[发明专利]一种用于手机屏幕缺陷检测的深度残差网络构造方法

说明书

一种用于手机屏幕缺陷检测的深度残差网络构造方法,包括：1)分别采集包含瑕疵图片和正常图片，进行标记(1表示包含瑕疵图片，0表示正常图片)，通过训练数据训练自定义的深度残差网络直到收敛并且有较高准确率；2)通过对深度残差网络的每个残差模块使用一定的概率进行随机移除的方法来生成浅层网络模型，并重复进行此操作，生成多个不同深度的网络模型；3)将高分辨率相机拍摄的手机屏幕图片进行不同比例的缩放，形成图片金字塔，对于每个尺度的图片，将图片分割成小块并使得图片块含有一定的重合面积，将所有小块图片作为一个组一起送入不同深度的网络模型中；4)选取每个网络模型输出的特征图作为缺陷的响应图，采用阈值分割的方法获得手机屏幕缺陷区域位置，最后将不同深度的网络模型的检测结果叠加，从而获得最终检测结果。

技术领域

本发明属于目标检测与识别领域，涉及从图像中检测特定目标，具体是检测手机屏幕缺陷的方法。

背景技术

传统的用人工检测屏幕瑕疵方法存在诸多不足之处，在工业生产高速发展的今天，它已经完全无法适应当今工业生产高效、准确的要求。对手机屏幕产商而言，寻找一种高效、准确的自动化检测设备用以替代人工检测环节，成为了迫切的需求。随着计算机视觉、图像处理等领域的发展，基于机器视觉的自动化检测系统成为了一种良好的解决方案。该方案通过高分辨率工业相机采集手机屏幕图像，然后将图像信息通过图像分析模块进行实时的处理，从而判断手机屏幕是否合格。

传统的基于机器视觉的屏幕缺陷检测算法，大多是针对一种或几种类别的屏幕缺陷进行设计的，不具有通用性，所以对于特殊的瑕疵，需要写专门的算法。由于屏幕的特殊性，拍照时在成像上的摩尔纹是不可避免的，而传统算法不能很好地解决摩尔纹问题。另外，传统的算法虽然可以检测较明显的线状、点状缺陷，但是对于成像上很淡缺陷以及具有特殊形状的缺陷，准确率很低。最后，传统的屏幕缺陷检测算法需要调节大量参数，尤其是在屏幕产品换型时，调整大量参数会导致时间的浪费。因此，设计一个具有良好泛化性的算法具有非常实用的价值。

近年来，深度学习方法在计算机视觉领域产生了巨大的影响。深度学习采用多层网络结构，模拟人脑中神经系统的层次关系和传递方式，它已经在模式识别的多个领域得到了广泛的应用并取得了良好的成绩。本方法采用基于深度残差神经网络的分类算法，使用预处理后的手机屏幕局部图像块作为分类器的输入，然后抽取卷积神经网络的特征图作为检测结果，将缺陷检测问题转变成一个图像块分类问题，通过此方法得到的深度模型不仅能够有效地学习到图像的背景纹理模式，从含有背景纹理的图像块中准确地定位缺陷的位置，而且对于各种类型的缺陷都有较高的准确率。此外，深度残差网络模型是一种隐式的集成学习方法，训练一个深度残差网络模型可以通过移除残差模块的方式生成很多浅层网络模型，这些浅层网络模型对各种不同类型的缺陷分别具有不同的敏感度，从而能够相辅相成，检测各种不同的缺陷。使用深度残差网络的算法相比传统算法，训练过程简单，检测成功率高，并且通用性更好。

发明内容

本发明要克服基于机器视觉的屏幕缺陷检测算法的上述缺陷，提供一种用于手机屏幕缺陷检测的深度残差网络构造方法。

为实现上述目的，本发明所述的基于卷积神经网络剪枝算法的手机屏幕缺陷检测方法包括如下步骤：

1)分别采集包含瑕疵图片和正常图片，进行标记(1表示包含瑕疵图片，0表示正常图片)，通过训练数据训练自定义的深度残差网络直到收敛并且有较高准确率；

2)通过对深度残差网络的每个残差模块使用一定的概率进行随机移除的方法来生成浅层网络模型，并重复进行此操作，生成多个不同深度的网络模型；

3)采集手机屏幕图片数据，生成图片金字塔，分割成图片块且保证每个图片块之间具有一定的重叠面积，用于测试阶段数据生成，送入到步骤2)获得的多个不同深度的网络模型中进行运算；