[發明專利]基于SSD算法的鏡頭模組外觀檢測方法及系統

在審

• 申請號: 202210095502.1
• 申請日: 2022-01-26
• 公開（公告）號: CN114429466A
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 周先麗
• 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;G06V10/40;G06K9/62;G06N3/04;G06N3/08;G06V10/764;G06V10/774
• 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: 康奇剛

本發明屬于目標檢測技術領域，具體涉及基于SSD算法的鏡頭模組外觀檢測方法及系統，該方法包括：步驟一，獲取鏡頭模組的樣本圖像，并設置圖像的特征信息和類別標簽，得到訓練集；步驟二，搭建原始SSD算法模型；步驟三，對原始SSD算法模型進行優化得到檢測算法模型；步驟四，用訓練集對檢測算法模型進行訓練；步驟五，用訓練好的檢測算法模型，對封裝好的鏡頭模組進行識別檢測。本申請能夠在保留SSD算法的優點的基礎上，實現對鏡頭模組的破損的自動檢測。

技術領域

本發明屬于目標檢測技術領域，具體涉及基于SSD算法的鏡頭模組外觀檢測方法及系統。

背景技術

在經濟發展及居民消費水平不斷提升的背景下，智能化產品逐漸普及，智能手機得到飛快的發展，其帶動起來的是手機鏡頭模組的大規模生產，鏡頭模組行業呈良好的發展態勢。智能手機的攝像頭主要由光學鏡頭、音圈馬達、紅外截止濾光片與圖像傳感器等零組件構成，鏡頭模組在封裝的過程中，經常會因為傳輸時的磕碰或人為因素造成模組外觀的破損。目前，鏡頭模組完成組裝后，會由工作人員通過肉眼觀察的方式進行破損的篩查。但是在大規模生產時，工作人員進行高強度的篩查時很容易產生視覺疲勞，容易出現漏篩或多篩的情況，并且效率低下。

另一方面，近年來，深度學習的神經網絡對輸入圖片的特征提取方式快速發展，極大地提升了對目標的定位、分類、識別等檢測技術的發展，很多的計算機視覺的學者開始研究各種目標檢測算法，并創造出了很多具有代表性的目標檢測算法。目前，目標檢測主要有2種主流框架，即以Faster RCNN為代表的Two Stage和以YOLO/SSD為代表的Single shot。其中Faster RCNN檢測mAp較高，漏檢率recall較低，但檢測速度較慢；而YOLO則相反，其速度較快，但準確率和漏檢率較低。SSD則平衡了YOLO和Faster RCNN的優缺點。SSD從YOLO中繼承了將detection轉化為regression的思路，一次完成目標的定位與分類，節省了大量的訓練時間；又基于Faster RCNN中的Anchor思想，提出了Prior box的方法，提高目標檢測的精度；YOLO在卷積層后直接接全連接層，即在檢測目標時只使用了最高層的feature maps，除此，SSD加入了基于特征金字塔的檢測方法，即在不同感受野的feature map上來檢測目標，SSD使用感受野小的feature map來檢測小目標，使用感受野大的feature map檢測更大的目標。基于上述特性，SSD算法兼具了檢測速度和檢測精度。

由于兼具檢測速度和檢測精度，SSD算法無疑是一種理想的目標檢測算法模型，但是，SSD算法只能用來識別尺寸相對較大的目標，而鏡頭模組的尺寸卻非常小，無法使用SSD算法來檢測鏡頭模組上的破損點。目前常用的基于SSD算法的檢測方法，一個鏡頭模組只能看做是檢測方法中的一個或者多個檢測點，而無法完整的將鏡頭模組外表面的各個位置進行精準檢測。而其他的可檢測小尺寸目標的算法模型，要么成本太高，要么精度太低，都不是很適合鏡頭模組的破損檢測。因此，目前手機鏡頭模組的破損檢測，基本還是由人工進行。

發明內容

本發明的目的在于，提供一種基于SSD算法的鏡頭模組外觀檢測方法，能夠在保留SSD算法的優點的基礎上，實現對鏡頭模組的破損的自動檢測。

本發明提供的基礎方案為：

基于SSD算法的鏡頭模組外觀檢測方法，包括：

步驟一，獲取鏡頭模組的樣本圖像，并設置圖像的特征信息和類別標簽，得到訓練集；

步驟二，搭建原始SSD算法模型；

步驟三，對原始SSD算法模型進行優化得到檢測算法模型，所述優化包括：

S3.1，對原始SSD算法模型的尺度和先驗框的大小進行優化放大；