图像检测方法、装置、系统、计算设备及可读存储介质制造方法及图纸

本申请实施例提供一种图像检测方法、装置、系统、计算设备及可读存储介质，应用于计算机技术领域。该方法通过获取弯折区处的同一待检测区域处的至少两张原始图像，将至少两张原始图像合成待检测图像后输入卷积神经网络，采用卷积神经网络对弯折区处是否产生裂纹来进行检测。为了提高弯折区处的缺陷检测能力，需要将至少两张原始图像合成后的待检测图像输入至卷积神经网络，提高了对待检测区域进行缺陷检测时输入的信息量，从而提高了弯折区处的缺陷检测能力，使得弯折区处的缺陷检测结果更加准确，且提高了检测效率。且提高了检测效率。且提高了检测效率。

【技术实现步骤摘要】
图像检测方法、装置、系统、计算设备及可读存储介质


[0001]本申请涉及计算机
，尤其涉及一种图像检测方法、装置、系统、计算设备及可读存储介质。

技术介绍

[0002]随着柔性显示技术的发展，柔性窄边框、高屏占比的终端设备备受市场青睐，在制备窄边框的显示屏时，需要将位于非显示区的芯片固定到显示屏的背面，此时的弯折区（bending区）会进行弯折，但是，当弯折区进行弯折时，弯折区内的各膜层受到弯折应力容易出现裂纹，导致显示屏产生亮线不良。
[0003]因此，亟需提供一种图像检测方式，来检测显示屏的弯折区处的裂纹等缺陷。

