CN111476759B - 一种屏幕表面检测方法、装置、终端及存储介质 - Google Patents

一种屏幕表面检测方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN111476759B
CN111476759B CN202010174060.0A CN202010174060A CN111476759B CN 111476759 B CN111476759 B CN 111476759B CN 202010174060 A CN202010174060 A CN 202010174060A CN 111476759 B CN111476759 B CN 111476759B
Authority
CN
China
Prior art keywords
screen
image
defective
screen image
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010174060.0A
Other languages
English (en)
Other versions
CN111476759A (zh
Inventor
罗清雨
陈昊
李卫东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xinxinteng Robot Technology Co ltd
Original Assignee
Shenzhen Xinxinteng Robot Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Xinxinteng Robot Technology Co ltd filed Critical Shenzhen Xinxinteng Robot Technology Co ltd
Priority to CN202010174060.0A priority Critical patent/CN111476759B/zh
Publication of CN111476759A publication Critical patent/CN111476759A/zh
Application granted granted Critical
Publication of CN111476759B publication Critical patent/CN111476759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于人工智能技术领域，提供了一种屏幕表面检测方法、装置、终端及存储介质。该方法包括：将待检测屏幕的屏幕图像输入已训练的检测模型中处理，得到所述待检测屏幕的无瑕疵预测图像；对所述屏幕图像和所述无瑕疵预测图像进行差异度计算，得到所述屏幕图像和所述无瑕疵预测图的差异度图像；根据所述差异度图像确定所述待检测屏幕上存在瑕疵的区域。本申请可以快速地确定所述待检测屏幕上存在的瑕疵区域，较好地满足大规模应用中对瑕疵检测速率的要求。

Description

一种屏幕表面检测方法、装置、终端及存储介质
技术领域
本申请属于人工智能技术领域，尤其涉及一种屏幕表面检测方法、装置、终端及存储介质。
背景技术
随着显示技术的不断迭代更新，如今液晶屏已经成为显示器领域的重要组成部分，但尽管液晶屏的生产环境要求较高，依然无法避免残次品的出现，比如屏幕表面出现亮点、暗点、暗线、亮线、斑点、漏光等瑕疵，因此屏幕表面瑕疵检测成为了其生产过程中的一个重要环节。
对于屏幕表面瑕疵检测，目前主要的屏幕瑕疵检测方法主要有两种：人工检测、机器视觉检测。其中，人工检测简单易行，但普遍存在检测效率较低、质量标准无法量化、稳定性差，从而人工雇佣成本不断提升的问题。而机器视觉检测则是借助相机等设备采集产品的瑕疵图像，且基于数字图像处理与分析原理和利用Opencv、Halcon等机器视觉算法库经过预处理、图像分割、形态学变换、边缘检测等一系列操作实现瑕疵的检测，但又因屏幕表面瑕疵种类较多，且形态各异，使得算法实现的难度大大增加。
故此，传统的屏幕表面检测方法已经严重制约屏幕生产效率与质量稳定性，如何提高屏幕表面的瑕疵检测已经成为重要的研究课题。
发明内容
本申请实施例提供了一种屏幕表面检测方法、装置、终端及存储介质，能够提高提高屏幕表面的瑕疵检测效率。
第一方面，本申请实施例提供了一种屏幕表面检测方法，所述方法包括：
将待检测屏幕的屏幕图像输入已训练的检测模型中处理，得到所述待检测屏幕的无瑕疵预测图像；
对所述屏幕图像和所述无瑕疵预测图像进行差异度计算，得到所述屏幕图像和所述无瑕疵预测图的差异度图像；
根据所述差异度图像确定所述待检测屏幕上存在瑕疵的区域。
采用本申请提供的屏幕表面检测方法，由于已训练的检测模型能够基于所述待检测屏幕的屏幕图像拟合得到该屏幕图像对应的无瑕疵预测图像，并根据该屏幕图像和无瑕疵预测图像计算得到差异度图像，从而可以快速地确定所述待检测屏幕上存在的瑕疵区域，较好地满足大规模应用中对瑕疵检测速率的要求。
