[發明專利]壞點檢測方法、壞點校正方法及壞點處理系統

在審

• 申請號: 202210177241.8
• 申請日: 2022-02-25
• 公開（公告）號: CN114679580A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 齊松;寧海濤
• 申請（專利權）人: 上海奕瑞光電子科技股份有限公司
• 主分類號: H04N17/00
• 分類號: H04N17/00;H04N5/32;G06T7/00;G06N3/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 余明偉

本發明提供一種壞點檢測方法、壞點校正方法及壞點處理系統，壞點檢測方法包括以下步驟：S0：采集探測器在出廠之前的數據并制成數據庫；其中，數據至少包括圖像數據中的像素值或灰度值；S1：基于數據庫搭建神經網絡，進而訓練生成第一壞點檢測模型；S2：在探測器出廠之后采集圖像時，利用第一壞點檢測模型對采集的圖像進行壞點檢測，若圖像中的像素點的像素值或灰度值異常時，則判斷為壞點；其中，異常是指出現亮點、暗點或色點。本發明的壞點檢測方法搭建了神經網絡，通過神經網絡深度學習來檢測壞點，效率更高；避免了人工參數的調整，解決了現有壞點檢測偏于主觀、調參復雜、普適性差、魯棒性差、流程繁瑣、人力負擔大等問題。

技術領域

本發明涉及圖像處理領域，特別是涉及一種壞點檢測方法、壞點校正方法及壞點處理系統。

背景技術

現有檢測壞點的方法主要為人工檢測，在人工視覺檢測時，通過人工進行檢測閾值修正，容易受主觀因素的限制，影響檢測的準確性。此外，不同的壞點對于X射線的響應不同，在固定曝光參數的圖像中檢測壞點，存在壞點的灰度值與正常像素的灰度值相差不大的情況，從而無法檢測出該壞點，導致漏檢，使得檢測效率和準確性偏低。

因此，如何解決現有壞點檢測系統的準確性偏低的問題已經成為本領域技術人員亟待解決的問題之一。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種壞點檢測方法、壞點校正方法及壞點處理系統，用于解決現有技術中壞點檢測的準確性偏低的問題。

為實現上述目的及其他相關目的，本發明提供一種壞點檢測方法，所述壞點檢測方法至少包括以下步驟：

S0：采集探測器在出廠之前的數據并制成數據庫；其中，所述數據至少包括圖像數據中的像素值或灰度值；

S1：基于所述數據庫搭建神經網絡，進而訓練生成第一壞點檢測模型；

S2：在所述探測器出廠之后采集圖像時，利用所述第一壞點檢測模型對采集的圖像進行壞點檢測，若圖像中的像素點的像素值或灰度值異常時，則判斷為壞點；其中，所述異常是指出現亮點、暗點或色點。

可選地，步驟S1包括：

S11：基于所述數據庫中的數據，制作神經網絡所需要的訓練集、驗證集及測試集；

S12：搭建神經網絡，進而生成所述第一壞點檢測模型，并對所述第一壞點檢測模型進行訓練，不斷驗證迭代；當所述第一壞點檢測模型滿足第一條件時，則輸出所述第一壞點檢測模型；其中，所述第一條件是滿足壞點檢測的精度在第一預設范圍內。

更可選地，步驟S11包括：將所述數據庫中的數據均勻隨機抽樣分成訓練集、驗證集及測試集，且三個集合不能有交集。

更可選地，步驟S12包括：

S121：基于神經網絡，用所述訓練集來訓練模型，進而確定所述訓練模型的學習參數；

S122：基于神經網絡，用驗證集選擇誤差率最小的超參數；

S123：基于神經網絡，將所述訓練模型用于評價所述測試集的準確率；

S124：重復步驟S121～S123；當所述測試集的準確率在第一預設范圍內，則輸出訓練模型，輸出的訓練模型為第一壞點檢測模型。

更可選地，步驟S2可以替換為：

S2-1：將所述探測器出廠之后采集的圖像數據加入到所述數據庫中，基于新的數據庫搭建神經網絡，進而生成第二壞點檢測模型；

S2-2：利用所述第二壞點檢測模型對采集的圖像進行壞點檢測，若圖像中的像素點的像素值或灰度值異常時，則判斷為壞點；其中，所述異常是指出現亮點、暗點或色點。

更可選地，步驟S2-1包括：