一种基于图片处理的电子铝箔立方织构含量检测方法

摘要

本发明提供一种基于图片处理的电子铝箔立方织构含量检测方法，能够提高立方织构含量检测的准确率。所述方法包括：读取相机连续拍摄的多张铝箔图片，并将拍摄的所述多张铝箔图片拼接为一张铝箔图片；提取出拼接后的铝箔图片中的铝箔；提取出拼接后的铝箔图片中的非立方织构；分别统计提取出的所述铝箔所占像素的数目和提取出的所述非立方织构所占像素的数目，根据统计的所述铝箔所占像素的数目和所述非立方织构所占像素的数目，得到立方织构在铝箔中的含量。本发明适用于电子铝箔生产技术领域。

说明书

技术领域

本发明涉及电子铝箔生产技术领域，特别是指一种基于图片处理的电子铝箔立方织构含量检测方法。

背景技术

我国电解电容铝箔研究和生产开发较晚，质量稳定性差。为适应生产电子铝箔的需要，更好地调整与控制工艺过程，以及满足其检测要求，建立电子铝箔表面{100}立方面织构占有率的方法是十分必要的。

对材料加工过程的形变织构及热处理过程中的再结晶织构研究，以极图法、反极图法、取向分布函数法等检测分析方法使用较为普遍，但这些方法虽准确但较为复杂，难以在工业现场适用；而亮晶法，蚀坑法织构检测分析，作为一种简便易行的方法在高压电子铝箔再结晶立方织构的测量中应用较为普遍，尤其是亮晶度检测分析方法的应用在国内得到普及，亮晶度是度量铝箔中立方织构的一种间接方法：由于立方织构的耐蚀性好，特定试剂浸蚀之后非立方织构在铝箔表面上呈现出亮白点，通过人工观察即亮白点的面积大小，再间接说明立方织构含量的多少。

现有技术中，大部分生产线采用人工观察的方法确定立方织构含量，只是一种半定量的方法，需要具备一定经验基础，无法精确给出结果，结果准确率低。

发明内容

本发明要解决的技术问题是提供一种基于图片处理的电子铝箔立方织构含量检测方法，以解决现有技术所存在的采用人工观察的方法确定立方织构含量，结果准确率低的问题。

为解决上述技术问题，本发明实施例提供一种基于图片处理的电子铝箔立方织构含量检测方法，包括：

读取相机连续拍摄的多张铝箔图片，并将拍摄的所述多张铝箔图片拼接为一张铝箔图片；

提取出拼接后的铝箔图片中的铝箔；

提取出拼接后的铝箔图片中的非立方织构；

分别统计提取出的所述铝箔所占像素的数目和提取出的所述非立方织构所占像素的数目，根据统计的所述铝箔所占像素的数目和所述非立方织构所占像素的数目，得到立方织构在铝箔中的含量。

进一步地，所述读取相机连续拍摄的多张铝箔图片，并将拍摄的所述多张铝箔图片拼接为一张铝箔图片包括：

读取相机连续拍摄的多张铝箔图片；

基于模板匹配的方法对拍摄的每两张相邻的铝箔图片进行配准；

采用加权渐变的方法将配准后的每两张相邻的铝箔图片进行融合，得到拍摄的所述多张铝箔图片的拼接图片。

进一步地，所述基于模板匹配的方法对拍摄的每两张相邻的铝箔图片进行配准包括：

对拍摄的每两张相邻的铝箔图片，选取其中一张铝箔图片作为参考图片，另一张铝箔图片作为待配准图片；

确定所述参考图片中的感兴趣区域作为模板；

计算所述模板和所述待配准图片之间灰度值差值的绝对值总和：

其中，T表示模板，n表示模板中像素点的数目，u,v为x,y方向上的偏移量，t(x，y)为模板中坐标为(x,y)的像素点的灰度值，(u+x,v+y)为(x,y)有偏移量后的坐标，f(u+x，v+y)为模板移动到待配准图片当前位置时模板中坐标为(u+x,v+y)的像素点的灰度值，sad(u,v)是基于所述灰度值计算得到的一个标量值，表示模板与待配准图片的相似度，sad(u,v)最小时完成匹配。

