[发明专利]基于HSV和CNN的FPC缺陷检测方法、系统及存储介质

权利要求书

1.一种基于HSV和CNN的FPC缺陷检测方法，其特征在于，包括：

按照颜色和亮度提取待检原图中的检测区域；

将待检原图从RGB颜色空间转变为HSV颜色空间，并根据预设的缺陷参数，从HSV颜色空间中初步判断出候选缺陷区域；

将所述候选缺陷区域与检测区域间的交集作为最终缺陷区域；

将所述最终缺陷区域面积与预设阈值进行比较，判断当前检测的FPC为良品、次品或不确定品；

利用预先训练好的深度学习模型对不确定品的检测区域进行识别，预测不确定品属于良品或次品。

2.根据权利要求1所述的一种基于HSV和CNN的FPC缺陷检测方法，其特征在于，所述按照颜色和亮度提取待检原图中的检测区域，包括：

按照颜色和亮度提取待检原图中的掩码，得到掩膜图；

将掩膜图与待检原图进行与运算，得到所述检测区域。

3.根据权利要求2所述的一种基于HSV和CNN的FPC缺陷检测方法，其特征在于，所述按照颜色和亮度提取待检原图中的掩码，得到掩膜图，包括：

调整待检原图的尺寸为固定大小；

提取待检原图RGB三个通道的数值，将R通道数值与G通道数值相加后再求平均，得到各像素的亮度值；

将亮度值高于阈值的像素认定为包含在所述检测区域内，得到初步的掩膜图；

对初步得到的掩膜图依次进行膨胀处理和腐蚀处理，得到最终的掩膜图。

4.根据权利要求2所述的一种基于HSV和CNN的FPC缺陷检测方法，其特征在于，利用下式将掩膜图与待检原图进行与运算：

其中，I_region表示待检原图的检测区域，mask(I_org)表示掩膜图，src(I_org)表示原图中的一个像素值。

5.根据权利要求1所述的一种基于HSV和CNN的FPC缺陷检测方法，其特征在于，所述预设的阈值参数基于典型样本中的脏污颜色调试获得。

6.根据权利要求1所述的一种基于HSV和CNN的FPC缺陷检测方法，其特征在于，所述将所述最终缺陷区域面积与预设阈值进行比较，判断当前检测的FPC为良品、次品或不确定品，包括：

计算所述最终缺陷区域的亮度平均值和亮度标准差；

分别设定第一亮度平均值阈值、第二亮度平均值阈值、第一亮度标准差阈值和第二亮度标准差阈值；

若最终缺陷区域的亮度平均值小于第一亮度平均值阈值，且亮度标准差小于第一亮度标准差阈值，则判定当前检测的FPC为良品；若最终缺陷区域的亮度平均值大于第二亮度平均值阈值，且亮度标准差大于第二亮度标准差阈值，则判定当前检测的FPC为次品；其余情况均判定当前检测的FPC为不确定品。

7.根据权利要求1所述的一种基于HSV和CNN的FPC缺陷检测方法，其特征在于，所述深度学习模型的训练过程为：

构建基于残差网络的深度学习模型；

获取FPC样本图像，并提取FPC样本图像的检测区域图像作为训练样本；

将训练样本进行数据增强处理，并缩放至固定大小后，对所述深度学习模型进行训练，得到最终的所述深度学习模型。

8.一种基于HSV和CNN的FPC缺陷检测系统，其特征在于，包括：

检测区域提取模块，用于按照颜色和亮度提取待检原图中的检测区域；

候选缺陷区域检测模块，用于将待检原图从RGB颜色空间转变为HSV颜色空间，并根据预设的缺陷参数，从HSV颜色空间中初步判断出候选缺陷区域；

最终缺陷区域确定模块，用于将所述候选缺陷区域与检测区域间的交集作为最终缺陷区域；

良次品初筛模块，用于将所述最终缺陷区域面积与预设阈值进行比较，判断当前检测的FPC为良品、次品或不确定品；以及

深度学习检测模块，用于利用预先训练好的深度学习模型对不确定品的检测区域进行识别，预测不确定品属于良品或次品。