第二方面，本申请实施例提供了一种屏幕表面检测装置，所述装置包括：
处理模块，用于将待检测屏幕的屏幕图像输入已训练的检测模型中处理，得到所述待检测屏幕的无瑕疵预测图像；
计算模块，用于对所述屏幕图像和所述无瑕疵预测图像进行差异度计算，得到所述屏幕图像和所述无瑕疵预测图的差异度图像；
确定模块，用于根据所述差异度图像确定所述待检测屏幕上存在瑕疵的区域。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述屏幕表面检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述屏幕表面检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述屏幕表面检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的屏幕表面检测方法的流程示意图；
图2是本申请一实施例提供的屏幕表面检测过程的示意图；
图3是本申请一实施例提供的检测模型训练方法的流程示意图；
图4是本申请一实施例提供的屏幕表面检测装置的结构示意图；
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
参见图1，图1为本申请一个实施例提供的一种屏幕表面检测方法的示意流程图。本申请实施例提供的屏幕表面方法的执行主体为终端设备。其中，终端设备可以为机器人、手机、平板电脑、可穿戴设备、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、台式电脑、服务器等终，本申请实施例对终端设备的具体类型不作任何限制。如图1所示，本申请提供的屏幕检测方法可以包括：
S101：将待检测屏幕的屏幕图像输入已训练的检测模型中处理，得到所述待检测屏幕的无瑕疵预测图像。
在该实施例中，终端设备在利用相机采集到待检测屏幕的屏幕图像后，随后输入至已训练的检测模型中，由所述检测模型根据所述待检测屏幕的屏幕图像进行图像拟合，以拟合得到与该屏幕图像相对应的无瑕疵预测图像。
其中，所谓无瑕疵预测图像是指所述检测模型拟合到的所述待检测屏幕在无瑕疵状态下的屏幕图像。
当所述待检测屏幕中有瑕疵时，所述屏幕图像中包括对应的瑕疵图案。相应的，当所述待检测屏幕中无瑕疵时，所述屏幕图像中可能不包括瑕疵图案。
所述检测模型可以为基于卷积神经网络训练所得的模型，能够基于所述终端设备输入的所述屏幕图像进行曲面推理，获得对该屏幕图像的建模结果，比如基于该屏幕图像处理得到无瑕疵预测图像。所述相机可以为电荷耦合器件相机(Charge coupled devicecamera，电荷耦合器件相机，或称CCD面阵相机)。
S102：对所述屏幕图像和所述无瑕疵预测图像进行差异度计算，得到所述屏幕图像和所述无瑕疵预测图的差异度图像。
在该实施例中，终端设备将所述屏幕图像和所述无瑕疵预测图像的对应图像值进行相减，以确定所述屏幕图像是否存在差异。在所述差异度图像中，图像值为正或为负的图像区域，即为所述屏幕图像中可能的图像瑕疵区域，而没有变化的区域图像值为0，即为所述屏幕图像中无瑕疵区域。其中，所述图像瑕疵区域包括点缺陷、线缺陷或面缺陷等类型中的一种或多种瑕疵图案的区域，所述点缺陷如亮点、暗点，所述线缺陷如暗线、亮线，所述面缺陷如亮斑、漏光等。需要说明的是，差异度计算后，差异度计算结果取绝对值，可以使得图像值之间存在差值的区域的图像值均为正值，从而更好的进行图像变化展示。
S103：根据所述差异度图像确定所述待检测屏幕上存在瑕疵的区域。
在该实施例中，如若所述屏幕图像中存在瑕疵，所述差异度图像中图像值为正或为负的区域，则是图像变化的区域，并以该图像变化的区域用于确定所述待检测屏幕中存在瑕疵的区域。
示例性的，假设待检测屏幕的左下角存在一亮斑。那么所述待检测屏幕的屏幕图像可以如图2中的A所示，屏幕图像的左下角存在亮斑图案。将该屏幕图像输入至已训练的检测模型中进行处理，得到所述待检测屏幕的无瑕疵预测图像，即在该屏幕无左下角的亮斑的情况下的屏幕图像。例如，该无瑕疵预测图像可以如图2中的B所示。
将A所示屏幕图像和B所示无瑕疵预测图像进行差异度计算，得到的差异度图像可以如图2中的C所示。其中，C所示差异度图像的左下角处有一个灰色亮斑，即是A所示屏幕图像和B所示无瑕疵预测图像的图像值不一致的区域，该区域为A所示屏幕图像对应的屏幕上的瑕疵区域。
在另一实施例中，在采集的屏幕图像所对应的屏幕中存在一些无瑕疵区域因采集屏幕图像的环境光线、角度或其它原因，时常被误检为瑕疵区域，从而导致所述差异度图像中存在多个屏幕图像和无瑕疵预测图像的图像值相差较小的瑕疵区域，大大地增加检测的工作量。
本申请实施例提供了一种屏幕表面检测方法，主要涉及过滤掉图像差值较小的区域，从而更好地确定所述待检测屏幕上是否存在瑕疵区域的过程。所述方法包括：