进一步地，所述采用加权渐变的方法将配准后的每两张相邻的铝箔图片进行融合，得到拍摄的所述多张铝箔图片的拼接图片包括：

利用公式I(x,y)＝I₁(x,y)(1-σ)+I₂(x,y)将配准后的每两张相邻图片进行融合，得到拍摄的所述多张铝箔图片的拼接图片；

其中，I₁(x，y)和I₂(x，y)分别表示配准后的待拼接的两张相邻图片各像素点的灰度值，I(x，y)表示I₁(x，y)和I₂(x，y)中重叠区域的像素点的灰度值，加权系数σ∈(0，1)，当σ由0变化到1时，图片从I₁(x，y)过渡到I₂(x，y)。

进一步地，所述提取出拼接后的铝箔图片中的铝箔包括：

对拼接后的铝箔图片进行二值化处理，使得拼接后的所述铝箔图片中的铝箔部分呈现白色、非铝箔部分呈现黑色；

将二值化处理后的铝箔图片中的每个非相邻的点各自都看作一个连通区域，统计每个连通区域所占像素的数量，判断每个连通区域所占像素的数量是否小于预设的第三阈值，若小于预设的第三阈值，则将小于预设的第三阈值的连通区域剔除掉。

进一步地，所述对拼接后的铝箔图片进行二值化处理，使得拼接后的所述铝箔图片中的铝箔部分呈现白色、非铝箔部分呈现黑色包括：

判断拼接后的铝箔图片中的像素点的灰度值是否大于预设的第一阈值；

若大于预设的第一阈值，则将大于预设的第一阈值的像素点的灰度值设为255，所述像素点呈现白色；

否则，将所述像素点的灰度值设为0，所述像素点呈现黑色。

进一步地，所述预设的第一阈值为使类间方差g＝ω₀ω₁(μ₀-μ₁)^2达到最大时的前景和背景的分割阈值，g为类间方差，ω₀为前景像素点数占整幅拼接后的铝箔图片的比例，μ₀为前景的像素点的平均灰度，ω₁为背景像素点数占整幅拼接后的铝箔图片的比例，μ₁为背景的像素点的平均灰度。

进一步地，所述提取出拼接后的铝箔图片中的非立方织构包括：

对拼接后的铝箔图片进行顶帽变换处理；

对顶帽变换处理后的铝箔图片进行二值化处理，将代表非立方织构的亮白点从不均匀的背景中初步分离出来；

统计每个白色连通区域所占像素的数量，判断每个白色连通区域所占像素的数量是否大于预设的第四阈值，将大于预设的第四阈值的白色连通区域剔除掉，将代表非立方织构的亮白点精确地从背景中分离出来；

其中，剔除掉的白色连通区域是由于大片反光造成的白色区域。

进一步地，所述对顶帽变换处理后的铝箔图片进行二值化处理，将代表非立方织构部分的亮白点从不均匀的背景中初步分离出来包括：

判断顶帽变换处理后的铝箔图片中的像素点的灰度值是否大于预设的第二阈值；

若大于预设的第二阈值，则将大于预设的第二阈值的像素点的灰度值设为255，所述像素点呈现白色；

否则，将所述像素点的灰度值设为0，所述像素点呈现黑色；

其中，所述预设的第二阈值由最大类间方差法确定。

进一步地，所述分别统计提取出的所述铝箔所占像素的数目和提取出的所述非立方织构所占像素的数目，根据统计的所述铝箔所占像素的数目和所述非立方织构所占像素的数目，得到立方织构在铝箔中的含量包括：

