【技术实现步骤摘要】
本专利技术涉及图像分析，尤其涉及一种基于深度学习的aoi光学检测方法及系统。
技术介绍
1、图像分析
包含对图像数据的获取、处理、分析及识别等核心环节，涉及计算机视觉、模式识别、深度学习等多个技术方向。该
的核心内容包括图像预处理、特征提取、目标检测、目标分类及分割等，通过构建数学模型或神经网络结构对图像进行解析，实现对图像中目标的精准识别与分析。该技术广泛应用于工业检测、医学影像分析、安全监控、自动驾驶等多个领域，其中工业检测领域的自动光学检测aoi技术可用于检测电路板、半导体芯片、显示屏等精密制造工艺中的缺陷，提高产品质量并降低生产成本。
2、其中，基于深度学习的aoi光学检测方法是指利用深度神经网络对被检测物的光学图像进行处理与分析，以实现缺陷识别及分类的自动化方式。该方法涵盖图像数据采集、图像预处理、深度学习模型训练及缺陷分类等技术事项。首先，通过高分辨率相机获取待测物体的光学图像，并利用滤波、对比度增强等方式进行预处理，以提高图像的清晰度与可用性。随后，构建卷积神经网络cnn以提取图像的局部及全局特征，通过训练集与验证集进行模型优化，提升对缺陷的识别能力。最终，利用全连接层或基于特征的分类器对检测目标进行分类，以确定是否存在缺陷并输出检测结果。
3、现有技术在特征数据处理方面，固定权重参数未能适应复杂缺陷变化，导致细微缺陷易被忽略，影响检测准确度。特征冗余度分析不足，部分低贡献特征干扰分类，提高误检概率。光照适应性依赖单一光源，未能充分利用光照变化信息，导致检测在不同环境下不稳定。边
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点，而提出的一种基于深度学习的aoi光学检测方法及系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：一种基于深度学习的aoi光学检测方法，包括以下步骤：
3、s1：获取透射、反射、散射成像数据，计算边缘方向变化率，设定梯度变化阈值筛选数据点，归一化纹理梯度与光谱反射率，建立多视角光学特征数据矩阵；
4、s2：基于所述多视角光学特征数据矩阵，调用aoi光学检测中的多角度成像，计算多特征对分类的贡献度梯度，采用差分计算贡献度变化率，筛选变化趋势一致的特征，计算互信息值分析冗余度，设定初始权重，依据冗余度和特征贡献度变化趋势，实时调整权重参数，获取特征权重调整系数；
5、s3：基于所述多视角光学特征数据矩阵，设定多方向光源成像，计算相邻光源间光照强度梯度，拟合亮度变化曲线筛选稳定像素点，建立光照梯度方向特征矩阵；
6、s4：调用所述光照梯度方向特征矩阵，通过aoi光学检测中的缺陷边缘检测，计算梯度方向一致性，筛选稳定区域，计算梯度变化拐点密度，建立特征曲线数据库，获取梯度方向匹配参数。
7、作为本专利技术的进一步方案，所述多视角光学特征数据矩阵包括归一化纹理梯度、归一化光谱反射率、筛选后的数据点，所述特征权重调整系数包括特征贡献度变化率、互信息值、实时调整的权重参数，所述光照梯度方向特征矩阵包括稳定像素点、相邻光源间光照强度梯度、亮度变化曲线拟合参数，所述梯度方向匹配参数包括梯度方向一致性、稳定区域、梯度变化拐点密度。
8、作为本专利技术的进一步方案，所述多视角光学特征数据矩阵的获取步骤具体为：
9、s101：获取透射、反射、散射成像数据，计算数据点的光学特征矩阵，并计算每个成像数据的边缘方向梯度变化率，采用公式：
10、；
11、获取光学梯度变化率；
12、其中，代表光学梯度变化率，代表第个数据点的边缘梯度，代表数据点的方向向量，代表成像数据的总数量；
13、s102：调用所述光学梯度变化率，设定梯度变化阈值，筛选数据点，计算数据点的梯度变化率与阈值的差值，将差值低于设定阈值的点剔除，调用剩余数据点，得到筛选后数据点集；
14、s103：调用所述筛选后数据点集，归一化纹理梯度与光谱反射率，对数据点的光谱反射率值进行标准化转换，建立多视角光学特征数据矩阵。
15、作为本专利技术的进一步方案，所述特征权重调整系数的获取步骤具体为：
16、s201：基于所述多视角光学特征数据矩阵，调用aoi光学检测中的多角度成像，计算多个光学特征对分类的贡献度梯度，采用差分计算获取贡献度变化率，筛选变化趋势一致的特征，得到特征变化一致性筛选结果；
17、s202：基于所述特征变化一致性筛选结果，计算多个筛选特征的互信息值，分析特征冗余度，设定初始权重，得到特征冗余度计算结果；
