一种基于深度学习的导光板线划伤缺陷检测方法技术

本发明专利技术公开了一种基于深度学习的导光板线划伤缺陷检测方法，包括以下步骤：采集导光板图像，灰度变换，边缘锐化，灰度范围调整，缺陷修复，图像差分，全局阈值分割，连通域分割，特征筛选，缺陷显示，从而将生成的缺陷标识图像显示出来。采用本发明专利技术的方法能实现从采集的导光板图像中快速、准确的分别出导光板上的划痕或缺陷。

【技术实现步骤摘要】
一种基于深度学习的导光板线划伤缺陷检测方法
本专利技术属于深度学习的图像识别领域，具体涉及一种基于深度学习的导光板线划伤缺陷检测方法。
技术介绍
导光板(LightGuidePlate,LGP)是利用光学级的亚克力/PC板材，然后利用具有较高反射率并且不吸光的高科技材料，在光学级的亚克力板材底面用V型十字网格雕刻、激光雕刻、UV网版印刷技术印上导光点。在导光板的生产制造过程中，由于生产设备、加工和安装工艺的人为操作误差等因素的影响，其表面不可避免的会受到尖锐外力作用而产生各种大小、明暗不一的线划伤，其中导光点稀疏区的轻微线划伤因长短不一，平均灰度值与导光板背景灰度值差距较小而最难检测，在工业相机下成像面积极小且灰度值低，肉眼难以发现，人工检查困难。而线划伤缺陷产生情况又分为前制程和后制程两个阶段，在前制程产生线划伤主要分为三种情况：(1)在安装模仁时不慎将模仁表面划伤；(2)在处理模具异常时(如:拆滑块保养模具等)不慎将模仁表面划伤；(3)在擦试模仁表面时，因棉花不洁净或手指甲造成的模仁表面划伤等。在后制程产生线划伤又分为三种情况：(1)设备调试不合理：指产品在进行某一个后制程动作加工时被后制程设备的某个零部件刮伤产品表面；(2)当导光板表面与后制程设备的某部位接触并发生移动摩擦时，因与导光板接触面的不洁净(有粉粒、异物等)导致与导光板表面产生较大的摩擦而致使产品表面划伤(如：裁切平台、抛光平台、清洁滚轮等)；(3)检验员的作业手法不标准或检验员的粗心大意导致产品表面划伤等。(如除毛时，除毛刀划伤产品等)。导光板缺陷的存在会影响相关设备的使用，导致设备的使用效率，发光的均匀性以及寿命等都会受到影响，此外，有缺陷导光板的外销会严重损害企业的信誉，对企业的长远发展造成重大的负面影响，因此，对生产的导光板进行质量检测，剔除劣质品尤为重要。目前，国内企业对导光板缺陷进行检测还主要依赖于人工操作，但人工操作存在以下问题：(1)长时间处于不佳的工作环境会严重损害员工的视力健康；(2)员工很难掌握复杂度较高，难度较大的导光板检测技术；(3)人工检测极易受外界环境影响，检测精度难以得到保证；(4)员工主要依据肉眼进行判断，难以形成可以量化的质量标准。目前大部分基于深度学习的表面缺陷检测都是基于有监督的表征学习方法，虽然准确率比较高，但是需要大量的缺陷数据集来对检测网络进行训练，而真实的工业环境中，往往无法提供大量的工业缺陷样本。由于以上所提及的导光板缺陷比较微小，为了提高检测精度需要利用高精度的线阵相机进行图像的采集。导光板图像大小一般有500MB左右，而企业要求检测时间控制在16秒以内，因此这对检测算法要求甚高。目前现有的算法难以达到企业的实际要求，因此提出一种简单、高效的导光板线划伤缺陷检测的方法是关键。
技术实现思路