统计提取出的所述铝箔所占像素的数目为S1；

统计剔除掉的大片反光造成的白色区域所占像素的数目为S2；

统计代表非立方织构的亮白点所占像素的数目为S3；

确定非立方织构在铝箔中的含量为S3/(S1-S2)；

根据确定的非立方织构在拼接后的铝箔图片中的含量，得到立方织构在铝箔中的含量为1-S3/(S1-S2)。

本发明的上述技术方案的有益效果如下：

上述方案中，通过读取相机连续拍摄的多张铝箔图片，并将拍摄的所述多张铝箔图片拼接为一张铝箔图片；提取出拼接后的铝箔图片中的铝箔；提取出拼接后的铝箔图片中的非立方织构；分别统计提取出的所述铝箔所占像素的数目和提取出的所述非立方织构所占像素的数目，根据统计的所述铝箔所占像素的数目和所述非立方织构所占像素的数目，得到立方织构在铝箔中的含量。这样，以机器视觉替代人眼观察，对立方织构占比进行定量分析，可以高效、自动、智能地实现立方织构含量的检测，从而有效地降低人力投入、减少检测时间，并能够保障检测的准确率，为电子铝箔产品的生产工艺提供更为精准的质量信息反馈。

附图说明

图1为本发明实施例提供的基于图片处理的电子铝箔立方织构含量检测方法的流程示意图；

图2为本发明实施例提供的拼接后得到的铝箔图片示意图；

图3为将图2二值化处理后初步提取出的铝箔部分的图片示意图；

图4为本发明实施例提供的利用连通域去除噪点后得到铝箔与背景完整区分开来的图片示意图；

图5为本发明实施例提供的利用顶帽变换与二值化处理初步提取非立方织构的图片示意图；

图6为本发明实施例提供的利用连通区域筛选剔除大片反光白色区域后最终得到的图片示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的采用人工观察的方法确定立方织构含量，结果准确率低的问题，提供一种基于图片处理的电子铝箔立方织构含量检测方法。

实施例一

如图1所示，本发明实施例提供的基于图片处理的电子铝箔立方织构含量检测方法，包括：

S101，读取相机连续拍摄的多张铝箔图片，并将拍摄的所述多张铝箔图片拼接为一张铝箔图片；

S102，提取出拼接后的铝箔图片中的铝箔；

S103，提取出拼接后的铝箔图片中的非立方织构；

S104，分别统计提取出的所述铝箔所占像素的数目和提取出的所述非立方织构所占像素的数目，根据统计的所述铝箔所占像素的数目和所述非立方织构所占像素的数目，得到立方织构在铝箔中的含量。

本发明实施例所述的基于图片处理的电子铝箔立方织构含量检测方法，通过读取相机连续拍摄的多张铝箔图片，并将拍摄的所述多张铝箔图片拼接为一张铝箔图片；提取出拼接后的铝箔图片中的铝箔；提取出拼接后的铝箔图片中的非立方织构；分别统计提取出的所述铝箔所占像素的数目和提取出的所述非立方织构所占像素的数目，根据统计的所述铝箔所占像素的数目和所述非立方织构所占像素的数目，得到立方织构在铝箔中的含量。这样，以机器视觉替代人眼观察，对立方织构占比进行定量分析，可以高效、自动、智能地实现立方织构含量的检测，从而有效地降低人力投入、减少检测时间，并能够保障检测的准确率，为电子铝箔产品的生产工艺提供更为精准的质量信息反馈。

在前述基于图片处理的电子铝箔立方织构含量检测方法的具体实施方式中，进一步地，所述读取相机连续拍摄的多张铝箔图片，并将拍摄的所述多张铝箔图片拼接为一张铝箔图片包括：

读取相机连续拍摄的多张铝箔图片；

基于模板匹配的方法对拍摄的每两张相邻的铝箔图片进行配准；

采用加权渐变的方法将配准后的每两张相邻的铝箔图片进行融合，得到拍摄的所述多张铝箔图片的拼接图片。

本实施例中，先读取相机连续拍摄的多张铝箔图片，为避免两张相邻图片部分区域重叠对后期检测精度造成影响，首先用基于模版匹配的方法对拍摄的每两张相邻的铝箔图片进行配准，再用加权渐变的方法将配准后的每两张相邻的铝箔图片进行融合，最终实现拍摄的所述多张铝箔图片的完整无缝拼接，结果如图2所示，图2中，1表示铝箔，2表示背景，3表示反光白色区域，4表示非立方织构。