18、s203：基于所述特征冗余度计算结果，依据冗余度和特征贡献度变化趋势，实时调整权重参数，采用公式：
19、；
20、运算获取多特征权重的调整幅度，结合初始权重，得到特征权重调整系数；
21、其中，代表特征权重调整系数，代表初始权重，代表调整步长因子，代表第个特征的贡献度梯度，代表所有特征贡献度梯度的均值，代表第个特征的冗余度，代表第个特征的互信息值，代表冗余度平衡因子，代表筛选后的特征数量。
22、作为本专利技术的进一步方案，所述光照梯度方向特征矩阵的获取步骤具体为：
23、s301：基于所述多视角光学特征数据矩阵，设定多方向光源成像，获取多光源方向下的像素亮度数据，计算相邻光源间光照强度梯度，建立光照梯度变化数据集，获取光照梯度分布值；
24、s302：调用所述光照梯度分布值，针对多像素点在相邻光源间光照强度梯度的变化趋势进行分析，拟合亮度变化曲线，计算像素点亮度变化幅度，并筛选亮度变化幅度在目标范围内的像素点，获取稳定像素点集合；
25、s303：基于所述稳定像素点集合的光照梯度方向的变化情况，计算多稳定像素点的光照梯度方向特征向量，采用公式：
26、；
27、运算获取光照梯度方向特征矩阵的元素值，并对所有稳定像素点进行矩阵排列，建立光照梯度方向特征矩阵；
28、其中，代表光照梯度方向特征矩阵的元素值，代表第个稳定像素点的亮度变化量，代表第个稳定像素点的光照方向角变化量，代表第个稳定像素点的光照时间间隔，代表稳定像素点的总数。
29、作为本专利技术的进一步方案，所述梯度方向匹配参数的获取步骤具体为：
30、s401：基于所述光照梯度方向特征矩阵，针对aoi光学检测中的缺陷区域，获取区域内部所有像素点的梯度方向信息，计算相邻像素点梯度方向的变化程度，并针对区域内所有像素点计算得到多检测区域的梯度方向一致性分布值；
31、s402：基于所述梯度方向一致性分布值，并筛选变化稳定的区域，获取稳定区域内部的梯度方向变化趋本文档来自技高网...
【技术保护点】
1.一种基于深度学习的AOI光学检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的AOI光学检测方法，其特征在于，所述多视角光学特征数据矩阵包括归一化纹理梯度、归一化光谱反射率、筛选后的数据点，所述特征权重调整系数包括特征贡献度变化率、互信息值、实时调整的权重参数，所述光照梯度方向特征矩阵包括稳定像素点、相邻光源间光照强度梯度、亮度变化曲线拟合参数，所述梯度方向匹配参数包括梯度方向一致性、稳定区域、梯度变化拐点密度。
3.根据权利要求2所述的基于深度学习的AOI光学检测方法，其特征在于，所述多视角光学特征数据矩阵的获取步骤具体为：
4.根据权利要求3所述的基于深度学习的AOI光学检测方法，其特征在于，所述特征权重调整系数的获取步骤具体为：
5.根据权利要求4所述的基于深度学习的AOI光学检测方法，其特征在于，所述光照梯度方向特征矩阵的获取步骤具体为：
6.根据权利要求5所述的基于深度学习的AOI光学检测方法，其特征在于，所述梯度方向匹配参数的获取步骤具体为：
7.根据权利要求6所述的
8.根据权利要求7所述的基于深度学习的AOI光学检测方法，其特征在于，所述分类优化结果的获取步骤具体为：
9.一种基于深度学习的AOI光学检测系统，其特征在于，根据权利要求1-8任一项所述的基于深度学习的AOI光学检测方法，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习的aoi光学检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的aoi光学检测方法，其特征在于，所述多视角光学特征数据矩阵包括归一化纹理梯度、归一化光谱反射率、筛选后的数据点，所述特征权重调整系数包括特征贡献度变化率、互信息值、实时调整的权重参数，所述光照梯度方向特征矩阵包括稳定像素点、相邻光源间光照强度梯度、亮度变化曲线拟合参数，所述梯度方向匹配参数包括梯度方向一致性、稳定区域、梯度变化拐点密度。
3.根据权利要求2所述的基于深度学习的aoi光学检测方法，其特征在于，所述多视角光学特征数据矩阵的获取步骤具体为：
4.根据权利要求3所述的基于深度学习的aoi光学检测方法，其...
【专利技术属性】
技术研发人员：周野，胡磊，游润松，吴沙，
申请(专利权)人：深圳市嘉熠精密自动化科技有限公司，
类型：发明
国别省市：
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。