一种大尺寸导光板缺陷可视化检测方法、系统及存储介质技术方案

本发明专利技术实施例公开了一种大尺寸导光板缺陷可视化检测方法、系统及存储介质，该方法包括如下步骤：在导光板生产线末端，采用线扫相机采集获得导光板图像；针对所述导光板图像，截取设定分辨率大小的小图像，并输出给上位机；所述上位机利用具有在线生成能力的大尺寸导光板缺陷检测模型对收到的图形进行处理，输出带有缺陷标记的导光板图像。本发明专利技术对YOLOv5的网络结构进行相应的调整和改进获得AYOLOv5s的网络结构，提高了对导光板细微缺陷的检测精度。本发明专利技术可以同时检测导光板缺陷的位置以及类别，通用性强，稳定性强，速度快，而且准确率高，适宜推广应用。适宜推广应用。适宜推广应用。

【技术实现步骤摘要】
一种大尺寸导光板缺陷可视化检测方法、系统及存储介质


[0001]本专利技术实施例涉及导光板缺陷检测
，尤其涉及一种大尺寸导光板缺陷可视化检测方法、系统及介质。

技术介绍

[0002]导光板(LightGuide Plate，LGP)具有高反射、导光均匀及不吸光等特点，其品质决定着屏幕的成像质量。目前，国内导光板缺陷检测主要依靠人工操作去完成，但人工检测缺陷的局限性非常明显，主要在于：(1)人工检测环境不佳，工人长期面对导光板，会严重损害员工视力；(2)导光板缺陷检测主要凭借人眼判断识别，存在着人为主观因素，难以形成可以量化的质量标准；(3)人工操作易受到多种因素干扰，如外界环境，人眼疲劳等，使得实际检测效率与精度都会受到一定的影响；(4)导光板检测复杂度高，难度大，缺陷种类多，员工很难掌握相关检测技术。随着企业对大尺寸导光板质量检测的精度和效率要求越来越高，现有导光板缺陷检测方案已无法满足企业要求，该问题亟待解决。

