【技术实现步骤摘要】
本专利技术属于计算机视觉和图像处理，具体涉及一种基于计算机视觉的led色差检测分析系统。
技术介绍
1、随着led照明技术的快速发展，其高效能、长寿命以及环保等特性使得led在日常生活、商业照明以及工业生产等各个领域的应用日益广泛。然而，led在生产过程中可能因各种原因导致颜色偏差，影响产品的质量和用户体验。传统的led色差检测方法大多依赖人工检测，这种方法虽然直观且简单，但存在诸多局限性。在大规模生产下，人工检测存在效率低、误检率高等问题。因此，开发一种高效、准确的led色差检测分析系统具有重要意义。
技术实现思路
1、本专利技术的目的在于提供一种基于计算机视觉的led色差检测分析系统，来解决传统led色差检测方法效率低、误检率高的问题。
2、为实现上述目的，本专利技术提供了如下技术方案：一种基于计算机视觉的led色差检测系统，该系统包括：图像采集模块，用于获取led板色差图像数据集；预处理模块，用于对led板色差数据集图像进行去噪、增强等处理以提高检测准确性；检测分析模块，利用多尺度特征增强的yolov8模型对处理后的图像进行色差分析，所述多尺度特征增强的yolov8模型采用卷积与空洞卷积相结合形成的hdconv进行特征提取，利用深度卷积与全局池化相结合的dsppf进行多尺度特征上下文增强；结果输出模块，用于将检测结果以可视化形式展示给用户，便于用户快速理解并采取相应的处理措施。
3、作为优选地，所述图像采集模块使用多光谱相机采集，所述多光谱相机基于光谱
4、作为优选地，所述预处理模块包括注意力导向的去噪卷积神经网络adnet对图像进行去噪处理，以在保持图像细节信息的同时，有效地去除图像中的噪声；具体为，将所述图像采集模块所合成的数据集上传至带有gpu的计算机端，通过采用基于注意力机制的图像去噪网络adnet(attention-guided denoising net)对所述图像采集模块的数据集图像去噪；adnet网络通过稀疏块(sparse block,sb)、特征增强块(feature enhancementblock,feb)、注意力块(attention block,ab)和重建块(reconstruction block,rb)四个模块的组合，在保持图像细节信息的同时，能够有效地去除图像中的噪声；采用旋转、缩放、平移、增加亮度的方法对所述图像采集模块的数据集进行数据增强操作，丰富数据集图像的多样性；对所述图像采集模块的数据集图像中的目标使用labelimg进行标注，包括边界框标注和类别标注；将标注信息保存为yolo格式。
5、作为优选地，所述检测分析模块使用多尺度增强的yolov8模型，所述yolov8色差检测模型通过采用自研卷积层代替原来下采样卷积层进行下采样，进一步提取图像特征，并将这些特征映射到不同尺度的特征图上，增加模型适应不同尺度特征的能力；具体为，将所述图像采集模块的数据集图像作为训练样本输入至yolov8架构的神经网络模型进行训练，得到多尺度增强的yolov8色差检测模型；其中，所述yolov8色差检测模型使用一系列卷积层进一步提取特征，并将这些特征映射到不同尺度的特征图上；所述yolov8色差检测模型的一系列卷积层为：在相同的特征上，将特征进行不同的卷积，不同的卷积指：第一，普通卷积，第二，经过普通卷积后使用不同的空洞率进行卷积，通过设置特别的权重来融合不同空洞率卷积的结果的可变换空洞卷积；将所述不同的卷积结果进行连接拼接，经过通道重新混洗融合，输出结果经过全局池化增加全局上下文联系，减少计算量，所述yolov8色差检测模型卷积层表述为混合空洞卷积(hybrid dilated convolution,hdconv)，hdconv增加模型适应不同尺度特征的能力；所述yolov8色差检测模型使用自研dsppf(deep spatialpyramid pooling-fast)代替原模型中的sppf，dsppf使用深度卷积层代替原模型中sppf里最大池化层堆叠来捕捉不同尺度特征的上下文信息；所述yolov8色差检测模型卷积层输出结果作为输入特征进行双路线性变换，将其中一路生成q矩阵；另一路变换进行3层卷积，最后采用全局最大池化来捕捉整个输入的全局上下文；将所述3层卷积的结果进行残差连接，将特征进行深度融合；融合后的特征与所述q矩阵进行点积相乘，保持在原始输入特征的基础上融合3层卷积所提取的特征，从而增强模块的特征表达；所述yolov8色差检测模型接一个加强特征网络pan，通过上采样、拼接和卷积等操作实现，使模型能过同时利用低层和高层的特征信息；所述yolov8色差检测模型连接由卷积层和输出层组成的预测头，输出层负责生成边界框坐标、对象置信度和类别概率，通过解码输出层生成结果，实现对图像中色差对象的快速、准确检测；所述yolov8色差检测模型在训练过程中会计算预测结果与真实标注之间的损失，使用反向传播算法计算损失对模型参数的梯度，并使用sgd优化器进行参数更新，以最小化损失，提高模型精度。
