[发明专利]基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法

说明书

本发明公开了一种基于“分割+决策”的二阶段残差注意力网络的导光板缺陷检测方法，包括以下步骤：步骤1、导光板图像采集；步骤2、导光板图像预处理；步骤3、建立并训练、测试“分割+决策”的二阶段残差注意力网络，包括分割子网和决策子网，然后保存并输出训练好的“分割+决策”的二阶段残差注意力网络；步骤4、使用训练好的“分割+决策”的二阶段残差注意力网络进行缺陷检测，并获得结果。采用本发明的方法，能实现从采集的导光板图像中快速、准确的分辨出导光板上的划痕或缺陷的目的。

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“分割+决策”的二阶段残差注意力网络的导光板缺陷检测方法。

背景技术

导光板(Light Guide Plate，LGP)，主要材料为光学亚克力板，其化学名称是甲基丙烯酸甲脂，是利用光学级的亚克力板材，然后用具有极高反射率且不吸光的高科技材料，在光学级的亚克力板材底面用激光雕刻、型十字网格雕刻、网版印刷技术印上导光点而成。导光板具有超薄、超亮、导光均匀、节能、环保、耐用、安装维修简单快捷等鲜明特点，因此被广泛应用于液晶显示、广告灯、光、平板灯照明等场合。在导光板的丝印制作、化学蚀刻、激光加工和撞点加工等生产制造过程中，由于原料成分、设备使用情况、加工工艺以及工人操作等因素的影响，其表面不可避免地会出现亮点、漏点、网面油墨、线刮伤、镜面点伤等加工缺陷。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，国内导光板缺陷检测主要依靠人工操作完成,但人工检测局限性明显，劣势众多。人工检测存在以下缺点：1、由于存在主观判断以及长时间用眼疲劳原因，导致检测质量不稳定；2、人工成本高；3、劳动强度大；4、劳动效率低下等。所以亟需开发一种设备来代替人工进行导光板的检测，其中算法的开发尤为重要。

在传统视觉检测方法中，一般通过传统图像处理方法，如形态学运算、直方图等，手动设计特征，然后通过制定的决策规则或者学习方法，如KNN、决策树、SVM等分类器，进行缺陷检测，但是，导光板的导光点分布存在疏密差异，同种缺陷的大小、形状、亮度等也不尽相同，传统机器视觉方法处理起来相当复杂。由于从导光板入光侧到出光侧，导光点呈现由疏到密的变化，所以基于传统图像处理的导光板缺陷检测方法，需要进行分区处理，每个分区对应相应的缺陷检测算法，这就为算法维护带来不方便；针对不同种类的缺陷，传统图像处理算法需要设置不同的判断条件检出缺陷；另外，应用分类网络进行缺陷检测的话，网络训练依赖大量的正负样本，在样本量不够的情况下，网络很难提取出准确的特征，缺陷的检出能力会大打折扣；因此，需要一种基于深度学习的高效准确的方法用于导光板复杂缺陷的检测。

发明内容

本发明要解决的技术问题是提供一种基于“分割+决策”的二阶段残差注意力网络的导光板缺陷检测方法，从而实现从采集的导光板图像中快速、准确的分辨出导光板上的划痕或缺陷的目的。

为解决上述技术问题，本发明一种基于“分割+决策”的二阶段残差注意力网络的导光板缺陷检测方法，包括以下步骤：

步骤1、导光板图像采集：在导光板生产线末端，利用高分辨率工业相机进行导光板图像采集并传递给上位机进行处理；

步骤2、导光板图像预处理：

在上位机中，利用阈值分割技术来剔除步骤1中采集得到的导光板图像中所包含的黑色背景，获得导光板ROI的区域图像；

然后将导光板ROI的区域图像裁剪成一组尺寸为1*224*224的小图像，相邻的图像之间有1/10图像宽度的重叠；

步骤3、建立并训练、测试“分割+决策”的二阶段残差注意力网络，包括分割子网和决策子网，然后保存并输出训练好的“分割+决策”的二阶段残差注意力网络；