[發(fā)明專利]一種屏幕缺陷分類方法、電子設備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202210009602.8
• 申請日: 2022-01-06
• 公開（公告）號: CN114022657B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設計）人: 不公告發(fā)明人
• 申請（專利權(quán)）人: 高視科技（蘇州）有限公司
• 主分類號: G06V10/20
• 分類號: G06V10/20;G06V10/26;G06V10/764;G06V10/774;G06V10/80;G06K9/62
• 代理公司: 惠州市超越知識產(chǎn)權(quán)代理事務所(普通合伙) 44349
• 代理人: 陳文福

1.一種屏幕缺陷分類方法，其特征在于，包括：

對輸入的屏幕缺陷圖像進行預處理，得到缺陷樣本圖像，所述預處理包括：

對所述輸入的屏幕缺陷圖像進行濾波，得到濾波后的圖像；對所述濾波后的圖像進行閾值分割，得到閾值分割后的圖像；對所述閾值分割后的圖像進行缺陷面積和邊緣分析，得到缺陷分割圖像；對所述缺陷分割圖像進行尺度調(diào)整，得到尺度調(diào)整圖像；對所述尺度調(diào)整圖像進行降采樣，得到所述缺陷樣本圖像；

所述缺陷樣本圖像包括缺陷ROI區(qū)域，所述缺陷ROI區(qū)域為與所述屏幕缺陷圖像中背景區(qū)域的顏色和輪廓皆不一致的圖像區(qū)域；所述缺陷樣本圖像的尺寸符合屏幕缺陷檢測網(wǎng)絡的輸入圖像尺寸；

通過所述屏幕缺陷檢測網(wǎng)絡對所述缺陷樣本圖像進行分類，得到所述屏幕缺陷圖像的缺陷類型；所述屏幕缺陷檢測網(wǎng)絡為使用特征融合訓練圖像和特征融合訓練標簽訓練得到的網(wǎng)絡。

2.根據(jù)權(quán)利要求1所述的一種屏幕缺陷分類方法，其特征在于，在所述得到缺陷樣本圖像之后，還包括：

對缺少缺陷樣本圖像的缺陷類型進行樣本擴充，獲得缺陷訓練圖像；

所述對缺少缺陷樣本圖像的缺陷類型進行樣本擴充，包括：

對所述缺陷樣本圖像進行旋轉(zhuǎn)、平移、鏡像和隨機裁剪中的一種或多種處理后生成虛擬缺陷樣本圖像，將所述虛擬缺陷樣本圖像加入到同類型的所述缺陷樣本圖像。

3.根據(jù)權(quán)利要求2所述的一種屏幕缺陷分類方法，其特征在于，在所述獲得缺陷訓練圖像之后，還包括：

將無缺陷訓練圖像和所述缺陷訓練圖像進行特征融合，得到所述特征融合訓練圖像和所述特征融合訓練標簽，其中，所述無缺陷訓練圖像為對不含屏幕缺陷的圖像進行所述預處理得到的圖像；

所述特征融合使用混類增強MixUp法，包括：

根據(jù)以下公式基于融合權(quán)重函數(shù)的兩個分布參數(shù)得到融合權(quán)重：

λ=Beta（α,β）；

其中，λ為所述融合權(quán)重，α為第一分布參數(shù)，β為第二分布參數(shù)；

根據(jù)以下公式基于所述融合權(quán)重對所述無缺陷訓練圖像和所述缺陷訓練圖像進行加權(quán)融合，得到所述特征融合訓練圖像：

mixed_batch_x=λ*batch_x1+(1-λ)*batch_x2；

其中，mixed_batch_x為特征融合訓練圖像，batch_x1為所述無缺陷訓練圖像，batch_x2為所述缺陷訓練圖像；

根據(jù)以下公式對所述無缺陷訓練圖像對應的標簽和所述缺陷訓練圖像對應的標簽進行加權(quán)融合，得到所述特征融合訓練標簽：

mixed_batch_y=λ*batch_y1+(1-λ)*batch_y2；

其中，mixed_batch_y為特征融合訓練標簽，batch_y1為所述無缺陷訓練圖像對應的標簽，batch_y2為所述缺陷訓練圖像對應的標簽。

4.根據(jù)權(quán)利要求1所述的一種屏幕缺陷分類方法，其特征在于，所述屏幕缺陷檢測網(wǎng)絡，包括：

輸入層，用于獲取圖像；

2個64通道的卷積層，用于根據(jù)輸入層獲取的圖像輸出圖像第一層特征；

2個128通道的卷積層，用于根據(jù)所述圖像第一層特征輸出圖像第二層特征；

2個256通道的卷積層，用于根據(jù)所述圖像第二層特征輸出圖像第三層特征；

4個512通道的卷積層，用于根據(jù)所述圖像第三層特征輸出圖像第四層特征；

最大池化層，對所述圖像第四層特征使用最大池化的方式進行池化后輸出池化后的圖像特征，用于減少圖像的特征和保持圖像特征不變；

全連接層，用于對池化后的圖像特征進行加權(quán)求和，輸出各個分類的概率；

輸出層，用于根據(jù)各個分類的概率，使用歸一化指數(shù)函數(shù)輸出分類結(jié)果。