基于深度卷积神经网络的手机屏幕缺陷检测

发布时间：2020-10-13 12:14

　　 近年来,网络时代的高速发展使得智能手机逐步取代传统的计算机进入了人们的娱乐和生活的各个方面。手机不仅极大地满足了人们的通讯要求,也满足了人们的各种娱乐需求,手机的屏幕也变成了人们与信息化世界交互的窗口。随着整个社会物质化水平的提升,手机屏幕的质量要求也日益增高。而在手机屏幕的制造过程中,仍然不可避免的生产出具有各类缺陷的手机屏幕。如何提升手机屏幕缺陷的检测精度以及缩短检测的时间是目前生产中的亟需克服的难题。目前手机屏幕缺陷检测主流的方法有人工检测和机器视觉检测。使用工人进行手机屏幕缺陷识别的效率不高,人力的成本高且持续增长,个人的视力还存在差异性,导致检测的品质难以保证。而机器视觉检测是一种半自动的检测方法,通过研究图像的像素分布特点,运用数字图像处理的方法针对性的提取特征,然后根据特征表现的特点确定屏幕缺陷的种类。机器视觉的检测方法虽然能够一定程度的检测到屏幕缺陷,但是算法的过程繁琐,并且检测的准确率还不够,检测时耗时也相对较长。本文对现有手机屏幕缺陷检测方法进行研究整合,针对手机屏幕常见的六种缺陷,使用数字图像处理的方法对数据集进行数据的预处理和数据的扩充。使用LabelImg图片标注工具对每张缺陷图片进行缺陷的目标区域和类别的标签标注。使用深度卷积神经网络对手机屏幕缺陷图片进行特征自动提取,使用提取到的特征对Faster R-CNN算法的参数进行训练直至系统收敛。使用Faster R-CNN在标准数据集PASCAL VOC 2007上进行实验,验证了Faster R-CNN算法的可行性。使用Faster R-CNN算法在手机屏幕缺陷数据集上进行实验,得到算法在手机屏幕缺陷数据集上优越的性能表现。将本文使用的方法与目前主流的手机屏幕检测方法作对比,突出了本文使用的Faster R-CNN算法的巨大优势。使用PyQt编写前端检测界面,使检测结果能更加清晰地展示出来。对算法改写为GPU版本,观察GPU版本的算法和未使用GPU渲染的算法在训练和测试时间上的差异,实验结果表明GPU对算法的加速性能卓越。本课题研究的手机屏幕缺陷检测技术为手机屏幕缺陷的工业检测提供了理论依据和技术解决方案,具有很大的应用价值和发展前景。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN929.53;TP183;TP391.41
【部分图文】：

第二章深度卷积神经网络的发展综述区域连接??皮层的视觉神经元就是基于局部的刺激来感知信息的。局部区域连接经网络的这种机理来模拟人类观察和处理信息的方式。??１展示了全连接与局部连接的区别之处，左图为全连接示意图，由图层到后一层神经元之间都有边存在，每条边都有参数，由此可见全连。右图为局部连接，由图中可以看出仅存在少量的边，可见参数减少左右两图可以明显看出连接数成倍的减少，相应的参数也会减少。??

随机池化（Ｒａｎｄｏｍ?ｐｏｏｌｉｎｇ）。池化操作的优势之处在于虽然降低了图像的大小，??但是却保留了图片的主要信息，同时也减小了卷积神经网络过拟合的概率。最大值??池化如图２－２所示。??Ｓｉｎｇｌｅ?ｄｅｐｔｈ?ｓｌｉｃｅ??ｘ（?Ｉ?１?Ｉ?１?Ｉ?２?Ｉ?４???ｍａｘ?ｐｏｏｌ?ｗｉｔｈ?２ｘ２?ｆｉｌｔｅｒｓ?????５?６?７?８?ａｎｄ?ｓｔｒｉｄｅ?２?６?８??３?２?１?０?３?４??１２?３?４??ｙｒ??图２－２?Ｍａｘ?Ｐｏｏｌｉｎｇ过程示意图??在图２－２中，输入图像尺寸为４ｘ４，在每２ｘ２的区域里计算最大的数值。例如：??Ｍｏｘ｛ｌ，ｌ，２，６｝?＝?６。由于步长为２，因此每２ｘ２的区域互不重叠，最后输出的池化特??征大小为２ｘ２，这个过程中分辨率变为原来的一半。??２．２．２．２卷积神经网络的组成部分??卷积神经网络在特征提取方面比之前的手工特征效果更好，这是由于ＣＮＮ特??殊的组织结构来决定的。卷积层与池化层一般轮流出现在网络中，网络的最后一般??为１？２层全连接层，全连接层负责把提取的特征图连接起来，最后通过分类器得??到最终的分类结果。??１．卷积层??在卷积层中，当定义好步长、填充以及卷积核的大小时，将卷积核在填充好的??输入图像上进行滑动卷积

