一种显示器瘢痕缺陷检测方法技术

本发明专利技术提供了一种显示器瘢痕缺陷检测方法，属于图像处理技术领域，本发明专利技术中分别提取出显示器表面图像的

【技术实现步骤摘要】
一种显示器瘢痕缺陷检测方法


[0001]本专利技术涉及图像处理
，具体而言，涉及一种显示器瘢痕缺陷检测方法
。

技术介绍

[0002]在显示器出厂时，需要对显示器的外观进行检查，从而保障其上显示内容的正常
。
现有缺陷检测方法通过对显示器的外观图像进行灰度处理，从而得到灰度图，采用神经网络处理灰度图，从而识别出其上的缺陷
。
但在灰度处理的过程中，实际是将
R
通道值
、G
通道值和
B
通道值进行了省略，采用灰度值进行表征，省略了颜色特征，但显示器的外观图像的
R
通道值
、G
通道值和
B
通道值分别的分布情况，决定了显示器外观的缺陷程度
。

技术实现思路

[0003]本专利技术的目的在于提供一种显示器瘢痕缺陷检测方法，其解决了现有缺陷检测方法存在检测精度不高的问题
。
[0004]本专利技术的实施例通过以下技术方案实现：一种显示器瘢痕缺陷检测方法，包括以下步骤：
S1、
采集显示器表面图像；
S2、
提取显示器表面图像的
R
通道值
、G
通道值和
B
通道值，得到
R
通道图像
、G
通道图像和
B
通道图像；
S3、
将
R
通道图像
、G
通道图像和r/>B
通道图像分别输入到缺陷检测神经网络中，得到
R
通道缺陷值
、G
通道缺陷值和
B
通道缺陷值；
S4、
根据
R
通道缺陷值
、G
通道缺陷值和
B
通道缺陷值，计算显示器瘢痕缺陷程度
。
[0005]进一步地，所述
S3
中缺陷检测神经网络包括：浅层特征提取单元
、
深层特征提取单元和缺陷值估算单元；所述浅层特征提取单元的输入端作为缺陷检测神经网络的输入端，其输出端与深层特征提取单元的输入端连接；所述缺陷值估算单元的输入端与深层特征提取单元的输出端连接，其输出端作为缺陷检测神经网络的输出端
。
[0006]上述进一步地方案的有益效果为：本专利技术中采用浅层特征提取单元提取浅层特征，再采用深层特征提取单元对浅层特征进行处理，得到深层特征，缺陷值估算单元用于根据深层特征，得到通道缺陷值
。
[0007]进一步地，所述浅层特征提取单元包括：第一卷积层
、
第二卷积层
、
第三卷积层
、
第四卷积层和第一
Concat
层；所述第一卷积层的输入端作为浅层特征提取单元的输入端，其输出端分别与第二卷积层的输入端
、
第三卷积层的输入端和第四卷积层的输入端连接；所述第一
Concat
层的输入端分别与第二卷积层的输出端
、
第三卷积层的输出端和第四卷积层的输出端连接，其输出端作为浅层特征提取单元的输出端
。
[0008]进一步地，所述第一卷积层的卷积核大小为
1*1
，第二卷积层的卷积核大小为
3*3
，
第三卷积层的卷积核大小为
5*5
，第四卷积层的卷积核大小为
7*7。
[0009]上述进一步地方案的有益效果为：本专利技术中采用第一卷积层对
R
通道图像
、G
通道图像或
B
通道图像提取特征后，再采用三个不同卷积核的卷积层进行进一步地特征提取，丰富特征量
。
[0010]进一步地，所述深层特征提取单元包括：最大池化层
、
平均池化层和第二
Concat
层；所述最大池化层的输入端与平均池化层的输入端连接，并作为深层特征提取单元的输入端；所述第二
Concat
层的输入端分别与最大池化层的输出端和平均池化层的输出端连接，其输出端作为深层特征提取单元的输出端
。
[0011]上述进一步地方案的有益效果为：本专利技术的深层特征提取单元中采用最大池化层提取出显著特征，采用平均池化层提取出全局特征，在减少数据量的同时，将数据特征充分提取出来
。
[0012]进一步地，所述缺陷值估算单元包括：特征增强层
、
第五卷积层和通道缺陷值估算层；所述特征增强层的输入端作为缺陷值估算单元的输入端，其输出端与第五卷积层的输入端连接；所述通道缺陷值估算层的输入端与第五卷积层的输出端连接，其输出端作为缺陷值估算单元的输出端
