【技术实现步骤摘要】
本专利技术涉及视觉检测，尤其涉及导光板缺陷的检测方法、装置和可存储介质。
技术介绍
1、导光板作为液晶显示屏后面一块透明的平板，可以将线光源转换成面光源，从而使液晶屏均匀点亮，目前导光板应用在各种电子器件的显示模组中。液晶本身并不会发光，在液晶背后再加上一个能映射出光照源的背光模组从而清晰呈现显示内容，所以背光模组也是液晶面板的重要零组件之一。而背光模组则主要由光照源、导光板、光学用薄膜、以及其他机构部件组成。
2、在当今电子产品制造业迅速发展的大背景下，导光板已成为了许多高度智能、信息化的电子产品的显示构件基础，其产品对于日常生活及其上下游各产品的发展也起着非常关键的作用。因此导光板缺陷检测尤为重要。以前导光板的缺陷检测是人工肉眼检测的状态，人工检测是在昏暗的工厂无尘环境下，使用合适的高亮度光源照射后通过人眼观察缺陷，一直处于两班倒的模式，长时间工作容易使人眼疲劳且损伤视力。将机器视觉技术应用于导光板缺陷检测问题可以降低工人劳动强度，提高检测结果可靠性，提高生产效率，从大量复杂重复的工作环境中解放劳动力。
3、但现有的视觉检测是将拍摄图像转化成灰度图，通过检测缺陷的灰度值与背景的灰阶差从而抓取缺陷范围，这种方法检测导光板缺陷时，存在一定的局限性，例如对比度不明显、缺陷尺寸较小的缺陷，存在漏检等问题；对于不规则缺陷，存在抓取不完全等问题。
技术实现思路
1、为克服上述缺点，本专利技术的目的在于提供导光板缺陷的检测方法、装置和可存储介质，采用ai算法对导光板缺
2、为了达到以上目的，本专利技术采用的技术方案是：导光板缺陷的检测方法，包括如下步骤：
3、获取待测导光板的待测图像，并对所述待测图像进行处理形成待测导光板的完整图像数据；
4、将所述完整图像数据输入到预设的ai算法中进行检测；
5、所述ai算法输出第一检测结果；
6、对所述第一检测结果中判定为不合格的产品进行二次复判，并形成第二检测结果。
7、本专利技术的有益效果在于：采用ai算法对导光板缺陷检测，快速准确地检测导光板缺陷，有效提高产品出厂的品质，对提高产品一致性。再通过ai算法做过一次检测后，添加二次复判，二次复判的工作量大大减小，但又能提高检测的准确率。
8、进一步来说，所述ai算法具体包括：
9、收集样本集，所述样本集包括包含缺陷的图像和不包含缺陷的图像；
10、特征提取，分析缺陷类型，对所述样本集内的图像进行缺陷标注；
11、模型训练，将标注过缺陷的图像输出预设的神经网络模型进行训练，得到一个初始ai模型；
12、模型评估和优化，使用验证数据集来验证初始ai模型，并根据验证结果优化初始ai模型以形成测试ai模型；
13、部署模型，所述测试ai模型用于完成图像数据的处理和检测。
14、让最终生成的测试ai模型，更准确，效果更好。
15、进一步来说，所述使用验证数据集来验证初始ai模型具体包括：
16、将所述验证数据集输出初始ai模型中，并输出验证结果，其中所述验证数据集为已标注缺陷且未参与训练的图像；
17、将验证结果与验证数据集内的标注缺陷进行比较；
18、若一致则验证合格，否则，对初始ai模型进行优化。
19、进一步来说，将标注过缺陷的图像输出预设的神经网络模型进行训练，得到一个初始ai模型具体包括：
20、网络构建,选择神经网络模型，神经网络模型包括输入层、隐藏层和输出层，并确定每个层的节点数和激活函数；
21、损失函数选择，根据缺陷的类型和缺陷的特点，选择损失函数来衡量模型的预测结果与真实标签之间的差异；
22、参数初始化，对所述神经网络模型的参数进行初始化；
23、前向传播，将输入数据通过所述神经网络进行前向传播，得到神经网络模型的预测结果。
24、计算损失，将预测结果与真实标签进行比较，计算损失函数的值；
25、反向传播，根据损失函数的值，通过反向传播算法计算神经网络模型参数的梯度；