将所述差异度图像进行二值化处理，得到二值图像；
确定所述二值图像中的N个瑕疵区域，所述N个瑕疵区域中各个像素点的像素值为预设像素值，其中，N≥0，N为整数，所述N个瑕疵区域在所述待检测屏幕上对应的区域为所述待检测屏幕上存在瑕疵的区域。
其中，所述二值图像中用于表示待检测屏幕上不含瑕疵的区域的像素值可以为预设的像素值0，比如图2中D所示二值图像的黑色部分，用于表示待检测屏幕上含瑕疵的区域的像素值可以为预设的像素值255，比如图2中D所示二值图像的白色部分。所述二值图像中的N个瑕疵区域的类型包括亮点、暗点、暗线、亮线、亮斑或漏光中的一种或多种。
在一实施例中，根据不同的瑕疵确定标准，所述待检测屏幕上的瑕疵区域可能只有部分可被确定为瑕疵区域，而剩余的瑕疵区域则被认定为可容忍的瑕疵区域。相应的可能场景便是，在实际屏幕质量检测中，高端屏幕产品、中端屏幕产品和低端屏幕产品对应着不同的瑕疵确定标准。示例的，当被检测屏幕中存在位于屏幕中部的直径1mm的点缺陷时，根据高端屏幕产品的瑕疵确定标准，该点缺陷为严重瑕疵，是不符合产品质量标准的，而相对的，低端屏幕产品的瑕疵确定标准是直径大于2mm的点缺陷才被认为是无法容忍的瑕疵，故该屏幕中部存在直径1mm的点缺陷的屏幕是允许被实际应用到相关产品上。
故此，本申请实施例提供了一种屏幕表面检测方法，用于进一步地确定符合瑕疵确定标准的瑕疵区域。所述方法包括：
确定所述二值图像中的M个区域，所述M个瑕疵区域中各个像素点的像素值为所述预设像素值，M≥N≥0，N为整数；
从所述M个瑕疵区域中确定瑕疵区域满足预设瑕疵条件的所述N个瑕疵区域。
具体地，所述预设瑕疵条件包括以下条件中的至少一项：a、瑕疵区域的大小满足预设大小范围；b、瑕疵区域位于预设位置；c、瑕疵区域的形状满足预设形状特征。其中，所述预设大小范围可以根据图像的像素点位置进行计算得到，比如瑕疵区域的类型为点缺陷，则所述预设大小范围为根据点缺陷的直径大小计算得到的点缺陷面积，若为线缺陷，则为线缺陷的长度值；所述预设位置可以为待检测屏幕的中部、左上角、左下角、右上角、右下角等等；所述预设形状特征可以表示为瑕疵区域为三边形、四边形、五边形或其它多边形，或者圆形、椭圆形或曲线围成的形状。
参见图3，本申请一实施例中还提供了一种屏幕表面检测方法，主要涉及的是检测模型的训练过程。所述方法包括：
S201：将预设训练样本集合中的屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像；其中，所述训练样本集合包括多个屏幕图像样本。
在该实施中，所述预设训练样板集合中的屏幕图像样本为无屏幕缺陷标注的屏幕图像样本，因用于训练的屏幕图像样本无需进行缺陷区域的标注操作，可以极大地缩短缺陷样本收集的时间，比如收集样本花费的时间由几个月缩短至几个小时，同时因无需进行缺陷区域的标注操作，可以极大地降低人工标注成本。其中，所述训练样本集合包括屏幕上存在瑕疵区域的屏幕图像样本、屏幕上无瑕疵区域的屏幕图像样本中的一种或多种。所述屏幕上无瑕疵区域的屏幕图像样本可能因相机拍摄角度、曝光时间或其它拍摄条件原因，之间也会存在不一样。
S202：根据预设的损失函数计算所述屏幕图像样本和所述屏幕图像样本的无瑕疵预测图像之间的损失值。
在该实施例中，所述损失函数用于量化所述检测模型的图像拟合推理能力，当损失值越小时，则表示所述检测模型的图像拟合推理能力越强，当损失值过大时，利用梯度的反向传播，调整网络以减小图像损失，提升模型的拟合能力。其中，所述屏幕图像样本和所述屏幕图像样本的无瑕疵预测图像之间的差别越大，损失值越大，所述检测模型调整越大，反之，差别越小，损失值越小，所述检测模型调整越小。
具体地，所述损失函数(a-MSE)为：
Figure BDA0002410193890000081
其中，observedt表示所述屏幕图像样本；predictedt表示所述屏幕图像样本的无瑕疵预测图像；a为预设的参数值，比如预设a为0.04。
例如，训练时，待训练屏幕图像为I，网络输出屏幕图像为I’，则该屏幕图像的损失函数值(Loss)为：
Loss＝a-MSR(I-I’)
S203：当所述损失值不满足预设条件时，调整所述卷积神经网络的网络参数，并返回执行所述屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像的步骤。
S204：当所述损失值满足所述预设条件时，停止训练所述卷积神经网络，并将训练后的所述卷积神经网络作为所述检测模型。
在该实施例中，当损失值下降收敛至稳定后，停止训练所述卷积神经网络，利用预设验证样本集合中的屏幕图像样本输入卷积神经网络中处理，验证所述卷积神经网络的拟合能力。当验证所述卷积神经网络的拟合能力符合要求时，利用预设测试集合中的屏幕图像样本输入卷积神经网络中处理，测试所述卷积神经网络的拟合能力。
