基于深度学习的显示屏裂纹缺陷检测方法、装置及设备制造方法及图纸

本发明专利技术涉及基于深度学习的显示屏裂纹缺陷检测方法、装置及设备，该方法包括：获取针对显示屏的待检测图像；通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域；通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷；根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷；对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果。通过本发明专利技术的方法，提供了一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。好的裂纹缺陷识别方法。好的裂纹缺陷识别方法。

【技术实现步骤摘要】
基于深度学习的显示屏裂纹缺陷检测方法、装置及设备


[0001]本专利技术涉及人工智能、机器视觉、深度学习、图像处理和模式识别
，具体而言，本专利技术涉及基于深度学习的显示屏裂纹缺陷检测方法、装置及设备。

技术介绍

[0002]机器视觉是质量检测中非常常见的一项技术手段，主要通过相机对产品进行拍照，然后通过图像处理技术对产品图片进行分析，从而检测产品是否存在缺陷。目前，基于机器视觉的外观缺陷方法已广泛取代人工视觉检测，应用于各个工业领域。传统的基于机器视觉的外观缺陷检测方法通常使用传统的图像处理算法或人工设计的缺陷特征加分类器来对外观缺陷进行检测和识别。
[0003]基于传统的图像处理算法的外观缺陷检测通常包括直方图均衡化、滤波去噪、灰度二值化等，以得前景背景分离的简单化图像信息；随后利用数学形态学、傅里叶变换、Gabor变换等算法以及机器学习模型完成缺陷的标记与检测。
[0004]上述传统算法在某些特定的应用中已经取得了较好的效果，但仍然存在许多不足。例如：图像预处理步骤繁多且具有强烈的针对性，算法迭代速度慢，通用性差；需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的显示屏裂纹缺陷检测方法，其特征在于，包括以下步骤：获取针对显示屏的待检测图像，所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像；通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域；通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷；根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷；对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果。2.根据权利要求1所述的方法，其特征在于，所述通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域之前，还包括：对所述待检测图像进行对比度增强处理，得到处理后的图像；所述通过预训练的第一检测模型识别出所述待检测图像中的裂纹区域，包括：通过预训练的第一检测模型，识别出所述处理后的图像中的裂纹区域；所述通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷，包括：通过预训练的第二检测模型，识别出所述处理后的图像中的裂纹缺陷。3.根据权利要求1所述的方法，其特征在于，所述根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷，包括：在所述待检测图像中标注出所述裂纹区域，得到带第一标注框的第一图像；在所述待检测图像中标注出所述裂纹缺陷，得到带第二标注框的第二图像；取所述第一图像和所述第二图像的交集，得到所述裂纹区域内的裂纹缺陷。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述缺陷特征分析包括裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一项。5.根据权利要求4任一项所述的方法，其特征在于，若所述缺陷特征分析包括裂纹面积分析，所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果，包括：确定所述裂纹区域内的裂纹缺陷对应的像素点的数量；根据所述裂纹区域内的裂纹缺陷对应的像素点的数量，确定所述裂纹缺陷对应的裂纹面积，所述分析结果包括所述裂纹面积；若所述缺陷...

【专利技术属性】
技术研发人员：靳松，张莲莲，陈晨，李韦辰，陈永超，
申请(专利权)人：北京兆维智能装备有限公司，
类型：发明
国别省市：