??图２－３卷积操作的示意图??卷积核的参数即网络须要根据数据学习的参数。通过前向传输和反向传播，不??断地更新卷积核的参数，直到系统变得稳定，卷积核的参数不再更新。卷积的计算??公式如式（２－１）所示。??？／＝／（Ｖ?＋?Ｚａ／＇ｌ！ＮＶ）?（２－ｉ）??ｉ＾Ｍ／??其中ａ／是／层的第＿／个神经元的输出值，Ｍ；是所有传输进来的特征图，尤是可学??习的特征核。??假设卷积核的尺寸是尤，传输进来的图像的尺寸是Ｍ，步长是Ｓ，则根据式??（２－２）可得输出特征图的尺寸。??＃?＝?＾—?＋?１?（２－２）??这样的卷积存在两个缺点，一方面，每次卷积都会导致图像尺寸的变小，如果??图像很小、进行卷积的次数很多，最后可能只会剩下一个像素。另一方面，输入图??像的矩阵边缘像素只被计算过一次，而中间像素被卷积计算多次，这就意味着丢失??图像边缘信息。这时就需要对输入图像进行填充操作来解决这两个问题
【参考文献】

相关期刊论文 前10条

1 刘镇;郝冬宁;梅向东;;基于CUDA的并行加速渲染算法[J];中国图象图形学报;2013年11期

2 王世旭;吕干云;;基于标签传播半监督学习的电压暂降源识别[J];电力系统及其自动化学报;2013年04期

3 魏有法;;基于Matlab的图像平滑算法浅析[J];机电技术;2013年03期

4 叶润青;牛瑞卿;张良培;易顺华;;基于图像分类的矿物含量测定及精度评价[J];中国矿业大学学报;2011年05期

5 汤姆·西蒙奈特;;用手机玩“云”游戏[J];科技创业;2011年01期

6 毕昕;丁汉;;TFT-LCD Mura缺陷机器视觉检测方法[J];机械工程学报;2010年12期

7 田绪红;江敏杰;;GPU加速的神经网络BP算法[J];计算机应用研究;2009年05期

8 陈英革;马力;王小英;;Qt/E中信号和槽机制的分析及教学实践[J];常熟理工学院学报;2008年10期

9 张念;温兆麟;章沛;;基于虚拟仪器的在线机器视觉检测系统[J];机床与液压;2008年05期

10 程万胜;冷显国;赵杰;李长乐;;一种带钢表面缺陷实时检测系统的研制及应用[J];冶金自动化;2006年03期

相关硕士学位论文 前6条

1 沈红佳;基于深度模型的手机屏幕缺陷检测和分类算法研究[D];浙江大学;2018年

2 黄腾;基于卷积神经网络的车型识别研究[D];华北电力大学;2017年

3 赵丽娜;液晶显示器缺陷自动识别系统研究与应用[D];苏州大学;2010年

4 刘波;手机屏幕图像缺陷检测方法的研究[D];安徽大学;2010年

5 胡林和;机器视觉缺陷检测系统若干问题的研究[D];合肥工业大学;2010年

6 薛海棠;基于神经网络模型的微悬臂梁力学特性研究[D];中北大学;2009年

本文编号：2839154