在前述基于图片处理的电子铝箔立方织构含量检测方法的具体实施方式中，进一步地，所述基于模板匹配的方法对拍摄的每两张相邻的铝箔图片进行配准包括：

对拍摄的每两张相邻的铝箔图片，选取其中一张铝箔图片作为参考图片，另一张铝箔图片作为待配准图片；

确定所述参考图片中的感兴趣区域作为模板；

计算所述模板和所述待配准图片之间灰度值差值的绝对值总和：

其中，T表示模板，n表示模板中像素点的数目，u,v为x,y方向上的偏移量，t(x，y)为模板中坐标为(x,y)的像素点的灰度值，(u+x,v+y)为(x,y)有偏移量后的坐标，f(u+x，v+y)为模板移动到待配准图片当前位置时模板中坐标为(u+x,v+y)的像素点的灰度值，sad(u,v)是基于所述灰度值计算得到的一个标量值，表示模板与待配准图片的相似度，sad(u,v)的值越小表示模板与目标图片越相似，sad(u,v)最小时完成匹配。

在前述基于图片处理的电子铝箔立方织构含量检测方法的具体实施方式中，进一步地，所述采用加权渐变的方法将配准后的每两张相邻的铝箔图片进行融合，得到拍摄的所述多张铝箔图片的拼接图片包括：

利用公式I(x,y)＝I₁(x,y)(1-σ)+I₂(x,y)将配准后的每两张相邻图片进行融合，得到拍摄的所述多张铝箔图片的拼接图片；

其中，I₁(x，y)和I₂(x，y)分别表示配准后的待拼接的两张相邻图片各像素点的灰度值，I(x，y)表示I₁(x，y)和I₂(x，y)中重叠区域的像素点的灰度值，加权系数σ∈(0，1)，当σ由0慢慢变化到1时，图片从I₁(x，y)慢慢过渡到I₂(x，y)，实现了图片间的平滑过渡，从而消除了拼接的痕迹，最终实现拍摄的所述多张铝箔图片的完整无缝拼接。

在前述基于图片处理的电子铝箔立方织构含量检测方法的具体实施方式中，进一步地，所述提取出拼接后的铝箔图片中的铝箔包括：

对拼接后的铝箔图片进行二值化处理，使得拼接后的所述铝箔图片中的铝箔部分呈现白色、非铝箔部分呈现黑色；

将二值化处理后的铝箔图片中的每个非相邻的点各自都看作一个连通区域，统计每个连通区域所占像素的数量，判断每个连通区域所占像素的数量是否小于预设的第三阈值，若小于预设的第三阈值，则将小于预设的第三阈值的连通区域剔除掉。

本实施例中，为了对拼接后的铝箔图片进行二值化处理，需确定一个阈值(第一阈值)，将拼接后的铝箔图片中像素点的灰度值高于所述第一阈值的铝箔部分置为255，呈现为白色；将拼接后的铝箔图片中像素点的灰度值不高于所述第一阈值的非铝箔部分置为0，呈现为黑色。

本实施例中，作为一可选实施例，所述对拼接后的铝箔图片进行二值化处理，使得拼接后的所述铝箔图片中的铝箔部分呈现白色、非铝箔部分呈现黑色包括：

判断拼接后的铝箔图片中的像素点的灰度值是否大于预设的第一阈值；

若大于预设的第一阈值，则将大于预设的第一阈值的像素点的灰度值设为255，所述像素点呈现白色；

否则，将所述像素点的灰度值设为0，所述像素点呈现黑色。

本实施例中，所述第一阈值可以使用最大类间方差法对图片处理获得：

对于拼接后的铝箔图片I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点的数目占整幅拼接后的铝箔图片的比例记为ω₀，其平均灰度记为μ₀；背景像素点的数目占整幅拼接后的铝箔图片的比例记为ω₁，其平均灰度记为μ₁；拼接后的铝箔图片的总平均灰度记为μ，类间方差记为g；假设拼接后的铝箔图片的背景较暗，并且拼接后的铝箔图片的大小为M×N，拼接后的铝箔图片中像素的灰度值小于阈值T的像素个数记作N₀，像素点的灰度值大于等于阈值T的像素个数记作N₁，则有：

