CN117522848A - 一种基于物联网的扩散板缺陷检测方法、系统及介质 - Google Patents

一种基于物联网的扩散板缺陷检测方法、系统及介质 Download PDF

Info

Publication number
CN117522848A
CN117522848A CN202311625849.3A CN202311625849A CN117522848A CN 117522848 A CN117522848 A CN 117522848A CN 202311625849 A CN202311625849 A CN 202311625849A CN 117522848 A CN117522848 A CN 117522848A
Authority
CN
China
Prior art keywords
images
diffusion plate
defect detection
defect
image
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.)
Withdrawn
Application number
CN202311625849.3A
Other languages
English (en)
Inventor
黄伟胜
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.)
Changzhou Shunweier Material Technology Co ltd
Original Assignee
Changzhou Shunweier Material 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 Changzhou Shunweier Material Technology Co ltd filed Critical Changzhou Shunweier Material Technology Co ltd
Priority to CN202311625849.3A priority Critical patent/CN117522848A/zh
Publication of CN117522848A publication Critical patent/CN117522848A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请实施例提供了一种基于物联网的扩散板缺陷检测方法、系统及介质，该方法包括：获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；将多个缺陷检测结果进行比对，得到缺陷相似度；根据缺陷相似度将检测的缺陷进行类别划分，通过获取不同拍摄状态下的扩散板图像生成缺陷检测模型，从而可以根据缺陷检测模型输出精准的缺陷类别，提高缺陷检测精度。

Description

一种基于物联网的扩散板缺陷检测方法、系统及介质
技术领域
本申请涉及物联网缺陷分析领域，具体而言，涉及一种基于物联网的扩散板缺陷检测方法、系统及介质。
背景技术
现阶段，电器行业市场巨大，电视机或灯具制造业前景广阔。而扩散板作为电视机、灯具的重要零部件，质量好坏直接影响成像，故而扩散板的缺陷检测引起厂家高度重视。但现有生产工艺是先将扩散板原材料加载到流水线上，裁剪后人工检测扩散板质量，并人工将缺陷板剔除后进行后续印刷工艺，现有的扩散板缺陷检测过程中没有借助物联网的数据分析能力，造成检测效率及检测精度均出现较大的无法，因此，目前的扩散板检测效率较低，此外在通过物联网实现数据的实时获取、分析及检测，提高数据分析精度，通过物联网建立缺陷检测模型，进行分析扩散板图像时，由于模型训练方式不同，造成缺陷检测模型输出的缺陷检测结果精度不同，会造成缺陷检测结果误差较大，针对上述问题，目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于物联网的扩散板缺陷检测方法、系统及介质，可以根据缺陷相似度将检测的缺陷进行类别划分，通过获取不同拍摄状态下的扩散板图像生成缺陷检测模型，从而可以根据缺陷检测模型输出精准的缺陷类别，提高缺陷检测精度。
本申请实施例还提供了一种基于物联网的扩散板缺陷检测方法，包括：
获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；
将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；
获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；