本专利技术所要解决的问题是提供一种基于深度学习的导光板线划伤缺陷检测方法，从而实现从采集的导光板图像中快速、准确的分别出导光板上的划痕或缺陷。为解决上述问题，本专利技术提供法一种基于深度学习的导光板线划伤缺陷检测方法，包括以下步骤：步骤1、采集导光板图像：采用线扫相机采集导光板图像，获得高精度的导光板图像；步骤2、灰度变换：对步骤1输入的原始图像进行灰度变换，利用如下线性变换公式，将导光板图像中导光点和线划伤缺陷的灰度值与背景灰度值的差距扩大：H(x,y)＝Mult×K(x,y)+Add其中，K(x,y)为原图像位置为(x,y)处的灰度值，Mult为灰度值扩大倍数，Add为灰度增加值，H(x,y)为位置为(x,y)处灰度变换后的灰度值；步骤3、边缘锐化：采用自适应LoG滤波器对于步骤2灰度变换后的图像进行边缘锐化，自适应LoG滤波器表达式为：其中，Max(K)为全局灰度最大值，Min(K)为全局灰度最小值，K(x,y)为图像坐标为(x,y)处的灰度值，K(x',y')为图像坐标为(x,y)处的临近坐标(x',y')的灰度值，σ为方差(也称尺度因子)；步骤4、灰度范围调整：对经过步骤3自适应的LoG滤波器卷积后的图像进行灰度调整，获得灰度调整后的图像，调整后的灰度值为：K'(x,y)＝K(x,y)+128其中，K(x,y)为图像坐标为(x,y)处的灰度值；步骤5、缺陷修复：将步骤4灰度范围调整后的图像作为输入数据输入到训练好的残差卷积自动编码器中，得到缺陷修复的图像；步骤6、图像差分：对步骤4获得的灰度调整后的图像和步骤5获得的缺陷修复的图像做差，可以得到二者之间缺陷增强图像，表达式为：X(x,y)＝X1(x,y)-X2(x,y)其中，X1为步骤4获得的灰度调整后的图像，X2为步骤5获得的缺陷修复图像，x，y分别是图像X1和图像X2对应的像素点坐标；步骤7、全局阈值分割：对步骤6通过图像差分获得的图像进行二值化阈值分割，公式为：其中，R(x,y)是像素点(x,y)处阈值分割判断的结果，th为(x,y)处像素的灰度值，th0为分割的阈值；步骤8、连通域分割：对7获得的结果图像区域，按八联通的标准，将没有连接在一起的区域块划分成一个个单独的小区域；步骤9、特征筛选：区域面积特征的定义为：统计区域内像素数目，设一个区域R对应的区域面积为A，则：A＝∑(x,y)∈R1其中，x，y为像素的坐标；区域圆度特征的定义为：目标区域接近圆型的程度，表示为：其中，P是区域的周长，S是区域的面积，C是区域圆度；按面积和区域圆度特征进行筛选，从而得到线划伤缺陷区域，满足A>30∩C<0.05的区域判定为线划伤缺陷，生成缺陷标识图像；步骤10、缺陷显示：将步骤9中生成的缺陷标识图像显示出来。作为对本专利技术一种基于深度学习的导光板线划伤缺陷检测方法进一步改进，步骤5中所述训练好的残差卷积自动编码器，具体训练的步骤如下：步骤5-1、建立卷积自动编码器，结构包括：输入层、3×3卷积层、最大池化层、3×3卷积层、最大池化层、最近邻插值上采样、3×3卷积层、最近邻插值上采样、3×3卷积层、输出层；步骤5-2、改进残差卷积自动编码器：参考残差网络的思想，将卷积自动编码器的卷积层输出恒等映射给卷积自动编码器对应的卷积层，恒等映射的公式为：H′(x)＝F(H(x))+H(x)其中，x为自动编码器的输入图像数据，H(x)为编码器对应层的输出，F(H(x))为解码器卷积层的计算结果，H′(x)为解码器卷积层的输出结果。卷积层是对上一层输出用卷积核进行卷积操作，表达式为：其中，l+1为上一层，l+2为下一层，b(l+2)为下一层的偏置，(u,v)为原点坐标，(i+u,j+v)为原点周围最近邻的八个点的坐标，为上一层特征图的(i+u,j+v)位置的值，为下一层卷积核(i,j)位置的权值，为下一层特征图位置为(u,v)的值，卷积核坐标为fa()为激活函数，采用ReLU函数：本文档来自技高网...