ω₀＝N₀/M×N(1)

ω₁＝N₁/M×N(2)

N₀+N₁＝M×N(3)

ω₀+ω₁＝1(4)

μ＝ω₀*μ₀+ω₁*μ₁(5)

g＝ω₀(μ₀-μ)^2+ω₁(μ₁-μ)^2(6)

将式(5)代入式(6)，得到等价公式:

g＝ω₀ω₁(μ₀-μ₁)^2(7)

对拼接后的铝箔图片采用遍历的方法得到使类间方差最大的阈值T，即为第一阈值，例如，阈值T＝75，以此阈值对拼接后的铝箔图片进行二值化处理，将拼接后的铝箔图片中像素点的灰度值高于此阈值的铝箔部分置为255，呈现为白色；将图片中像素点的灰度值不高于此阈值的非铝箔部分置为0，呈现为黑色，结果如图3所示，图3中，5表示噪点。

本实施例中，作为又一可选实施例，所述预设的第一阈值为使类间方差g＝ω₀ω₁(μ₀-μ₁)^2达到最大时的前景和背景的分割阈值，g为类间方差，ω₀为前景像素点数占整幅拼接后的铝箔图片的比例，μ₀为前景的像素点的平均灰度，ω₁为背景像素点数占整幅拼接后的铝箔图片的比例，μ₁为背景的像素点的平均灰度。

本实施例中，因为铝箔是不平整的，铝箔的背景也有可能受到污染，这就导致了拼接后的铝箔图片在二值化后，白色铝箔部分会有黑点产生，黑色非铝箔部分会有白点产生，为了避免这些噪点的影响(如图3所示)，可以把每个非相邻的点都看作一个连通区域，统计每个连通区域所占像素的数量，即为每个连通区域的面积，判断每个连通区域所占像素的数量是否小于预设的第三阈值，若小于预设的第三阈值，则将小于预设的第三阈值的连通区域剔除掉，从而将这些噪点剔除，将铝箔从背景中提取出来，结果如图4所示。

在前述基于图片处理的电子铝箔立方织构含量检测方法的具体实施方式中，进一步地，所述提取出拼接后的铝箔图片中的非立方织构包括：

对拼接后的铝箔图片进行顶帽变换处理；

对顶帽变换处理后的铝箔图片进行二值化处理，将代表非立方织构的亮白点从不均匀的背景中初步分离出来；

统计每个白色连通区域所占像素的数量，判断每个白色连通区域所占像素的数量是否大于预设的第四阈值，将大于预设的第四阈值的白色连通区域剔除掉，将代表非立方织构的亮白点精确地从背景中分离出来；

其中，剔除掉的白色连通区域是由于大片反光造成的白色区域。

本实施例中，以拼接后的铝箔图片中铝箔表面代表非立方织构的亮白点为目标的情况下，铝箔其他部分的灰度值非常不均匀。这样，可以先采用基于顶帽变换的方法消除该影响：假设F为输入图片，B为采用的结构元素，G为输出图片，ο表示形态学开操作，则G＝F-(FοB)，即从原图中减去形态学开操作后得到的图片；再使用最大类间方差法确定用于二值化操作的第二阈值，当类间方差g＝ω₀ω₁(μ₀-μ₁)^2达到最大时，此时阈值T＝53，即为第二阈值＝53，经二值化处理后便可将代表非立方织构部分的亮白点从不均匀的背景中初步分离出来，结果如图5所示。

本实施例中，由于铝箔的褶皱不平会在图片拍摄过程中造成反光，产生大片白色区域，同样会在二值化过程中被当作白点分离出来，极大影响检测精度，所以需要剔除。首先统计每个白色连通区域所占像素的数量，判断每个白色连通区域所占像素的数量是否大于预设的第四阈值，将大于预设的第四阈值的白色连通区域剔除掉，从而实现将代表非立方织构的亮白点更为精确地从背景中分离出来，除了非立方织构在图片中呈现为亮白点外，其他部分均呈现为黑色，结果如图6所示。

