CN109975299A - 发光源检测系统与方法 - Google Patents

Abstract

本发明涉及一种发光源检测系统，包括图像获取模块、图像处理模块及检测模块。图像获取模块获取检测画面，检测画面包括有多个待测区图像，这些待测区图像分别位于检测画面上多个默认区域。图像处理模块电连接到图像获取模块，图像处理模块接收这些待测区图像并分别处理成具有相同二维数量的多个二维像素，其中各二维像素具有光学信息。检测模块电连接到图像处理模块，检测模块读取各待测区图像的二维像素，且根据检测模型以检测各待测区图像的二维像素的光学信息，并判断各待测区图像为合格图像或失格图像。

Description

发光源检测系统与方法

技术领域

本发明系关于一种检测系统，特别是指一种发光源检测系统与方法。

背景技术

市面上许多产品都具有发光的功能，以发光式键盘为例，其一般是在按键下方装设有发光组件(例如LED)，以通过发光组件发出光线并照射按键，致使按键上所标示的数字或文字能透出光线，而达到预定的使用需求(例如因应光照不足的使用环境)。

然后，在发光产品的生产过程中，一般都会对发光组件进行检测，以确保发光组件所发出的光线符合预定的颜色、亮度或饱和度等等。目前的检测方式是由生产在线的工作人员进行目测判断，然而，此种方式工作人员易因长时间的检测引起视觉疲劳而发生误判的情形，且对眼睛也会造成伤害。另外，对于特殊发光产品来说，例如发光产品的显像为不规则形态或者发光产品经由材料导光后已非基准色等情形，也难以通过人工目测的方式准确判断。

发明内容

有鉴于此，在一实施例中，提供一种发光源检测方法，包括获取步骤：获取检测画面，检测画面包括有多个待测区图像，这些待测区图像分别位于检测画面上多个默认区域、图像处理步骤：将这些待测区图像分别处理成具有相同二维数量的多个二维像素，其中各二维像素具有光学信息、检测步骤：读取各待测区图像的二维像素，并根据检测模型以检测各待测区图像的二维像素的光学信息，并判断各待测区图像为合格图像或失格图像，其中检测模型是指依深度学习算法进行人工智能演算、并获得输出层演算结果的人工智能算法模型，且输出层演算结果包括有合格图像及失格图像。

在另一实施例中，提供一种发光源检测系统，包括图像获取模块、图像处理模块及检测模块。图像获取模块获取检测画面，检测画面包括有多个待测区图像，这些待测区图像分别位于检测画面上多个默认区域。图像处理模块电连接于图像获取模块，图像处理模块接收这些待测区图像并分别处理成具有相同二维数量的多个二维像素，其中各二维像素具有光学信息。检测模块电连接于图像处理模块，检测模块读取各待测区图像的二维像素，且根据检测模型以检测各待测区图像的二维像素的光学信息，并判断各待测区图像为合格图像或失格图像。其中，检测模型是指依深度学习算法进行人工智能演算、并获得输出层演算结果的人工智能算法模型，且输出层演算结果包括有合格图像及失格图像。

综上所述，根据本发明实施例的发光源检测方法与发光源检测系统，通过获取检测画面并经由检测模型检测待测区图像以判断发光源是否合格，可达到不需以人工目测方式办法而提高检测的准确性。此外，通过将各待测区图像分别处理成具有相同二维数量的多个二维像素，可使发光源检测的基准一致，并能提高检测的指令周期。此外，通过检测模型是依深度学习算法进行人工智能演算、并获得输出层演算结果的人工智能算法模型，还可适用于特殊发光产品，例如发光源显像为不规则形态或发光源经由材料导光后已非基准色等情形。

