基于手机后盖玻璃的检测方法和系统技术方案

本发明专利技术公开了基于手机后盖玻璃的检测方法及系统，包括：

【技术实现步骤摘要】
基于手机后盖玻璃的检测方法和系统


[0001]本专利技术属于手机后盖玻璃的检测领域，尤其涉及基于手机后盖玻璃的检测方法和系统
。

技术介绍

[0002]手机后盖玻璃是手机的重要组成部分，其性能和质量直接影响用户体验，为了增强手机后盖玻璃的视觉效果和触感，不同的新材料被应用，且加工数量巨大，为了保证手机后盖玻璃的高质量，需要对其进行自动化检测
。
现有的手机后盖玻璃检测方法主要基于图像处理和机器学习
。
然而，现有方法往往主要采用单模板或滤波器对图像进行增强，无法综合多种信息对图像进行全面增强
。
其次，现有方法主要基于人工定义的特征，无法学习图像的高级语义特征，检测效果受限
。
同时，现有方法各个模块之间连接不够紧密，无法形成一个完整的检测流程系统
。
各个模块的输出不能有效地作为后续模块的输入，系统效率较低
。

技术实现思路

[0003]有鉴于此，本专利技术提供基于手机后盖玻璃的检测方法及系统，目的在于有效提高图像质量
、
分割和特征精度，优化检测模型并构建检测流程系统，实现对手机后盖玻璃的高精度检测
。
[0004]实现上述目的，本专利技术提供的基于手机后盖玻璃的检测方法，包括以下步骤：
[0005]S1
：拍摄手机后盖玻璃的图像，并对图像进行增强，获得增强后的手机后盖玻璃图像；
[0006]S2
：对增强后的手机后盖玻璃图像分割，获得分割结果；
[0007]S3
：提取增强后的手机后盖玻璃图像的深度特征；
[0008]S4
：构建手机后盖玻璃缺陷检测模型；
[0009]S5
：基于梯度下降和遗传算法优化缺陷检测模型参数，并使用优化完成的缺陷检测模型对手机后盖玻璃进行检测
。
[0010]可选的，所述
S1
步骤中拍摄手机后盖玻璃的图像，并对图像进行增强，获得增强后的手机后盖玻璃图像，包括：
[0011]拍摄手机后盖玻璃的图像，并对图像进行增强，所述增强方式为：
[0012][0013]其中，
I
为拍摄的手机后盖玻璃的图像；
E
为增强后的手机后盖玻璃图像；
(m,n)
为像素位置；为向下取整；
FT
为用于增强的滤波器；
m
′
＝
0,1,
…
Size
‑1，
n
′
＝
0,1,
…
Size
‑1，
Size
为滤波器大小；
f_ind
为滤波器序号；滤波器的表达式为：
[0014][0015]可选的，所述
S2
步骤中对增强后的手机后盖玻璃图像分割，获得分割结果，包括：
[0016]基于
S1
获得的增强后的手机后盖玻璃图像，对其进行分割获得分割结果，所述分割流程为：
[0017]S21
：增强后的手机后盖玻璃图像边缘提取：
[0018]基于水平方向和垂直方向提取增强后的手机后盖玻璃图像的梯度，计算方式为：
[0019][0020][0021]其中，
m
″
＝
0,1,2
，
n
″
＝
0,1,2
；
D
x
(m,n)
和
D
y
(m,n)
分别为水平和垂直方向梯度；
GD
x
和
GD
y
分别为梯度提取模板，表达式为：
[0022][0023]增强后的手机后盖玻璃图像的总体梯度由水平和垂直方向梯度组合得到，计算方式为：
[0024][0025]基于总体梯度，设定边缘判定阈值
V
来判断像素点是否为边缘，若
D(m,n)>V
，则该像素点为边缘像素点，否则不是边缘像素点；
[0026]S22
：基于像素阈值和边缘判定阈值分割增强后的手机后盖玻璃图像：
[0027]给定像素阈值
U
和边缘判定阈值
V
，分割结果的计算方式为：
[0028][0029]其中，0表示像素点
(m,n)
为背景，1表示
(m,n)
为前景；
U
＝
0,2,
…
,255
；
V
＝
0,2,
…
,255
；
[0030]S23
：基于最大熵确定像素阈值和边缘判定阈值：
[0031]定义增强后的手机后盖玻璃图像的邻域平均值：
[0032][0033]其中，
w
为邻域大小；
i
＝
0,1,
…
,w
，
j
＝
0,1,
…
,w
；
(m+i,n+j)
为像素位置；
[0034]统计像素值和其对应的邻域平均值组合对出现的概率：
[0035][0036]其中，
freq
p,q
表示像素值为
p
，同时其邻域平均值为
q
的组合对出现的次数；
M
和
N
分别表示增强后的手机后盖玻璃图像的长和宽；
[0037]基于
S22
中分割出的前景和背景计算熵：
[0038][0039][0040][0041][0042]其中，