本实施例中，所有的白点或者大片白色区域，都可以是一个白色连通区域，即使它是一个像素数为1的点，也可以算是一个白色连通区域，只不过是最小的白色连通区域，然后利用第四阈值把含有像素数非常大的白色连通区域(已经不能算作点的那种大片白色反光区域)剔除掉。

本实施例中，剔除掉的白色连通区域是由于大片反光造成的白色区域，所述第四阈值的取值可以为200，是基于大量图片统计确定的。

在前述基于图片处理的电子铝箔立方织构含量检测方法的具体实施方式中，进一步地，所述对顶帽变换处理后的铝箔图片进行二值化处理，将代表非立方织构部分的亮白点从不均匀的背景中初步分离出来包括：

判断顶帽变换处理后的铝箔图片中的像素点的灰度值是否大于预设的第二阈值；

若大于预设的第二阈值，则将大于预设的第二阈值的像素点的灰度值设为255，所述像素点呈现白色；

否则，将所述像素点的灰度值设为0，所述像素点呈现黑色；

其中，所述预设的第二阈值由最大类间方差法确定。

在前述基于图片处理的电子铝箔立方织构含量检测方法的具体实施方式中，进一步地，所述分别统计提取出的所述铝箔所占像素的数目和提取出的所述非立方织构所占像素的数目，根据统计的所述铝箔所占像素的数目和所述非立方织构所占像素的数目，得到立方织构在铝箔中的含量包括：

统计提取出的所述铝箔所占像素的数目为S1；

统计剔除掉的大片反光造成的白色区域所占像素的数目为S2；

统计代表非立方织构的亮白点所占像素的数目为S3；

确定非立方织构在铝箔中的含量为S3/(S1-S2)；

根据确定的非立方织构在拼接后的铝箔图片中的含量，得到立方织构在铝箔中的含量为1-S3/(S1-S2)。

本实施例中，统计S102中提取出的所述铝箔所占像素的数目为S1＝1790924并保存；统计剔除掉的大片反光造成的白色区域所占像素的数目为S2＝115605并保存；统计代表非立方织构的亮白点所占像素的数目为S3＝77849并保存；对以上结果进行四则运算，确定非立方织构在铝箔中的含量为S3/(S1-S2)＝4.65％；根据确定的非立方织构在拼接后的铝箔图片中的含量，最终得到立方织构在铝箔中的含量为1-S3/(S1-S2)＝1-4.65％＝95.35％。

综上，将相机连续拍摄的多张铝箔图片进行拼接完成后，利用最大类间方差法确定第一阈值、二值化处理、连通区域等方法提取出拼接后的铝箔图片中的铝箔；然后通过顶帽变换、最大类间方差法确定第二阈值、二值化处理、连通区域筛选等方法提取出拼接后的铝箔图片中的非立方织构；最后，对各结果统计分析计算得到非立方织构在铝箔中的含量，从而可以得到立方织构的含量。这样，以机器视觉替代人眼观察，采用图片处理技术分析相机拍摄的多张铝箔图片，识别出铝箔图片上代表非立方织构的亮白点，计算出亮白点的面积占该铝箔图片中铝箔面积的比值，即说明了非立方织构的含量，从而得到立方织构的含量，能够高效、自动地实现立方织构含量的检测，有效地降低人力投入、减少检测时间，并保障检测的准确率，为电子铝箔产品的生产工艺提供更为精准的质量信息反馈。

本实施例中，机器视觉的特点是自动化、客观、非接触和高精度。高精准摒弃依靠人工肉眼方式的“原始”质量检测。因为采用统一的标准，所以不受人工产生疲劳、情绪、误判等因素的影响。高质量的图片传感照相拍摄检测系统设备和高水平的机器视觉算法处理检测手段，可实现真正意义上的生产量化，确保铝箔产品的生产质量。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。