[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

说明书

本发明提供了一种基于深度学习的薄膜表面缺陷检测方法、系统及设备。一种基于深度学习的薄膜表面缺陷检测方法包括S1：对检材正面进行图像采集；S2：对所述检材反面进行所述图像采集；S3：进行图像预处理；S4：进行轮廓外观缺陷检测；S5：判断轮廓检测结果；S6：使用多通道进行融合，得到多通道融合图像；S7：导入预先训练好的深度学习模型中。一种基于深度学习的薄膜表面缺陷检测系统包括图像采集模块、图像预处理模块、图像融合模块和图像检测模块；一种基于深度学习的薄膜表面缺陷检测设备包括存储器和处理器。本发明的有益效果是：可在成本低廉前提下，对光学薄膜缺陷进行有效识别，减少人工成本，提高识别效率，且部署简单，可重复性较高。

技术领域

本发明涉及光学薄膜检测领域，特别涉及一种基于深度学习的薄膜表面缺陷检测方法、系统及设备。

背景技术

光学薄膜广泛应用于手机、电脑、电视的液晶显示屏，眼镜镀膜，太阳能电池板等领域。光学薄膜由薄的分层介质构成，通过介质传播光束，主要包括反射膜、增透膜、滤光膜、光学保护膜、偏振膜等，对于表面质量有着极高的要求。而在流水线生产过程中，由于震动、空气流动等原因，在光学薄膜表面会产生多种类型的缺陷，如划痕、压痕、折角、凹坑、黑斑、黑点、白斑、褶皱、气泡和异物等，导致产品的使用效果下降。

在传统的光学薄膜生产领域，由于光学薄膜的光学特性，各种缺陷的成像和识别较为困难，导致难以实现自动化监测，大部分只能通过人工目测来对光学薄膜进行检测，但这种检测方法一方面容易受主观判断的影响，导致检测结果不稳定，可靠性差，另一方面劳动强度大，成本高，难以满足大规模生产的需求。而能够实现自动化检测的则只能检测出少量类型的缺陷，不能同时检测出所有的缺陷，部署复杂，可重复性较差。

故市场亟需一种能够在较高的准确率的前提下，实现自动化光学薄膜检测，部署简单，可重复性高，具有适应各种类型的缺陷的方法、系统及设备。

发明内容

为了解决上述技术问题，本发明中披露了一种基于深度学习的薄膜表面缺陷检测方法、系统、设备，本发明的技术方案是这样实施的：

一种基于深度学习的薄膜表面缺陷检测方法，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；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；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。

优选地，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；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；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；所述判别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。

优选地，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所述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所述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。