附图说明

图1是本发明发光源检测方法实施例的步骤流程图。

图2是本发明发光源检测系统实施例的系统方块图。

图3是本发明发光源检测系统实施例的画面获取示意图。

图4是本发明发光源检测系统实施例的检测画面示意图。

图5是本发明发光源检测系统实施例的二维像素示意图。

图6是本发明待测区图像实施例的二维像素排列示意图。

图7是本发明待测区图像另一实施例的二维像素排列示意图。

图8是本发明深度学习训练方法实施例的步骤流程图。

图9是本发明深度学习训练装置实施例的装置方块图。

图10是本发明深度学习训练装置实施例的取样画面示意图。

图11是本发明深度学习训练实施例的深度学习网络图。

【附图标记列表】

1 发光源检测系统

10 图像获取模块

11 减光镜

20 图像处理模块

30 检测模块

31 检测模型

40 深度学习训练装置

41 取样模块

42 处理模块

43 深度学习模块

431 输入层

432 隐藏层

433 输出层

434 输出层演算结果

4341 合格图像区

4342 失格图像区

S1 获取步骤

S2 图像处理步骤

S3 检测步骤

S4 取样步骤

S5 二维处理步骤

S6 深度学习步骤

D 检测画面

K 发光键盘

T 待测区图像

L 发光源

P 二维像素

S 样本画面

Q 合格区图像

Qp 合格二维样本像素

U 失格区图像

Up 失格二维样本像素

具体实施方式

图1为本发明发光源检测方法实施例的步骤流程图。本实施例的发光源检测方法可适用于在生产过程中，对发光源(例如发光键盘、LED面板或灯具的发光源)进行检测，以确保产品出厂时发光源所发出的光线符合预定的颜色、亮度或饱和度等光学信息。如图1所示，本实施例的发光源检测方法是依次执行获取步骤S1、图像处理步骤S2以及检测步骤S3。在一实施例中，上述发光源检测方法的各步骤可通过发光源检测系统1执行，如图2所示，在本示例中中，发光源检测系统1包括有图像获取模块10、图像处理模块20及检测模块30。以下即配合附图说明发光源检测方法的详细步骤流程。

如图1所示，在获取步骤S1中，首先是先获取检测画面，举例来说，可获取具有发光源的待测物(如发光键盘、发光面板或灯具)的图像以取得检测画面。例如图2至图4所示，本实施例是通过发光源检测系统1的图像获取模块10获取发光键盘K的图像(如图3所示)而取得检测画面D(如图4所示)，在一些实施例中，图像获取模块10具体上可为相机(Camera)或感光组件以获取上述检测画面D。其中感光组件可为感光耦合组件(charge-coupleddevice,CCD)、互补式金属氧化物半导体(Complementary Metal-Oxide Semiconductor,CMOS)、或互补式金属氧化物半导体主动像素传感器(CMOS Active pixel sensor)以获取待测物图像。

再对照图3与图4所示，其中检测画面D包括有多个待测区图像T，这些待测区图像T是由多个位于不同位置的发光源L(例如LED)发光所形成的亮区图像，且这些待测区图像T位于检测画面D上多个默认区域，例如在本示例中，这些待测区图像T是对应于发光键盘K的各个按键区域。

在一实施例中，如图3所示，图像获取模块10可包括减光镜11，以经由减光镜11获取检测画面D，使检测画面D获得减光效果而为减光后的画面，避免因发光源L过亮而使检测画面D的各待测区图像T无法实际呈现发光源L的颜色或亮度。

再如图1所示，在获取步骤S1后，接着进行图像处理步骤S2：将检测画面D的各个待测区图像T分别处理成具有相同二维数量的多个二维像素P，其中各二维像素P具有光学信息。例如图2所示，在本实施例中，发光源检测系统1的图像处理模块20电连接于图像获取模块10以接收图像获取模块10所获取的多个待测区图像T，并且图像处理模块20可将这些待测区图像T并分别处理成具有相同二维数量的多个二维像素P。举例来说，图像处理模块20可将各待测区图像T调整成相同的尺寸大小(例如12×12、18×18、32×32、42×42或64×64)而形成相同二维数量的二维像素P、或者图像处理模块20也可直接将不同尺寸大小的各待测区图像T分别切割成相同二维数量的二维像素P(例如二维数量介于12×12至64×64之间)，此部分并不局限。其中各二维像素P都具有光学信息(例如色频信息、亮度信息或其组合)。例如图5所示，在本实施例中，图像处理模块20是将各待测区图像T调整成二维数量为14×14的二维像素P，但本实施例并不限制，图像处理模块20除了可将待测区图像T的二维数量调整成方形矩阵形态(例如12×12、18×18、32×32、42×42或64×64)，也可将待测区图像T的二维数量调整成长方形矩阵形态(例如15×20、20×30、60×40、50×30或70×20)。

在一实施例中，图像处理模块20将这些待测区图像T分别处理成二维数量介于30×30至32×32之间的二维像素P为较佳，此可进一步参阅下面表一所示，表一为经实验整理的表格，其显示各待测区图像T的二维数量所对应的指令周期与图像质量，由表一可看出待测区图像T的二维数量介于30×30至32×32之间相较于其他数量来说可同时兼顾图像质量及后续处理的指令周期。