。
[0013]上述进一步地方案的有益效果为：本专利技术的特征增强层用于对深层特征进行增强处理，从而凸显
R
通道图像
、G
通道图像或
B
通道图像的特征，增加区分度，更好进行缺陷值估算
。
[0014]进一步地，所述特征增强层的表达式为：
[0015]其中，为特征增强层输出的第个特征值，为特征增强层输入的第个特征值，为增强系数，为特征增强层输入的特征值数量
。
[0016]上述进一步地方案的有益效果为：本专利技术中对特征增强层输入的特征值进行归一化处理，体现出数据分布情况，再通过增强系数对数据分布情况进行增强，凸显通道图像特征
。
[0017]进一步地，所述增强系数的计算公式为：
[0018]其中，为增强系数，为反正切函数，为
R
通道图像
、G
通道图像或
B
通道图像上的第个通道值，为通道值的数量，在处理
R
通道图像时，为
R
通道图像上第个
R
通道值，在处理
G
通道图像时，为
G
通道图像上第个
G
通道值，在处理
B
通道图像时，为
B
通
道图像上第个
B
通道值，
| |
为绝对值
。
[0019]上述进一步地方案的有益效果为：本专利技术中增强系数来源于通道值分布的不均匀性情况，该种不均匀性情况可明确表征通道图像的平滑程度，从而通过增强系数可放大通道图像的特征，提高缺陷检测的精度
。
[0020]进一步地，所述通道缺陷值估算层用于将第五卷积层输出的所有特征值进行分段处理，并将每段特征值构建为一个特征序列，在每一个特征序列中提取出最大特征值和特征均值，根据最大特征值和特征均值，计算通道缺陷值；所述计算通道缺陷值的公式为：
[0021]其中，为通道缺陷值，为第个特征序列中的最大特征值，为第个特征序列中的特征均值，为第个特征序列中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种显示器瘢痕缺陷检测方法，其特征在于，包括以下步骤：
S1、
采集显示器表面图像；
S2、
提取显示器表面图像的
R
通道值
、G
通道值和
B
通道值，得到
R
通道图像
、G
通道图像和
B
通道图像；
S3、
将
R
通道图像
、G
通道图像和
B
通道图像分别输入到缺陷检测神经网络中，得到
R
通道缺陷值
、G
通道缺陷值和
B
通道缺陷值；
S4、
根据
R
通道缺陷值
、G
通道缺陷值和
B
通道缺陷值，计算显示器瘢痕缺陷程度
。2.
根据权利要求1所述的显示器瘢痕缺陷检测方法，其特征在于，所述
S3
中缺陷检测神经网络包括：浅层特征提取单元
、
深层特征提取单元和缺陷值估算单元；所述浅层特征提取单元的输入端作为缺陷检测神经网络的输入端，其输出端与深层特征提取单元的输入端连接；所述缺陷值估算单元的输入端与深层特征提取单元的输出端连接，其输出端作为缺陷检测神经网络的输出端
。3.
根据权利要求2所述的显示器瘢痕缺陷检测方法，其特征在于，所述浅层特征提取单元包括：第一卷积层
、
第二卷积层
、
第三卷积层
、
第四卷积层和第一
Concat
层；所述第一卷积层的输入端作为浅层特征提取单元的输入端，其输出端分别与第二卷积层的输入端
、
第三卷积层的输入端和第四卷积层的输入端连接；所述第一
Concat
层的输入端分别与第二卷积层的输出端
、
第三卷积层的输出端和第四卷积层的输出端连接，其输出端作为浅层特征提取单元的输出端
。4.
根据权利要求3所述的显示器瘢痕缺陷检测方法，其特征在于，所述第一卷积层的卷积核大小为
1*1
，第二卷积层的卷积核大小为
3*3
，第三卷积层的卷积核大小为
5*5
，第四卷积层的卷积核大小为
7*7。5.
根据权利要求2所述的显示器瘢痕缺陷检测方法，其特征在于，所述深层特征提取单元包括：最大池化层
、
平均池化层和...

【专利技术属性】
技术研发人员：史正府，凡文兵，
申请(专利权)人：泸州通源电子科技有限公司，
类型：发明
国别省市：