[发明专利]一种基于深度学习的导光板线划伤缺陷检测方法

说明书

本发明公开了一种基于深度学习的导光板线划伤缺陷检测方法，包括以下步骤：采集导光板图像，灰度变换，边缘锐化，灰度范围调整，缺陷修复，图像差分，全局阈值分割，连通域分割，特征筛选，缺陷显示，从而将生成的缺陷标识图像显示出来。采用本发明的方法能实现从采集的导光板图像中快速、准确的分别出导光板上的划痕或缺陷。

技术领域

本发明属于深度学习的图像识别领域，具体涉及一种基于深度学习的导光板线划伤缺陷检测方法。

背景技术

导光板(Light Guide Plate,LGP)是利用光学级的亚克力/PC板材，然后利用具有较高反射率并且不吸光的高科技材料，在光学级的亚克力板材底面用V型十字网格雕刻、激光雕刻、 UV网版印刷技术印上导光点。在导光板的生产制造过程中，由于生产设备、加工和安装工艺的人为操作误差等因素的影响，其表面不可避免的会受到尖锐外力作用而产生各种大小、明暗不一的线划伤，其中导光点稀疏区的轻微线划伤因长短不一，平均灰度值与导光板背景灰度值差距较小而最难检测，在工业相机下成像面积极小且灰度值低，肉眼难以发现，人工检查困难。而线划伤缺陷产生情况又分为前制程和后制程两个阶段，在前制程产生线划伤主要分为三种情况：(1)在安装模仁时不慎将模仁表面划伤；(2)在处理模具异常时(如:拆滑块保养模具等)不慎将模仁表面划伤；(3)在擦试模仁表面时，因棉花不洁净或手指甲造成的模仁表面划伤等。在后制程产生线划伤又分为三种情况：(1)设备调试不合理：指产品在进行某一个后制程动作加工时被后制程设备的某个零部件刮伤产品表面；(2)当导光板表面与后制程设备的某部位接触并发生移动摩擦时，因与导光板接触面的不洁净(有粉粒、异物等)导致与导光板表面产生较大的摩擦而致使产品表面划伤(如：裁切平台、抛光平台、清洁滚轮等)；(3)检验员的作业手法不标准或检验员的粗心大意导致产品表面划伤等。(如除毛时，除毛刀划伤产品等)。导光板缺陷的存在会影响相关设备的使用，导致设备的使用效率，发光的均匀性以及寿命等都会受到影响，此外，有缺陷导光板的外销会严重损害企业的信誉，对企业的长远发展造成重大的负面影响，因此，对生产的导光板进行质量检测，剔除劣质品尤为重要。

目前，国内企业对导光板缺陷进行检测还主要依赖于人工操作，但人工操作存在以下问题：(1)长时间处于不佳的工作环境会严重损害员工的视力健康；(2)员工很难掌握复杂度较高，难度较大的导光板检测技术；(3)人工检测极易受外界环境影响，检测精度难以得到保证；(4) 员工主要依据肉眼进行判断，难以形成可以量化的质量标准。

目前大部分基于深度学习的表面缺陷检测都是基于有监督的表征学习方法，虽然准确率比较高，但是需要大量的缺陷数据集来对检测网络进行训练，而真实的工业环境中，往往无法提供大量的工业缺陷样本。

由于以上所提及的导光板缺陷比较微小，为了提高检测精度需要利用高精度的线阵相机进行图像的采集。导光板图像大小一般有500MB左右，而企业要求检测时间控制在16秒以内，因此这对检测算法要求甚高。目前现有的算法难以达到企业的实际要求，因此提出一种简单、高效的导光板线划伤缺陷检测的方法是关键。

发明内容

本发明所要解决的问题是提供一种基于深度学习的导光板线划伤缺陷检测方法，从而实现从采集的导光板图像中快速、准确的分别出导光板上的划痕或缺陷。

为解决上述问题，本发明提供法一种基于深度学习的导光板线划伤缺陷检测方法，包括以下步骤：

步骤1、采集导光板图像：采用线扫相机采集导光板图像，获得高精度的导光板图像；

步骤2、灰度变换：对步骤1输入的原始图像进行灰度变换，利用如下线性变换公式，将导光板图像中导光点和线划伤缺陷的灰度值与背景灰度值的差距扩大：

H(x,y)＝Mult×K(x,y)+Add

其中，K(x,y)为原图像位置为(x,y)处的灰度值，Mult为灰度值扩大倍数，Add为灰度增加值，H(x,y)为位置为(x,y)处灰度变换后的灰度值；