[发明专利]一种基于深度学习的薄膜表面缺陷检测方法、系统及设备

权利要求书

1.一种基于深度学习的薄膜表面缺陷检测方法，其特征在于，包括：

S1：对检材正面进行图像采集，得到多张检材正面图像；

S2：对所述检材反面进行所述图像采集，得到多张检材反面图像；

S3：对所述多张检材正面图像与所述多张检材反面图像进行图像预处理，得到所述检材预处理图像，所述图像预处理所使用的方法为将所述多张检材正面图像与所述多张检材反面图像校准对齐，然后对所述多张检材正面图像与所述多张检材反面图像进行切割；；

S4：对所述检材预处理图像进行轮廓外观缺陷检测，得到检材轮廓检测结果，所述轮廓外观缺陷检测所使用的方法为轮廓追踪算法、基于图像子集算法和基于游程算法中的一种或多种，；

S5：判断所述检材轮廓检测结果，如果轮廓外观正确进入下一步，否则输出轮廓错误并结束方法；

S6：将所述检材预处理图像使用多通道进行融合，得到多通道融合图像；

S7：将所述多通道融合图像导入预先训练好的深度学习模型中，得到检材判定结果。

2.根据权利要求1所述的一种基于深度学习的薄膜表面缺陷检测方法，其特征在于，所述图像采集所使用的方法为光源位于所述检材上方，相机接收所述光源反射光进行所述图像采集或者所述光源位于所述检材下方，所述相机接收透射光中的一种；

所述深度学习模型包括复杂背景纹理的分类网络模型、缺陷识别的分割网络模型和缺陷识别检测网络模型；

所述判定结果包括所述检材是否具有缺陷、缺陷的位置、缺陷的大小、缺陷的类别和缺陷的等级。

3.根据权利要求1所述的一种基于深度学习的薄膜表面缺陷检测方法，其特征在于，所述S7包括：

S7-1：将多通道融合图像导入复杂背景纹理的分类网络模型中，得到背景纹理分类结果；

S7-2：将所述背景纹理分类结果导入缺陷识别的分割网络模型中，得到缺陷识别分类结果；

S7-3：将所述缺陷识别分类结果导入缺陷识别检测网络模型中，得到缺陷等级分类结果；

S7-4：将所述背景纹理分类结果、所述缺陷识别分类结果和所述缺陷等级分类结果合并产生所述检材判定结果，并将检材判定结果输出。

4.根据权利要求1所述的一种基于深度学习的薄膜表面缺陷检测方法，其特征在于，还包括S0：训练所述深度学习模型；

所述S0包括：

S0-1：对多个所述检材正面进行所述图像采集，得到多个所述多张检材正面图像；

S0-2：对多个所述检材反面进行所述图像采集，得到多个所述多张检材反面图像；

S0-3：对多个所述多张检材正面图像与多个所述多张检材反面图像进行图像预处理，得到多个所述检材预处理图像；

S0-4：将多个所述检材预处理图像使用所述多通道进行融合，得到多个所述多通道融合图像；

S0-5：将多个所述多通道融合图像导入复杂背景纹理分类网络模型生成算法中，得到所述复杂背景纹理分类网络模型；

S0-6：将多个所述多通道融合图像与所述复杂背景纹理分类网络模型导入缺陷识别的分割网络模型生成算法中，得到所述缺陷识别的分割网络模型；

S0-7：将多个所述多通道融合图像与所述复杂背景纹理分类网络模型、所述缺陷识别的分割网络模型导入缺陷识别检测网络模型生成算法中，得到所述缺陷识别检测网络模型；

S0-8：合并输出所述复杂背景纹理的分类网络模型、所述缺陷识别的分割网络模型和所述缺陷识别检测网络模型。