CN112669276A - 屏幕检测定位方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明公开了一种屏幕检测定位方法、装置、电子设备和存储介质，其中，该方法包括：获取屏幕产品的待识别图像的矩形特征；根据预先训练的多级分类器和所述矩形特征确定所述待识别图像的定位区域。本发明实施例，通过对屏幕产品的矩形特征确定定位区域，实现屏幕检测过程中的准确定位，可减少检测环境对定位准确性的影响，提高了检测屏幕产品的稳定性。

Description

屏幕检测定位方法、装置、电子设备和存储介质

技术领域

本发明实施例涉及自动化控制技术领域，尤其涉及一种屏幕检测定位方法、装置、电子设备和存储介质。

背景技术

在大型自动化屏幕检测中，软性线路板(Flexible Printed Circuit,FPC)产品的定位是检测准确率的关键影响因素。若FPC产品的定位错误，将导致后续检测流程中点亮屏幕和压接屏幕的准确率大大降低。现有技术中常使用图像定位的方式实现FPC产品的定位，但是由于受到光源、产品质量和检测环境等因素的影响，导致FPC中的十字定位点比较模糊，这种情况下进行图像定位时常常无法准确识别十字定位点，导致FPC产品的定位准确率下降。

发明内容

本发明提供一种屏幕检测定位方法、装置、电子设备和存储介质，以实现屏幕检测过程中产品定位，克服恶劣检测环境对屏幕检测定位影响，在屏幕图像模糊的情况下识别定位区域，提高了屏幕检测定位的准确性。

第一方面，本发明实施例提供了一种屏幕检测定位方法，该方法包括：

获取屏幕产品的待识别图像的矩形特征；

根据预先训练的多级分类器和所述矩形特征确定所述待识别图像的定位区域。

第二方面，本发明实施例还提供了一种屏幕检测定位装置，该装置包括：

图像获取模块，用于获取屏幕产品的待识别图像的矩形特征；

定位执行模块，用于根据预先训练的多级分类器和所述矩形特征确定所述待识别图像的定位区域。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的屏幕检测定位方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明实施例中任一所述的屏幕检测定位方法。

本发明实施例，通过采集屏幕产品的待识别图像的矩形特征，通过多级分类器识别矩形特征以获取待识别图像中的定位区域，实现了屏幕产品检测过程中的准确定位，降低恶劣检测环境对图像识别的影响，提高图像的识别率。

附图说明

图1是本发明实施例一提供的一种屏幕检测定位方法的流程图；

图2是本发明实施例二提供的一种屏幕检测定位方法的流程图；

图3是本发明实施例二提供的一种样本图像的示例图；

图4是本发明实施例二提供的一种弱分类器的示例图；

图5是本发明实施例二提供的一种Haar-like特征的示例图；

图6是本发明实施例三提供的一种屏幕检测定位方法的流程图；

图7是本发明实施例三提供的一种多级分类器训练的示例图；

图8是本发明实施例四提供的一种屏幕检测定位装置的结构示意图；

图9是本发明实施例五提供的一种电子设备的结构示意图；

图10是本发明实施例五提供的一种电子设备的示例图；

图11是本发明实施例五提供的一种多级分类器识别结果的示例图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

图1是本发明实施例一提供的一种屏幕检测定位方法的流程图，本实施例可适用于检测过程中对屏幕产品定位的情况，该方法可以由屏幕检测定位装置来执行，该装置可以采用硬件和/或软件的方式来实现，参见图1，本发明实施例提供的方法具体包括如下步骤：

步骤110、获取屏幕产品的待识别图像的矩形特征。

其中，屏幕产品可以需要进行屏幕自动化检测的产品，待识别图像可以是通过图像传感器采集到的屏幕产品的图像；矩形特征可以是待识别图像中像素点组成矩形的特征，按照像素点的多少，待识别图像中可以包括一个或者多个矩形特征。