技术实现思路

[0004]本申请实施例提供一种图像检测方法、装置、系统、计算设备及可读存储介质，应用于计算机
，有助于检测显示屏的弯折区处的裂纹等缺陷。
[0005]第一方面，本申请实施例提出一种图像检测方法，包括：计算设备获取至少两张原始图像，每张原始图像均为终端设备中的显示屏的弯折区内的同一待检测区域处的图像；计算设备将至少两张原始图像合成待检测图像；计算设备采用卷积神经网络中的卷积层对待检测图像进行卷积处理，得到待检测图像对应的目标特征图；计算设备采用卷积神经网络中的池化层对目标特征图进行池化处理，得到池化结果；计算设备采用卷积神经网络中的全连接层对池化结果进行全连接处理，得到待检测图像中除目标通道外的其他待校正通道相对于目标通道的偏移值，目标通道为待检测图像中的任一通道；计算设备基于偏移值，对待检测图像中的各个待校正通道进行偏移校正，得到目标图像；计算设备采用卷积神经网络中的语义分割子网络对目标图像进行语义分割处理，得到待检测区域处的检测结果。
[0006]这样，将至少两张原始图像合成后的待检测图像输入至卷积神经网络，提高了对待检测区域进行缺陷检测时输入的信息量，从而提高了弯折区处的缺陷检测能力，使得弯折区处的缺陷检测结果更加准确，且采用卷积神经网络实现对缺陷的检测，可提高检测效率。
[0007]在一种可能的实现方式中，计算设备采用卷积神经网络中的卷积层对待检测图像进行卷积处理，得到待检测图像对应的目标特征图，包括：计算设备采用卷积神经网络中的n个卷积层对待检测图像进行卷积处理，得到第n个卷积层输出的目标特征图；其中，每个卷积层包括第一子卷积层和第二子卷积层，第二子卷积层的输入为第一子卷积层输出的特征图，n个卷积层中的第i个卷积层的输入为第i
‑
1个卷积层输出的特征图，n为大于1的正整数，1＜i≤n，i为正整数。本申请通过在卷积神经网络中设置至少两个卷积层来提取待检测图像的特征信息，使得得到的目标特征图可包括较为复杂的特征，使得后续可以更加容易的实现对缺陷的识别。
[0008]在一种可能的实现方式中，第二子卷积层的步长大于第一子卷积层的步长，第一
子卷积层的填充值与第二子卷积层的填充值相等；目标特征图的宽度与待检测图像的宽度之间的比值为1/m，目标特征图的高度与待检测图像的高度之间的比值为1/m，m为大于1的正整数。这样，本申请可采用两个步长不同的子卷积层交替使用，使得目标特征图的尺寸小于待检测图像的尺寸，且得到的目标特征图中不会过多丢失特征图的位置信息，使得最后得到的目标特征图更能准确反映待检测图像的特征信息。
[0009]在一种可能的实现方式中，在每个卷积层中，第二子卷积层中的卷积核的数量为第一子卷积层中的卷积核的数量的2倍，第一个卷积层包括的第一子卷积层中的卷积核的数量为待检测图像的通道数的2倍，第i个卷积层中的第一子卷积层的卷积核的数量与第i
‑
1个卷积层中的第二子卷积层的卷积核的数量相等，目标特征图的通道数与待检测图像的通道数之间的比值为2
n+1
。本申请将第二子卷积层中的卷积核的数量设置为第一子卷积层中的卷积核的数量的2倍，提高最终得到的目标特征图包含的特征信息，以提高图像检测的准确度。
[0010]在一种可能的实现方式中，计算设备采用卷积神经网络中的池化层对目标特征图进行池化处理，得到池化结果，包括：计算设备采用卷积神经网络中的池化层对目标特征图中的每个通道进行全局平均池化，得到池化向量。本申请采用全局平均池化对目标特征图进行池化处理，使得最终得到的池化结果包含有各个位置的特征信息，不会过多丢失特征图像内的特征信息，从而可提高检测准确性。
[0011]在一种可能的实现方式中，计算设备采用卷积神经网络中的全连接层对池化结果进行全连接处理，得到待检测图像中除目标通道外的其他待校正通道相对于目标通道的偏移值，包括：计算设备将池化向量与全连接层中的权重矩阵点乘后，再与全连接层中的偏置向量相加，得到待检测图像中除目标通道外的其他待校正通道相对于目标通道的偏移值；其中，偏移值包括沿x轴的第一偏移量和沿y轴的第二偏移量，待检测图像的通道数为C，偏移值的数量为2（C
‑
1）个，权重矩阵为P
×
Q的二维矩阵，P等于2（C
‑
1），Q等于目标特征图的通道数。这样，可基于全连接层检测到各个通道的偏移值，以便后续进行偏移校正。
[0012]在一种可能的实现方式中，计算设备基于偏移值，对待检测图像中的各个待校正通道进行偏移校正，得到目标图像，包括：计算设备将待校正通道内的各个像素沿x轴均移动第一偏移量个像素，并将待校正通道内的各个像素沿y轴均移动第二偏移量个像素，得到目标图像；其中，在目标通道对应的图像定义域内，移动后的待校正通道与目标通道的非重合区域处填充有像素值为0的像素。本申请通过偏移值将待检测图像的各个通道内的像素对齐，当待检测图像存在裂纹时，偏移校正后得到的目标图像的裂纹也会对齐，从而后续再通过语义分割子网络对目标图像进行语义分割处理以识别裂纹的位置时，可以准确识别到该裂纹。
[0013]在一种可能的实现方式中，在计算设备采用卷积神经网络中的卷积层对待检测图像进行卷积处理，得到待检测图像对应的目标特征图之前，还包括：计算设备获取训练数据，训练数据包括多个样本图像组合和每个样本图像组合的目标值，每个样本图像组合包括同一检测区域处采集的至少两张样本图像；计算设备将至少两张样本图像合成样本合成图像；计算设备采用卷积神经网络对样本合成图像进行处理，得到样本合成图像的预测值；计算设备根据预测值、目标值和损失函数，确定样本合成图像的损失值；计算设备基于损失值，更新卷积神经网络中的参数。本申请预先采用样本图像训练得到卷积神经网络，使得在
