[發明專利]基于卷積神經網絡的影像臟污檢測方法及系統

在審

• 申請號: 202210033444.X
• 申請日: 2022-01-12
• 公開（公告）號: CN114359253A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 謝演軍;蘇啟雄;林映庭;宋凱靜;鄧賢林;何健;涂強
• 申請（專利權）人: 盛泰光電科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 蒙捷

本發明涉及圖像檢測技術領域，具體公開了基于卷積神經網絡的影像臟污檢測方法及系統，其中系統包括：訓練模塊，用于將訓練圖像集中的圖像輸入卷積神經網絡模型進行訓練；初步驗證模塊，用于獲取不良品攝像頭模組的圖像，輸入訓練結束的卷積神經網絡模型，基于卷積神經網絡模型的檢測結果判斷正確率是否滿足預設標準；批量驗證模塊，用于獲取生產線上攝像頭模組的圖像，輸入訓練完成的卷積神經網絡模型，將卷積神經網絡模型輸出的檢測結果與生產線原有的檢測結果進行對比，判斷擬合度是否超過第一閾值，若超過，標記為驗證通過的卷積神經網絡模型。采用本發明的技術方案能夠在保證準確率的情況下提高檢測效率。

技術領域

本發明涉及圖像檢測技術領域，特別涉及基于卷積神經網絡的影像臟污檢測方法及系統。

背景技術

圖像的臟污，也稱POG、Blemish、瑕疵，是由攝像頭濾光片、鏡頭內部鏡片、表面上的灰塵、臟點而在芯片上成像造成的。圖像的臟污一直是攝像頭模組制造非常普遍且又非常重要的問題。

為了實現臟污的檢測，目前常采用紋理分析法、基于邊緣分割的檢測法等，這些方法包括對目標圖像區域增強、臟污的分割提取、臟污區域的位置標定及大小計算、臟污特征提取與分類識別等步驟。但是上述方法也存在如下問題：

1、檢測速度較慢，當前檢測1顆攝像頭模組的時間在3秒左右，速度較慢，效率較低，無法跟上日益增大的攝像頭模組的檢測需求；

2、對高像素的支持較差，目前攝像頭模組的像素已經超過5千萬，有的甚至高達1億像素，對于此類高像素的攝像頭模組，由于像素更多，傳輸的數據量也更大，檢測所需要的時間會更多，導致效率進一步降低，甚至有的檢測方法存在不支持高像素的情況，需要進行降階處理，例如將4個像素點合并為1個像素點，降低圖像的像素后再進行檢測，在合并過程中，容易掩蓋掉單個像素的臟點等，導致檢測不準確。

基于上述原因，需要一種能夠在保證準確率的情況下提高檢測效率的基于卷積神經網絡的影像臟污檢測方法及系統。

發明內容

本發明的目的之一在于，提供基于卷積神經網絡的影像臟污檢測方法及系統，能夠在保證準確率的情況下提高檢測效率。

為了解決上述技術問題，本申請提供如下技術方案：

基于卷積神經網絡的影像臟污檢測系統，包括：

采集模塊，用于獲取訓練圖像集，訓練圖像集內圖像均具有臟污標記；

訓練模塊，預存有卷積神經網絡模型，用于將訓練圖像集中的圖像輸入卷積神經網絡模型進行訓練，得到訓練結束的卷積神經網絡模型；

初步驗證模塊，用于獲取不良品攝像頭模組的圖像，輸入訓練結束的卷積神經網絡模型，基于卷積神經網絡模型的檢測結果判斷正確率是否滿足預設標準，若滿足，標記為訓練完成的卷積神經網絡模型，若不滿足，獲取判斷錯誤的圖像，建立誤判圖像集，基于誤判圖像集再次對卷積神經網絡模型進行訓練，直至正確率滿足預設標準；

批量驗證模塊，用于獲取生產線上攝像頭模組的圖像，輸入訓練完成的卷積神經網絡模型，將卷積神經網絡模型輸出的檢測結果與生產線原有的檢測結果進行對比，判斷卷積神經網絡模型檢測結果與生產線原有的檢測結果的擬合度是否超過第一閾值，若超過，標記為驗證通過的卷積神經網絡模型。

基礎方案原理及有益效果如下：