【技术保护点】
1.一种基于深度学习的导光板线划伤缺陷检测方法，其特征在于包括以下步骤：/n步骤1、采集导光板图像：采用线扫相机采集导光板图像，获得高精度的导光板图像；/n步骤2、灰度变换：对步骤1输入的图像进行灰度变换，利用如下线性变换公式，将导光板图像中导光点和线划伤缺陷的灰度值与背景灰度值的差距扩大：/nH(x,y)＝Mult×K(x,y)+Add/n其中，K(x,y)为原图像位置为(x,y)处的灰度值，Mult为灰度值扩大倍数，Add为灰度增加值，H(x,y)为位置为(x,y)处灰度变换后的灰度值；/n步骤3、边缘锐化：采用自适应LoG滤波器对于步骤2灰度变换后的图像进行边缘锐化，自适应LoG滤波器表达式为：/n

【技术特征摘要】
1.一种基于深度学习的导光板线划伤缺陷检测方法，其特征在于包括以下步骤：
步骤1、采集导光板图像：采用线扫相机采集导光板图像，获得高精度的导光板图像；
步骤2、灰度变换：对步骤1输入的图像进行灰度变换，利用如下线性变换公式，将导光板图像中导光点和线划伤缺陷的灰度值与背景灰度值的差距扩大：
H(x,y)＝Mult×K(x,y)+Add
其中，K(x,y)为原图像位置为(x,y)处的灰度值，Mult为灰度值扩大倍数，Add为灰度增加值，H(x,y)为位置为(x,y)处灰度变换后的灰度值；
步骤3、边缘锐化：采用自适应LoG滤波器对于步骤2灰度变换后的图像进行边缘锐化，自适应LoG滤波器表达式为：



其中，Max(K)为全局灰度最大值，Min(K)为全局灰度最小值，K(x,y)为图像坐标为(x,y)处的灰度值，K(x',y')为图像坐标为(x,y)处的临近坐标(x',y')的灰度值，σ为方差(也称尺度因子)；
步骤4、灰度范围调整：对经过步骤3自适应的LoG滤波器卷积后的图像进行灰度调整，获得灰度调整后的图像，调整后的灰度值为：
K'(x,y)＝K(x,y)+128
其中，K(x,y)为图像坐标(x,y)处的灰度值；
步骤5、缺陷修复：将步骤4灰度调整后的图像作为输入数据输入到训练好的残差卷积自动编码器中，得到缺陷修复的图像；
步骤6、图像差分：对步骤4获得的灰度调整后的图像和步骤5获得的缺陷修复的图像做差，可以得到二者之间缺陷增强图像，表达式为：
X(x,y)＝X1(x,y)-X2(x,y)
其中，X1为步骤4获得的灰度调整后的图像，X2为步骤5获得的缺陷修复图像，x，y分别是图像X1和图像X2对应的像素点坐标；
步骤7、全局阈值分割：对步骤6通过图像差分获得的图像进行二值化阈值分割，公式为：



其中，R(x,y)是像素点(x,y)处阈值分割判断的结果，th为(x,y)处像素的灰度值，th0为分割的阈值；
步骤8、连通域分割：对7获得的结果图像区域，按八联通的标准，将没有连接在一起的区域块划分成一个个单独的小区域；
步骤9、特征筛选：区域面积特征的定义为：统计区域内像素数目，设一个区域R对应的区域面积为A，则：
A＝∑(x,y)∈R1
其中，x，y为像素的坐标；
区域圆度特征的定义为：目标区域接近圆型的程度，表示为：



其中，P是区域的周长，S是区域的面积，C是区域圆度；
按面积和区域圆度特征进行筛选，从而得到线划伤缺陷区域，满足A＞30∩C＜0.05的区域判...

【专利技术属性】
技术研发人员：李俊峰，胡捷，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33