其中，所述预设验证样本集合中的屏幕图像样本包括屏幕上存在瑕疵区域的屏幕图像样本、屏幕上无瑕疵区域的屏幕图像样本中的一种或多种。所述预设测试集合中的屏幕图像样本包括屏幕上存在瑕疵区域的屏幕图像样本、屏幕上无瑕疵区域的屏幕图像样本中的一种或多种。
在一实施例中，所述检测模型为U型卷积神经网络，且所述U型卷积神经网络包括编码器和解码器，所述编码器用于对输入所述卷积神经网络模型的图像进行图像特征提取，所述解码器用于根据提取的所述图像特征进行网络变换后与所述图像特征相加，以对输入图像进行恢复。其中，在解码过程中对图像特征进行网络变换，可以有效地增强解码器的特征提取能力。
示例的，编码器部分有图像特征A1、A2、A3，解码器部分对应有图像特征B1、B2、B3，在解码器中进行特征解码时将B1、B2、B3进行网络变换，替换为：
B1’＝f1(A1)+B1
B2’＝f2(A2)+B2
B3’＝f3(A3)+B3
其中，f表示网络变换。
例如，编码过程有图像特征A1，大小为w1*h1*c1，那么在解码过程对应有B1，大小也为w1*h1*c1，需将A1通过一个3*3的卷积层(卷积神经网络+激活函数)，这个过程称为f1，随后对应特征相加。
在另一实施例中，本申请实施例中还提供了一种屏幕表面检测方法，主要涉及的是检测模型的训练过程。所述方法包括：
将预设训练样本集合中的屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像；其中，所述训练样本集合包括多个屏幕图像样本和每个屏幕图像样本对应的无瑕疵图像样本。
根据预设的损失函数计算所述屏幕图像样本对应的无瑕疵图像样本和所述屏幕图像样本的无瑕疵预测图像之间的损失值。
当所述损失值不满足预设条件时，调整所述卷积神经网络的网络参数，并返回执行所述屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像的步骤。
当所述损失值满足所述预设条件时，停止训练所述卷积神经网络，并将训练后的所述卷积神经网络作为所述检测模型。
在一实施例中，终端设备在采集到待检测屏幕的屏幕图像过程中，可能将屏幕的边缘部分及放置屏幕的工作台部分同时采集到，从而加大了屏幕表面检测的工作量，甚至造成屏幕表面检测的瑕疵误检。
故此，本申请实施例提供了一种屏幕表面检测方法，主要涉及将待检测屏幕的屏幕图像输入已训练的检测模型中处理之前，预先提取实际的待检测屏幕的屏幕图像的过程。所述方法包括：
获取所述待检测屏幕的原始图像。
从所述原始图像中提取所述屏幕图像。
在该实施例中，可以利用提霍夫直线变换法拟合图像边缘，并计算图像角点，之后再利用图像旋转和图像插值校正获得标准的屏幕图像。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的屏幕表面检测方法，图4示出了本申请实施例提供的屏幕表面检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该装置包括：处理模块100、计算模块200、确定模块300。
所述处理模块100，用于将待检测屏幕的屏幕图像输入已训练的检测模型中处理，得到所述待检测屏幕的无瑕疵预测图像。
所述计算模块200，用于对所述屏幕图像和所述无瑕疵预测图像进行差异度计算，得到所述屏幕图像和所述无瑕疵预测图的差异度图像。
所述确定模块300，用于根据所述差异度图像确定所述待检测屏幕上存在瑕疵的区域。
在另一实施例中，所述屏幕表面检测装置还包括二值化模块，用于将所述差异度图像进行二值化处理，得到二值图像，以便更好地确定所述二值图像所对应的待检测屏幕上的瑕疵区域。
图5为本申请一实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个处理器)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个屏幕检测方法实施例中的步骤。
所述终端设备5可以是机器人、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个屏幕表面检测方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个屏幕表面检测方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口、装置或单元的间接耦合或通讯连接，可以是电性、机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种屏幕表面检测方法，其特征在于，所述方法包括：
将预设训练样本集合中的屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像；其中，所述训练样本集合包括多个屏幕图像样本，所述屏幕图像样本为无屏幕缺陷标注的屏幕图像样本；
根据预设的损失函数计算所述屏幕图像样本和所述屏幕图像样本的无瑕疵预测图像之间的损失值；
