【技术实现步骤摘要】
基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法
本专利技术属于深度学习的图像识别领域,具体为基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法。
技术介绍
导光板(lightguideplate)是液晶显示器(LiquidCrystalDisplay)背光源的主要部件,通过各种疏密、大小不一的导光点控制光的散射方向,把冷阴极灯管的线光源转化为均匀面光源,为液晶显示器提供稳定的光源。在导光板的丝印制作、化学蚀刻、激光加工和撞点加工等生产制造过程中,由于原料成分、设备使用情况、加工工艺以及人工操作等因素的影响,其表面不可避免地会出现亮点、线划伤、刮伤等加工缺陷,有缺陷的导光板会直接影响液晶屏的显示效果。根据缺陷的形状,将缺陷分为三大类:点缺陷、线缺陷与面缺陷。点缺陷主要指的是在导光板内部形成的点状缺陷,主要包括亮点与压伤。在塑化过程中,塑胶原料因温度过低从而导致不能完全熔化、成型机周围粉尘较重或者塑胶原料不干净,掺杂着白色的杂质等,会呈现出亮点缺陷,而线缺陷与面缺陷指的是在导光板表面形成的线状和面状缺陷,主要表现为导光板表面出现划伤与刮伤痕迹。在导光板生产过程中,由于导光板接触面的不洁净,如抛光机、滚轮清洁等,或者与运输皮带存在相对位移,导致导光板在运动过程中产生较大的摩擦,从而在导光板表面形成条状划痕或者面状刮伤痕迹。目前,国内导光板缺陷检测主要依靠人工操作去完成,但人工检测缺陷的局限性非常明显,主要在于:(1)人工检测环境不佳,工人长期面对导光板,会严重损害员工视力;(2) ...
【技术保护点】
1.基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法,其特征在于:/n在手机导光板生产线末端,采用高分辨率线扫相机采集获得导光板图像,然后截取成一组分辨率为416×416的小图像,输入上位机中的具有在线生成能力的PAD导光板缺陷检测模型,输出获得带有缺陷标记及置信度的导光板图像,将结果输出并存储在上位机中;/n所述PAD导光板缺陷检测模型基于YOLOv3-Tiny网络构建,包括主干网络层和检测层,主干网络层包括7层网络结构,依次为:第1层为卷积层、第2、3层均为最大池化层+OSM模块、第4-7层均为最大池化层+卷积层,第5层输出的26×26特征图和第7层输出的13×13特征图作为检测层的输入;检测层包括第8层的卷积层、第一预测通道和第二预测通道,主干网络层输出的13×13特征图经过第8层后分别进入第一预测通道和第二预测通道,第一预测通道依次包括第9-11层,13×13特征图依次通过第9层的DCM模块、第10层的卷积层和第11层的第一预测头层;第二预测通道依次包括第12-16层,第12层卷积层输出的13×13特征图与第五层输出的26×26特征图在第13层的上采样层进行c ...
【技术特征摘要】
1.基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法,其特征在于:
在手机导光板生产线末端,采用高分辨率线扫相机采集获得导光板图像,然后截取成一组分辨率为416×416的小图像,输入上位机中的具有在线生成能力的PAD导光板缺陷检测模型,输出获得带有缺陷标记及置信度的导光板图像,将结果输出并存储在上位机中;
所述PAD导光板缺陷检测模型基于YOLOv3-Tiny网络构建,包括主干网络层和检测层,主干网络层包括7层网络结构,依次为:第1层为卷积层、第2、3层均为最大池化层+OSM模块、第4-7层均为最大池化层+卷积层,第5层输出的26×26特征图和第7层输出的13×13特征图作为检测层的输入;检测层包括第8层的卷积层、第一预测通道和第二预测通道,主干网络层输出的13×13特征图经过第8层后分别进入第一预测通道和第二预测通道,第一预测通道依次包括第9-11层,13×13特征图依次通过第9层的DCM模块、第10层的卷积层和第11层的第一预测头层;第二预测通道依次包括第12-16层,第12层卷积层输出的13×13特征图与第五层输出的26×26特征图在第13层的上采样层进行concatenate连接后输出26×26的特征图,再依次通过第15层的卷积层和第16层的第二预测头层;最终输出具有缺陷标记和置信度的导光板图像。
2.根据权利要求1所述的基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法,其特征在于,所述OSM模块:
包括一个大小为2、步长为1的重叠池化层、一个3*3的卷积模块和一个空间注意力模块,将重叠池化后的特征图经过空间注意力模块,并与卷积模块输出进行element-wise乘法,空间注意力模块连接重叠池化层的输出和卷积模块的输出;
OSM模块的计算过程如下:
其中,F为重叠池化后的特征图,P为OSM模块的输入,表示对P进行大小为2,步长为1的重叠池化,B为批归一化,L为LeakyRelu激活函数,表示element-wise乘法,M(F)为空间注意力;
其中,和表示在通道维度上进行平均池化和最大池化,f3×3表示3×3的卷积;σ表示sigmoid激活函数。
3.根据权利要求2所述的基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法,其特征在于,所述DCM模块:
包括一个膨胀率为2的膨胀卷积和一个1*1的卷积层,并且通过shortcut直接连接DCM模块的输入和输出,膨胀卷积后执行批归一化操作和激活函数。
4.根据权利要求3所述的基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法,其特征在于,
所述主干网络层中第7层最大池化层大小为2,步长为1,其余最大池化层大小和步长均为2;所述主干网络层和检测层中的卷积层均包含一次卷积操作、批归一化BN以及激活函数...
【专利技术属性】
技术研发人员:李俊峰,姚家辉,杨元勋,周栋峰,
申请(专利权)人:浙江理工大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。