具体的，可以通过图像传感器采集屏幕产品的图像作为待识别图像，例如，在屏幕产品的生产线中，当机械手从产品托盘中抓取屏幕产品到进行检测的对位平台，可以发送信号到可编程序控制器(Programmable Logic Controller,PLC),通过PLC控制工控机屏幕产品到位，并控制打开光源，由图像传感器采集对位平台中的屏幕产品的图像作为待识别图像。可以将待识别图像按照预设的像素点数划分为一个或者多个矩形图像，针对各矩形图像可以提取对应的特征信息作为矩形特征，该矩形特征具体可以包括Haar-like特征和/或Tamura特征。

步骤120、根据预先训练的多级分类器和矩形特征确定待识别图像的定位区域。

其中，多级分类器可以是由至少两个分类器组成的神经网络模型，该多级分类器可以识别图像中的定位区域，多级分类器可以预先通过海量图片样本训练生成，进行训练的图片样本中可以包括背景图片和定位区域图片。定位区域可以是屏幕产品在检测过程中对产品位置进行定位的区域，可以是FPC中的十字标记点。

在本发明实施例中，可以将待识别图像的矩形特征输入到多级分类器，通过多级分类器对待识别图像进行处理，根据矩形特征确定对应的矩形图像是否为定位区域，通过对待识别图像中每个矩形特征进行判断，确定出待识别图像中的定位区域的所在位置，进一步的，可以在待识别图像中对定位区域进行标记。

本发明实施例，通过获取屏幕产品的待识别图像的矩形特征，通过预先训练的多级分类器处理待识别图像的矩形特征获取定位区域，实现屏幕产品检测过程中的定位，降低检测环境对定位区域识别的影响，提高了屏幕产品定位的准确性。

图2是本发明实施例二提供的一种屏幕检测定位方法的流程图，本发明实施例是在上述实施例基础上的具体化，通过海量图像样本的特征信息训练多级分类，参见图2，本发明实施例提供的屏幕检测定位方法具体包括如下步骤：

步骤210、提取图片训练样本的矩形特征，其中，矩形特征包括Haar-like特征和/或Tamura特征中一种。

其中，图片训练样本可以是对多级分类器进行训练的图像样本，图片训练样本中可以由阈值数量的样本图像组成，样本图像可以包括屏幕产品背景的图像以及屏幕产品的定位区域的图像，示例性的，图3是本发明实施例二提供的一种样本图像的示例图，参见图3，图片训练样本中可以包括有多种不同形式的定位区域图像和背景图像。矩形特征可以是样本图像中的图像矩形数值特征，可以表示样本图像中以矩形为单位的区域特征。

在本发明实施例中，Haar-like特征和Tamura特征可以是图像矩形数值特征，Haar-like特征是一种简单矩阵特征，描述的是相邻的两类矩形区间的灰度差，可以表示样本图像的灰度变化；Tamura特征可以是基于人类对纹理的视觉感知，提取出的纹理特征，可以包括粗糙度、对比度、方向度、线性度、规整度和粗略度等。

具体的，可以对图片训练样本中进行特征提取，针对各图像分别按照Haar-like特征和Tamura特征的不同维度提取对应的特征信息。示例性的，例如针对图像的Tamura特征的粗糙度提取可以包括如下步骤：

a.在图像中选择尺寸为2^k×2^k，k＝0,1,K,5的窗口，计算窗口内像素的六个均值：

其中，f(i,j)代表像素在(i,j)位置的灰度值，A_k(x,y)表示为k＝0,1,K,5时以(x,y)为中心的均值。

b.在图像中每个像素点处，计算该像素点处在水平方向和垂直方向上的非重叠平均对之间的绝对差。

E_k,x＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)|

E_k,y＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)|

其中，E_k.x代表x方向上的差值，E_k,y代表y方向上的差值。在每个像素处，找到能使E_k在不同方向达到最大值的最佳尺寸S_best，表达式如下：

c.对整个图像上的S_best求平均作为粗糙度特征F_crs，其中N和M分别代表图像的宽度和高度。

针对图像的Tamura特征的对比度提取可以包括如下步骤：对图像分别计算二阶和归一化后的四阶灰度级直方图的中心矩，也即标准差σ和峰度α₄，对比度定义为：

其中，α₄＝μ₄/σ²，μ₄是四阶距，σ²是方差。

针对图像的Tamura的线性度提取可以包括如下步骤：首先构造方向共生矩阵：矩阵元素P_Dd(i,j)，表示相距为d的一组元素方向编码分别为i，j时出现的次数。线性是通过角度差的余弦来测量。在构造方向共生矩阵的过程中，相同方向权值定义为+1，垂直方向定义权值为-1。