技术实现思路

[0003]为解决相关技术问题，本专利技术提供一种大尺寸导光板缺陷可视化检测方法、系统及介质，来解决以上
技术介绍
部分提到的问题。
[0004]为实现上述目的，本专利技术实施例采用如下技术方案：
[0005]第一方面，本专利技术实施例提供了一种大尺寸导光板缺陷可视化检测方法，该方法包括如下步骤：
[0006]S101.在导光板生产线末端，采用线扫相机采集获得导光板图像；
[0007]S102.针对所述导光板图像，截取设定分辨率大小的小图像，并输出给上位机；
[0008]S103.所述上位机利用具有在线生成能力的大尺寸导光板缺陷检测模型对收到的图形进行处理，输出带有缺陷标记的导光板图像。
[0009]进一步的，所述步骤S103中具有在线生成能力的大尺寸导光板缺陷检测模型在主干网络部分和特征融合部分集成Transformer和注意力机制Coordinate Attention(CA)，并选择Meta
‑
ACON激活函数。
[0010]进一步的，所述具有在线生成能力的大尺寸导光板缺陷检测模型在主干网络部分将Transformer加到YOLOv5s的主干网络的最后一个C3模块，使用Transformer encoder替换原YOLOv5中C3模块中的Bottleneck，组成C3TR模块。
[0011]进一步的，所述具有在线生成能力的大尺寸导光板缺陷检测模型中CA注意力模块分别在垂直和水平两个方向通过平均池化的方式得到两个一维向量，在空间维度上Concat连接和1
×
1卷积来压缩通道，然后通过BN和Non
‑
linear编码水平和垂直两个方向的空间信息，接着进行分裂，再各自通过1
×
1卷积得到和输入特征图一样的通道数，最后归一化加权。
[0012]进一步的，所述具有在线生成能力的大尺寸导光板缺陷检测模型中Meta
‑
ACON激
活函数动态的学习激活函数的线性/非线性，控制网络每一层的非线性程度。
[0013]进一步的，所述具有在线生成能力的大尺寸导光板缺陷检测模型的获取过程如下：
[0014]S1031.采集在线生产的导光板图像；
[0015]S1032.截取包含点和线两类缺陷的小图像，每幅小图像分辨率为预设分辨率；
[0016]S1033.对每个小图像进行数据增强的处理；
[0017]S1034.针对步骤S1033中数据增强后的图像中的每个缺陷类型，将预处理后的图像划分训练集、验证集和测试集；
[0018]S1035.将训练集输入导光板缺陷检测模型，在每轮训练结束时，使用验证集对当前轮次的大尺寸导光板缺陷检测模型进行检测，以mAP作为当前模型的检测精度，取精度最高的模型作为具有在线生成能力的大尺寸导光板缺陷检测模型。
[0019]进一步的，所述步骤S1034中训练总轮数为200，训练中的batch size取8；优化器采用SGD优化器，初始学习率和最终学习率为0.01和0.0001，学习率更新策略采用lamda函数λ(x)；动量为0.9，权重衰减为0.0005，数据增强采用Mosaic方法。
[0020]进一步的，所述步骤S1035中mAP的计算如下：
[0021][0022][0023]其中，AP为P
‑
R曲线和坐标轴包围的面积，用于表示每类缺陷的预测准确度，mAP为每类缺陷AP的平均值，N表示检测的类别总数。
[0024]第二方面，本专利技术实施例还提供了一种大尺寸导光板缺陷可视化检测系统，该系统采用上述大尺寸导光板缺陷可视化检测方法实现大尺寸导光板的缺陷检测。
[0025]第三方面，本专利技术实施例进一步提供了一种存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上述大尺寸导光板缺陷可视化检测方法。
[0026]与现有技术相比，本专利技术实施例的技术方案对YOLOv5的网络结构进行相应的调整和改进获得AYOLOv5s的网络结构，提高了对导光板细微缺陷的检测精度，显著提高了导光板在点和线缺陷检测的准确率。本专利技术实施例的技术方案在主干网络使用C3TR模块能够更好的铺获对小目标有利的信息，从而更方便后期小目标特征提取和检测；在特征融合网络中插入CA注意力模块，使用CA注意力模块可以更加注意线缺陷的特征信息，进而提高导光板线缺陷检测的准确率。本专利技术实施例的技术方案可以同时检测导光板缺陷的位置以及类别，通用性强，稳定性强，速度快，而且准确率高，可以实现在12s/pcs内对尺寸为17英寸的导光板中的亮点、划伤、异物、磕碰伤、脏污等缺陷的检测，适宜推广应用。
附图说明
[0027]为了更清楚地说明及理解本专利技术实施例中的技术方案，下面将对本专利技术
技术介绍
、实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可
以根据本专利技术实施例的内容和这些附图获得其他的附图。
[0028]图1为本专利技术实施例提供的大尺寸导光板缺陷可视化检测方法流程图；
[0029]图2为本专利技术实施例提供的大尺寸导光板缺陷检测模型结构示意图；
[0030]图3为本专利技术实施例提供的C3模块结构示意图；
[0031]图4为本专利技术实施例一提供的C3TR模块结构示意图；
[0032]图5为本专利技术实施例提供的Transformer encoder结构示意图；
[0033]图6为本专利技术实施例提供的CA注意力模块结构示意图；
[0034]图7为本专利技术实施例提供的YOLOv5与AYOLOv5s的训练曲线对比图；
[0035]图8为本专利技术实施例提供的应用各类算法的导光板缺陷检测结构对比图；
[0036]图9为本专利技术实施例提的导光板图像裁切示意图。
具体实施方式
[0037]为使本专利技术解决的技术问题、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可视化检测方法，其特征在于，该方法包括如下步骤：S101.在导光板生产线末端，采用线扫相机采集获得导光板图像；S102.针对所述导光板图像，截取设定分辨率大小的小图像，并输出给上位机；S103.所述上位机利用具有在线生成能力的大尺寸导光板缺陷检测模型对收到的图形进行处理，输出带有缺陷标记的导光板图像。2.根据权利要求1所述的大尺寸导光板缺陷可视化检测方法，其特征在于，所述步骤S103中具有在线生成能力的大尺寸导光板缺陷检测模型在主干网络部分和特征融合部分集成Transformer和注意力机制CA，并选择Meta
‑
ACON激活函数。3.根据权利要求2所述的大尺寸导光板缺陷可视化检测方法，其特征在于，所述大尺寸导光板缺陷检测模型在主干网络部分将Transformer加到YOLOv5s的主干网络的最后一个C3模块，使用Transformer encoder替换原YOLOv5中C3模块中的Bottleneck，组成C3TR模块。4.根据权利要求2所述的大尺寸导光板缺陷可视化检测方法，其特征在于，所述大尺寸导光板缺陷检测模型中CA注意力模块分别在垂直和水平两个方向通过平均池化的方式得到两个一维向量，在空间维度上Concat连接和1
×
1卷积来压缩通道，然后通过BN和Non
‑
linear编码水平和垂直两个方向的空间信息，接着进行分裂，再各自通过1
×
1卷积得到和输入特征图一样的通道数，最后归一化加权。5.根据权利要求2至4之一所述的大尺寸导光板缺陷可视化检测方法，其特征在于，所述具有在线生成能力的大尺寸导光板缺陷检测模型中Meta
‑
ACON激活函数动态的学习激...

【专利技术属性】
技术研发人员：龚烨飞，张环宇，谢雨欣，肖铭，高华，李小伟，
申请(专利权)人：无锡沃格自动化科技股份有限公司，
类型：发明
国别省市：