26、参数更新，使用优化算法，根据参数的梯度更新神经网络模型的参数；
27、重复迭代，重复进行前向传播、计算损失、反向传播和参数更新的过程，直到达到预设的停止条件，形成初始ai模型。
28、进一步来说，所述ai算法还包括监控与维护，对所述测试ai模型的性能进行定期监测和定期训练。定期更新验证数据，如果测试结果不满足生产要求，对该周期内的所有样本进行分析优化，以达到生产要求为准。
29、进一步来说，当对初始ai模型进行优化后，再次使用验证数据集来验证，直至验证通过，形成形成测试ai模型。不断训练，直至测试ai模型被固定。
30、进一步来说，一个所述导光板至少采集两个待测图像，对所述待测图像进行处理形成待测导光板的完整图像数据具体包括：
31、图像预处理，校正所述待测图像的色差，减少所述待测图像的畸变，并对齐同一个导光板的所有待测图像；
32、图像拼接，提取待测图像的特征点，将所述待测图像进行拼接，形成一个完整图像数据。
33、由于导光板体面积较大，单独的一个待测图像不足以覆盖整个待测导光板，因此对待测导光板的不同位置进行拍摄得到待测图像，通过这些待测图像处理得到一个完整的待测导光板的完整图像数据。要确保两个待测图像有重叠部分，并且要使用相同的焦距、光照条件和设置以确保两个待测图像之间的连续性。
34、本专利技术还公开一种导光板缺陷的检测装置，包括：
35、采集模块，所述采集模块用于采集待测导光板的待测图像；
36、控制器，所述控制器用于接收待测图像，并采用上述的检测方法。
37、本专利技术还公开一种计算机可存储介质，所述计算机可存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的检测方法。
本文档来自技高网...【技术保护点】
1.导光板缺陷的检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的导光板缺陷的检测方法，其特征在于：所述AI算法具体包括：
3.根据权利要求2所述的导光板缺陷的检测方法，其特征在于：所述使用验证数据集来验证初始AI模型具体包括：
4.根据权利要求2所述的导光板缺陷的检测方法，其特征在于：将标注过缺陷的图像输出预设的神经网络模型进行训练，得到一个初始AI模型具体包括：
5.根据权利要求2所述的导光板缺陷的检测方法，其特征在于：所述AI算法还包括监控与维护，对所述测试AI模型的性能进行定期监测和定期训练。
6.根据权利要求1所述的导光板缺陷的检测方法，其特征在于：当对初始AI模型进行优化后，再次使用验证数据集来验证，直至验证通过，形成形成测试AI模型。
7.根据权利要求1-6任一所述的导光板缺陷的检测方法，其特征在于：一个所述导光板至少采集两个待测图像，对所述待测图像进行处理形成待测导光板的完整图像数据具体包括：
8.一种导光板缺陷的检测装置，其特征在于：包括：
9.一种计算机
...【技术特征摘要】
1.导光板缺陷的检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的导光板缺陷的检测方法，其特征在于：所述ai算法具体包括：
3.根据权利要求2所述的导光板缺陷的检测方法，其特征在于：所述使用验证数据集来验证初始ai模型具体包括：
4.根据权利要求2所述的导光板缺陷的检测方法，其特征在于：将标注过缺陷的图像输出预设的神经网络模型进行训练，得到一个初始ai模型具体包括：
5.根据权利要求2所述的导光板缺陷的检测方法，其特征在于：所述ai算法还包括监控与维护，对所述测试ai模型的性能进行定期监测和定期训练...
【专利技术属性】
技术研发人员：王世泽，王苏川，吴宣东，汪琦，
申请(专利权)人：科为升视觉技术苏州有限公司，
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。