当所述损失值不满足预设条件时，调整所述卷积神经网络的网络参数，并返回执行所述屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像的步骤；
当所述损失值满足所述预设条件时，停止训练所述卷积神经网络，并将训练后的所述卷积神经网络作为检测模型；
将待检测屏幕的屏幕图像输入已训练的检测模型中处理，得到所述待检测屏幕的无瑕疵预测图像；
对所述屏幕图像和所述无瑕疵预测图像进行差异度计算，得到所述屏幕图像和所述无瑕疵预测图像的差异度图像，其中，所述差异度计算包括将所述屏幕图像和所述无瑕疵预测图像的对应图像值相减并取绝对值；
将所述差异度图像进行二值化处理，得到二值图像；
确定所述二值图像中的N个瑕疵区域，所述N个瑕疵区域中各个像素点的像素值为预设像素值，其中，N≥0，N为整数，所述N个瑕疵区域在所述待检测屏幕上对应的区域为所述待检测屏幕上存在瑕疵的区域，根据瑕疵确定标准，确定所述待检测屏幕上的瑕疵区域中包括的可容忍的瑕疵区域和不可容忍的瑕疵区域，所述N个瑕疵区域为所述不可容忍的瑕疵区域。
2.如权利要求1所述的屏幕表面检测方法，其特征在于，所述确定所述二值图像中的N个瑕疵区域，还包括：
确定所述二值图像中的M个瑕疵区域，所述M个瑕疵区域中各个像素点的像素值为所述预设像素值，M≥N≥0，N为整数；
从所述M个瑕疵区域中确定瑕疵区域满足预设瑕疵条件的所述N个瑕疵区域。
3.如权利要求2所述的屏幕表面检测方法，其特征在于，所述预设瑕疵条件包括以下条件中的至少一项：
瑕疵区域的大小满足预设大小范围；
瑕疵区域位于预设位置；
瑕疵区域的形状满足预设形状特征。
4.如权利要求1所述的屏幕表面检测方法，其特征在于，所述损失函数为，
Figure FDA0003460504970000021
其中，observedt表示所述屏幕图像样本，predictedt表示所述屏幕图像样本的无瑕疵预测图像。
5.如权利要求1所述的屏幕表面检测方法，其特征在于，所述将待检测屏幕的屏幕图像输入已训练的检测模型中处理之前，包括：
获取所述待检测屏幕的原始图像；
从所述原始图像中提取所述屏幕图像。
6.一种屏幕表面检测装置，其特征在于，所述装置包括：
模型训练模块，用于将预设训练样本集合中的屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像；其中，所述训练样本集合包括多个屏幕图像样本，所述屏幕图像样本为无屏幕缺陷标注的屏幕图像样本；根据预设的损失函数计算所述屏幕图像样本和所述屏幕图像样本的无瑕疵预测图像之间的损失值；当所述损失值不满足预设条件时，调整所述卷积神经网络的网络参数，并返回执行所述屏幕图像样本输入卷积神经网络中处理，得到所述屏幕图像样本的无瑕疵预测图像的步骤；当所述损失值满足所述预设条件时，停止训练所述卷积神经网络，并将训练后的所述卷积神经网络作为检测模型；
处理模块，用于将待检测屏幕的屏幕图像输入已训练的检测模型中处理，得到所述待检测屏幕的无瑕疵预测图像；
计算模块，用于对所述屏幕图像和所述无瑕疵预测图像进行差异度计算，得到所述屏幕图像和所述无瑕疵预测图像的差异度图像，其中，所述差异度计算包括将所述屏幕图像和所述无瑕疵预测图像的对应图像值相减并取绝对值；
确定模块，用于将所述差异度图像进行二值化处理，得到二值图像；确定所述二值图像中的N个瑕疵区域，所述N个瑕疵区域中各个像素点的像素值为预设像素值，其中，N≥0，N为整数，所述N个瑕疵区域在所述待检测屏幕上对应的区域为所述待检测屏幕上存在瑕疵的区域，根据瑕疵确定标准，确定所述待检测屏幕上的瑕疵区域中包括的可容忍的瑕疵区域和不可容忍的瑕疵区域，所述N个瑕疵区域为所述不可容忍的瑕疵区域。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
CN202010174060.0A 2020-03-13 2020-03-13 一种屏幕表面检测方法、装置、终端及存储介质 Active CN111476759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010174060.0A CN111476759B (zh) 2020-03-13 2020-03-13 一种屏幕表面检测方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010174060.0A CN111476759B (zh) 2020-03-13 2020-03-13 一种屏幕表面检测方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN111476759A CN111476759A (zh) 2020-07-31
CN111476759B true CN111476759B (zh) 2022-03-25

Family

