[发明专利]基于多任务学习网络的手机导光板缺陷可视化检测方法

说明书

本发明公开了一种基于多任务学习网络的手机导光板缺陷可视化检测方法，包括以下步骤：步骤1、采集导光板图像；步骤2、图像预处理；步骤3、建立并训练、测试多任务学习网络，包括特征提取、特征融合、分割头Segmentation Head和分类头Classification Head四个子网络，然后保存并输出训练好的多任务学习网络；步骤4、使用训练好的多任务学习网络进行缺陷检测，并输出结果。采用本发明的基于多任务学习网络的手机导光板缺陷可视化检测方法，完成对缺陷的定位任务与缺陷有无的分类的同时，提供可视化的结果。

技术领域

本发明属于深度学习的图像识别领域，具体为一种基于多任务学习网络的手机导光板缺陷可视化检测方法。

背景技术

导光板(light guide plate)是利用光学级的亚克力/PC板材，然后用具有极高反射率且不吸光的高科技材料，在光学级的亚克力板材底面用激光雕刻、V型十字网格雕刻、UV网版印刷技术印上导光点。导光板也是液晶显示屏背光模组的重要组成部分,在其生产过程中不可避免会出现亮点、划伤、压伤等缺陷,直接影响显示效果。根据缺陷的形状，将缺陷分为两大类：点缺陷与线缺陷。点缺陷主要指的是在导光板内部形成的点状缺陷，主要包括亮点与压伤。在塑化过程中，塑胶原料因温度过低从而导致不能完全熔化、成型机周围粉尘较重或者塑胶原料不干净，掺杂着白色的杂质等，会呈现出亮点缺陷。而线缺陷指的是在导光板表面形成的线状缺陷，主要是导光板表面出现划伤痕迹。形成原因主要有模仁表面刮伤，或者在导光板生产过程中由于导光板接触面的不洁净，如抛光机、滚轮清洁等，与导光板在运动过程中产生较大的摩擦，从而在导光板表面形成条状划痕。

目前，国内导光板缺陷检测主要依靠人工操作去完成，但人工检测缺陷的局限性非常明显，主要在于：(1)人工检测环境不佳，工人长期面对导光板，会严重损害员工视力；(2)导光板缺陷检测主要凭借人眼判断识别，存在着人为主观因素，难以形成可以量化的质量标准；(3)人工操作易受到多种因素干扰，如外界环境，人眼疲劳等，使得实际检测效率与精度都会受到一定的影响；(4)导光板检测复杂度高，难度大，缺陷种类多，员工很难掌握相关检测技术。

目前手机导光板缺陷检测主要通过验光人员人工完成，在检验治具的打光条件下，点亮导光板，检测人员目测导光板某处或多处是否出现亮点、划伤等缺陷，从而判定导光板是否存在缺陷。由于人工检测缺陷的各种局限性，人工亮点检测的精度、效率、稳定性等很难适应企业的要求。为取得高质量导光板检测图像，需要采用高分辨率的面阵相机进行取像，获得的导光板缺陷图像大小在20M左右。在工业现场，企业要求在5秒之内完成对一张导光板的缺陷检测，这也对缺陷的检测效率提出了更高的要求。现有基于深度学习的缺陷检测方法并非是一个端到端的检测，需要多个阶段的过程完成对缺陷的检测，这使得基于深度学习的缺陷检测方法在实际部署中比较困难。

发明内容

本发明要解决的技术问题是提供一种基于多任务学习网络的手机导光板缺陷可视化检测方法，完成对缺陷的定位任务与缺陷有无的分类的同时，提供可视化的结果。

为解决上述技术问题，本发明一种基于多任务学习网络的手机导光板缺陷可视化检测方法，包括以下步骤：

步骤1、采集导光板图像：

在手机导光板生产线末端，设置导光板图像采集装置，采用高分辨率线扫相机进行图像采集，然后将采集到的导光板图像传到上位机进行处理；

步骤2、图像预处理：

在上位机中，利用阈值分割技术来剔除步骤1中采集得到的导光板图像中所包含的黑色背景，获得导光板ROI的区域图像；

然后将导光板ROI的区域图像裁剪成一组尺寸为H×W×1的小图像，相邻的图像之间有1/10图像宽度的重叠，H＝224，W＝224，以下出现的H、W均与之相同；