其中，P_Dd代表n×n的方向共生矩阵，通常d设置为4，n为角度划分，计算方向时取值为16。

步骤220、通过弱分类器按照矩形特征对图像训练样本的样本图像进行分类，并确定弱分类器的分类容错率。

其中，弱分类器可以是基于Adaboost算法构成的分类器，弱分类器可以由一个或者多个分类器级联组成，用于确定图像训练样本中图像是否包括定位区域，每个弱分类器可以对图像中的一个特征进行比较。图4是本发明实施例二提供的一种弱分类器的示例图，参见图4，弱分类器可以由多个分类器级联组成，每个分类器可以通过Harr-like特征和Tamura特征对图像进行分类。分类容错率可以是允许弱分类器对图像判断错误的最大机率，分类容错率可以由图像训练样本中图像的最终分类结果确定。

在本发明实施例中，可以使用弱分类器根据Haar-like特征和Tamura特征中至少一个特征信息来判断图像是否为定位区域图像，实现图像训练样本中图像的分类，可以将分类结果中判断为定位区域图像的图像的数量与图像训练样本中实际为定位区域图像的数量的比值作为弱分类器的分类容错率。

步骤230、确定弱分类器的分类容错率满足训练阈值时，完成多级分类器的训练，否则，在弱分类器的基础上级联分类器后继续获取分类容错率直到分类容错率满足训练阈值。

其中，训练阈值可以是完成多级分类器训练的条件，训练阈值可以是多级分类器所要到达的容错率，多级分类器可以是由多个分类器级联组成。分类器可以是预先进行设置的神经网络模型，可以根据输入的信息对图像训练样本进行分类。弱分类器可以是由一个或多个分类器组成，且该弱分类器的分类容错率不满足多级分类器的训练阈值。

具体的，可以将弱分类器的分类容错率与训练阈值进行比较，当分类容错率小于或等于训练阈值时，可以认为弱分类器满足要求，多级分类器完成训练；否则，在弱分类器后面级联一个分类器，将整体作为新的弱分类器，可以使用新的弱分类器对图像训练样本中的样本图像继续进行分类，可以根据分类结果统计出新的弱分类器的分类容错率，重复上述的过程，直到级联分类器生成的新的弱分类器的分类容错率满足训练阈值，完成多级分类器的训练。

步骤240、控制图像传感器采集屏幕产品的产品图片。

其中，图像传感器可以是采集屏幕产品图像的设备，可以包括摄像头、电荷耦合元件(Charge Coupled Device,CCD)。

在本申请实施例中，可以控制图像传感器对屏幕产品进行采集，获取到屏幕产品的产品图片。进一步的，在控制图像传感器采集产品屏幕的同时，可以控制灯光打开，以提高产品图片的清晰度。

步骤250、对产品图片进行灰度处理以生成待识别图像，并提取待识别图像中的矩形特征。

具体的，可以将产品图片进行灰度化处理，以便于后续定位区域的识别过程，提高识别准确率，可以将进行灰度处理的产品图片作为待识别图像，可以对待识别图像进行处理获取到包含的矩形中的Haar-like特征和Tamura特征，可以理解的是，待识别图像中获取Haar-like特征和Tamura特征的方式与多级分类器的训练过程中提取矩形特征的过程相同。