根据原始图像合成待检测图像后，可采用训练好的卷积神经网络实现对待检测图像进行自动检测。
[0014]在一种可能的实现方式中，原始图像的数量为两张，其中一张原始图像为明场下采集的待检测区域处的图像，另一张原始图像为暗场下采集的待检测区域处的图像。本申请通过分别采集同一待检测区域处于暗场和明场下的原始图像，使得合成的待检测图像包含更多的信息，综合多种成像模式对待检测区域来进行综合的缺陷检测，以提高缺陷检测结果的准确性。
[0015]第二方面，本申请实施例提出一种图像检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：计算设备获取至少两张原始图像；每张所述原始图像均为终端设备中的显示屏的弯折区内的同一待检测区域处的图像；所述计算设备将所述至少两张原始图像合成待检测图像；所述计算设备采用卷积神经网络中的卷积层对所述待检测图像进行卷积处理，得到所述待检测图像对应的目标特征图；所述计算设备采用所述卷积神经网络中的池化层对所述目标特征图进行池化处理，得到池化结果；所述计算设备采用所述卷积神经网络中的全连接层对所述池化结果进行全连接处理，得到所述待检测图像中除目标通道外的其他待校正通道相对于所述目标通道的偏移值；所述目标通道为所述待检测图像中的任一通道；所述计算设备基于所述偏移值，对所述待检测图像中的各个所述待校正通道进行偏移校正，得到目标图像；所述计算设备采用所述卷积神经网络中的语义分割子网络对所述目标图像进行语义分割处理，得到所述待检测区域处的检测结果。2.根据权利要求1所述的方法，其特征在于，所述计算设备采用卷积神经网络中的卷积层对所述待检测图像进行卷积处理，得到所述待检测图像对应的目标特征图，包括：所述计算设备采用所述卷积神经网络中的n个卷积层对所述待检测图像进行卷积处理，得到第n个卷积层输出的所述目标特征图；其中，每个所述卷积层包括第一子卷积层和第二子卷积层，所述第二子卷积层的输入为所述第一子卷积层输出的特征图，所述n个卷积层中的第i个卷积层的输入为第i
‑
1个卷积层输出的特征图，所述n为大于1的正整数，1＜i≤n，所述i为正整数。3.根据权利要求2所述的方法，其特征在于，所述第二子卷积层的步长大于所述第一子卷积层的步长，所述第一子卷积层的填充值与所述第二子卷积层的填充值相等；所述目标特征图的宽度与所述待检测图像的宽度之间的比值为1/m，所述目标特征图的高度与所述待检测图像的高度之间的比值为1/m，所述m为大于1的正整数。4.根据权利要求2所述的方法，其特征在于，在每个所述卷积层中，所述第二子卷积层中的卷积核的数量为所述第一子卷积层中的卷积核的数量的2倍，第一个所述卷积层包括的所述第一子卷积层中的卷积核的数量为所述待检测图像的通道数的2倍，第i个所述卷积层中的所述第一子卷积层的卷积核的数量与第i
‑
1个所述卷积层中的所述第二子卷积层的卷积核的数量相等，所述目标特征图的通道数与所述待检测图像的通道数之间的比值为2
n+1
。5.根据权利要求1所述的方法，其特征在于，所述计算设备采用所述卷积神经网络中的池化层对所述目标特征图进行池化处理，得到池化结果，包括：所述计算设备采用所述卷积神经网络中的池化层对所述目标特征图中的每个通道进行全局平均池化，得到池化向量。6.根据权利要求5所述的方法，其特征在于，所述计算设备采用所述卷积神经网络中的全连接层对所述池化结果进行全连接处理，得到所述待检测图像中除目标通道外的其他待校正通道相对于所述目标通道的偏移值，包括：
所述计算设备将所述池化向量与所述全连接层中的权重矩阵点乘后，再与所述全连接层中的偏置向量相加，得到所述待检测图像中除目标通道外的其他待校正通道相对于所述目标通道的偏移值；其中，所述偏移值包括沿x轴的第一偏移量和沿y轴的第二偏移量，所述待检测图像的通道数为C，所述偏移值的数量为2（C
‑
1）个，所述权重矩阵为P
×
Q的二维矩阵，所述P等于2（C
‑
1），所述Q等于所述目标特征图的通道数。7.根据权利要求6所述的方法，其特征在于，所述计算设备基于所述偏移值，对所述待检测图像中的各个所述待校正通道进行偏移校正，得到目标图像，包括：所述计算设备将所述待校正通道内的各个像素沿x轴均移动所述第一偏移量个像素，并将所述待校正通道内的各个像素沿y轴均移动所述第二偏移量个像素，得到所述目标图像；其中，在所述目标通道对应的图像定义域内，移动后的所述待校正通道与所述目标通道的非重合区域处填充有像素值为0的像素。8.根据权利要求1所述的方法，其特征在于，在所述计算设备采用卷积神经网络中的卷积层对所述待检测图像进行卷积处理，得到所述待检测图像对应的目标特征图之前，还包括：所述计算设备获取训练数据；所述训练数据包括多个样本图像组合和每个所述样本图像组合的目标值，每个所述样本图像组合包括同一检测区域处采集的至少两张样本图像；所述计算设备将所述至少两张样本图像合成样本合成图像；所述计算设备采用卷积神经网络对所述样本合成图像进行处理，得到所述样本合成图像的预测值；所述计算设备根据所述预测值、所述目标值和损失函数，确定所述样本合成图像的损失值；所述计算设备基于所述损失值，更新所述卷积神经网络中的参数。9.根据权利要求1所述的方法，其特征在于，所述原始图像的数量为两张，其中一张所述原始图像为明场下采集的所述待检测区域处的图像，另一张所述原始图像为暗场下采集的所述待检测区域处...

【专利技术属性】
技术研发人员：王昊，
申请(专利权)人：深圳荣耀智能机器有限公司，
类型：发明
国别省市：