[发明专利]基于卷积神经网络剪枝算法的手机屏幕MURA缺陷检测方法

说明书

基于卷积神经网络剪枝算法的手机屏幕MURA缺陷检测方法,包括：1)自定义深度卷积神经网络，利用已有的训练数据训练一个用来检测手机屏幕MURA缺陷的神经网络；2)利用自适应模板匹配的方法来进行卷积神经网络的剪枝操作，减小网络规模，缩短算法运行时间；3)将高分辨率相机拍摄的手机屏幕图片进行不同比例的缩放，形成图片金字塔，对于每个尺度的图片，利用滑窗的方法将图片分割成小块，将所有小块图片作为一个组一起送入卷积神经网络中；4)选取中间层的所有特征图作为缺陷的响应图，采用阈值分割的方法最终获得手机屏幕MURA缺陷区域位置。

技术领域

本发明属于目标检测与识别领域，涉及从图像中检测特定目标，具体是检测手机屏幕缺陷的方法。

背景技术

传统的用人工检测屏幕瑕疵方法存在诸多不足之处，在工业生产高速发展的今天，它已经完全无法适应当今工业生产高效、准确的要求。对手机屏幕产商而言，寻找一种高效、准确的自动化检测设备用以替代人工检测环节，成为了迫切的需求。随着计算机视觉、图像处理等领域的发展，基于机器视觉的自动化检测系统成为了一种良好的解决方案。该方案通过高分辨率工业相机采集手机屏幕图像，然后将图像信息通过图像分析模块进行实时的处理，从而判断手机屏幕是否合格。

传统的基于机器视觉的屏幕缺陷检测算法，大多是针对一种或几种类别的屏幕缺陷进行设计的，不具有通用性，所以对于特殊的瑕疵，需要写专门的算法。由于屏幕的特殊性，拍照时在成像上的摩尔纹是不可避免的，而传统算法不能很好地解决摩尔纹问题。另外，传统的算法虽然可以检测较明显的线状、点状缺陷，但是对于成像上很淡的团状MURA缺陷，准确率很低。最后，传统的屏幕缺陷检测算法需要调节大量参数，尤其是在屏幕产品换型时，调整大量参数会导致时间的浪费。因此，设计一个具有良好泛化性的算法具有非常实用的价值。

近年来，深度学习方法在计算机视觉领域产生了巨大的影响。深度学习采用多层网络结构，模拟人脑中神经系统的层次关系和传递方式，它已经在模式识别的多个领域得到了广泛的应用并取得了良好的成绩。本方法采用基于深度卷积神经网络的分类算法，使用预处理后的手机屏幕局部图像块作为分类器的输入，然后抽取卷积神经网络的特征图作为检测结果，将缺陷检测问题转变成一个图像块分类问题，通过此方法得到的深度模型不仅能够有效地学习到图像的背景纹理模式，从含有背景纹理的图像块中准确地定位缺陷的位置，而且对于团状MURA缺陷有很高的准确率。此外，使用卷积神经网络算法相比传统算法，参数设置更少，由于算法具有良好的通用性，尤其适用于屏幕产品的快速换型，缩短换型时间，提高产线效率。

发明内容

本发明要克服基于机器视觉的屏幕缺陷检测算法的上述缺陷，提供一种基于卷积神经网络剪枝算法的手机屏幕MURA缺陷检测方法。

为实现上述目的，本发明所述的基于卷积神经网络剪枝算法的手机屏幕MURA缺陷检测方法包括如下步骤：

1)自定义卷积神经网络，通过训练数据训练该网络直到收敛并且有较高准确率；

2)通过自适应模板匹配的方法来进行卷积神经网络的剪枝，缩小网络规模和网络参数；

3)采集手机屏幕图片数据，生成图片金字塔，分割成图片块，用于测试阶段数据生成，送入到步骤2)获得的剪枝后的卷积神经网络中进行运算；

4)取中间隐层的特征图之和作为响应图，采用阈值分割的方法获得缺陷最终位置并圈出，该方法尤其用于检测MURA缺陷。

步骤2)所述的自适应模板匹配的剪枝具体是：把网络中间隐层的特征图有响应的部分对应到原图中，该部分作为前景，剩下部分作为背景，计算前景和背景的平均亮度差异；取差异最大的若干个特征图进行保留；把剩下的特征图和与之相关的卷积核从网络上剪枝。

步骤3)所述的图片金字塔具体是：将原始高分辨率图片缩小成不同尺度的图片，这些不同尺度的图片合起来称为一组图片金字塔。使用图片金字塔的目的是来检测不同尺度上、不同大小的瑕疵。