H(U,V)
为给定像素阈值
U
和边缘判定阈值
V
时的熵；
R1，
R2和
R3为中间变量；
[0043]枚举
U
和
V
的取值并计算相应的熵，选取熵最大的取值为最终的像素阈值和边缘判定阈值；
[0044]可选的，所述
S3
步骤中提取增强后的手机后盖玻璃图像的深度特征，包括：
[0045]基于训练好的卷积神经网络提取增强后的手机后盖玻璃图像的深度特征，所述卷积神经网络通过卷积和非线性激活层计算图像特征，计算方式为：
[0046]O
(h)
＝
ReLU(P
(h
‑
1)
*W
(h)
+b
(h)
)
[0047]其中，
O
(h)
和
P
(h)
分别为卷积神经网络第
h
层的输出和输入；
W
(h)
和
b<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于手机后盖玻璃的检测方法，其特征在于，包括以下步骤：
S1
：拍摄手机后盖玻璃的图像，并对图像进行增强，获得增强后的手机后盖玻璃图像；
S2
：对增强后的手机后盖玻璃图像分割，获得分割结果；
S3
：提取增强后的手机后盖玻璃图像的深度特征；
S4
：构建手机后盖玻璃缺陷检测模型；
S5
：基于梯度下降和遗传算法优化缺陷检测模型参数，并使用优化完成的缺陷检测模型对手机后盖玻璃进行检测
。2.
根据权利要求1所述的基于手机后盖玻璃的检测方法，其特征在于，所述步骤
S1
包括：拍摄手机后盖玻璃的图像，并对图像进行增强，所述增强方式为：其中，
I
为拍摄的手机后盖玻璃的图像；
E
为增强后的手机后盖玻璃图像；
(m,n)
为像素位置；为向下取整；
FT
为用于增强的滤波器；
m
′
＝
0,1,
…
Size
‑1，
n
′
＝
0,1,
…
Size
‑1，
Size
为滤波器大小；
f_ind
为滤波器序号；滤波器的表达式为：
3.
根据权利要求2所述的基于手机后盖玻璃的检测方法，其特征在于，所述步骤
S2
包括：基于
S1
获得的增强后的手机后盖玻璃图像，对其进行分割获得分割结果，所述分割流程为：
S21
：所述增强后的手机后盖玻璃图像边缘提取：基于水平方向和垂直方向提取增强后的手机后盖玻璃图像的梯度，计算方式为：基于水平方向和垂直方向提取增强后的手机后盖玻璃图像的梯度，计算方式为：其中，
m
″
＝
0,1,2
，
n
″
＝
0,1,2
；
D
x
(m,n)
和
D
y
(m,n)
分别为水平和垂直方向梯度；
GD
x
和
GD
y
分别为梯度提取模板，表达式为：所述增强后的手机后盖玻璃图像的总体梯度由水平和垂直方向梯度组合得到，计算方式为：
基于总体梯度，设定边缘判定阈值
V
来判断像素点是否为边缘，若
D(m,n)&gt;V
，则该像素点为边缘像素点，否则不是边缘像素点；
S22
：基于像素阈值和边缘判定阈值分割增强后的手机后盖玻璃图像：给定像素阈值
U
和边缘判定阈值
V
，分割结果的计算方式为：其中，0表示像素点
(m,n)
为背景，1表示
(m,n)
为前景；
U
＝
0,2,
…
,255
；
V
＝
0,2,
…
,255
；
S23
：基于最大熵确定像素阈值和边缘判定阈值：定义增强后的手机后盖玻璃图像的邻域平均值：其中，
w
为邻域大小；
i
＝
0,1,
…
,w
，
j
＝
0,1,
…
,w
；
(m+i,n+j)
为像素位置；统计像素值和其对应的邻域平均值组合对出现的概率：其中，
freq
p,q
表示像素值为
p
，同时其邻域平均值为
q
的组合对出现的次数；
M
和
N
分别表示增强后的手机后盖玻璃图像的长和宽；基于
S22
中分割出的前景和背景计算熵：中分割出的前景和背景计算熵：中分割出的前景和背景计算熵：中分割出的前景和背景计算熵：其中，
H(U,V)
为给定像素阈值
U
和边缘判定阈值
V
时的熵；
R1，
R2和
R3为中间变量；枚举
U
和
V
的取值并计算相应的熵，选取熵最大的取值为最终的像素阈值和边缘判定阈值
。4.
根据权利要求3所述的基于手机后盖玻璃的检测方法，其特征在于，所述步骤
S3
中，包括：基于训练好的卷积神经网络提取增强后的手机后盖玻璃图像的深度特征，所述卷积神经网络通过卷积和非线性激活层计算图像特征，计算方式为：
O
(h)
＝
ReLU(P
(h
‑
1)
*W
(h)
+b
(h)
)
其中，
O
(h)
和
P
(h)
分别为卷积神经网络第
h
层的输出和输入；
...

【专利技术属性】
技术研发人员：沈宇澄，
申请(专利权)人：无锡维凯科技有限公司，
类型：发明
国别省市：