表一

再如图1所示，在图像处理步骤S2后，进行检测步骤S3：读取各待测区图像T的二维像素P，并根据检测模型31以检测各待测区图像T的各二维像素P的光学信息，并判断各待测区图像T为合格图像或失格图像。如图2所示，在本实施例中，发光源检测系统1的检测模块30电连接于图像处理模块20，以读取各待测区图像T的多个二维像素P，且根据检测模型31以检测各待测区图像T的二维像素P的光学信息，并判断各待测区图像T为合格图像或失格图像。其中检测模型31是指依深度学习算法进行人工智能演算、并获得输出层演算结果的人工智能算法模型，且输出层演算结果包括有合格图像及失格图像，使检测模块30能够基于检测模型31判断各待测区图像T为合格图像或失格图像。

更进一步地，在检测步骤S3后，进行数据存储步骤：经由将所有合格图像、失格图像的数据存储于数据库中，从而未来可以用大量的数据进行分类，并统计正确率。也可以利用更多数据来判定批次的待测物，是否有制造不良的问题。

在一实施例中，如图5所示，各待测区图像T的二维像素P的光学信息可为色频信息，例如色频信息可包括红光信息(例如红色像素值R)、绿光信息(例如绿色像素值G)、蓝光信息(例如蓝色像素值B)或其组合，合格图像可指各待测区图像T的色频信息大于色频阀值的图像，失格图像是指各待测区图像T的色频信息小于上述色频阀值的图像。举例来说，当需要检测发光源L发出的光线是否符合预定颜色时(如红色)，假设检测模型31的输出层演算结果显示色频阀值为红色像素值＝200，当待测区图像T的二维像素P的红色像素值R(例如R值＝212)超过色频阀值时，检测模块30即判断待测区图像T为合格图像，代表发光源L发出的光线符合预定颜色，当待测区图像T的二维像素P的红光像素值R(例如R值＝150)小于色频阀值时，检测模块30即判断待测区图像T为失格图像，代表发光源L发出的光线不符合预定颜色，由此通过图像判断发光源L是否合格。然而上述实施例仅为举例，在其他实施例中，当需要检测发光源L发出的光线是否符合其他颜色时(如绿色或蓝色)，即可以其他像素值(例如绿色像素值G或蓝色像素值B)为基准进行判断。

在一实施例中，各二维像素P的光学信息也可包括亮度信息(例如灰阶值)，合格图像是指待测区图像T的亮度信息大于亮度阀值的图像，失格图像是指待测区图像T的亮度信息小于亮度阀值的图像。举例来说，当需要检测发光源L发出的光线是否符合预定亮度时，假设检测模型31的输出层演算结果显示亮度阀值为灰阶值＝180，当待测区图像T的二维像素P的平均灰阶值(例如灰阶值＝200)超过亮度阀值时，检测模块30即判断待测区图像T为合格图像，代表发光源L发出的光线符合预定亮度，当待测区图像T的二维像素P的平均灰阶值(例如灰阶值＝140)小于亮度阀值时，检测模块30即判断各待测区图像T为失格图像，代表发光源L发出的光线不符合预定亮度。如图5所示，在一实施例中，上述待测区图像T的二维像素P的灰阶值可根据红色像素值R、绿色像素值G、蓝色像素值B计算出，例如将红色像素值R、绿色像素值G、蓝色像素值B分别乘以不同权重再取平均值而计算出二维像素P的灰阶值。

在一些实施例中，各二维像素P的光学信息也可包括上述亮度信息与色频信息，检测模块30可根据各待测区图像T的亮度信息与色频信息综合判断各待测区图像T为合格图像或失格图像，以检测发光源L发出的光线是否符合预定亮度及预定颜色。

在一些实施例中，图像处理模块20与检测模块30具体上可为具备有运算能力的硬件，例如中央处理单元(Central Processing Unit,CPU)、可程序化的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor,DSP)、可程序化控制器、特殊应用集成电路(Application Specific Integrated Circuits,ASIC)、可程序化逻辑设备(Programmable Logic Device,PLD)或其他类似装置，以进行图像处理与判断。