将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；
将多个缺陷检测结果进行比对，得到缺陷相似度；
判断所述缺陷相似度是否大于预设的缺陷相似度阈值；
若大于，则将对应的缺陷检测结果归为同一类别缺陷；
若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数。
可选地，在本申请实施例所述的基于物联网的扩散板缺陷检测方法中，获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像，具体为：
设定拍摄状态，所述拍摄状态包括拍摄角度、拍摄环境亮度、拍摄补光信息与拍摄相机焦距；
每一种拍摄状态下分别拍摄若干个扩散板图像，并记录扩散板图像的拍摄时间；
根据拍摄角度确定拍摄焦点，并获取扩散板的入射光源信息与反射光源信息；
将入射光源信息与反射光源信息进行比较，得到光源损失率；
判断所述光源损失率是否大于或等于预设的损失率阈值；
若大于或等于，则将该拍摄焦点进行标记，得到标记区域，将标记区域存储至缺陷筛选区域，将缺陷筛选区域作为缺陷的重点检测区域，同步调整拍摄角度，根据调整后的拍摄角度改变拍摄焦点；
若小于，则获取扩散板图像，并将扩散板图像进行清晰度增强，得到增强图像，将增强图像作为样本图像。
可选地，在本申请实施例所述的基于物联网的扩散板缺陷检测方法中，将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型，包括：
获取若干个样本图像，将若干个样本图像根据拍摄时间生成图像序列号，并根据分配规则将若干个样本图像分配至训练集与验证集，所述训练集内的样本图像作为训练图像，所述验证集内的样本图像作为验证图像；
将训练图像按照序列号依次输入初始模型进行迭代计算，并生成当前迭代次数；
判断当前迭代次数是否满足预设的迭代次数；
若满足，则生成缺陷检测模型，并将验证图像输入缺陷检测模型进行验证，得到验证结果；
若不满足，则迭代次数依次加一，并继续将剩余的训练图像输入模型进行迭代计算，直至满足迭代次数；
在迭代次数满足预设的迭代次数的情况下，获取当前验证结果，并根据当前验证结果输出缺陷检测数据信息，提取缺陷检测特征，并通过特征矩阵计算缺陷检测特征值；
将缺陷检测特征值进行曲线拟合，判断缺陷检测特征值是否收敛；
若收敛，则根据缺陷检测数据信息生成缺陷类型；
若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练。
可选地，在本申请实施例所述的基于物联网的扩散板缺陷检测方法中，若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练，具体为：
获取若干个扩散板图像的拍摄时间，根据拍摄时间将扩散板图像进行序列号编辑，扩散板图像与序列号一一对应；
设定跳跃间隔数，根据跳跃间隔数将扩散板图像按照序列号进行跳跃分组，得到训练集与验证集；
若缺陷检测特征值不收敛，则调整跳跃间隔数或根据跳跃间隔数生成多个间隔区间，根据跳跃间隔数对间隔区间内的扩散板图像进行跳跃式选择，生成对应的训练集与验证集；
通过训练集与验证集对初始模型进行二次训练。
可选地，在本申请实施例所述的基于物联网的扩散板缺陷检测方法中，获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；具体为：
获取待检子图像边缘线，提取边缘线特征；
将边缘线特征与预设的特征进行比较，得到特征相似度；
若特征相似度大于预设的特征相似度阈值，则判定边缘线特征为疑似缺陷特征，并获取相邻待检子图像，并计算相邻待检子图像的边缘线特征，并筛选得到疑似缺陷特征位置相对应的相邻待检子图像的边缘线特征；并进行特征判断；
若满足要求，则调整检测框尺寸，修正待检子图像的边缘线；
若特征相似度小于预设的特征相似度阈值，则根据检测框尺寸将待检图像进行区域划分。
可选地，在本申请实施例所述的基于物联网的扩散板缺陷检测方法中，将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果，具体为：
根据检测框尺寸信息将扩散板进行检测区域划分，得到若干个扩散板子区域；
获取每一个扩散板子区域的入射光源信息与反射光源信息，并根据扩散板的散射特性计算每一个扩散板子区域的雾度与透光率；
根据雾度与透光率计算每一个扩散板子区域的粒子分布信息；
根据粒子分布信息计算扩散板子区域的粒子分布均匀度；
判断粒子分布均匀度是否大于预设的均匀度阈值；
若大于，则判定扩散板子区域为良品区域，剔除良品区域对应的待检子图像；
若小于，则判定扩散板子区域为缺陷区域，将缺陷区域对应的子图像依次输入缺陷检测模型，生成缺陷检测结果。
