能算法更易检测颜色的变化，并进一
步提取颜色特征。
28.步骤1所述摄像机采集的图像，为标准三通道数字彩色图像，图像的三个通道分别表示红色、绿色、蓝色三原色通道。假设表示一幅图像的三色通道，图像的色调计算如下：式中，表示反余弦函数，mod表示取模运算，表示图像的色调。可以理解，上述为每个像素的值，因此上述计算得到的是图像的色调矩阵，即得到图像每个像素的色调值。设图像的二维空间大小为，分别为图像的列数和行数，则为一个大小的矩阵。将矩阵按列分解：按列分解：为矩阵h的各列。定义方阵u：方阵u：为矩阵u的元素，p,q为元素在矩阵中的行、列坐标。并且：定义矩阵：则f为矩阵u与矩阵h的乘积，为一大小的矩阵。取矩阵f的第一行为一维的向量，称为图像x的颜色特征向量。矩阵f的含义是矩阵u的频率域响应，通过将图像矩阵转换到频率域，将图像的低频部分与高频部分响应分开，并提取与薄膜区域相关性最高的频率分量，即第一个分量，能够去除噪声影响，同时降低数据维度，减轻计算量。
29.通过将图像x映射为颜色特征向量，单幅图颜色特征的数据量由维降低为维，大大降低了颜色特征的数据量，有助于提高计算效率。
30.步骤3：高分子变色薄膜光疲劳性能的图像分析检测步骤。
31.建立智能的分析模型，对高分子变色薄膜光疲劳的特征进行识别、分类，并输出分类结果作为检测结果。
32.高分子变色薄膜光疲劳的特征，是指高分子变色薄膜经过多次反复变色、退色过程后，变色效应减弱甚至消失，以及薄膜边缘出现异常色调的特殊现象。本发明通过建立基于图像颜色特征的智能分析模型检测这些特征。
33.将待识别或检测的光疲劳特征划分为三个维度，分别代表退色后、变色后、异常色调三类。
34.根据定义，建立模型将步骤2所述颜色特征向量映射到前文所述三维向量。其输入样本空间为维颜色特征向量空间，类别空间为光疲劳特征空间，类别数为3。通常来说，高维向量空间为线性不可分的，因此需要建立非线性分类器。
35.令：定义：上式为一关于的线性函数，为线性权重，为线性偏置，表示输入向量空间中的坐标，代表以坐标为中心的坐标偏移量，j为分类器通道坐标，表示存在8个分类器，每个分类器的输入维度与输出维度相同，故表示分类器的输出中与其输入的第i维对应的维度。
36.上述8个分类器中，每个分类器用于捕捉颜色特征向量中与某一类特征相关的一种特征分布。设计8个分类器可以在保证一定冗余度的基础上使分类结果更加精确。
37.由于颜色特征向量空间为线性不可分的，那么仅用上述线性分类器无法得到准确分类结果。故进一步设计非线性分类函数：函数将输入的线性空间映射到目标非线性空间，线性分类器与非线性分类器的组合能够处理颜色特征向量空间线性不可分的情况，提高了分类器的鲁棒性。参数将非线性函数非连续化，进一步提升模型对噪声的鲁棒性。值经大量实验可获得优选值。
38.图像的色调矩阵包含两部分与薄膜相关的重要信息，一是图像的颜色分布，在变色前、变色后呈现不同的分布特征；二是图像的空间结构信息，即图像中不同颜色的相对位置关系，例如薄膜中央、四周颜色的差异。上述第一类信息由式(7)建模，进一步的，对第二类信息进行进一步建模。
39.定义：
式中，表示取式(7)输出中每三个相邻元素的最大值，以降低噪声影响；定义：式中，与是等维度的向量，表示的第i个元素与的第个元素之间的线性权重关系。由(10)定义的模型用于对颜色的相对位置关系进行建模。
40.定义：式中，为上一步骤的输出，下标l表示的元素下标，j表示对应于式(7)的分类器的序数，、、为线性权重参数，、、为线性偏置参数。、、为对应的输出值。
