[发明专利]一种基于深度学习的液晶屏瑕疵检测方法及系统

权利要求书

1.一种基于深度学习的液晶屏瑕疵检测方法，其特征在于，包括如下步骤：

步骤1：采集带有瑕疵的液晶屏图像，制成数据集；

步骤2：将采集到的图像进行瑕疵类型、位置以及像素点的标注；

步骤3：根据所获得的瑕疵数据，分别设置网络所需要检测的瑕疵类型数目以及检测框的初始大小，调节参数，进行网络训练；

步骤4：将一系列小图像送入网络，图像经过19层卷积层以及5层池化层后进行检测，判断是否存在瑕疵，若存在瑕疵，则输出瑕疵类型及相应位置；

步骤5：瑕疵类型及相应位置作为兴趣区域输入到后续层中，将其进行反卷积操作，得到与输入图片大小一致的特征图，结合兴趣区域，实现瑕疵语义分割，获取其具体形状。

2.如权利要求1所述的基于深度学习的液晶屏瑕疵检测方法，其特征在于，在所述步骤3之前，所述基于深度学习的液晶屏瑕疵检测方法还包括：

通过滑窗操作将采集到的图像分割成一系列小图像；

通过对图像进行翻转、平移以及调节对比度实现数据增强，并分成训练集和验证集。

3.如权利要求2所述的基于深度学习的液晶屏瑕疵检测方法，其特征在于，所述步骤3具体为：对训练集进行网络训练，训练完成后，利用验证集进行精度评估，直到满足相关标准；否则，调节参数，重新开始或继续训练。

4.如权利要求1-3任一所述的基于深度学习的液晶屏瑕疵检测方法，其特征在于，所述步骤3中修改网络检测类型数目，为每一类检测目标分配固定的编号；通过k-means算法设置检测框的初始大小。

5.如权利要求1所述的基于深度学习的液晶屏瑕疵检测方法，其特征在于，所述步骤2中通过LabelImg工具实现类型以及位置的标注，通过LabelMe工具，实现逐像素的语义标记，针对非瑕疵区域，标记为0；针对瑕疵区域，按瑕疵类型分别标记为不同整数。

6.如权利要求5所述的基于深度学习的液晶屏瑕疵检测方法，其特征在于，所述位置的标注通过矩形框的形式实现，包含4个参数，分别是矩形框中心位置的横坐标和纵坐标、矩形框的宽度和高度。

7.如权利要求1所述的基于深度学习的液晶屏瑕疵检测方法，其特征在于，所述后续层是由拥有强语义信息的深层特征图和拥有高分辨率的浅层特征图融合而成。

8.一种基于深度学习的液晶屏瑕疵检测系统，其特征在于，包括：

图像采集模块，用于采集带有瑕疵的液晶屏图像；

数据标注模块，标注出瑕疵类型、位置以及像素点；

图像分区模块，将大图像分割成小图像；

数据增强模块，实现数据集的扩充；

网络训练模块，训练检测网络；

并行检测模块，采用多线程方式，既可以选择处理同一张图像进行精度的提升，也可以处理不同图像实现检测加速；

瑕疵分割模块，用于获取瑕疵的具体形状。

9.如权利要求8所述的基于深度学习的液晶屏瑕疵检测系统，其特征在于，所述数据标注模块包括位置信息单元和语义信息单元；其中所述位置信息单元利用LabelImg工具实现瑕疵类型及位置的标注；所述语义信息单元利用LabelMe工具实现逐像素的语义标记。

10.如权利要求8所述的基于深度学习的液晶屏瑕疵检测系统，其特征在于，所述网络训练模块包括训练单元和验证单元；其中，所述训练单元根据所获得的瑕疵数据，进行网络训练；所述验证单元用于对网络检测精度进行评估。