[發(fā)明專利]一種屏幕缺陷分類方法、電子設(shè)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(shè)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(wù)所(普通合伙) 44349 | 代理人： | 陳文福 |
| 地址： | 215163 江蘇省蘇州市高新區(qū)嘉陵江路19*** | 國省代碼： | 江蘇;32 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 屏幕 缺陷 分類 方法 電子設(shè)備 存儲 介質(zhì) | ||
本申請是關(guān)于一種屏幕缺陷分類方法、電子設(shè)備及存儲介質(zhì)。該屏幕缺陷分類方法包括：對輸入的屏幕缺陷圖像進行預(yù)處理，得到缺陷樣本圖像，預(yù)處理包括：濾波、閾值分割、缺陷面積和邊緣分析、尺度調(diào)整和降采樣。缺陷樣本圖像包括缺陷ROI區(qū)域，缺陷樣本圖像的尺寸符合屏幕缺陷檢測網(wǎng)絡(luò)的輸入圖像尺寸，通過屏幕缺陷檢測網(wǎng)絡(luò)對缺陷樣本圖像進行分類，得到屏幕缺陷圖像的缺陷類型。本申請通過結(jié)合預(yù)處理和屏幕缺陷檢測網(wǎng)絡(luò)，能夠快速準確的獲取包含缺陷ROI區(qū)域的缺陷樣本圖像，帶有準確的缺陷ROI區(qū)域的缺陷樣本圖像能夠提高屏幕缺陷檢測網(wǎng)絡(luò)的分類準確率。另外，本申請還能夠解決傳統(tǒng)算法需要根據(jù)不同缺陷類型調(diào)整參數(shù)和運算步驟的問題。
技術(shù)領(lǐng)域
本申請涉及屏幕缺陷檢測技術(shù)領(lǐng)域，尤其涉及一種屏幕缺陷分類方法、電子設(shè)備及存儲介質(zhì)。
背景技術(shù)
屏幕缺陷分類方法可以檢測出屏幕缺陷ROI區(qū)域，降低產(chǎn)品過檢率和漏檢率?，F(xiàn)有的屏幕缺陷分類方法主要分為兩類，一類是傳統(tǒng)圖像處理算法，另一類是卷積神經(jīng)網(wǎng)絡(luò)算法。傳統(tǒng)圖像處理算法根據(jù)不同類型的缺陷調(diào)整算法參數(shù)和算法步驟的順序，增加了維護的工作量。卷積神經(jīng)網(wǎng)絡(luò)算法在采集缺陷ROI區(qū)域時，通常采用滑窗采集的方式，部分缺陷對應(yīng)的圖像區(qū)域跨度較大，可能導(dǎo)致采集的缺陷ROI區(qū)域不完整，使得屏幕缺陷分類準確率低。
傳統(tǒng)圖像處理算法使得維護工作量增加，卷積神經(jīng)網(wǎng)絡(luò)算法采集的缺陷ROI區(qū)域可能不完整，使得屏幕缺陷分類準確率低。
發(fā)明內(nèi)容
本申請第一方面提供一種屏幕缺陷分類方法，包括：
對輸入的屏幕缺陷圖像進行預(yù)處理，得到缺陷樣本圖像，所述預(yù)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(luò)的輸入圖像尺寸；
通過所述屏幕缺陷檢測網(wǎng)絡(luò)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(luò)為使用特征融合訓(xùn)練圖像和特征融合訓(xùn)練標簽訓(xùn)練得到的網(wǎng)絡(luò)。
進一步地，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(xùn)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。
進一步地，在所述獲得缺陷訓(xùn)練圖像之后，還包括：
將無缺陷訓(xùn)練圖像和所述缺陷訓(xùn)練圖像進行特征融合，得到所述特征融合訓(xùn)練圖像和所述特征融合訓(xùn)練標簽，其中，所述無缺陷訓(xùn)練圖像為對不含屏幕缺陷的圖像進行所述預(yù)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(xùn)練圖像和所述缺陷訓(xùn)練圖像進行加權(quán)融合，得到所述特征融合訓(xùn)練圖像：
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于高視科技（蘇州）有限公司，未經(jīng)高視科技（蘇州）有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210009602.8/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
