[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的輕量級(jí)TFT-LCD模組劃痕檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811510843.0
• 申請(qǐng)日: 2018-12-11
• 公開（公告）號(hào): CN109712117B
• 公開（公告）日: 2022-10-11
• 發(fā)明（設(shè)計(jì)）人: 張炎;孔令峰;胡宗亮;詹慧妹;謝濤
• 申請(qǐng)（專利權(quán)）人: 重慶信息通信研究院
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G01N21/88
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的輕量級(jí)TFT?LCD模組劃痕檢測(cè)方法，屬于工業(yè)缺陷檢測(cè)。該方法包括以下步驟：S1：建立深度學(xué)習(xí)模型；S2：通過相機(jī)采集圖像；S3：圖像仿射校正為矩形；S4：圖像去紋理；S5：圖像標(biāo)準(zhǔn)化；S6：輸入CNN檢測(cè)網(wǎng)絡(luò)；S7：輸出檢測(cè)結(jié)果。本發(fā)明深度學(xué)習(xí)算法可以做到算法的通用，更換產(chǎn)品只需要添加該類的訓(xùn)練樣本即可。并且隨著種類的增多，訓(xùn)練的模型泛化行越強(qiáng)，積累到一定種類數(shù)量時(shí)，即使不添加訓(xùn)練樣本也可以檢測(cè)出。可大大降低員工培訓(xùn)時(shí)間與系統(tǒng)維護(hù)時(shí)。且無(wú)需撕去保護(hù)膜，對(duì)膜上的劃痕有一定鑒別能力。針對(duì)小的劃痕，其漏檢率與誤檢率都將大大降低。

技術(shù)領(lǐng)域

本發(fā)明屬于工業(yè)缺陷檢測(cè)領(lǐng)域，涉及基于卷積神經(jīng)網(wǎng)絡(luò)的輕量級(jí)薄膜晶體管液晶顯示器(TFT-LCD,Thin Film Transistor-Liquid Crystal Display)模組劃痕檢測(cè)方法。

背景技術(shù)

工業(yè)上劃痕檢測(cè)多應(yīng)用于金屬，塑料與玻璃制品等工業(yè)產(chǎn)品。這些工業(yè)產(chǎn)品可以在特殊光源與角度等條件下較為清晰的顯示出來(lái)。但是，不同于上述工業(yè)產(chǎn)品，TFT-LCD模組上的劃痕缺陷具有劃痕特征不明顯，背景復(fù)雜等特征。

現(xiàn)有的檢測(cè)方案大多是利用數(shù)字圖像處理中的圖像預(yù)處理(歸一化與突出化)結(jié)合邊緣檢測(cè)算子(Canny,Sobel)。還有一部分算法是使用模式識(shí)別中的聚類(K-mean)等。

現(xiàn)有技術(shù)存在以下不足之處：

a)針對(duì)的劃痕缺陷是比較明顯的，而且需要在特殊的光源與特定的角度上進(jìn)行，對(duì)外部環(huán)境的要求苛刻。

b)檢測(cè)算法難以做到通用，而且更換產(chǎn)品后需要重新調(diào)整閾值。對(duì)員工培訓(xùn)難度大，耗費(fèi)時(shí)間長(zhǎng)。

c)必須撕去液晶屏上保護(hù)膜，難以分辨膜上劃痕與真實(shí)劃痕。誤檢率高，漏檢率高，尤其是小的劃痕缺陷。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的輕量級(jí)TFT-LCD模組劃痕檢測(cè)方法。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

基于卷積神經(jīng)網(wǎng)絡(luò)的輕量級(jí)TFT-LCD模組劃痕檢測(cè)方法，該方法包括以下步驟：

S1：建立深度學(xué)習(xí)模型；

S2：通過相機(jī)采集圖像；

S3：圖像仿射校正為矩形；

S4：圖像去紋理；

S5：圖像標(biāo)準(zhǔn)化；

S6：輸入CNN檢測(cè)網(wǎng)絡(luò)；

S7：輸出檢測(cè)結(jié)果。

進(jìn)一步，所述采集圖像為8位或32位灰度圖。

進(jìn)一步，所述深度學(xué)習(xí)模型采用SSD檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)；其訓(xùn)練樣本圖為200張，200張訓(xùn)練樣本圖包含800個(gè)缺陷區(qū)域；所述深度學(xué)習(xí)模型的需要在預(yù)訓(xùn)練模型(Pretrain_model)上進(jìn)行遷移學(xué)習(xí)。

進(jìn)一步，所述深度學(xué)習(xí)模型采用MobileV1與MobileV2的block結(jié)構(gòu)。

進(jìn)一步，所述神經(jīng)網(wǎng)絡(luò)為15層神經(jīng)網(wǎng)絡(luò)；其中Res_block1-Res_block5是擴(kuò)張系數(shù)為3的MobileV2結(jié)構(gòu)；所述MobileV2滿足以下特征：

(1)使用擴(kuò)張系數(shù)為3的1×1卷積核，以正常的點(diǎn)卷積的方式進(jìn)行通道融合；

(2)再使用尺寸為3×3的卷積核進(jìn)行非跨通道的深度卷積；

(3)最后再次使用1×1卷積核以點(diǎn)卷積的方式進(jìn)行跨通道融合，并將特征圖數(shù)量壓縮到與輸入特征圖數(shù)量一致；