[发明专利]一种基于神经网络可视化的摄像模组镜头脏污检测方法

说明书

本发明公开了一种基于神经网络可视化的摄像模组镜头脏污检测方法，针对缺陷样本较少的问题，提供比较快速和准确的脏污检测结果；本发明的有益效果在于，本发明的脏污检测方法使用的网络模型结构和原理比较简单，因此网络的推理时间快，可以达到实时检测的效果；本发明中的类激活图以神经网络可解释性为依据，类激活图的准确性能够更好地指导模型的训练，提高检测的准确率；本发明中的训练数据的准备和标注足够简单，适合工厂技术人员操作，从而能够加快模型的迭代效率以及新产品上线需求；本发明的脏污检测方法通过较小数量的样本就能实现较高的检测准确率，因此适合工厂生产线的长期使用。

技术领域

本发明涉及检测技术领域，具体为一种基于神经网络可视化的摄像模组镜头脏污检测方法。

背景技术

随着数字图像技术的快速发展，摄像头得到了越来越广泛的应用，包括手机摄像头，车载摄像头等。摄像头质量的好坏与摄像模组有很大关系。在摄像模组生产中，非常重要的一个环节就是检查和清洁模组镜头上的脏污。摄像模组镜头的生产车间虽然是无尘车间，但由于传感器本身存在成像错误的像素点以及在组装过程中产生的灰尘粒子，导致成像时会出现亮点、暗点、色点及暗斑等脏污。

目前脏污检测主要是人工检测的方法、传统图像分割的方法、基于深度学习的图像分割和目标检测的方法。由于脏污与图像背景之间的颜色梯度很小，人工辨识费力；且工人在工作过程中眼睛容易疲劳，以及难以避免的人为疏忽，易导致脏污漏检和误判。为了解决传统人工检测中低效率，低稳定性，实时性差，准确率不高的问题，需要研究一种快速、可靠的检测方法来代替人工检测。传统的图像分割的方法，需要人工选取特征和经验知识，计算量较大，微小的缺陷容易出现漏检，鲁棒性和泛化性能不好。基于深度学习的图像分割和目标检测的方法，需要较大的样本量，存在较大的数据标注工作量，不能适应产品更新换代快的需求；并且，没有考虑到实际工业场景中数据稀疏的问题，缺陷样本数据太少会引起过拟合，使模型缺乏泛化性能，最终影响缺陷检测的准确率。

发明内容

1.需要解决的技术问题

本发明解决的技术问题在于，提供一种基于神经网络可视化的摄像模组镜头脏污检测方法，针对缺陷样本较少的问题。

2.技术方案

为实现上述目的，本发明提供如下技术方案：一种基于神经网络可视化的摄像模组镜头脏污检测方法，包括如下步骤：

步骤1，采集摄像模组镜头图像，将图像分为缺陷样本和非缺陷样本；

步骤2，采用数据增广方法，对步骤1采集的图像进行数据增广，将图片的数量扩展为采集图像数量的8倍；

步骤3，搭建CNN模型，将图像从低维特征向高维特征学习，提取步骤2图像的特征，再对所述图像的特征进行全局均值池化，计算每个图像的特征的全图均值；

步骤4，采用均值为0，方差为0.001的高斯分布初始化网络，结果通过Softmax归一化，得到步骤3模型的模型参数；

步骤5，将步骤4训练好的模型进行推理运算，得到类激活图，以确认模型学习结果成功；

步骤6，对步骤5得到的类激活图进行自适应切割，得到检测图像脏污的检测结果。

上述的基于神经网络可视化的摄像模组镜头脏污检测方法，其中，所述步骤1包括如下步骤：

步骤1.1，电子显微镜采集所述摄像模组镜头的图像；

步骤1.2，对步骤1.1采集的图像分类，得到脏污图像和非脏污图像。

上述的基于神经网络可视化的摄像模组镜头脏污检测方法，其中，所述步骤2的数据增广方式包括随机左右翻转、随机水平翻转、随机亮度变化、随机颜色变化、随机旋转90°。