步骤260、根据预先训练的多级分类器和矩形特征确定待识别图像的定位区域。

本发明实施例，通过提取图片样本训练集中各样本图像的Haar-like特征和Tamura特征，通过弱分类器对Haar-like特征和Tamura特征分类，并确定弱分类器对应的分类容错率，根据分类容错率和训练阈值训练弱分类器作为多级分类器，控制图片传感器采集屏幕产品的产品图片，将经过灰度处理后的产品图片作为待识别图像，使用训练好的多级分类器对待识别图像的矩形特征进行识别以确定定位区域，实现了屏幕产品检测过程中的定位，降低检测环境对定位区域识别的影响，提高了屏幕产品定位的准确性。

进一步的，在上述发明实施例的基础上，所述Haar-like特征至少包括边缘特征、特定方向特征、圆心环绕特征和线性特征。

在本发明实施例中，图5是本发明实施例二提供的一种Haar-like特征的示例图，在提取样本图像的Haar-like特征时，可以将待识别图像按照像素划分为一个或者多个矩形图像，在一个矩形图像中可以如图5所示，使用白色区域像素减去黑色区域像素得到对应的特征，矩形图像的特征按照数值划分可以包括边缘特征、特定方向特征、圆心特征和线性特征等，可以通过这四类Haar-like特征来确定十字定位区域和背景区域在不同方向上的特征差异，用于待识别图像中确定十字定位区域。

实施例三

图6是本发明实施例三提供的一种屏幕检测定位方法的流程图，本发明实施例是在上述发明实施例基础上的具体化，参见图6，本发明实施例提供的方法具体包括如下步骤：

步骤310、提取图片训练样本的矩形特征，其中，所述矩形特征至少包括Haar-like特征和/或Tamura特征中一种。

进一步的，在上述发明实施例的基础上，所述图片训练样本中包括背景样本图像和十字定位样本图像。

在本发明实施例中，图片训练样本可以由背景样本图像和十字定位样本图像组成，其中，背景样本图像可以是屏幕产品中不包含有十字定位区域的图像，十字定位样本图像可以是屏幕中的十字定位区域，在屏幕检测过程中可以根据十字定位区域进行产品定位。图片训练样本中背景样本图像和十字定位样本图像可以具有各自的标识信息。

步骤320、在弱分类器按照矩形特征的特征信息分类样本图像，其中，特征信息为Haar-like特征和Tamura特征中至少一种。

其中，特征信息可以是对样本图像进行分类的信息，级联分类器中每个节点可以使用一个特征信息对样本图像进行分类，特征信息可以是Haar-like特征和Tamura特征中任一种特征信息，例如，Haar-like特征中的边缘特征、特定方向特征、圆心环绕特征和线性特征，以及Tamura特征中的粗糙度特征、对比度特征和线性特征等，样本图像可以是图像训练样本中的图像，可以包括背景样本图像和十字定位样本图像。

具体的，可以构建弱分类器对样本图像进行分类，弱分类器中可以使用不同的特征信息对样本图像分类，该特征信息可以是Haar-like特征和Tamura特征中一种特征信息，获取到对应图片训练样本的分类结果，该分类结果可以包括被级联分类器认为是背景样本图像的数量以及被级联分类器认为是十字定位样本图像的数量等。可以理解的是，由于获取的矩形特征由多种特征信息组成，可以使用多个不同的弱分类器对样本图像进行分类。

步骤330、根据各样本图像的分类结果与图像训练样本的真实分类结果的比例关系确定弱分类器的分类容错率。

其中，分类结果可以是级联的弱分类器对图像训练样本中样本图像进行分类的结果，可以包括级联的弱分类器判断为背景样本图像的数量以及被级联的弱分类器认为是十字定位样本图像的数量等。真实分类结果可以是图像训练样本中具有的背景样本图像的数量和十字定位样本图像的数量。

在本发明实施中，可以获取弱分类器对图像训练样本中样本图像的分类结果，以及图像训练样本中真实分类结果，可以对该分类结果与真实分类结果进行对比，可以通过两者之间的比例关系确定出对应级联分类器的分类容错率。

