基于深度学习的手机屏缺陷检测算法研究

发布时间：2021-01-18 03:24

　　近年来,随着智能手机的普及和液晶屏行业的高速发展,基于图像处理、计算机视觉的智能化屏幕检测算法逐渐代替传统的人工检测。手机屏中Mura缺陷,作为一种形状多样、低对比度的屏幕缺陷,一直是手机屏检测的难点。针对人工设计的Mura缺陷特征存在抽象程度低且鲁棒性差的问题,本文搭建了多通道的卷积神经网络MSFE-Net来实现手机屏多尺度缺陷的特征提取,并加入中心损失函数监督模型训练,从而使同类别缺陷的特征内部收敛,因此MSFE-Net提取的缺陷特征具有更强的鲁棒性。目前,基于计算机视觉的算法大多只针对几种型号的屏幕数据进行算法设计,因此无法适用于新型号的屏幕数据。针对以上问题,本文基于卷积神经网络和循环神经网络提出了“自比较”模型SC-Net来改善算法的通用性。SC-Net结构包括MSFE-Net、BiLSTM和预测层,其前向计算过程如下:首先使用MSFE-Net提取相邻图像块的特征描述序列,然后使用双向循环神经网络来完成特征描述序列的上下文信息对比与全局信息整合,最后使用预测层得到每个图像块存在缺陷的概率值。在同一张手机屏图像中,相邻图像块互相比较的方式能抵消掉背景纹理与环境因素的影响,从而增... 

【文章来源】：广东工业大学广东省

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

手机屏屏纹理背景图

图 2-5 同种类别的缺陷尺寸对比图Fig.2-5 Comparison of defect size of the same category针对缺陷尺度多样的特点，在搭建特征提取网络过程中需要兼顾不同尺寸的缺陷。卷积神经网络使用卷积核与输入特征图进行局部连接，而卷积核的大小与人眼观察范围类似，其决定了卷积计算时的感受野的大小。对于形状较大的缺陷，使用较大的卷积核时具有更大的感受野，从而进行一次卷积运算时能获取到完整的缺陷信息；对于形状较小的缺陷，则使用较小的卷积核，避免过多无用信息影响缺陷特征的提取。为了兼容不同尺寸的缺陷，本文采用多个不同大小的卷积核组建了多尺度特征提取模块 MSFE-Block，其采用多通道方式来提取不同尺度缺陷的特征信息。但是，MSFE-Block 中多路卷积会导致计算量大大地增加。假设输入的特征图大小为 ×K KD D ，通道数为 M。输出特征图的大小为 ×M MD D ，通道数为 N。两个卷积核的大小分别为1K 和2K （1 2K K ），则两个不同大小的卷积核进行一次卷积运算的计算量比值如式 2.3 所示。

(c)图 2-9 缺陷特征分布图(a)迭代 50 次；（b）迭代 100 次；（c）迭代 150 次Fig.2-9 Defect feature map(a) Iteration 50 times;(b) Iteration 100 times;(c) Iteration 150 times2.4 手机屏纹理抑制在工业相机拍摄下的手机屏幕存在规则的纹理背景，本文将采用常用的纹理制算法测试图像块的纹理抑制效果，同时探究 MSFE-Net 网络的自动纹理抑制的果。2.4.1 纹理抑制算法


本文编号：2984175