[发明专利]一种通用的键盘异常检测方法

说明书

本发明提供一种通用的键盘异常检测方法，包括以下步骤：模型训练阶段，通过采集图片，经过矫正模块与数据标注处理，得到分类模型和检测模型；模型应用阶段，对图像键盘的每个按键定义好相应类型，并增加空类型None代表异常的键位类型；读取检测图片，按顺序对其进行矫正模块、分类模块、检测模块的操作，并将每个按键的检测信息进行输出；根据检测算法输出的各目标坐标信息、类别信息、键盘每行推理标签、纵坐标偏移阈值进行处理，与该类型产品的真实标签值做对比，将结果数据进行输出，本发明支持自定义多种类型的键盘，兼容性大大提高。检测效率得到了很大的提升，高效的完成检测。减少外部环境的影响，提高键盘检测的稳定性。

技术领域

本发明涉及键盘异常检测领域，特别是涉及一种通用的键盘异常检测方法。

背景技术

在键盘生产的过程中，对键盘表面缺陷检测是一种复杂重复性的、精力高度集中的工作，这样就给检测人员带来很大的压力；同时，检测人员不可避免地受到疲劳、心情、感觉和技术水平的客观影响，很难做到精确和定量；为了降低检测人员在检测过程中的劳动强度，提高生产效率，该键盘检测算法相应而生。

目前国内外不少研究机器视觉的企业开发了相应的传统检测算法，进行简单设定后，即可对键盘按键自动识别、检测，但是其兼容性和检测稳定性存在一定的进步空间。目前的键盘按键检测多是使用传统算法来进行检测，在传统算法的检测过程中会出现检测不稳定、检测存在局限性、受外部曝光影响、检测效率低等问题，对使用者来说会造成很多的不便之处。

因此，基于此提出一种通用且高效稳定的键盘检测算法极具现实意义。

发明内容

在传统的键盘按键检测过程中，会存在一定的局限性、不稳定性等技术问题，本发明的目的在于通过一种基于深度学习的算法来解决该问题。该算法在不管是效率上还是稳定性上，都能够更好的进行检测与判定。通过该算法可以满足键盘检测的大部分需求，同时由于使用GPU的缘故，可加速来完成高效的推理与应用。

为实现上述目的，本发明提供如下技术方案：

一种通用的键盘异常检测方法，包括以下步骤：

模型训练阶段，通过采集图片，经过矫正模块与数据标注处理，得到分类模型和检测模型；

模型应用阶段，对图像键盘的每个按键定义好相应类型，并增加空类型None代表异常的键位类型；

读取检测图片，按顺序对其进行矫正模块、分类模块、检测模块的操作，并将每个按键的检测信息进行输出；

根据检测算法输出的各目标坐标信息、类别信息、键盘每行推理标签、纵坐标偏移阈值进行处理，与该类型产品的真实标签值做对比，将结果数据进行输出。

作为本发明进一步的方案，在检测过程中，通过矫正模块将图片进行矫正处理，使图片正面朝上，然后用分类模块判断其键盘类别，从而找到该产品对应的键盘标签信息列表，再使用检测模块对其进行检测，获得按键相关数据。

作为本发明进一步的方案，保存检测信息输出后的各目标信息，包括每个目标点的左上、右下横纵坐标以及该目标点的类别，并进行筛选，数据拆分每个目标的左上横纵坐标信息，即此时的t1(x1,y1)其中x1为左上角横坐标，y1为左上角纵坐标，以及每个目标的类别信息，定义为两张表。

作为本发明进一步的方案，外层同时遍历两张表，将当前两张表遍历的第一个元素保存至临时表，并将当前的元素从原始表中pop/remove。

作为本发明进一步的方案，内层继续同时循环遍历两张表，内层遍历，进行判断：将每个目标的纵坐标与外层遍历中第一个元素的纵坐标进行相减并取绝对值，若其差值小于其阈值判定为同一行，则认定为同一行，并加入之临时表中，其格式为[[[x1,y1,cl],[x2,y2,c2]],[],[],..]，即属于相同行的元素加入至同一列表，等加入至表中后，将其从原始表中删除。