【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 ...
【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:
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。