一种偏光片外观缺陷实时检测方法技术

本发明专利技术涉及偏光片外观缺陷检测技术，具体是一种偏光片外观缺陷实时检测方法。本发明专利技术解决了现有偏光片外观缺陷检测方法检测实时性差的问题。一种偏光片外观缺陷实时检测方法，该方法是采用如下步骤实现的：步骤一：先利用摄像头拍摄偏光片图片，再对所拍摄的偏光片图片进行数据扩充，由此得到偏光片数据集；步骤二：对YOLOv4

【技术实现步骤摘要】
一种偏光片外观缺陷实时检测方法


[0001]本专利技术涉及偏光片外观缺陷检测技术，具体是一种偏光片外观缺陷实时检测方法。

技术介绍

[0002]偏光片是一种常见的偏振光学元件，其广泛应用于液晶显示器及各类成像设备和仪器。偏光片在生产与运输过程中，不可避免地会形成脏污、划痕、气泡等外观缺陷，由此影响偏光片的使用性能和质量。因此，为了保证偏光片的使用性能和质量，需要进行偏光片外观缺陷检测。
[0003]随着人工智能技术的发展，基于深度学习的偏光片外观缺陷检测方法因其具有检测精度高的优点，已经成为偏光片外观缺陷检测的主流方法。但是此种方法由于自身原理所限，仍然存在检测速度慢的问题，由此导致检测实时性差。基于此，有必要专利技术一种偏光片外观缺陷实时检测方法，以解决现有偏光片外观缺陷检测方法检测实时性差的问题。

