[发明专利]一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法有效

专利信息
申请号: 202110377130.7 申请日: 2021-04-08
公开(公告)号: CN113240626B 公开(公告)日: 2023-07-11
发明(设计)人: 杨刚;杨军亮;李鲲;李凌峰;乔城阳;周士巧;黄建义 申请(专利权)人: 西安电子科技大学
主分类号: G06T7/00 分类号: G06T7/00;G06V10/764;G06N3/0464;G06N3/08
代理公司: 西安西达专利代理有限责任公司 61202 代理人: 刘华
地址: 710071 陕*** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 神经网络 玻璃 盖板 凹凸 瑕疵 检测 分类 方法
【说明书】:

一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法。首先利用凹凸型瑕疵的成像原理,设计了一种图像增强算法来生成凸显瑕疵位置的增强图像,通过增强图像来快速定位瑕疵位置,生成置信度非常高的建议候选框。然后结合改进的目标检测深度神经网络进行瑕疵分类、回归框定位以及进行像素级瑕疵区域预测。同时针对网络在训练时正负样本不平衡问题,提出了一种样本采样方案用来获取类别平衡的训练数据。该方法可以有效的提高瑕疵检测的速度和精度,进而增强产品生产过程中瑕疵检测环节的整体性能。

技术领域

发明属于瑕疵检测技术领域,具体涉及一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法。

背景技术

在手机玻璃面板的生产过程中,会出现抛光痕、过抛、凹点、白点、压伤、刀纹等诸多的问题。手机玻璃面板缺陷种类较多且复杂,缺陷的形状、大小和数量等都是不规则的。这就导致了瑕疵不仅在数量上分布是高度不平衡的,在瑕疵尺寸和形状上也会为瑕疵检测带来很大的困难。传统的人工检测依靠人眼来进行检测识别,质检员需要在强光下通过不同的光线和视觉角度,捕捉玻璃的各类缺陷,这种方法局限性高,不能满足大批量快节拍生产,而且长时间的肉眼检测过程容易引起视觉疲劳,再加上主观认定和训练水平,已经远远无法满足生产的需要。

传统的机器学习算法往往是基于图像处理和模式识别技术,通过提取产品表面纹理特征的功率谱密度进行分析,来完成对瑕疵的检测。这种检测方案过于依赖先验知识,且检测结果准确率不高。

现在也出现了使用深度神经网络来检测的方法,但是现有的基于神经网络的方法都是直接用拍得的瑕疵图片作为训练数据,以目标检测网络为主要的框架进行检测,但是目标检测网络一般都是针对自然场景中的高语义目标进行检测,并且由于在自然场景中的目标由于没有特殊性,所以在提取目标位置时通常采用的是遍历或与遍历相似的逐步缩小范围的方法,而没有考虑到不同的瑕疵在不同的图像采集方案下所表征的信息的不同,导致的检测时间长。并且瑕疵属于低语义目标,相比自然场景目标它的大小与长宽比变化范围非常广泛,如果直接用瑕疵图片进行目标检测网络的训练,虽然可识别的瑕疵种类多,但是识别精度非常低。

发明内容

为了克服上述现有技术的不足,本发明的目的是提出一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法。该方法首先利用凹凸型瑕疵的成像原理,设计了一种图像增强算法来生成凸显瑕疵位置的增强图像,通过增强图像来快速定位瑕疵位置,生成置信度非常高的建议候选框。然后结合改进的目标检测深度神经网络进行瑕疵分类、回归框定位以及进行像素级瑕疵区域预测。同时针对网络在训练时正负样本不平衡问题,提出了一种样本采样方案用来获取类别平衡的训练数据。该方法可以有效的提高瑕疵检测的速度和精度,进而增强产品生产过程中瑕疵检测环节的整体性能。

为实现上述目的,本发明所提供的技术方案为:

一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法,包括以下步骤:

步骤一、采集手机玻璃面板的原图和增强图:

1)将一系列黑白周期条纹投影到待检测的手机玻璃面板表面,通过相机拍摄一系列反射的黑白周期条纹图,采集完成后,打开暗场条形光源,采集一张暗场图像作为原图;

2)结合一系列黑白周期条纹图,根据公式(1)计算手机盖板玻璃凹凸型缺陷增强图对手机盖板玻璃凹凸型缺陷增强图进行图像增强,聚类连接,二值化得到候选区域二值化图;

其中表示在第k张图像上位于(i,j)处的像素灰度值,N表示拍摄的图像总量,l是对N的求和;

3)将采集到的原图和由增强图得到的候选区域二值化图进行透视变换到正视图的位置,得到一个样本;

步骤2、构建训练数据集:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安电子科技大学,未经西安电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110377130.7/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top