坏点检测方法、坏点校正方法及坏点处理系统技术方案

本发明专利技术提供一种坏点检测方法、坏点校正方法及坏点处理系统，坏点检测方法包括以下步骤：S0：采集探测器在出厂之前的数据并制成数据库；其中，数据至少包括图像数据中的像素值或灰度值；S1：基于数据库搭建神经网络，进而训练生成第一坏点检测模型；S2：在探测器出厂之后采集图像时，利用第一坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，异常是指出现亮点、暗点或色点。本发明专利技术的坏点检测方法搭建了神经网络，通过神经网络深度学习来检测坏点，效率更高；避免了人工参数的调整，解决了现有坏点检测偏于主观、调参复杂、普适性差、鲁棒性差、流程繁琐、人力负担大等问题。人力负担大等问题。人力负担大等问题。

【技术实现步骤摘要】
坏点检测方法、坏点校正方法及坏点处理系统


[0001]本专利技术涉及图像处理领域，特别是涉及一种坏点检测方法、坏点校正方法及坏点处理系统。

技术介绍

[0002]现有检测坏点的方法主要为人工检测，在人工视觉检测时，通过人工进行检测阈值修正，容易受主观因素的限制，影响检测的准确性。此外，不同的坏点对于X射线的响应不同，在固定曝光参数的图像中检测坏点，存在坏点的灰度值与正常像素的灰度值相差不大的情况，从而无法检测出该坏点，导致漏检，使得检测效率和准确性偏低。
[0003]因此，如何解决现有坏点检测系统的准确性偏低的问题已经成为本领域技术人员亟待解决的问题之一。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种坏点检测方法、坏点校正方法及坏点处理系统，用于解决现有技术中坏点检测的准确性偏低的问题。
[0005]为实现上述目的及其他相关目的，本专利技术提供一种坏点检测方法，所述坏点检测方法至少包括以下步骤：
[0006]S0：采集探测器在出厂之前的数据并制成数据库；其中，所述数据至少包括图像数据中的像素值或灰度值；
[0007]S1：基于所述数据库搭建神经网络，进而训练生成第一坏点检测模型；
[0008]S2：在所述探测器出厂之后采集图像时，利用所述第一坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。
[0009]可选地，步骤S1包括：
[0010]S11：基于所述数据库中的数据，制作神经网络所需要的训练集、验证集及测试集；
[0011]S12：搭建神经网络，进而生成所述第一坏点检测模型，并对所述第一坏点检测模型进行训练，不断验证迭代；当所述第一坏点检测模型满足第一条件时，则输出所述第一坏点检测模型；其中，所述第一条件是满足坏点检测的精度在第一预设范围内。
[0012]更可选地，步骤S11包括：将所述数据库中的数据均匀随机抽样分成训练集、验证集及测试集，且三个集合不能有交集。
[0013]更可选地，步骤S12包括：
[0014]S121：基于神经网络，用所述训练集来训练模型，进而确定所述训练模型的学习参数；
[0015]S122：基于神经网络，用验证集选择误差率最小的超参数；
[0016]S123：基于神经网络，将所述训练模型用于评价所述测试集的准确率；
[0017]S124：重复步骤S121～S123；当所述测试集的准确率在第一预设范围内，则输出训
练模型，输出的训练模型为第一坏点检测模型。
[0018]更可选地，步骤S2可以替换为：
[0019]S2
‑
1：将所述探测器出厂之后采集的图像数据加入到所述数据库中，基于新的数据库搭建神经网络，进而生成第二坏点检测模型；
[0020]S2
‑
2：利用所述第二坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。
[0021]更可选地，步骤S2
‑
1包括：
[0022]S2
‑
11：采集所述探测器在使用中的图像数据并加入到所述数据库中，基于新的数据库，重新制作训练集、验证集及测试集；
[0023]S2
‑
12：搭建神经网络，进而生成所述第二坏点检测模型，对所述第二坏点检测模型进行训练，并不断验证迭代；当所述第二坏点模型满足第二条件时，则输出所述第二坏点检测模型；其中，所述第二条件是满足坏点检测的精度在第二预设范围内，所述第二预设范围小于所述第一预设范围。
[0024]为实现上述目的及其他相关目的，本专利技术还提供一种坏点校正方法：
[0025]基于上述所述的坏点检测方法对所述图像进行坏点检测；
[0026]并进行坏点校正，输出经过坏点校正的图像。
