一种大尺寸导光板缺陷视觉检测方法技术

本发明专利技术公开了一种大尺寸导光板缺陷视觉检测方法，包括在导光板生产线末端采用高分辨率线扫相机采集图像，然后将获得导光板图像输入到上位机中截取成一组分辨率为416

【技术实现步骤摘要】
一种大尺寸导光板缺陷视觉检测方法


[0001]本专利技术属于导光板图像识别领域，具体为一种大尺寸导光板缺陷视觉检测方法。

技术介绍

[0002]导光板(Light Guide Plate，LGP)，是采用网版印刷、激光雕刻等技术在亚克力板上制作导光点来得到的。由于导光板(LGP)具有超薄、高透明度、高反射、导光均匀且明亮等优点，被普遍应用于手机、平板、电脑等液晶屏中。导光板作为液晶屏背光模组中关键组成部分，其质量的好坏直接影响画面的品质效果，然而导光板在生产过程中，由于原材料、温度以及加工工艺等因素影响，无法避免出现点伤、线划伤、刮伤等加工缺陷，会导致显示异常并影响用户使用。因此，对其进行缺陷检测非常必要。根据缺陷的形状分为点缺陷和线缺陷。点缺陷是指在导光板内部形成的点状缺陷。在导光板成型过程中原材料没有完全融化、模具上灰尘较多均会导致点缺陷。线状缺陷是指在导光板表面出现刮伤和划痕，在图像中主要表现为线状，主要有零部件表面有杂质、传送过程中发生相对摩擦等因素造成。
[0003]目前，对于导光板的缺陷检测主要依靠人工完成，而人工检测有一定的局限性，主要在于：(1)人工检测主观因素过高，个体间检测差异大，难以形成统一的评判标准；(2)人工检测需要长期在强光下观察，对员工视力有严重损伤，检测速度慢，无法实现7
×
24小时连续稳定工作；(3)导光板背景复杂，缺陷种类多，员工难以掌握相关检测技术。
[0004]目前厂家对导光板缺陷检测主要通过人工完成，在专用灯光下对导光板进行多角度查看，观察导光板是否出现点伤、线划伤、刮伤等缺陷，去除有缺陷的导光板。由于人工检测缺陷的各种局限性，人工检测的精度、效率、稳定性等难以达到企业的要求。为获取高分辨率的导光板检测图像，需要采用高精度的线扫相机进行拍摄取像，获得的图像大小在468MB左右。在工业现场，企业要求在6秒之内完成对一张导光板的缺陷检测，这也对缺陷的检测效率提出了更高的要求。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种大尺寸导光板缺陷视觉检测方法，用以同时完成大尺寸导光板缺陷的分类与定位检测。
[0006]为了解决上述技术问题，本专利技术提供一种大尺寸导光板缺陷视觉检测方法，包括：导光板生产线末端采用高分辨率线扫相机采集图像，然后将获得导光板图像输入到上位机中截取成一组分辨率为416
×
416的小图像，并输入到大尺寸导光板缺陷检测模型，获得带有缺陷标记及置信度得分的导光板图像；
[0007]所述大尺寸导光板缺陷检测模型包括依次连接的主干网络、特征金字塔、改进的RFB模块、第一预测头Y1、第二预测头Y2和第三预测头Y3，主干网络通过下采样提取并输出(13，13)、(26，26)和(52，52)特征层，然后通过特征金字塔对主干网络所提取特征层加强特征提取，特征金字塔得到的52
×
52尺度特征图通过改进后的RFB模块进一步加强特征提取后输入第三预测头Y3进行预测，特征金字塔得到的26
×
26尺度特征图通过改进后的RFB模
块进一步加强特征提取后输入第二预测头Y2进行预测，特征金字塔得到的13
×
13尺度特征图输入第一预测头Y1进行预测，从而获得预测结果；利用改进K
‑
means算法线性缩放后的锚框，进行预测结果的解码，最后经过非极大值筛选出得分最高的锚框。
[0008]作为本专利技术的一种大尺寸导光板缺陷视觉检测方法的改进：
[0009]所述改进后的RFB模块包括首先通过1
×
1的卷积降维，其次分别进行1
×
1、3
×
3和5
×
5卷积，不同大小的卷积核对应串联连接膨胀率为1、3、5的空洞卷积，最后，把各个分支的输出进行拼接Concat；在RFB模块中还采用了ResNet网络中的shortcut连接方式，采用两个级联的3
×
3卷积代替5
×
5卷积。
[0010]作为本专利技术的一种大尺寸导光板缺陷视觉检测方法的进一步改进：
[0011]所述改进K
‑
means算法聚类出与大尺寸导光板缺陷相符的锚框尺寸，第一预测头Y1上使用的锚框是(56，46)、(78，95)，、(89，49)，在第二预测头Y2使用的锚框是(40，55)、(52，31)、(53，66)，在第三预测头Y3上使用的锚框是(27，29)、(31，52)、(36，37)；
