【技术实现步骤摘要】
本专利技术涉及机器视觉领域的显示屏缺陷自动化检测，具体而言，涉及一种显示屏低对比度及细小缺陷的检测方法。
技术介绍
1、近年来，显示屏产品在电视、个人电脑、手机等领域得到广泛应用。然而，由于其制造工艺的复杂性，显示屏产品在生产过程中容易出现故障。这些故障主要可分为点灯缺陷和外观缺陷，点灯缺陷主要包括斑点缺陷、线条缺陷、mura缺陷等，而外观缺陷则主要包括油污、划痕和污渍，这些严重的缺陷会显著影响用户的视觉体验。因此，为确保产品质量和用户满意度，新制造的在离开工厂之前必须经过严格的缺陷检测程序。
2、目前lcd缺陷主要分为传统的图像处理方法和深度学习方法。传统图像方法在特征提取中过于依赖于人工设计的算法，具有较差的鲁棒性和泛化能力。而且，传统方法具有较高的计算复杂度，又无法使用gpu并行化计算，难以应用到工业生产线上实时快速检测。现有的深度学习方法可以有效解决传统处理方法的缺点，但在低对比度场景中缺陷检测精度不高，且细小缺陷检测中也存在严重漏检的情况。除此之外，目前所有的lcd缺陷检测方法都无法实现对点灯缺陷和外观缺陷统一检测
【技术保护点】
1.一种显示屏低对比度及细小缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的显示屏低对比度及细小缺陷检测方法，其特征在于，步骤S1中，数据增强包括翻转、旋转、裁剪、缩放、平移和抖动；尺度统一规模处理是将所有图像统一缩放成h×w×c，其中，h、w、c分别为图像的长、宽和通道数；锚框自动生成处理是采用Kmeans++算法对所有的标签框进行聚类生成初步锚框，再使用启发式优化算法对初步锚框进一步优化。
3.根据权利要求2所述的显示屏低对比度及细小缺陷检测方法，其特征在于，步骤S2具体包括：使用一个大核卷积对预处理后的显示屏缺陷图进行特...
【技术特征摘要】
1.一种显示屏低对比度及细小缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的显示屏低对比度及细小缺陷检测方法，其特征在于，步骤s1中，数据增强包括翻转、旋转、裁剪、缩放、平移和抖动；尺度统一规模处理是将所有图像统一缩放成h×w×c，其中，h、w、c分别为图像的长、宽和通道数；锚框自动生成处理是采用kmeans++算法对所有的标签框进行聚类生成初步锚框，再使用启发式优化算法对初步锚框进一步优化。
3.根据权利要求2所述的显示屏低对比度及细小缺陷检测方法，其特征在于，步骤s2具体包括：使用一个大核卷积对预处理后的显示屏缺陷图进行特征提取，输出h/2×w/2×c大小的初步特征图，再使用四次跨阶段局部网络和卷积组合模块进行浅层特征和深层特征提取，其中，跨阶段局部网络的残差模块比例浅层向深层逐步递减，最后使用快速空间金字塔池化模块将最后一层深层特征图进行局部和全局的特征融合，得到h/32×w/32×16c的深层特征图。
4.根据权利要求3所述的显示屏低对比度及细小缺陷检测方法，其特征在于，卷积组合模块由一个卷积、一个批次归一化和一个激活函数串行组成，当特征图输入卷积组合模块，则计算过程被表示为：
5.根据权利要求3所述的显示屏低对比度及细小缺陷检测方法，其特征在于，跨阶段局部网络将输入特征图分为两个分支，一个分支通过卷积组合模块，而另一部分在经过一个卷积组合模块后连接多个残差模块，然后两个分支在通道上结合，再经过一个卷积组合模块输出；在四次的跨阶段局部网络中，残差模块比例浅层向深层逐步递减表示为浅层网络中残差结构的比例多，深层网络中残差结构少。
6.根据权利要求1所述的显...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。