在一实施例中，检测模块30可以二维的形式读取各待测区图像T的多个二维像素P，例如图2与图5所示，图像处理模块20可将各待测区图像T处理成二维矩阵形式的二维像素P，检测模块30是直接读取二维矩阵形式的二维像素P进行判断。或者，在另一实施例中，检测模块30也可以一维的形式读取各待测区图像T的多个二维像素P，举例来说，请对照图5、图6及图7所示，图像处理模块20将各待测区图像T处理成二维矩阵形式的二维像素P后(如图5所示)，可将这些二维像素P以一维方式排列，例如图6所示，在本实施例中，图像处理模块20可将二维像素P中的红色像素值R、绿色像素值G及蓝色像素值B分别以一维方式排列，再依次排列一维的红色像素值R、一维的绿色像素值G以及一维的蓝色像素值B，使检测模块30能以一维的形式读取各待测区图像T的多个二维像素P。或者，如图7所示，图像处理模块20可将二维像素P中的红色像素值R、绿色像素值G及蓝色像素值B以一维方式交错排列，使检测模块30能以一维的形式读取各待测区图像T的多个二维像素P。其中，检测模块30以一维的形式读取各待测区图像T的多个二维像素P相较于读取二维的形式的多个二维像素P可进一步降低处理上的复杂度而能更快速的进行图像判断。在其他实施例中，检测模块30也可接收二维矩阵形式的二维像素P后再处理成一维形式进行处理与判断，此并不限制。

综上，本发明实施例的发光源检测方法与发光源检测系统，通过获取检测画面D并经由检测模型31检测待测区图像T以判断发光源L是否合格，可达到不需以人工目测方式实现而提高检测的准确性。此外，通过将各待测区图像T分别处理成具有相同二维数量的多个二维像素P，可使发光源L检测的基准一致，并能提高检测的指令周期。此外，通过检测模型31是依深度学习算法进行人工智能演算、并获得输出层演算结果的人工智能算法模型，还可适用于特殊发光产品，例如发光源L显像为不规则形态或发光源L经由材料导光后已非基准色等情形。

在一实施例中，上述检测模型31所依据的深度学习算法可为深度神经网络算法、卷积神经网络算法、深度置信网络算法、递归神经网络算法或深度信念网络算法，此并不限制。

在一实施例中，如图8所示，上述检测步骤S3中的检测模型31可依次执行取样步骤S4、二维处理步骤S5以及深度学习步骤S6而获得。在一实施例中，上述各步骤可通过深度学习训练装置40执行，例如图9所示，在此，深度学习训练装置40包括有取样模块41、处理模块42及深度学习模块43。

如图8所示，在取样步骤S4中，首先获取对应于上述检测画面D的样本画面S。例如图3与图9所示，可通过深度学习训练装置40的取样模块41获取样本画面S，其中取样模块41具体上可同样为相机(Camera)或感光组件。如图3所示，在本实施例中，取样模块41同样是获取发光键盘K的图像而取得样本画面S(如图10所示)，其中样本画面S包括有多个合格区图像Q与多个失格区图像U，合格区图像Q与失格区图像U分别位于样本画面S上并对应于待测区图像T的相同默认区域。此请对照图3、图4及图10所示，多个合格区图像Q与多个失格区图像U是分别由多个位于不同位置的发光源L(例如LED)发光所形成的亮区图像，由于样本画面S与检测画面D都是拍摄发光键盘K而获得，因此，合格区图像Q与失格区图像U的位置会对应于待测区图像T的位置。其中合格区图像Q为获取合格发光源L所形成的图像，失格区图像U为获取失格发光源L所形成的图像。也就是说，在取样时会获取合格的发光源L图像与不合格的发光源L图像，以供后续进行深度学习时能判别出合格与不合格两种结果，其中合格的发光源L可指其所发出的光线符合预定的颜色或亮度，不合格的发光源L可指其所发出的光线不符合预定的颜色或亮度。然而上述实施例仅为举例，在其他实施例中，待测物的合格区图像Q与失格区图像U分布位置应为随机，此并不限制。

再如图8所示，在取样步骤S4后，接着进行二维处理步骤S5：将合格区图像Q与失格区图像U分别处理成具有相同二维数量的合格二维样本像素Qp与失格二维样本像素Up，其中合格二维样本像素Qp具有合格光学信息，失格二维样本像素Up具有失格光学信息。举例来说，如图9所示，深度学习训练装置40的处理模块42连接取样模块41以接收取样模块41所获取的样本画面S，处理模块42可将合格区图像Q与失格区图像U分别处理成具有相同二维数量的合格二维样本像素Qp与失格二维样本像素Up(此如同上述图像处理模块20将各待测区图像T并分别处理成具有相同二维数量的多个二维像素P，具体请参图5所示，在此则不重复赘述)，其中合格二维样本像素Qp具有合格像素信息(例如合格的亮度信息、色频信息或其组合)，失格二维样本像素Up具有失格像素信息(例如不合格的亮度信息、色频信息或其组合)。