41.式(11)所定义模型将前述多个分类器序列的结果汇总，从而建立各分类器序列之间的关系，并映射到三维向量空间，以便对应于待检测的光疲劳特征。
42.进一步的，为了令光疲劳特征的输出值对应于前述定义的[0, 1]范围内，从而方便检测结果的直接应用，需要采取值域重映射方法，定义：经过上式重映射，将式(11)中输出的值映射到，且取值范围为[0, 1]。表示自然指数函数。
[0043]
当时，表示与当前输入颜色特征向量对应的图像的状态为退色后颜色；当时，表示与当前输入颜色特征向量对应的图像的状态为变色后颜色；当时，表示与当前输入颜色特征向量对应的图像的状态为异常色调。表示取中的最大值。从而实现基于图像中的颜色特征对高分子变色薄膜光疲劳特征的检测。
[0044]
在采用上述式(6)-(12)所述模型实施检测前，需要通过学习过程确定模型的各项参数，分别列于式(6)-(12)中，即线性偏置参数与线性权重参数。通过准备若干对应于退色后、变色后、异常色调三类的图像作为学习样本；对于学习样本图像，可按照如下规则确定样本对应的输出特征，如果样本对应于退色后颜色，输出特征取值分别为[1, 0, 0]，如果样本对应于变色后颜色时，输出特征取值分别为[0, 1, 0]，如果样本对应于异常色调，输
出特征取值分别为[0, 0, 1]。通过步骤2所述方法提取颜色特征向量，代入步骤3所述模型(6)-(12)，并采用现有常规算法（例如bp算法）可以求解前述各项参数。
[0045]
步骤4：基于图像检测的高分子变色薄膜的光疲劳性能判别采用步骤1所述方法，循环采集t张变色图像与t张退色图像；采用步骤2所述方法，获得上述2t张图像各自对应的颜色特征向量；采用步骤3所述方法，即所述光疲劳特征模型计算步骤2颜色特征向量所对应的输出值，并据此判别2t张图像所对应的时间节点（对应时间戳）上变色薄膜的光疲劳性能。
[0046]
如果：（4）输入图像为受照图像，且根据步骤3模型输出识别结果为变色后颜色；或（5）输入图像为恢复图像，且根据步骤3模型输出识别结果为退色后颜色；满足上述（4）、（5）任一情形，则判定在相应时间节点变色薄膜光疲劳性能正常。
[0047]
否则，判定在相应时间节点变色薄膜光疲劳性能异常。
[0048]
进一步的，如果（6）输入图像为受照图像，且根据步骤3模型输出识别结果为退色后颜色，则判定在相应时间节点变色薄膜失去变色性能。
[0049]
如果（7）输入图像为恢复图像，且根据步骤3模型输出识别结果为变色后颜色，则判定在相应时间节点变色薄膜失去退色性能。
[0050]
如果（8）步骤3模型输出识别结果为异常色调，则判定在相应时间节点变色薄膜出现异常色调。
[0051]
通过上述判定方法，可以自动生成判定结果，并判定光疲劳现象出现的时间节点，从而实现了自动化的高分子变色薄膜的光疲劳性能检测。
[0052]
下表给出本发明所述方法对步骤4所述4类性能标准的检测结果。根据检测数据，可计算总的检测正确率为99.4%；单项检测正确率均在93%以上，远高于现有图像算法的正确率。同时其资源占用及算法效率也比现有算法有较大改进，计算速度提升了67%，资源占用率下降了15.2%。可见本发明提出的智能检测方法检测准确率高，可有效检测变色薄膜的各类正常与异常状态。本发明方法可以直观、有效的展示变色薄膜发生光疲劳现象的时间。
[0053]
本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或
推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。