[0027]为实现上述目的及其他相关目的，本专利技术还提供一种坏点处理系统，包括：
[0028]探测器，用于采集图像数据；
[0029]计算机，连接所述探测器，获取所述探测器采集的图像数据并进行坏点检测及校正。
[0030]可选地，所述计算机上包含存储介质及处理器；所述存储介质用于存储数据，所述处理器用于配置神经网络程序。
[0031]可选地，所述计算机基于已有数据搭建神经网络，进而生成坏点检测模型，所述计算机通过所述检测模型对图像数据进行坏点检测及校正。
[0032]如上所述，本专利技术的坏点检测方法、坏点校正方法及坏点处理系统，具有以下有益效果：
[0033]本专利技术的坏点检测方法搭建了神经网络，通过神经网络深度学习来检测坏点，效率更高；避免了人工参数的调整，解决了现有坏点检测偏于主观、调参复杂、普适性差、鲁棒性差、流程繁琐、人力负担大等问题。
附图说明
[0034]图1显示为本专利技术的坏点检测方法的原理示意图。
具体实施方式
[0035]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。
[0036]请参阅图1。需要说明的是，本实施例中所提供的图示仅以示意方式说明本专利技术的
基本构想，遂图示中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0037]实施例一
[0038]本实施例提供一种坏点检测方法，所述坏点检测方法包括以下步骤：
[0039]S0：采集探测器在出厂之前的数据并制成数据库；其中，所述数据至少包括图像数据中的像素值或灰度值。需要说明的是，每一个探测器在出厂之前都会进行大量的测试，以保证所述探测器的性能的稳定；做测试的时候主要是配合射线源，所述射线源曝光，所述探测器采集图像，多次曝光、多次采集图像，之后将采集的图像的数据制成数据库。其中，图像数据主要包括像素点的像素值或灰度值，其他的图像数据，如像素的亮度等等也适用，在此不一一赘述。
[0040]S1：基于所述数据库搭建神经网络，进而训练生成第一坏点检测模型。在本实施例中，利用神经网络的深度学习，使得坏点检测的效率更高，解决了现有坏点检测偏于主观、调参复杂、普适性差、鲁棒性差、流程繁琐、人力负担大的问题。
[0041]具体地，步骤S1包括：
[0042]S11：基于所述数据库中的数据，制作神经网络所需要的训练集、验证集及测试集。
[0043]更具体地，作为示例，步骤S11包括：将所述数据库中的数据均匀随机抽样分成训练集、验证集及测试集，且三个集合不能有交集。需要说明的是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种坏点检测方法，其特征在于，所述坏点检测方法至少包括以下步骤：S0：采集探测器在出厂之前的数据并制成数据库；其中，所述数据至少包括图像数据中的像素值或灰度值；S1：基于所述数据库搭建神经网络，进而训练生成第一坏点检测模型；S2：在所述探测器出厂之后采集图像时，利用所述第一坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。2.根据权利要求1所述的坏点检测方法，其特征在于，步骤S1包括：S11：基于所述数据库中的数据，制作神经网络所需要的训练集、验证集及测试集；S12：搭建神经网络，进而生成所述第一坏点检测模型，并对所述第一坏点检测模型进行训练，不断验证迭代；当所述第一坏点检测模型满足第一条件时，则输出所述第一坏点检测模型；其中，所述第一条件是满足坏点检测的精度在第一预设范围内。3.根据权利要求2所述的坏点检测方法，其特征在于，步骤S11包括：将所述数据库中的数据均匀随机抽样分成训练集、验证集及测试集，且三个集合不能有交集。4.根据权利要求2所述的坏点检测方法，其特征在于，步骤S12包括：S121：基于神经网络，用所述训练集来训练模型，进而确定所述训练模型的学习参数；S122：基于神经网络，用验证集选择误差率最小的超参数；S123：基于神经网络，将所述训练模型用于评价所述测试集的准确率；S124：重复步骤S121～S123；当所述测试集的准确率在第一预设范围内，则输出训练模型，输出的训练模型为第一坏点检测模型。5.根据权利要求2
‑
4任意一项所述的坏点检测方法，其特征在于，步骤S2可以替换为：S2
‑
1：将所述探测器出厂之后采集的图像数据加入到所述数据...

【专利技术属性】
技术研发人员：齐松，宁海涛，
申请(专利权)人：上海奕瑞光电子科技股份有限公司，
类型：发明
国别省市：