本发明专利技术涉及基于深度学习的显示屏裂纹缺陷检测方法、装置及设备，该方法包括：获取针对显示屏的待检测图像；通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域；通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷；根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷；对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果。通过本发明专利技术的方法，提供了一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。好的裂纹缺陷识别方法。好的裂纹缺陷识别方法。
【技术实现步骤摘要】
基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
[0001]本专利技术涉及人工智能、机器视觉、深度学习、图像处理和模式识别
，具体而言，本专利技术涉及基于深度学习的显示屏裂纹缺陷检测方法、装置及设备。
技术介绍
[0002]机器视觉是质量检测中非常常见的一项技术手段，主要通过相机对产品进行拍照，然后通过图像处理技术对产品图片进行分析，从而检测产品是否存在缺陷。目前，基于机器视觉的外观缺陷方法已广泛取代人工视觉检测，应用于各个工业领域。传统的基于机器视觉的外观缺陷检测方法通常使用传统的图像处理算法或人工设计的缺陷特征加分类器来对外观缺陷进行检测和识别。
[0003]基于传统的图像处理算法的外观缺陷检测通常包括直方图均衡化、滤波去噪、灰度二值化等，以得前景背景分离的简单化图像信息；随后利用数学形态学、傅里叶变换、Gabor变换等算法以及机器学习模型完成缺陷的标记与检测。
[0004]上述传统算法在某些特定的应用中已经取得了较好的效果，但仍然存在许多不足。例如：图像预处理步骤繁多且具有强烈的针对性，算法迭代速度慢，通用性差；需要专业性很强的算法研发人员对特定的缺陷进行人工特征提取，研发成本高；对采图条件要求高，例如：光线条件变化、图像尺寸和分辨率，图像是否存在旋转变形。
[0005]因此，现有技术中，亟需一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。
技术实现思路
[0006]本专利技术所要解决的技术问题是提供了基于深度学习的显示屏裂纹缺陷检测方法、装置及设备，旨在解决上述至少一个技术问题。
[0007]本专利技术解决上述技术问题的技术方案如下：基于深度学习的显示屏裂纹缺陷检测方法，该方法包括：
[0008]获取针对显示屏的待检测图像，所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像；
[0009]通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域；
[0010]通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷；
[0011]根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷；
[0012]对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果。
[0013]本专利技术的有益效果是：对于需要检测裂纹缺陷的待检测图像，其中，对待检测图像的采集无特殊要求，可先通过第一检测模型，识别出所述待检测图像中的裂纹区域，再通过第二检测模型，识别出所述待检测图像中的裂纹缺陷，然后根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷，这样可以防止非感兴趣区域(非裂纹区域)内，裂纹缺陷误检的问题，另外，结合传统的图像处理方法，对裂纹区域内的裂纹缺陷进行缺陷特征
分析，可以实现对图像特征的定量分析，得到一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。
[0014]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0015]进一步，上述通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域之前，还包括：
[0016]对所述待检测图像进行对比度增强处理，得到处理后的图像；
[0017]上述通过预训练的第一检测模型识别出所述待检测图像中的裂纹区域，包括：
[0018]通过预训练的第一检测模型，识别出所述处理后的图像中的裂纹区域；
[0019]上述通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷，包括：
[0020]通过预训练的第二检测模型，识别出所述处理后的图像中的裂纹缺陷。
[0021]采用上述进一步方案的有益效果是，在通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域之前，对待检测图像进行对比度增强处理，可提升裂纹区域与周边背景区域的对比度，使得裂纹更容易识别。
[0022]进一步，上述根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷，包括：
[0023]在所述待检测图像中标注出所述裂纹区域，得到带第一标注框的第一图像；
[0024]在所述待检测图像中标注出所述裂纹缺陷，得到带第二标注框的第二图像；
[0025]取所述第一图像和所述第二图像的交集，得到所述裂纹区域内的裂纹缺陷。