步骤340、确定分类容错率是否小于或等于训练阈值。

具体的，可以将当前弱分类器的分类容错率与训练阈值进行比较，判断其取值是否小于或等于训练阈值的取值。

步骤350、若是，则将分类容错率对应的弱分类器作为训练完成的多级分类器。

具体的，当分类容错率小于或等于训练阈值时，则该分类容错率对应的弱分类器可以认为是完成训练的多级分类器，可以直接将该弱分类器作为多级分类器存储。

步骤360、若否，则在所述分类容错率对应的弱分类器后级联分类器作为新的弱分类器，在所述分类容错率对应的分类结果的基础上获取所述新的弱分类器的分类容错率，并返回执行确定所述分类容错率是否小于或等于训练阈值。

其中，弱分类器可以由一个或多个分类器级联生成，分类结果可以是弱分类器对图像训练样本的分类结果，可以包括背景样本图像的数量和/或十字定位样本图像的数量等。

在本发明实施例中，当分类容错率大于训练阈值时，该分类容错率对应的弱分类器还不能作为训练完成的多级分类器，可以该弱分类器后增加一个分类器作为新的弱分类器，可以将原有弱分类器的分类结果作为新的弱分类器的输入，使用新的弱分类器对图像训练样本进行分类，根据这次分类的结果确定出新的若分类器的分类容错率，确定分类容错率的方式可以是将分类结果与图像训练样本的真实分类结果的比例值作为分类容错率。在确定出新的分类容错率后，可以返回执行步骤340。

步骤370、获取屏幕产品的待识别图像的矩形特征。

步骤380、根据预先训练的多级分类器和矩形特征确定待识别图像的定位区域。

本发明实施例，通过提取图片训练样本中各样本图像的矩形特征，使用级联的弱分类器分别矩形特征中一种特征信息对样本图像进行分类，将弱分类器对样本图像的分类结果与图像训练样本的真实分类结果的比例关系确定对应弱分类器的分类容错率，选择分类容错率满足预设训练条件中满足容错率阈值的弱分类器级联加入多级分类器，将多级分类器的整体分类容错率与整体分类阈值进行比较，根据比较结果确定完成多级分类器的训练，采集屏幕产品的待识别图像，使用训练完成的多级分类器识别其中的定位区域，实现了屏幕产品检测过程中的快速定位，提高了定位的准确性，有助于提高屏幕产品检测的稳定进行。

在一个示例性的实施方式中，图7是本发明实施例三提供的一种多级分类器训练的示例图，参见图7，分别对十字定位样本集和背景样本集中进行处理，确定各样本图片对应的样本积分图，在对应的样本积分图中提取矩形特征以生成矩形特征集，确定每个分类器对应的容错阈值，并将矩形特征集输入到分类器进行训练，分类器的分类容错率与容错阈值选择分类器，基于adaboost算法生成强分类器，可以使用该强分类器组成多级分类器实现训练过程。Adaboost算法可以是将分类器级联为一个多叉树，每个节点的分类器对一个矩形特征进行判断，确定是该矩形特征队医的图像中是否为十字定位阈值，分类器的训练过程可以如下：

1)给定训练样本(x₁,y₁),(x₂,y₂),Λ,(x_n,y_n)，对于十字mark样本，令y_i＝1；对于背景，y_i＝-1。

2)初始化样本：

其中，l为十字mark样本数量，m为背景样本数量。

3)对于t＝1,……,K，其中，K表示算法迭代次数：

A)对于每个特征n，得到的弱分类器g_n∈[-1,1]；

B)计算弱分类器g_n的分类错误率：

C)选出具有最小错误率的g_n加入强分类器中；

D)更新每个样本权值ω_i←ω_iexp[-y_ig_t(x_i)],i＝1,2,Λ,N，并归一化最终的分类器为：

实施例四

图8是本发明实施例四提供的一种屏幕检测定位装置的结构示意图，可执行本发明任意实施例所提供的屏幕检测定位方法，具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现，具体包括：图像获取模块401和定位执行模块402。

