[发明专利]一种基于深度学习的手机外壳缺陷检测方法

说明书

本发明涉及一种基于深度学习的手机外壳缺陷检测方法，该方法包括如下步骤：(1)获取待检测手机外壳图像并进行预处理；(2)将预处理后的图像输入至预先训练好的缺陷检测模型进行缺陷检测得到手机外壳上存在缺陷的位置，并给出该位置为缺陷的置信度；其中，缺陷检测模型为基于深度学习的深度网络，包括依次级联而成的特征提取网络以及分类器与回归器网络，所述的特征提取网络对预处理的图像进行特征提取得到特征图像，所述的分类器与回归器网络对特征图像进行分类回归得到手机外壳缺陷位置以及置信度。与现有技术相比，本发明检测精度高，检测结果准确可靠。

技术领域

本发明涉及一种手机外壳缺陷检测方法，尤其是涉及一种基于深度学习的手机外壳缺陷检测方法。

背景技术

随着手机的普及及其快速的更新换代，工业产线的手机外壳产品，有着极大的产量需求。从配料到最终成型的整个过程中，由于运输、生产工艺、意外等情况，手机外壳上常常存在各种缺陷(例如磕伤、划伤、擦伤、异色不均等)，而这些存在缺陷的产品会影响其性能或降低用户体验，因而是不允许流入市场的。尽管在过去的十几年中，工业产品生产有了极大的进步且生产需求日益增加，但对相关工业产品的缺陷检测仍依赖人工完成，现在主流的人工目视检测不仅效率低下，而且检测标准主观因素大，严重制约工业制造的自动化进程，并且人工在线缺陷检测不但会使成本上升，也对人力资源提出了考验。近年来，基于机器视觉的自动化缺陷检测方法被广大研究者所关注，也越来越受到厂商的青睐，但现行方法检测精度低且耗时长，不能满足实时检测需求，成为了制约机器取代人类进行缺陷检测的主要因素。

目前尚未有针对手机外壳的缺陷检测专利，但存在对于手机液晶屏幕缺陷检测以及对手机底板连接器的缺陷检测。已有的手机缺陷检测检测技术，大多采用传统的图像处理与识别技术，例如灰度变换、图像二值化、边缘检测、模板匹配等；且利用了较为经典的人工特征，例如SIFT，SURF，Haar，HOG等算子，并通过神经网络或SVM分类器进行图像分类。

其中对手机屏幕的缺陷检测是通过采集液晶屏清晰图像，将采集到的图像进行灰度处理，随后对灰度图像分别进行列投影和行投影，根据投影的极小值，将最开始获取的图像划分为网状的像素块图像，再将整个图像划分为多个区域，每个区域包含多个像素块，针对各区域根据各像素块灰度与该区域平均灰度的差距检测出有缺陷的像素块；从而多种像素的缺陷检测的。

而对手机底板连接器的缺陷检测则是主要通过模板匹配进行的。首先要制作标准的手机底板连接器灰度图像模板；随后，对待测试图像进行预处理和灰度变换；并分别对测试图像和模板进行SURF算法处理获取特征点和仿射变化，用最近邻匹配法匹配特征点；之后，用RANSAC模型来消除误匹配特征点；再根据仿射矩阵将待测试图像转换到模板尺度空间上，得到一副新图像，分别对矫正后的测试图像和标准图像进行二值化，并将二值化图像进行相减；最后，对差值图像进行形态学处理，以此为依据判断测试图像是否为合格，如果有缺陷，标记缺陷位置。

类似的以传统图像处理与特征提取为主要手段的缺陷检测方式，还运用到了太阳能板的缺陷检测，钢轨的缺陷检测，LED缺陷检测等领域上，但是对于手机外壳的缺陷检测这一问题，由于手机外壳缺陷存在面积较小，极其轻微，缺陷形式多种多样，与背景对比度不强的特点，上述传统算法并不能良好地应用于手机外壳的缺陷检测中，无论从处理时间还是检测的精准度上，都不能满足工业生产的需求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的手机外壳缺陷检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的手机外壳缺陷检测方法，该方法包括如下步骤：

(1)获取待检测手机外壳图像并进行预处理；

(2)将预处理后的图像输入至预先训练好的缺陷检测模型进行缺陷检测得到手机外壳上存在缺陷的位置，并给出该位置为缺陷的置信度；