[发明专利]一种基于深度学习图像语义分割模型的ROI区域提取方法

说明书

本发明公开了一种基于深度学习图像语义分割模型的ROI区域提取方法，其通过采集预设数量的面板检测图像数据样本，并进行预处理得到多个预设尺寸的子图像样本，标注后得到多个标注ROI区域的子图像标注样本；通过将多个子图像样本和对应的子图像标注样本划分为训练集和验证集，建立深度学习语义分割模型；分别利用训练集训练深度学习语义分割模型的各变量值和利用验证集验证深度学习语义分割模型的mIOU准确度，得到最佳的深度学习语义分割模型；采集待测面板的检测图像数据，并进行预处理得到多个预设尺寸的待测子图像，待测子图像利用最佳的深度学习语义分割模型预测得到对应的ROI区域预测图像，从而实现待测面板的ROI区域提取。

技术领域

本发明属于图像处理领域，具体涉及一种基于深度学习图像语义分割模型的ROI区域提取方法。

背景技术

随着手机笔记本以及消费电子产品的普及及其快速的更新换代，对产线上的液晶屏幕和OLED屏幕有着极大的产量需求。从液晶屏幕和OLED屏幕生产过程中，由于原材料、生产工艺、意外等情况，屏幕上会存在各种缺陷(例如破片、气泡、划伤、缺角、压痕等)，而这些存在缺陷的产品会影响其性能或降低用户体验，因此，需要对液晶屏幕和OLED屏幕进行缺陷检测。

液晶屏幕和OLED屏幕进行缺陷检测主要应用AOI(Automatic Optic Inspection自动光学检测)技术进行缺陷检测，AOI技术即利用照相设备对打光的显示面板成像，再利用如自动阈值分割和干扰过滤等传统算法提取出其中的ROI(Region of interesting，感兴趣的区域)区域，再利用传统的计算机视觉算法进行缺陷检测。

利用传统算法进行ROI区域提取，受背景，光照等因素影响较大，处理时间比较长，耗时约200～300ms，同时导致缺陷检测时效率低下，而且传统算法检测需要操作人员手动进行操作，受到操作人员的主观影响，因而，传统算法检测的准确性也较低，从而严重影响液晶屏幕和OLED屏幕工业制造的效率。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习图像语义分割模型的ROI区域提取方法，其采集一定数量的训练集和验证集数据，分别利用训练集训练深度学习语义分割模型的各变量值和利用验证集验证深度学习语义分割模型的mIOU准确度，得到最佳的深度学习语义分割模型，从而利用最佳的深度学习语义分割模型实现待测面板的ROI区域提取。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习图像语义分割模型的ROI区域提取方法，具体步骤为：

S1.采集预设数量的面板检测图像数据样本，并进行预处理得到多个预设尺寸的子图像样本；对多个子图像样本进行标注得到多个标注ROI区域的子图像标注样本；

S2.将多个子图像样本和对应的子图像标注样本划分为训练集和验证集，建立深度学习语义分割模型；利用训练集训练深度学习语义分割模型的各变量值，利用验证集验证深度学习语义分割模型的准确度；准确度达到预设范围时，得到最佳的深度学习语义分割模型；

S3.采集待测面板的检测图像数据，并进行预处理得到多个预设尺寸的待测子图像，待测子图像利用最佳的深度学习语义分割模型得到对应的ROI区域预测图像，从而实现待测面板的ROI区域提取。

作为本发明的进一步改进，深度学习语义分割模型具体为：将输入图像经过深度卷积神经网络学习后分别得到1×1卷积图像数据、多个3×3空洞卷积图像数据和图像池化数据；上述1×1卷积图像数据、多个3×3空洞卷积图像数据和图像池化数据经过叠加后通过1×1卷积压缩通道；1×1卷积压缩通道的输出经过预设速率的上采样后与1×1卷积图像数据叠加得到3×3卷积叠加图像数据，3×3卷积叠加图像数据经过预设速率的上采样得到输出图像数据。

作为本发明的进一步改进，深度卷积神经网络选用mobilenet v2轻量级网络。