[0026]采用上述进一步方案的有益效果是，本申请方案中采用深度学习双模型并行协作的工作模式，即第一检测模型和第二检测模型并行工作的模式，可提高处理速度。
[0027]进一步，上述缺陷特征分析包括裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一项。
[0028]采用上述进一步方案的有益效果是，可对裂纹特征进行裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一种分析，满足不同的分析需求。
[0029]进一步，若所述缺陷特征分析包括裂纹面积分析，上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果，包括：
[0030]确定所述裂纹区域内的裂纹缺陷对应的像素点的数量；
[0031]根据所述裂纹区域内的裂纹缺陷对应的像素点的数量，确定所述裂纹缺陷对应的裂纹面积，所述分析结果包括所述裂纹面积；
[0032]若所述缺陷特征分析包括缺陷对比度分析，上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果，包括：
[0033]确定所述裂纹区域内的裂纹缺陷对应的白色像素在所述待检测图像中对应的灰度平均值；
[0034]根据所述灰度平均值，确定所述裂纹缺陷对应的裂纹对比度，所述分析结果包括所述裂纹对比度；
[0035]若所述缺陷特征分析包括缺陷长度分析，上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果，包括：
[0036]确定所述裂纹区域内的裂纹缺陷对应的连通域；
[0037]根据所述连通域的长轴长度，确定所述裂纹缺陷对应的缺陷长度，所述分析结果
包括所述缺陷长度；
[0038]若所述缺陷特征分析包括缺陷宽度分析，上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果，包括：
[0039]确定所述裂纹区域内的裂纹缺陷对应的连通域；
[0040]根据所述连通域的短轴长度，确定所述裂纹缺陷对应的缺陷宽度，所述分析结果包括所述缺陷宽度。
[0041]采用上述进一步方案的有益效果是，针对不同的缺陷特征分析需求，可采用不同的缺陷特征分析方式，实现对缺陷特征的不同分析。
[0042]第二方面，本专利技术为了解决上述技术问题还提供了基于深度学习的显示屏裂纹缺陷检测装置，该装置包括：
[0043]图像获取模块，用于获取针对显示屏的待检测图像，所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像；
[0044]第一检测模块，用于通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域；
[0045]第二检测模块，用于通过预训练的第二检测模型，识别出所述待检测图像中的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于深度学习的显示屏裂纹缺陷检测方法，其特征在于，包括以下步骤：获取针对显示屏的待检测图像，所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像；通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域；通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷；根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷；对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果。2.根据权利要求1所述的方法，其特征在于，所述通过预训练的第一检测模型，识别出所述待检测图像中的裂纹区域之前，还包括：对所述待检测图像进行对比度增强处理，得到处理后的图像；所述通过预训练的第一检测模型识别出所述待检测图像中的裂纹区域，包括：通过预训练的第一检测模型，识别出所述处理后的图像中的裂纹区域；所述通过预训练的第二检测模型，识别出所述待检测图像中的裂纹缺陷，包括：通过预训练的第二检测模型，识别出所述处理后的图像中的裂纹缺陷。3.根据权利要求1所述的方法，其特征在于，所述根据所述裂纹区域和所述裂纹缺陷，确定所述裂纹区域内的裂纹缺陷，包括：在所述待检测图像中标注出所述裂纹区域，得到带第一标注框的第一图像；在所述待检测图像中标注出所述裂纹缺陷，得到带第二标注框的第二图像；取所述第一图像和所述第二图像的交集，得到所述裂纹区域内的裂纹缺陷。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述缺陷特征分析包括裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一项。5.根据权利要求4任一项所述的方法，其特征在于，若所述缺陷特征分析包括裂纹面积分析，所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析，得到分析结果，包括：确定所述裂纹区域内的裂纹缺陷对应的像素点的数量；根据所述裂纹区域内的裂纹缺陷对应的像素点的数量，确定所述裂纹缺陷对应的裂纹面积，所述分析结果包括所述裂纹面积；若所述缺陷...
【专利技术属性】
技术研发人员：靳松，张莲莲，陈晨，李韦辰，陈永超，
申请(专利权)人：北京兆维智能装备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。