图像获取模块401，用于获取屏幕产品的待识别图像的矩形特征。

定位执行模块402，用于根据预先训练的多级分类器和所述矩形特征确定所述待识别图像的定位区域。

本发明实施例，通过图像获取模块采集屏幕产品的待识别图像，定位执行模块通过多级分类器识别待识别图像以获取定位区域，实现了屏幕产品检测过程中的准确定位，降低恶劣检测环境对图像识别的影响，提高图像的识别率。

进一步的，在上述发明实施例的基础上，所述装置还包括：

矩形特征模块，用于提取图片训练样本的矩形特征，其中，所述矩形特征至少包括Haar-like特征和/或Tamura特征中一种。

分类器模块，用于通过弱分类器按照所述矩形特征对图像训练样本的样本图像进行分类，并确定所述弱分类器的分类容错率。

多级分类器模块，用于确定所述弱分类器的分类容错率满足训练阈值时，完成所述多级分类器的训练，否则，在所述弱分类器的基础上级联分类器后继续获取分类容错率直到所述分类容错率满足训练阈值。

进一步的，在上述发明实施例的基础上，所述分类器模块包括：

分类单元，用于在所述弱分类器按照所述矩形特征的特征信息分类所述样本图像，其中，所述特征信息为所述Haar-like特征和所述Tamura特征中一种。

容错率单元，用于根据各所述样本图像的分类结果与所述图像训练样本的真实分类结果的比例关系确定所述弱分类器的分类容错率。

进一步的，在上述发明实施例的基础上，所述矩形特征模块中图片训练样本中包括背景样本图像和十字定位样本图像。

进一步的，在上述发明实施例的基础上，所述多级分类器模块包括：

阈值判别单元，用于确定所述分类容错率是否小于或等于训练阈值。

训练完成单元，用于若是，则将所述分类容错率对应的弱分类器作为训练完成的多级分类器。

级联单元，用于若否，则在所述分类容错率对应的弱分类器后级联分类器作为新的弱分类器，在所述分类容错率对应的分类结果的基础上获取所述新的弱分类器的分类容错率，并返回执行确定所述分类容错率是否小于或等于训练阈值。

进一步的，在上述发明实施例的基础上，所述矩形特征模块中Haar-like特征至少包括边缘特征、特定方向特征、圆心环绕特征和线性特征。

进一步的，在上述发明实施例的基础上，所述定位执行模块402具体用于：控制图像传感器采集所述屏幕产品的产品图片；对所述产品图片进行灰度处理以生成待识别图像，并提取所述待识别图像中的矩形特征。

实施例五

图9是本发明实施例五提供的一种电子设备的结构示意图，如图9所示，该电子设备包括处理器50、存储器51、输入装置52和输出装置53；电子设备中处理器50的数量可以是一个或多个，图9中以一个处理器50为例；电子设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图9中以通过总线连接为例。

存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的屏幕检测定位方法对应的程序指令/模块(例如，屏幕检测定位装置中的图像获取模块401和定位执行模块402)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的屏幕检测定位方法。

存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置52可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。

在一个示例性的实施方式中，图10是本发明实施例五提供的一种电子设备的示例图，参见图10，该电子设备可以由可编程逻辑控制器(Programmable Logic Controller，PLC)、机械手、托盘、光源、摄像机camera和工控机组成，当机械手从产品托盘中抓取产品到对位平台，会发送信号给PLC控制器，PLC控制器通过TCP/IP通讯告知工控机产品到位，并控制打开光源，工控机发送采集信号给相机，相机接收采集信号进行图像采集，工控机对采集到的图像进行十字定位，并将矩形信息传递给下一流程。工控机对采集到的图像处理流程如下：对图像进行灰度处理；加载Haar+Tamura多分类器，用各分类器对图像分别扫描检测识别；将检测到的十字mark矩形信息传递给PLC，PLC根据矩形信息抓取产品进行后续流程。按照本发明实施例的流程，电子设备对实际运行采集到的1000幅FPC图像进行实验，每幅图像大小为1280*960，训练分类器所使用的样本是不同时段CCD采集的流水线产品图像，其中共计1000张，筛选不同情况下十字定位区域图像作为样本，共计200张，背景样本图像共计200张，背景样本为采集产品图像非十字定位图像区域，根据本发明实施例的方法训练得到多级分类器。多级分类器可以采用的是Opencv3.4.3自带训练器opencv_traincascade.exe，其中，numstage配置为15，正负样本分辨率为40*40。图11显示的是调用该多级分类器检测结果，其中b)图像十字区域较为模糊，仍可以有效识别。对10000幅FPC图像使用边缘检测的方法识别准确率为99.52％，本发明实施例的电子设备识别准确率为99.98％。从实验检测结果来看，本发明实施例提供的方法具有更强的抗干扰能力和识别准确率。

