[发明专利]一种大分辨率图像的缺陷检测方法及系统

说明书

本发明公开了一种大分辨率图像的缺陷检测方法及系统，该方法包括以下步骤：S1：采用一定大小的滑动窗口在缺陷图像上进行横向和纵向滑动，得到若干分区图像；S2：通过基于小分辨率图像训练得到的目标检测模型对每一个分区图像进行缺陷检测，得到一个描述目标检测框的结果集合，每一个目标检测框的检测结果包括该目标检测框内所包含的缺陷类型的概率分类值；S3：依次计算结果集合中相邻的两个目标检测框之间的欧式距离，当欧式距离小于窗口融合阈值时对两个目标检测框进行融合，取概率分类值最大的目标检测框作为缺陷检测结果；本发明通过滑动切分和窗口融合的方式实现大分辨率图像的缺陷检测，不会导致微小缺陷丢失，避免造成过检或漏检。

技术领域

本发明属于自动化缺陷检测技术领域，更具体地，涉及一种基于深度学习的大分辨率图像缺陷检测方法及系统。

背景技术

在LCD面板制作的过程中，往往因为背光板(Back Light Unit，BLU)上的划伤、灰尘、污渍等缺陷，导致最终LCD面板上出现类似的缺陷，这直接影响了LCD面板最终的质量和成品等级的输出结果，因此，在LCD制程的初期对BLU背光板上有可能出现的缺陷进行检测是至关重要的。

目前，BLU背光板上的缺陷检测主要是通过以下三种方法实现的，一是由质检员进行逐个人工检测；二是借助传统的图像处理算法进行检测；三是基于主流的深度学习算法进行检测，深度学习自2012年在ImageNet图像识别比赛中暂露头角以来，深度学习算法不仅在图像识别领域不断取得新的突破，在目标检测领域更是大放异彩；但是以上三种方法分别存在以下缺陷：

1、人眼检测存在很强的主观因素，而且人眼进行长期的检测也会存在视觉疲劳；此外，BLU背光板上的缺陷往往比较微弱，以上因素综合起来，会直接造成BLU背光板上大量缺陷的漏检和过检；并且检测效率低下，带来大量的人力成本和时间成本；

2、传统的图像处理算法虽然在一定程度上可以实现BLU背光缺陷的自动检测，但是传统的图像处理算法泛化能力不强，需要调节的参数过多，检测过程需要人为干预，在针对多样化的BLU背光缺陷检测时，该方法不仅会使得整个缺陷检测过程不能完全自动化，并且因为不可控因素众多，也会造成大量的过检和漏检；

3、深度学习领域中的主流目标检测算法的缺陷检测效果良好，但是，这些主流的目标检测算法的检测对象都是小分辨率的图像，并不能直接用于类似BLU缺陷图像这样的大分辨率图像；并且，由于BLU缺陷图像中的缺陷非常微弱，其中50％的缺陷面积基本为10个像素*10个像素左右，因此也无法直接将大分辨率缺陷图像直接通过主流的目标检测算法中的金字塔下采样算法降采样至小分辨率的图像，因为直接降采样将会使得原始缺陷图像中的大量缺陷丢失，也将将会造成大量的LCD缺陷过检和漏检。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种大分辨率图像的缺陷检测方法及系统，其目的在于解决现检测方法存在的不能直接检测大分辨率图像、容易出现过检漏检的问题。

为实现上述目的，按照本发明的一个方面，提供了一种大分辨率图像的缺陷检测方法，包括以下步骤：

S1：采用一定大小的滑动窗口在待测缺陷图像上进行横向和纵向滑动，将待测缺陷图像切割为若干分区图像，每一次横向或纵向滑动时所述滑动窗口覆盖的区域为一个分区图像；相邻两次的横向或纵向滑动之间彼此不重叠，且若干次横向或纵向滑动所生成的分区图像的集合需覆盖全部的待测缺陷图像；

S2：通过基于小分辨率图像训练得到的目标检测模型对每一个分区图像进行缺陷检测，得到一个描述目标检测框的结果集合，每一个所述目标检测框的检测结果包括该目标检测框内所包含的缺陷类型的概率分类值；

S3：依次计算所述结果集合中相邻的两个目标检测框之间的欧式距离，当所述欧式距离小于预设的窗口融合阈值时对两个目标检测框进行融合，取概率分类值最大的目标检测框作为缺陷检测结果。