基于深度卷积神经网络的匀光板缺陷检测方法技术

本发明专利技术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。利用本发明专利技术，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。

A method of detecting the defects of the uniform plate based on the deep convolution neural network

【技术实现步骤摘要】
基于深度卷积神经网络的匀光板缺陷检测方法
本专利技术涉及计算机视觉、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。
技术介绍
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。
技术实现思路
本专利技术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：根据原始匀光板图像的RGB数据，取三通道中的最大值作为像素点的灰度值，描述匀光板的光照强度：P’mn＝max(Rmn,Gmn，Bmn)，其中，Rmn,Gmn，Bmn分别表示(m，n)位置处像素的红、绿、蓝通道分量值，P’mn为匀光板灰度图像P’在位置(m，n)处的灰度值。步骤四具体为：根据匀光板的特性，设置阈值为150；根据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I，其中，Imn为I在位置(m，n)处的像素值，Pmn为降采样匀光板灰度图像P在位置(m，n)处的像素值，Pmax为降采样匀光板灰度图像P中的最大像素值。步骤五中的伽马变换具体为：其中，Imn为归一化匀光板图像I在位置(m，n)处的像素值，S为增强匀光板图像，γ取1.5。步骤七具体为：使用Sobel算子对膨胀后的匀光板图像分别计算x方向的梯度图和y方向的梯度图，其中，x方向和y方向的卷积核分别为：和对x方向的梯度图和y方向的梯度图进行差分归一化处理；对归一化处理后的x方向的梯度图、y方向的梯度图进行合并操作，得到匀光板梯度图。步骤九包括：采集多个匀光板的原始匀光板图像，生成对应的标注结果；将原始匀光板图像与标注结果组成样本数据集，输入深度卷积神经网络；基于交叉熵损失函数训练深度卷积神经网络，保存训练好的深度卷积神经网络；将待检测匀光板图像输入训练好的深度卷积神经网络，得到匀光板缺陷检测结果，实现匀光板缺陷的自动检测。本专利技术的有益效果在于：1、本专利技术采用基于阈值化的差分归一化处理、图像增强、边缘检测等图像处理技术，得到匀光板缺陷结果，降低了检测匀光板缺陷的难度；2、本专利技术基于匀光板缺陷结果进行样本自动标注，根据标注结果训练深度卷积神经网络，降低了匀光板缺陷检测的误检率，提高了缺陷检测准确率。附图说明图1为基于深度卷积神经网络的匀光板缺陷检测方法流程图；图2为原始匀光板图像；图3为归一化匀光板图像；图4为增强匀光板图像；图5为x方向的梯度图；图6为y方向的梯度图；图7为匀光板梯度图；图8为分割结果示意图；图9为标注结果示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供一种基于深度卷积神经网络的匀光板缺陷检测方法。本专利技术方法流程如图1所示。下面通过具体实施例来进行说明。实施例一：基于深度卷积神经网络的匀光板缺陷检测方法包括：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。首先将匀光板置于较黑的背景底色之上，在黑色背景之后设置光源，将彩色面阵相机固定置于匀光板正上方，自顶向下采集图像，获得原始匀光板图像。原始匀光板图像如图2所示。使用较黑的背景底色，是为了较好地将匀光板的光照度与背景色隔开，便于后续处理。在开发和制作灯具时更容易从处理结果中判断灯具的光照效果。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。光源经过匀光板透出来的光大都是LED三基色光源，有暖光、冷光等多种颜色。因此，取采样图像的3个通道中的最大值作为像素点的灰度值，以便更合适地描述其光照强度。根据以下公式进行计算：P'mn＝max(Rmn，Gmn，Bmn)其中，Rmn,Gmn，Bmn分别表示(m，n)位置处像素的红、绿、蓝通道分量值，P’mn为匀光板灰度图像P’在位置(m，n)处的灰度值。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。根据降采样系数，在匀光板灰度图像P’的像素矩阵中每隔k个点取一个点组成降采样图像，得到降采样匀光板灰度图像P，可以提本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的匀光板缺陷检测方法，其特征在于，该方法包括：/n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；/n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；/n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；/n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；/n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；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的匀光板缺陷检测方法，其特征在于，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。


2.如权利要求1所述的基于深度卷积神经网络的匀光板缺陷检测方法，其特征在于，所述步骤二中的灰度化处理具体为：
根据原始匀光板图像的RGB数据，取三通道中的最大值作为像素点的灰度值，描述匀光板的光照强度：P’mn＝max(Rmn,Gmn，Bmn)，其中，Rmn,Gmn，Bmn分别表示(m，n)位置处像素的红、绿、蓝通道分量值，P’mn为匀光板灰度图像P’在位置(m，n)处的灰度值。


3.如权利要求1所述的基于深度卷积神...

【专利技术属性】
技术研发人员：衡伟龙，李坤彬，
申请(专利权)人：郑州智利信信息技术有限公司，
类型：发明
国别省市：河南;41