一种手机摄像孔玻璃面板干涉条纹数目的检测方法技术

本发明专利技术涉及干涉图像处理技术领域，涉及一种手机摄像孔玻璃面板干涉条纹数目的检测方法，包括以下步骤：S1、采集手机摄像孔玻璃面板的干涉条纹图像，进行数据增强和标注；S2、对YOLOv2网络模型训练、调优和准确性验证；S3、待测干涉条纹图像输入YOLOv2网络模型，检测出干涉条纹图；S4、检测出的目标区域的长宽按一定比例扩大后截取分析；S5、对截取出的目标区域的干涉条纹图进行预处理，通过连通区域面积得到干涉条纹数量。本发明专利技术通过采集手机摄像孔玻璃面板的干涉条纹图像，利用YOLOv2目标检测算法，简化操作步骤，提高实时性；针对检测出的条纹区域，采用扫描线种子填充图形学方法进行计算条纹数，实时性高。实时性高。实时性高。

【技术实现步骤摘要】
一种手机摄像孔玻璃面板干涉条纹数目的检测方法


[0001]本专利技术涉及干涉图像处理
，尤其涉及一种手机摄像孔玻璃面板干涉条纹数目的检测方法。

技术介绍

[0002]在现代人的日常生活中，众多电子显示设备都已成为必须品，如智能手机、平板电脑、平板电视、PC等设备，而显示屏在这些设备中起着至关重要的作用，好的显示效果能提升用户的使用感受。目前在各种电子设备显示屏外部大多都会覆盖玻璃面板，这样不但可以提升触摸的质感，还可以保护屏幕。玻璃面板表面的硬度和强度都很高，并且有着良好的透过率、触感。玻璃面板由于其良好的特性，大多数电子显示屏厂商都会选择玻璃作为屏幕材质。由于玻璃面板的高硬度、高强度，甚至目前出现了抗弯折的玻璃材质，所以很适合生产玻璃钢化膜，从而保护屏幕，于是玻璃的表面质量至关重要，玻璃表面的缺陷会影响人的观感和触感。各种电子显示屏的生产技术正飞速发展，其制造精度日益苛刻，其检测标准也相应的大幅增长。由于对玻璃面板的巨大需求，其质量检测就显得至关重要，玻璃面板的缺陷有很多种，例如点缺陷、崩边、凹坑、划痕、异物、杂色还有面形缺陷等等。
[0003]目前市场上的智能手机的触控屏表面都覆盖了一片玻璃面板，手机的各种元件比如触摸屏、摄像头和各种光学器件都放置在这片玻璃面板下。随着用户对大尺寸屏幕手机的需求增长，尤其是近年来流行的2.5D屏幕的出现，导致手机摄像头等元件的布局越来越靠近屏幕边缘，而在加工2.5D玻璃面板时，玻璃面板的边缘弧面加工成品率并不高，最终导致对应手机摄像头光学传感器位置的玻璃面板面型精度不高，装配到手机上后，严重影响手机的拍照效果。检测手机摄像孔玻璃面板质量最有效的手段就是采用激光干涉仪，通过检测玻璃面板的干涉条纹数量和质量来判断手机面板摄像孔加工后对手机成像质量影响的程度，也就完成了对手机摄像孔玻璃面板零件加工质量的检验。
[0004]但目前国内的激光干涉仪在检测手机摄像孔玻璃面板的条纹数量时，需要将玻璃面板固定到检测位置，方便定点采集干涉条纹图像进行进一步的分析检测。
[0005]另外，现有技术中读取条纹数目常见的方法，例如(梅启升,王敏,周群.多噪声干涉条纹图像的检测方法),利用图像处理技术，对图像进行相关预处理后提取边缘特征，然后提取中心线、特征点并进行曲线拟合，从而获得条纹数量。例如(CN201310003928.0牛顿环干涉条纹计数装置及计数方法)利用硬件处理技术，通过硬件电路检测明暗光强的变化量，将其转化为电信号后进行数据处理得到条纹数量，但上述两种方法虽然检测精度高，但是检测效率较低。