ID=71747547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010174060.0A Active CN111476759B (zh) 2020-03-13 2020-03-13 一种屏幕表面检测方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN111476759B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012137B (zh) * 2021-03-24 2022-05-10 滁州惠科光电科技有限公司 一种面板缺陷检查方法、系统、终端设备及存储介质
CN113379723B (zh) * 2021-06-29 2023-07-28 上海闻泰信息技术有限公司 不规则溢胶口检测方法、装置、设备和存储介质
CN115359008A (zh) * 2022-08-24 2022-11-18 京东方科技集团股份有限公司 显示界面的测试方法及装置、存储介质、电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104297758A (zh) * 2014-08-15 2015-01-21 大连海事大学 一种基于2d脉冲式激光雷达的辅助靠泊装置及其方法
CN105301810A (zh) * 2015-11-24 2016-02-03 上海斐讯数据通信技术有限公司 一种屏幕缺陷检测方法及装置
CN106875373A (zh) * 2016-12-14 2017-06-20 浙江大学 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN109064446A (zh) * 2018-07-02 2018-12-21 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN109584178A (zh) * 2018-11-29 2019-04-05 腾讯科技（深圳）有限公司 图像修复方法、装置和存储介质
CN109788270A (zh) * 2018-12-28 2019-05-21 南京美乐威电子科技有限公司 3d-360度全景图像生成方法及装置
CN110020691A (zh) * 2019-04-11 2019-07-16 重庆信息通信研究院 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN110378887A (zh) * 2019-07-22 2019-10-25 京东方科技集团股份有限公司 屏幕缺陷检测方法、装置及系统、计算机设备及介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4750047B2 (ja) * 2006-03-31 2011-08-17 株式会社リコー 位置ずれ検出装置、位置ずれ検出方法、位置ずれ検出プログラムおよび記録媒体
TWI558999B (zh) * 2014-11-05 2016-11-21 財團法人工業技術研究院 瑕疵檢測方法及其裝置
ES2819699T3 (es) * 2016-03-07 2021-04-19 Hyla Inc Detección de daño de pantalla para dispositivos
CN106250902A (zh) * 2016-07-29 2016-12-21 武汉大学 基于图像特征模板匹配的电力系统开关状态检测方法
CN107194919B (zh) * 2017-05-18 2021-07-30 南京大学 基于规律纹理背景重建的手机屏幕缺陷检测方法
CN110261436B (zh) * 2019-06-13 2022-03-22 暨南大学 基于红外热成像和计算机视觉的轨道故障检测方法及系统
CN110827244A (zh) * 2019-10-28 2020-02-21 上海悦易网络信息技术有限公司 一种用于电子设备外观瑕疵检测的方法与设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104297758A (zh) * 2014-08-15 2015-01-21 大连海事大学 一种基于2d脉冲式激光雷达的辅助靠泊装置及其方法
CN105301810A (zh) * 2015-11-24 2016-02-03 上海斐讯数据通信技术有限公司 一种屏幕缺陷检测方法及装置
CN106875373A (zh) * 2016-12-14 2017-06-20 浙江大学 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN109064446A (zh) * 2018-07-02 2018-12-21 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN109584178A (zh) * 2018-11-29 2019-04-05 腾讯科技（深圳）有限公司 图像修复方法、装置和存储介质