[0012]对第二预测头Y2和第三预测头Y3上使用的锚框进行如下式进行线性缩放：
[0013]x
′1＝αx
1 x
′6＝βx6[0014][0015]其中，x
i
、y
i
是原始锚框的宽和高数值，x
′
i
、y
′
i
是锚框进行线性缩放后的宽和高数值，α的值为0.9，β的值为1.2，x1的值是27，x
′1是经过线性缩放后的最小的锚框宽数值，x6的值是89，x
′6是经过线性缩放后的最大的锚框宽数值。
[0016]作为本专利技术的一种大尺寸导光板缺陷视觉检测方法的进一步改进：
[0017]所述主干网络为Darknet
‑
53网络，包括1、2、8、8、4个残差模块，提取并输出所述(13，13)、(26，26)和(52，52)特征层；
[0018]所述特征金字塔包括对所述(13，13)特征层进行卷积，得到的13
×
13尺度特征图通过卷积、上采样与所述(26，26)特征层拼接得到26
×
26尺度特征图，26
×
26尺度特征图再通过卷积、上采样与所述(52,52)特征层拼接得到52
×
52尺度特征图。
[0019]作为本专利技术的一种大尺寸导光板缺陷视觉检测方法的进一步改进：
[0020]所述大尺寸导光板缺陷检测模型的训练和测试过程为：采用高分辨率线扫相机进行对大尺寸导光板进行图像采集，然后对所采集的图像随机角度截取包含点、线两类缺陷图像，对截取后的缺陷图像进行缺陷类别、区域标注预处理，然后针对预处理后的图像中的每个缺陷类型，按照7:1:2的比例将预处理后的图像划分训练集、验证集及测试集；在训练阶段，采用随机梯度下降优化算法，设置训练参数包括初始学习率、最终学习率、动量大小、权重衰减系数、批量大小，经过100次训练迭代后，获得训练好的大尺寸导光板缺陷检测模型，再经过测试集的验证获得所述大尺寸导光板缺陷检测模型。
[0021]本专利技术的有益效果主要体现在：
[0022]本专利技术与现有技术相比，本专利技术基于改进的YOLOv3新算法，提出一种大尺寸导光板缺陷可视化检测方法，使得可以同时预测缺陷的种类和位置，解决了以往只能进行是否有缺陷的分类问题，实验结果表明对比现有的YOLOv3算法，对大尺寸导光板缺陷的检测精度更高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大尺寸导光板缺陷视觉检测方法，其特征在于包括：导光板生产线末端采用高分辨率线扫相机采集图像，然后将获得导光板图像输入到上位机中截取成一组分辨率为416
×
416的小图像，并输入到大尺寸导光板缺陷检测模型，获得带有缺陷标记及置信度得分的导光板图像；所述大尺寸导光板缺陷检测模型包括依次连接的主干网络、特征金字塔、改进的RFB模块、第一预测头Y1、第二预测头Y2和第三预测头Y3，主干网络通过下采样提取并输出(13，13)、(26，26)和(52，52)特征层，然后通过特征金字塔对主干网络所提取特征层加强特征提取，特征金字塔得到的52
×
52尺度特征图通过改进后的RFB模块进一步加强特征提取后输入第三预测头Y3进行预测，特征金字塔得到的26
×
26尺度特征图通过改进后的RFB模块进一步加强特征提取后输入第二预测头Y2进行预测，特征金字塔得到的13
×
13尺度特征图输入第一预测头Y1进行预测，从而获得预测结果；利用改进K
‑
means算法线性缩放后的锚框，进行预测结果的解码，最后经过非极大值筛选出得分最高的锚框。2.根据权利要求1所述的一种大尺寸导光板缺陷视觉检测方法，其特征在于：所述改进后的RFB模块包括首先通过1
×
1的卷积降维，其次分别进行1
×
1、3
×
3和5
×
5卷积，不同大小的卷积核对应串联连接膨胀率为1、3、5的空洞卷积，最后，把各个分支的输出进行拼接Concat；在RFB模块中还采用了ResNet网络中的shortcut连接方式，采用两个级联的3
×
3卷积代替5
×
5卷积。3.根据权利要求2所述的一种大尺寸导光板缺陷视觉检测方法，其特征在于：所述改进K
‑
means算法聚类出与大尺寸导光板缺陷相符的锚框尺寸，第一预测头Y1上使用的锚框是(56，46)、(78，95)，、(89，49)，在第二预测头Y2使用的锚框是(40，55)、...

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