第二方面，本申请实施例提供了一种基于物联网的扩散板缺陷检测系统，该系统包括：存储器及处理器，所述存储器中包括基于物联网的扩散板缺陷检测方法的程序，所述基于物联网的扩散板缺陷检测方法的程序被所述处理器执行时实现以下步骤：
获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；
将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；
获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；
将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；
将多个缺陷检测结果进行比对，得到缺陷相似度；
判断所述缺陷相似度是否大于预设的缺陷相似度阈值；
若大于，则将对应的缺陷检测结果归为同一类别缺陷；
若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数。
可选地，在本申请实施例所述的基于物联网的扩散板缺陷检测系统中，获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像，具体为：
设定拍摄状态，所述拍摄状态包括拍摄角度、拍摄环境亮度、拍摄补光信息与拍摄相机焦距；
每一种拍摄状态下分别拍摄若干个扩散板图像，并记录扩散板图像的拍摄时间；
根据拍摄角度确定拍摄焦点，并获取扩散板的入射光源信息与反射光源信息；
将入射光源信息与反射光源信息进行比较，得到光源损失率；
判断所述光源损失率是否大于或等于预设的损失率阈值；
若大于或等于，则将该拍摄焦点进行标记，得到标记区域，将标记区域存储至缺陷筛选区域，将缺陷筛选区域作为缺陷的重点检测区域，同步调整拍摄角度，根据调整后的拍摄角度改变拍摄焦点；
若小于，则获取扩散板图像，并将扩散板图像进行清晰度增强，得到增强图像，将增强图像作为样本图像。
可选地，在本申请实施例所述的基于物联网的扩散板缺陷检测系统中，将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型，包括：
获取若干个样本图像，将若干个样本图像根据拍摄时间生成图像序列号，并根据分配规则将若干个样本图像分配至训练集与验证集，所述训练集内的样本图像作为训练图像，所述验证集内的样本图像作为验证图像；
将训练图像按照序列号依次输入初始模型进行迭代计算，并生成当前迭代次数；
判断当前迭代次数是否满足预设的迭代次数；
若满足，则生成缺陷检测模型，并将验证图像输入缺陷检测模型进行验证，得到验证结果，
若不满足，则迭代次数依次加一，并继续将剩余的训练图像输入模型进行迭代计算，直至满足迭代次数；
在迭代次数满足预设的迭代次数的情况下，获取当前验证结果，并根据当前验证结果输出缺陷检测数据信息，提取缺陷检测特征，并通过特征矩阵计算缺陷检测特征值；
将缺陷检测特征值进行曲线拟合，判断缺陷检测特征值是否收敛；
若收敛，则根据缺陷检测数据信息生成缺陷类型；
若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练。
第三方面，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中包括基于物联网的扩散板缺陷检测方法程序，所述基于物联网的扩散板缺陷检测方法程序被处理器执行时，实现如上述任一项所述的基于物联网的扩散板缺陷检测方法的步骤。
由上可知，本申请实施例提供的一种基于物联网的扩散板缺陷检测方法、系统及介质，通过获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；将多个缺陷检测结果进行比对，得到缺陷相似度；判断所述缺陷相似度是否大于预设的缺陷相似度阈值；若大于，则将对应的缺陷检测结果归为同一类别缺陷；若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数；通过获取不同拍摄状态下的扩散板图像生成缺陷检测模型，从而可以根据缺陷检测模型输出精准的缺陷类别，提高缺陷检测精度。
本申请的其他特征和优点将在随后的说明书阐述，并且，本申请的优点部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于物联网的扩散板缺陷检测方法的流程图；
图2为本申请实施例提供的基于物联网的扩散板缺陷检测方法的样本图像生成方法流程图；
图3为本申请实施例提供的基于物联网的扩散板缺陷检测方法的缺陷检测模型训练方法流程图；
图4为本申请实施例提供的基于物联网的扩散板缺陷检测系统的结构示意图。