6、作为优选地，该色差检测系统可输出不同颜色类型的led板色差块位置，类别，所述色差检测系统具有高效、准确、灵活和可扩展的特点，能够显著提高led板的生产质量，降低生产成本。
7、作为优选地，该色差检测系统通过qt系统界面实现用户交互，用户使用简单的界面操作实现对led色差的分析，并根据结果及时对led板的生产进行调整，确保质量符合要求。
8、作为优选地，该色差检测系统的产品包含存储在计算机可读介质上的计算机程序代码，所述色差检测系统的产品在计算机上运行，用于实现led色差检测系统的功能。
9、本专利技术相对于现有技术具有以下有益效果：
10、本专利技术提供了一种基于计算机视觉的led色差检测系统，该系统利用图像处理技术对led板图像进行去噪、增强处理，通过基于计算机视觉的深度学习算法对led板图像进行特征提取和分析，实现了对led板图像的高效采集与精准色差分析；该系统由四个核心模块构成：图像采集模块、预处理模块、检测分析模块及结果输出模块，所述图像采集模块使用多光谱相机捕捉led板的高清图像，确保了数据源的丰富性与准确性，所述预处理模块采用注意力导向的去噪卷积神经网络adnet对图像进行去噪、增强等处理以提高检测准确性，所述检测分析模块利用多尺度增强的yolov8目标检测算法对处理后的图像进行色差分析，所述结果输出模块将检测结果本文档来自技高网...
【技术保护点】
1.一种基于计算机视觉的LED色差检测系统，其特征在于，该系统包括：
2.根据权利要求1所述的一种基于计算机视觉的LED色差检测系统，其特征在于，所述图像采集模块使用多光谱相机采集，基于光谱分割原理，将光线按照不同的波长进行分割，其光学系统进行光线采集和处理，以显现LED的颜色分布和变化。
3.根据权利要求2所述的一种基于计算机视觉的LED色差检测系统，其特征在于，所述预处理模块包括注意力导向的去噪卷积神经网络ADNet对图像进行去噪处理，以在保持图像细节信息的同时，有效地去除图像中的噪声。
4.根据权利要求3所述的一种基于计算机视觉的LED色差检测系统，其特征在于，所述检测分析模块使用多尺度增强的YOLOv8模型，所述YOLOv8模型通过采用自研卷积层代替原来下采样卷积层进行下采样，进一步提取图像特征，并将这些特征映射到不同尺度的特征图上，增加模型适应不同尺度特征的能力。
5.根据权利要求4所述的一种基于计算机视觉的LED色差检测系统，其特征在于，所述多尺度增强的YOLOv8模型包括深度卷积层代替未增强模型中SPPF里的最大池化层
6.根据权利要求5所述的一种基于计算机视觉的LED色差检测系统，其特征在于，该色差检测系统可输出不同颜色类型的LED板色差块位置，类别。
7.根据权利要求6所述的一种基于计算机视觉的LED色差检测系统，其特征在于，该色差检测系统通过Qt系统界面实现用户交互，用户使用简单的界面操作实现对LED色差的分析，并根据结果及时对LED板的生产进行调整。
8.根据权利要求7所述的一种基于计算机视觉的LED色差检测系统，其特征在于，该色差检测系统的产品包含存储在计算机可读介质上的计算机程序代码，所述色差检测系统的产品在计算机上运行，用于实现LED色差检测系统的功能。
...【技术特征摘要】
1.一种基于计算机视觉的led色差检测系统，其特征在于，该系统包括：
2.根据权利要求1所述的一种基于计算机视觉的led色差检测系统，其特征在于，所述图像采集模块使用多光谱相机采集，基于光谱分割原理，将光线按照不同的波长进行分割，其光学系统进行光线采集和处理，以显现led的颜色分布和变化。
3.根据权利要求2所述的一种基于计算机视觉的led色差检测系统，其特征在于，所述预处理模块包括注意力导向的去噪卷积神经网络adnet对图像进行去噪处理，以在保持图像细节信息的同时，有效地去除图像中的噪声。
4.根据权利要求3所述的一种基于计算机视觉的led色差检测系统，其特征在于，所述检测分析模块使用多尺度增强的yolov8模型，所述yolov8模型通过采用自研卷积层代替原来下采样卷积层进行下采样，进一步提取图像特征，并将这些特征映射到不同尺度的特征图上，增加模型适应不同尺度特征的能力。
5.根据权利...
【专利技术属性】
技术研发人员：周显恩，黎煜培，朱青，王飞文，王忠华，王耀南，
申请(专利权)人：江西省通讯终端产业技术研究院有限公司，
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。