技术实现思路

[0006]本专利技术所要解决的技术问题是：通过采集手机摄像孔玻璃面板的干涉条纹图像，利用YOLOv2目标检测算法，简化操作步骤，提高实时性；针对检测出的条纹区域，采用扫描线种子填充图形学方法进行计算条纹数，检测效率高。
[0007]本专利技术所采用的技术方案：一种手机摄像孔玻璃面板干涉条纹数目的检测方法，包括以下步骤：
[0008]S1、采集一定数量的手机摄像孔玻璃面板的干涉条纹图像，将干涉条纹图像进行数据增强，并使用标注软件进行标注，构建样本数据集，按比例划分为训练集、验证集和测试集；
[0009]S1包括如下步骤：
[0010]S11、通过菲索式激光干涉仪采集不同类型(不同厂商的手机摄像孔大小、形状均有所不同，所以采集不同类型的多款手机摄像孔数据)、不同精度的手机摄像孔玻璃面板的干涉条纹图(精度指摄像孔玻璃面板的精度，条纹数目能够反映出玻璃面板的精度，因此每个摄像孔玻璃面板的条纹数目不同)，删除质量较差的干涉条纹图(图像比较模糊或目标区域没有被完全放入检测范围内，出现图像残缺)，完成数据清洗；
[0011]菲索式激光干涉仪可称为光学平板，用来检验手机摄像孔玻璃面板；利用菲索式激光干涉仪作检验的工件，表面须经过研磨或抛光加工，使工件表面的反射光线有足够强度，以便与菲索式激光干涉仪的作用面所反射光线相干涉而形成色带；
[0012]S12、数据增强的方法是将清洗后的干涉条纹图数据集通过平移、翻转方式扩充一倍；
[0013]S13，使用LabelImg标注工具对目标区域(如图2中圆形区域)的干涉条纹图进行标注，标签为hole(hole为目标区域的名称)，每张图片生成一个xml文件；
[0014]S2、将训练集用于YOLOv2网络模型训练，将验证集用于YOLOv2网络模型参数调优，测试集用于网络模型准确性验证；
[0015]S21，对摄像孔玻璃面板干涉条纹图的边界框进行K
‑
means维度聚类；采用边界框与聚类中心的IOU值作为距离指标，IOU值为边界框与聚类中心交集面积占聚类中心与边界框并集面积的比值；将迭代后的聚类中心作为先验框；距离指标计算方法为：d(box,centroid)＝1
‑
IOU(box,centroid)；
[0016]S22、基于Darkent
‑
19网络结构的YOLOv2网络模型结构共32层，包含23个卷积层，5个最大池化层、2个route层、1个reorg层以及输出层；
[0017]S23、针对摄像孔玻璃面板干涉条纹区域检测修改初始YOLOv2网络模型结构，修改为单目标检测网络和单类别输出；修改YOLOv2网络模型输出的维度大小：S
×
S
×
(K
×
(5+C))，其中，S为图片划分的格子区域个数，K为聚类的先验框个数，C为类别个数；
[0018]YOLOv2网络模型输出包含每一个目标框预测的5个参数：t
x
、t
y
、t
w
、t
h
、t0，预测框的坐标预测为：
[0019]b
x
＝σ(t
x
)+c
x
[0020]b
y
＝σ(t
y
)+c
y
[0021][0022][0023]其中，(c
x
,c
y
)为对应图片格子的右上角坐标，(b
x
,b
y
)为预测框中心坐标，p
w
和p
h
是先验框的宽度与高度，t
x
、t
y
为预测框中心相对参数、t
w
、t
h
为预测框宽、高的相对参数，t0为置信度的相关参数。
[0024]预测框在图片中的实际位置为：
[0025]x＝(b
x
/S)
×
W
[0026]y＝(b
y
/S)
×
H
[0027]w＝(b
w
/S)
×
W
[0028]h＝(b
h
/S)
×
H
[0029]其中，x、y、w、h本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手机摄像孔玻璃面板干涉条纹数目的检测方法，其特征在于，包括以下步骤：S1、采集手机摄像孔玻璃面板的干涉条纹图像，将干涉条纹图像进行数据增强和标注，构建样本数据集，按比例划分为训练集、验证集和测试集；所述步骤S1包括：S11、通过菲索式激光干涉仪采集不同类型、不同精度的手机摄像孔玻璃面板的干涉条纹图，剔除质量不合格的干涉条纹图，完成数据清洗；S12、数据增强的方法是将清洗后的干涉条纹图数据集通过平移、翻转方式扩充一倍；S13，使用LabelImg标注工具对目标区域的干涉条纹图进行标注；S2、将训练集用于YOLOv2网络模型训练，将验证集用于YOLOv2网络模型参数调优，测试集用于网络模型准确性验证；所述步骤S2包括：S21，对摄像孔玻璃面板干涉条纹图的边界框进行K
‑
means维度聚类；采用边界框与聚类中心的IOU值作为距离指标，IOU值为边界框与聚类中心交集面积占聚类中心与边界框并集面积的比值；将迭代后的聚类中心作为先验框；距离指标计算方法为：d(box,centroid)＝1
‑
IOU(box,centroid)；S22、基于Darkent
‑
19网络结构的YOLOv2网络模型结构，包含卷积层、最大池化层、route层、reorg层以及输出层；S23、针对摄像孔玻璃面板干涉条纹区域检测修改初始YOLOv2网络模型结构，修改为单目标检测网络和单类别输出；修改YOLOv2网络模型输出的维度大小：S
×
S
×
(K
×
(5+C))，其中，S为图片划分的格子区域个数，K为聚类的先验框个数，C为类别个数；S24、对输出的目标检测框进行非极大值抑制，筛选出最优的目标检测框；S25，利用损失函数对YOLOV2网络模型输出结果以及实际值进行计算和反向传播，更新网络结构的权重参数；S3、将训练集待测干涉条纹图像输入YOLOv2网络模型，检测出手机摄像孔区域玻璃面板的干涉条纹图；S4、将检测出的目标区域的长宽按一定比例扩大后截取分析；为保证输出的边界框能够尽量包含目标区域的条纹图信息，因此将检测到的目标区域的边界框扩大，输出的长和宽扩大X倍，扩大倍数按照YOLOv2网络模型实际检测效果进行确定；S5、对截取出的目标区域的干涉...

【专利技术属性】
技术研发人员：李一芒，刘康，
申请(专利权)人：常州大学，
类型：发明
国别省市：