再如图8所示，在二维处理步骤S5后，接着进行深度学习步骤S6：读取合格区图像Q的合格二维样本像素Qp与失格区图像U的失格二维样本像素Up，并根据深度学习算法，以合格光学信息与失格光学信息分别进行人工智能演算，并获得用以判断出输出层演算结果的检测模型31。例如图9所示，可通过深度学习训练装置40的深度学习模块43演算获得检测模型31，其中深度学习模块43连接于处理模块42以读取合格区图像Q的合格二维样本像素Qp与失格区图像U的失格二维样本像素Up。再如图11所示，为本发明深度学习训练实施例的深度学习网络图，在本示例中中，深度学习模块43包括有输入层431、隐藏层432(在此为一层，也可包含有多层隐藏层432)以及输出层433，其中深度学习模块43是以合格二维样本像素Qp与失格二维样本像素Up作为输入层431的输入数据，在深度学习训练过程中，输入层431会将合格二维样本像素Qp与失格二维样本像素Up传递至隐藏层432，经由隐藏层432依深度学习算法反复进行特征检测与权重分配而可将演算结果传递至输出层433而形成输出层演算结果434，例如隐藏层432可将合格二维样本像素Qp与失格二维样本像素Up分别区分至输出层433中的合格图像区4341与失格图像区4342而形成输出层演算结果434，也就是输出层演算结果434中可包含合格图像区4341中的合格图像与失格图像区4342中的失格图像，进而产生上述检测步骤S3与检测模块30中用以判断合格图像与失格图像的检测模型31，以作为上述实施例的发光源检测方法与发光源检测系统的发光源L检测的依据。

再如图9所示，在一实施例中，深度学习模块43可以一维的形式(如图6与图7所示)或二维的形式(如图5所示)读取合格二维样本像素Qp与失格二维样本像素Up，此并不局限。

虽然本发明的技术内容已经以较佳实施例说明如上，然其并非用以限定本发明，任何本发明所属技术领域中的技术人员，在不脱离本发明的精神所作的一些改变与润饰，都应涵盖于本发明的范畴内，因此本发明的保护范围当以后附的权利要求书所界定者为准。

Claims (20)

1.一种发光源检测方法，包括：

获取步骤：获取检测画面，所述检测画面包括有多个待测区图像，所述待测区图像分别位于所述检测画面上多个默认区域；

图像处理步骤：将所述待测区图像分别处理成具有相同二维数量的多个二维像素，其特征在于，各所述二维像素具有光学信息；以及

检测步骤：读取各所述待测区图像的所述二维像素，并根据检测模型以检测各个所述待测区图像的所述二维像素的所述光学信息，并判断各个所述待测区图像为合格图像或失格图像，其中所述检测模型是指依据深度学习算法进行人工智能演算、并获得输出层演算结果的人工智能算法模型，且所述输出层演算结果包括所述合格图像及所述失格图像。

2.如权利要求1所述的发光源检测方法，其特征在于，所述检测步骤中的所述检测模型是由下列步骤获得：

取样步骤：获取对应于所述检测画面的样本画面，所述样本画面包括合格区图像与失格区图像，所述合格区图像与所述失格区图像分别位于所述样本画面上并对应于所述待测区图像的相同默认区域；

二维处理步骤：将所述合格区图像与所述失格区图像分别处理成具有相同二维数量的合格二维样本像素与失格二维样本像素，其中所述合格二维样本像素具有合格光学信息，所述失格二维样本像素具有失格光学信息；以及

深度学习步骤：读取所述合格区图像的所述合格二维样本像素与所述失格区图像的所述失格二维样本像素、并根据所述深度学习算法，以所述合格光学信息与所述失格光学信息分别进行人工智能演算，获得用以判断出所述输出层演算结果的所述检测模型。

3.如权利要求1所述的发光源检测方法，其特征在于，所述深度学习算法为深度神经网络算法、卷积神经网络算法、深度置信网络算法、递归神经网络算法或深度信念网络算法。

4.如权利要求1所述的发光源检测方法，其特征在于，所述图像处理步骤中的各个所述二维像素的所述光学信息为亮度信息、色频信息或其组合。

5.如权利要求1所述的发光源检测方法，其特征在于，所述图像处理步骤中各个所述二维像素的所述光学信息包括亮度信息，所述合格图像是指各个所述待测区图像的所述亮度信息大于亮度阀值的图像，所述失格图像是指各个所述待测区图像的所述亮度信息小于所述亮度阀值的图像。