实施例六

本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种屏幕检测定位方法，该方法包括：

获取屏幕产品的待识别图像的矩形特征；

根据预先训练的多级分类器和所述矩形特征确定所述待识别图像的定位区域。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的屏幕检测定位方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述屏幕检测定位装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种屏幕检测定位方法，其特征在于，所述方法包括：

获取屏幕产品的待识别图像的矩形特征；

根据预先训练的多级分类器和所述矩形特征确定所述待识别图像的定位区域。

2.根据权利要求1所述的方法，其特征在于，所述训练所述多级分类器的过程包括：

提取图片训练样本的矩形特征，其中，所述矩形特征至少包括Haar-like特征和/或Tamura特征中一种；

通过弱分类器按照所述矩形特征对图像训练样本的样本图像进行分类，并确定所述弱分类器的分类容错率；

确定所述弱分类器的分类容错率满足训练阈值时，完成所述多级分类器的训练，否则，在所述弱分类器的基础上级联分类器后继续获取分类容错率直到所述分类容错率满足训练阈值。

3.根据权利要求2所述的方法，其特征在于，所述通过弱分类器按照所述矩形特征对图像训练样本的样本图像进行分类，并确定所述弱分类器的分类容错，包括：

在所述弱分类器按照所述矩形特征的特征信息分类所述样本图像，其中，所述特征信息为所述Haar-like特征和所述Tamura特征中至少一种；

根据各所述样本图像的分类结果与所述图像训练样本的真实分类结果的比例关系确定所述弱分类器的分类容错率。

4.根据权利要求2或3中所述的方法，其特征在于，所述图片训练样本中包括背景样本图像和十字定位样本图像。

5.根据权利要求3所述的方法，其特征在于，所述确定所述弱分类器的分类容错率满足训练阈值时，完成所述多级分类器的训练，否则，在所述弱分类器的基础上级联分类器后继续获取分类容错率直到所述分类容错率满足训练阈值，包括：

确定所述分类容错率是否小于或等于训练阈值；

若是，则将所述分类容错率对应的弱分类器作为训练完成的多级分类器；

若否，则在所述分类容错率对应的弱分类器后级联分类器作为新的弱分类器，在所述分类容错率对应的分类结果的基础上获取所述新的弱分类器的分类容错率，并返回执行确定所述分类容错率是否小于或等于训练阈值。

6.根据权利要求2所述的方法，其特征在于，所述Haar-like特征至少包括边缘特征、特定方向特征、圆心环绕特征和线性特征。

7.根据权利要求1或2所述的方法，其特征在于，所述获取屏幕产品的待识别图像的矩形特征，包括：

控制图像传感器采集所述屏幕产品的产品图片；

对所述产品图片进行灰度处理以生成待识别图像，并提取所述待识别图像中的矩形特征。

8.一种屏幕检测定位装置，其特征在于，所述装置包括：

图像获取模块，用于获取屏幕产品的待识别图像的矩形特征；

定位执行模块，用于根据预先训练的多级分类器和所述矩形特征确定所述待识别图像的定位区域。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的屏幕检测定位方法。

10.一种计算机可读存储介质，其上存储有计算机程序，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1-7中任一所述的屏幕检测定位方法。

Images