技术实现思路

[0004]本专利技术为了解决现有偏光片外观缺陷检测方法检测实时性差的问题，提供了一种偏光片外观缺陷实时检测方法。
[0005]本专利技术是采用如下技术方案实现的：
[0006]一种偏光片外观缺陷实时检测方法，该方法是采用如下步骤实现的：
[0007]步骤一：先利用摄像头拍摄偏光片图片，再对所拍摄的偏光片图片进行数据扩充，由此得到偏光片数据集；所述偏光片数据集包括训练集、验证集、测试集、偏光片原始大图；
[0008]步骤二：对YOLOv4
‑
Tiny网络模型的骨干网络和CSP BLOCK模块进行改进，由此得到YOLOv4
‑
Tiny
‑
C网络模型；
[0009]步骤三：先利用偏光片数据集中的训练集来训练YOLOv4
‑
Tiny
‑
C网络模型，再利用偏光片数据集中的测试集来测试YOLOv4
‑
Tiny
‑
C网络模型的检测精度，并输出预测图；
[0010]步骤四：利用模型剪枝技术对YOLOv4
‑
Tiny
‑
C网络模型进行剪枝操作，由此得到Pruning
‑
YOLOv4
‑
Tiny
‑
C网络模型；
[0011]步骤五：先编写图像分割脚本，再利用图像分割脚本将偏光片数据集中的偏光片原始大图分割为偏光片小图，然后将偏光片小图输入到Pruning
‑
YOLOv4
‑
Tiny
‑
C网络模型进行缺陷检测，而后将带有检测信息的偏光片小图重新组合为偏光片原始大图进行输出和保存。
[0012]所述步骤一中，所拍摄的偏光片图片包括500张无缺陷图片和1100张带有缺陷特征的图片，所述偏光片数据集包括由3000张分辨率为200
×
200且带有缺陷特征的图片构成的训练集、由600张分辨率为200
×
200且带有缺陷特征的图片构成的验证集、由200张分辨率为200
×
200且带有缺陷特征的图片构成的测试集、32张分辨率为4096
×
3796的偏光片原始大图。
[0013]所述步骤一中，所述缺陷特征包括脏污、划痕、气泡。
[0014]所述步骤二中，改进步骤具体如下：
[0015]首先，在YOLOv4
‑
Tiny网络模型的第一层卷积层之前增加一层Conv3
×
3，用于对输入图片进行卷积操作以提取更丰富的特征，增强网络的非线性表达能力；
[0016]其次，在第一次CBL降采样之后，增加Conv1
×
1+Conv3
×
3卷积层组合，用于进一步提升网络深度，增强提取特征能力；Conv1
×
1+Conv3
×
3卷积层组合模式参考了Dense Block模块进行特征融合，使得输出的特征图通道数增加到64，和第6层的特征图大小一致；
[0017]然后，在原CSP BLOCK结构中右侧支路Cnov1
×
1操作之后加入一层Conv3
×
3，用于增大有效感受野以丰富上下文信息；
[0018]最后，利用k
‑
means++聚类算法，根据聚类中心和数据框分布重新生成6组anchor锚框参数值[(28,22),(33,57),(75,40),(40,105),(100,87),(141,153)]，用于缺陷检测算法训练，防止出现大量漏检和误检情况。
[0019]所述步骤三中，在训练YOLOv4
‑
Tiny
‑
C网络模型之前，对.cfg文件中的超参数进行如下设置：
①
最大迭代次数设置为5万次；
②
采用分布策略设置学习率：初始学习率设置为0.0261，前3万次学习率保持为0.0261，3～4.2万次学习率衰减0.1倍，4.2～5万次学习率衰减0.1倍；
③
记忆因子设置为0.9，权重衰减项设置为0.005，批量训练尺度设置为128。
[0020]所述步骤四中，剪枝操作步骤具体如下：
[0021]首先，在YOLOv4
‑
Tiny
‑
C网络模型基础上进行稀疏训练，计算YOLOv4
‑
Tiny
‑
C网络模型中不同通道对预测结果的贡献作为尺度因子；
[0022]稀疏训练完成后，按尺度因子对YOLOv4
‑
Tiny
‑
C网络模型中的所有通道进行排序，按比例删除尺度因子较小的通道，生成剪枝后的YOLOv4
‑
Tiny
‑
C网络模型；
[0023]最后，对剪枝后的YOLOv4
‑
Tiny
‑
C网络模型进行微调，得到Pruning
‑
YOLOv4
‑
Tiny
‑
C网络模型。
[0024]所述步骤四中，在进行稀疏训练时，YOLOv4
‑
Tiny
‑
C网络模型结构中只有YOLO层的输入卷积层不存在bn层，其它各种卷积层都有bn层的存在，其计算公式为：
[0025][0026]式中：andσ2设定为同一个batch的均值和方差，γandβ分别是训练缩放比例(trainable scale factor)和偏置(bias)；直接使用γ来衡量通道的重要性，γ的重要性使用L1回归来衡量，sparsity training的目标公式为：
[0027]L＝Loss
yolo
+α∑
y∈τ
f(γ)；
[0028]表示L1回归，用于平衡两个loss，用负梯度方法对非光滑L1惩罚项进行优化，值大小设定为0.0001；
[0029]稀疏训练完成后，通过代入全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种偏光片外观缺陷实时检测方法，其特征在于：该方法是采用如下步骤实现的：步骤一：先利用摄像头拍摄偏光片图片，再对所拍摄的偏光片图片进行数据扩充，由此得到偏光片数据集；所述偏光片数据集包括训练集、验证集、测试集、偏光片原始大图；步骤二：对YOLOv4
‑
Tiny网络模型的骨干网络和CSP BLOCK模块进行改进，由此得到YOLOv4
‑
Tiny
‑
C网络模型；步骤三：先利用偏光片数据集中的训练集来训练YOLOv4
‑
Tiny
‑
C网络模型，再利用偏光片数据集中的测试集来测试YOLOv4
‑
Tiny
‑
C网络模型的检测精度，并输出预测图；步骤四：利用模型剪枝技术对YOLOv4
‑
Tiny
‑
C网络模型进行剪枝操作，由此得到Pruning
‑
YOLOv4
‑
Tiny
‑
C网络模型；步骤五：先编写图像分割脚本，再利用图像分割脚本将偏光片数据集中的偏光片原始大图分割为偏光片小图，然后将偏光片小图输入到Pruning
‑
YOLOv4
‑
Tiny
‑
C网络模型进行缺陷检测，而后将带有检测信息的偏光片小图重新组合为偏光片原始大图进行输出和保存。2.根据权利要求1所述的一种偏光片外观缺陷实时检测方法，其特征在于：所述步骤一中，所拍摄的偏光片图片包括500张无缺陷图片和1100张带有缺陷特征的图片，所述偏光片数据集包括由3000张分辨率为200
×
200且带有缺陷特征的图片构成的训练集、由600张分辨率为200
×
200且带有缺陷特征的图片构成的验证集、由200张分辨率为200
×
200且带有缺陷特征的图片构成的测试集、32张分辨率为4096
×
3796的偏光片原始大图。3.根据权利要求2所述的一种偏光片外观缺陷实时检测方法，其特征在于：所述步骤一中，所述缺陷特征包括脏污、划痕、气泡。4.根据权利要求1所述的一种偏光片外观缺陷实时检测方法，其特征在于：所述步骤二中，改进步骤具体如下：首先，在YOLOv4
‑
Tiny网络模型的第一层卷积层之前增加一层Conv3
×
3，用于对输入图片进行卷积操作以提取更丰富的特征，增强网络的非线性表达能力；其次，在第一次CBL降采样之后，增加Conv1
×
1+Conv3
×
3卷积层组合，用于进一步提升网络深度，增强提取特征能力；Conv1
×
1+Conv3
×
3卷积层组合模式参考了Dense Block模块进行特征融合，使得输出的特征图通道数增加到64，和第6层的特征图大小一致；然后，在原CSP BLOCK结构中右侧支路Cnov1
×
1操作之后加入一层Conv3
×
3，用于增大有效感受野以丰富上下文信息；最后，利用k
‑
means++聚类算法，根据聚类中心和数据框分布重新生成6组anchor锚框参数值[(28,22),(33,57),(75,40),(40，105),(100,87),(141,153)]，用于缺陷检测算法训练，防止出现大量漏检和误检情况。5.根据权利要求1所述的一种偏光片外观缺陷实时检测方法，其特征在于：所述步骤三中，在训练YOLOv4
‑
Tiny
‑
C网络模型之前，对.cfg文件中的超参数进行如下设置...

【专利技术属性】
技术研发人员：谢新林，赵文晶，王银，李春霖，张林，谢刚，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：