6.如权利要求1所述的发光源检测方法，其特征在于，所述图像处理步骤中各个所述二维像素的所述光学信息包括色频信息，所述合格图像是指各个所述待测区图像的所述色频信息大于色频阀值的图像，所述失格图像是指各个所述待测区图像的所述色频信息小于所述色频阀值的图像。

7.如权利要求1所述的发光源检测方法，其特征在于，所述图像处理步骤中各个所述二维像素的所述光学信息为色频信息，所述色频信息包括红光信息、绿光信息、蓝光信息或其组合。

8.如权利要求1所述的发光源检测方法，其特征在于，所述获取步骤中的所述检测画面为减光后画面。

9.如权利要求1所述的发光源检测方法，其特征在于，所述图像处理步骤中的所述相同二维数量介于18×18至42×42之间。

10.如权利要求9所述的发光源检测方法，其特征在于，所述图像处理步骤中的所述相同二维数量介于30×30至32×32之间。

11.一种发光源检测系统，包括：

图像获取模块，获取检测画面，所述检测画面包括有多个待测区图像，所述待测区图像分别位于所述检测画面上多个默认区域；

图像处理模块，电连接于所述图像获取模块，所述图像处理模块接收所述待测区图像并分别处理成具有相同二维数量的多个二维像素，其特征在于，各个所述二维像素具有光学信息；以及

检测模块，电连接于所述图像处理模块，所述检测模块读取各个所述待测区图像的所述二维像素，且根据检测模型以检测各个所述待测区图像的所述二维像素的所述光学信息，并判断各个所述待测区图像为合格图像或失格图像；

其特征在于，，所述检测模型是指依深度学习算法进行人工智能演算、并获得输出层演算结果的人工智能算法模型，且所述输出层演算结果包括有所述合格图像及所述失格图像。

12.如权利要求11所述的发光源检测系统，还包括深度学习训练装置，所述深度学习训练装置包括：

取样模块，获取样本画面，所述样本画面包括有合格区图像与失格区图像，所述合格区图像与所述失格区图像分别位于所述样本画面上并对应于所述待测区图像的相同默认区域；

处理模块，连接所述取样模块，所述处理模块将所述合格区图像与所述失格区图像分别处理成具有相同二维数量的合格二维样本像素与失格二维样本像素，其中所述合格二维样本像素具有合格像素信息，所述失格二维样本像素具有失格像素信息；以及

深度学习模块，连接到所述处理模块，所述深度学习模块读取所述合格二维样本像素与所述失格二维样本像素，且所述深度学习模块以所述合格像素信息与所述失格像素信息经由深度学习算法演算出判断所述合格图像与所述失格图像的所述检测模型。

13.如权利要求11所述的发光源检测系统，其特征在于，所述深度学习算法为深度神经网络算法、卷积神经网络算法、深度置信网络算法、递归神经网络算法或深度信念网络算法。

14.如权利要求11所述的发光源检测系统，其特征在于，各个所述二维像素的所述光学信息为亮度信息、色频信息或其组合。

15.如权利要求11所述的发光源检测系统，其特征在于，各个所述二维像素的所述光学信息包括亮度信息，所述合格图像是指各个所述待测区图像的所述亮度信息大于亮度阀值的图像，所述失格图像是指各个所述待测区图像的所述亮度信息小于所述亮度阀值的图像。

16.如权利要求11所述的发光源检测系统，其特征在于，各个所述二维像素的所述光学信息包括色频信息，所述合格图像是指各个所述待测区图像的所述色频信息大于色频阀值的图像，所述失格图像是指各个所述待测区图像的所述色频信息小于所述色频阀值的图像。

17.如权利要求11所述的发光源检测系统，其特征在于，各个所述二维像素的所述光学信息为色频信息，所述色频信息包括红光信息、绿光信息、蓝光信息或其组合。

18.如权利要求11所述的发光源检测系统，其特征在于，所述图像获取模块包括减光镜，以经由所述减光镜获取所述检测画面。

19.如权利要求11所述的发光源检测系统，其特征在于，所述相同二维数量介于18×18至42×42之间。

20.如权利要求19所述的发光源检测系统，其特征在于，所述相同二维数量介于30×30至32×32之间。