CN109788270A (zh) * 2018-12-28 2019-05-21 南京美乐威电子科技有限公司 3d-360度全景图像生成方法及装置
CN110020691A (zh) * 2019-04-11 2019-07-16 重庆信息通信研究院 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN110378887A (zh) * 2019-07-22 2019-10-25 京东方科技集团股份有限公司 屏幕缺陷检测方法、装置及系统、计算机设备及介质

Also Published As

Publication number Publication date
CN111476759A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111476759B (zh) 一种屏幕表面检测方法、装置、终端及存储介质
CN111340752B (zh) 屏幕的检测方法、装置、电子设备及计算机可读存储介质
WO2023077404A1 (zh) 缺陷检测方法、装置和系统
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN114549997B (zh) 一种基于区域特征提取的x光图像缺陷检测方法和装置
CN111833306A (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN114266773B (zh) 显示面板缺陷定位方法、装置、设备及存储介质
CN111340796B (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN111310826B (zh) 样本集的标注异常检测方法、装置及电子设备
CN113628179B (zh) 一种pcb表面缺陷实时检测方法、装置及可读介质
CN116503414B (zh) 屏幕缺陷检测方法、装置、计算机设备和存储介质
CN113066088A (zh) 工业检测中的检测方法、检测装置和存储介质
CN114723677A (zh) 图像缺陷检测方法、检测装置、检测设备及存储介质
CN115829929A (zh) 产品表面图像的缺陷检测方法、装置、设备及存储介质
CN117197527A (zh) 一种液晶显示屏的玻璃基板的缺陷检测分类方法及装置
CN116342540A (zh) 包装膜缺陷检测方法、装置、设备及存储介质
CN117952941A (zh) 电路板缺陷检测方法及装置
CN114359160A (zh) 一种屏幕的检测方法、装置、电子设备及存储介质
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN117809115A (zh) Smt贴片错件检测方法、装置及视觉检测系统
CN117788444A (zh) Smt贴片偏移检测方法、装置及视觉检测系统
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
CN116681647A (zh) 一种基于无监督生成式的彩涂板表面缺陷检测方法和装置
Wang et al. Surface defect detection method for electronic panels based on attention mechanism and dual detection heads
CN113378847B (zh) 字符分割方法、系统、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 Room 501, building a, Hongwei Industrial Zone, No. 6, liuxiansan Road, Xingdong community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen xinxinteng Robot Technology Co.,Ltd.

Address before: D050, 4th floor, block C, Jiaan Industrial Park, 72 Xingdong community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province 518000

Applicant before: Shenzhen xinxinteng Robot Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant