[发明专利]基于深度卷积神经网络的匀光板缺陷检测方法

说明书

本发明公开了一种基于深度卷积神经网络的匀光板缺陷检测方法。包括：使用相机自顶向下采集原始匀光板图像；对原始匀光板图像进行灰度化处理；对灰度化处理结果进行降采样；对降采样结果进行基于阈值化的差分归一化处理；对归一化结果进行伽马变换，得到增强匀光板图像；构建形态学结构算子，根据形态学结构算子对增强匀光板图像进行膨胀运算；对膨胀后的匀光板图像进行边缘检测，得到匀光板梯度图；进行阈值分割、连通域过滤处理，生成标注结果；将标注结果与匀光板图像作为样本数据集，训练深度卷积神经网络，实现匀光板缺陷的自动检测。利用本发明，可以在匀光板质量检测场景中，使匀光板缺陷检测更容易，提高检测准确率。

技术领域

本发明涉及计算机视觉、深度学习领域，具体涉及一种基于深度卷积神经网络的匀光板缺陷检测方法。

背景技术

目前，匀光板的使用主要用于布景灯、工业光源和室内装潢中。然而，市场上匀光板质量参差不齐，质量较差的匀光板存在光照不均匀，明暗相间或者出光的面板里面有异物造成有亮斑。

造成匀光板质量参差不齐的诸多因素中，匀光板质量检测漏检率高是一个关键因素。匀光板在生产过程中，由于技术条件限制，难以保证每一个匀光板都能够实现均匀光照。后续在质量环节，现有的匀光板质量检测仍然靠人工肉眼检验。因为匀光板的光照较强，亮度的均匀性通过肉眼很难分辨清楚，肉眼在亮斑等光照不均匀的方面存在鉴别困难的问题。而且，人工在检验时，难以察觉亮斑。尤其是在检测大量的匀光板时，由于视觉疲劳等原因，很容易出现错误的检测难免出现误检，导致匀光板缺陷检测误检率高。

一些高端的生产线主要使用基于机器视觉系统的检测流水线，但对于各种性能的匀光板而言，检测过程中调参难、工作量较大，且容易因为生产环境的小幅度变化而导致误检、漏检。一般的机器视觉系统是基于阈值分割的，对相机、光照等问题极为敏感，匀光板不均匀处的细小亮斑属于一种MURA特征，因此难以稳定分割。目前，用于检测目标位置的深度神经网络在匀光板缺陷检测方面误检率很高，主要是因为肉眼鉴别困难导致样本标注困难。

因此，现有匀光板缺陷检测技术存在鉴别困难、误检率高的问题。

发明内容

本发明提供了一种基于深度卷积神经网络的匀光板缺陷检测方法，该方法基于形态学运算对匀光板图像进行处理，然后基于深度卷积神经网络对处理后的图像进行缺陷分割，实现了匀光板缺陷检测，使匀光板缺陷检测更容易，提高检测准确率。

一种基于深度卷积神经网络的匀光板缺陷检测方法，该方法包括：

步骤一，将匀光板置于黑色背景上，开启黑色背景后的光源，使用彩色面阵相机自顶向下采集原始匀光板图像；

步骤二，根据原始匀光板图像的RGB数据进行灰度化处理，得到匀光板灰度图像；

步骤三，设置降采样系数，根据降采样系数，对匀光板灰度图像进行降采样处理，得到降采样匀光板灰度图像；

步骤四，根据匀光板的特性，设置阈值，对降采样匀光板灰度图像进行基于阈值化的差分归一化处理，得到归一化匀光板图像；

步骤五，设置伽马变换系数，对归一化匀光板图像进行伽马变换增强处理，得到增强匀光板图像；

步骤六，构建形态学结构算子，根据形态学结构算子对增强匀光板图像进行膨胀运算；

步骤七，对膨胀后的匀光板图像进行边缘检测，得到匀光板梯度图；

步骤八，对匀光板梯度图进行阈值分割、连通域过滤处理，将处理结果作为标注结果；

步骤九，将标注结果与原始匀光板图像组成样本数据集，基于交叉熵损失函数训练深度卷积神经网络，实现匀光板缺陷的自动检测。

步骤二中的灰度化处理具体为：