实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种基于物联网的扩散板缺陷检测方法的流程图。该基于物联网的扩散板缺陷检测方法用于终端设备中，该基于物联网的扩散板缺陷检测方法，包括以下步骤：
S101，获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；
S102，将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；
S103，获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；
S104，将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；将多个缺陷检测结果进行比对，得到缺陷相似度；
S105，判断缺陷相似度是否大于预设的缺陷相似度阈值；若大于，则将对应的缺陷检测结果归为同一类别缺陷；若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数。
需要说明的是，通过调整拍摄状态，对扩散板进行不同拍摄状态的图像采集，从而得到更加精准的图像集合，在进行模型训练过程中，可以将大部分缺陷进行样本训练，提高缺陷检测模型的输出精度，设定检测框可以将待检图像进行初步筛选，降低模型运算的负荷，减少检测数据的冗余度，检测数据实时传输至物联网终端，实现数据的实时传输与存储，提高数据的分析效率。
请参照图2，图2是本申请一些实施例中的一种基于物联网的扩散板缺陷检测方法的样本图像生成方法流程图。根据本发明实施例，获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像，具体为：
S201，设定拍摄状态，拍摄状态包括拍摄角度、拍摄环境亮度、拍摄补光信息与拍摄相机焦距；每一种拍摄状态下分别拍摄若干个扩散板图像，并记录扩散板图像的拍摄时间；
S202，根据拍摄角度确定拍摄焦点，并获取扩散板的入射光源信息与反射光源信息；
S203，将入射光源信息与反射光源信息进行比较，得到光源损失率；判断光源损失率是否大于或等于预设的损失率阈值；
S204，若大于或等于，则将该拍摄焦点进行标记，得到标记区域，将标记区域存储至缺陷筛选区域，将缺陷筛选区域作为缺陷的重点检测区域，同步调整拍摄角度，根据调整后的拍摄角度改变拍摄焦点；
S205，若小于，则获取扩散板图像，并将扩散板图像进行清晰度增强，得到增强图像，将增强图像作为样本图像。
需要说明的是，通过分析扩散板的光源损失率进行快速的区分出有可能具有缺陷的区域，记为缺陷的重点检测区域，在进行分析时，实现缺陷的快速筛查。
请参照图3，图3是本申请一些实施例中的一种基于物联网的扩散板缺陷检测方法的缺陷检测模型训练方法流程图。根据本发明实施例，将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型，包括：
S301，获取若干个样本图像，将若干个样本图像根据拍摄时间生成图像序列号，并根据分配规则将若干个样本图像分配至训练集与验证集，训练集内的样本图像作为训练图像，验证集内的样本图像作为验证图像；
S302，将训练图像按照序列号依次输入初始模型进行迭代计算，并生成当前迭代次数；判断当前迭代次数是否满足预设的迭代次数；
S303，若满足，则生成缺陷检测模型，并将验证图像输入缺陷检测模型进行验证，得到验证结果；若不满足，则迭代次数依次加一，并继续将剩余的训练图像输入模型进行迭代计算，直至满足迭代次数；
S304，在迭代次数满足预设的迭代次数的情况下，获取当前验证结果，并根据当前验证结果输出缺陷检测数据信息，提取缺陷检测特征，并通过特征矩阵计算缺陷检测特征值；
S305，将缺陷检测特征值进行曲线拟合，判断缺陷检测特征值是否收敛；若收敛，则根据缺陷检测数据信息生成缺陷类型；若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练。
需要说明的是，根据分配规则将若干个样本图像进行分配，进而通过训练集对初始模型进行训练，训练完成后，通过验证集进行模型参数的验证与修正，保证模型输出结果更加精准，此外在进行迭代计算过程中，为了在最优的迭代次数下保证模型训练的精度，通过分析缺陷检测特征值进行分析是否出现收敛，从而动态调整迭代次数，提高模型训练效率。
根据本发明实施例，若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练，具体为：
获取若干个扩散板图像的拍摄时间，根据拍摄时间将扩散板图像进行序列号编辑，扩散板图像与序列号一一对应；
设定跳跃间隔数，根据跳跃间隔数将扩散板图像按照序列号进行跳跃分组，得到训练集与验证集；
若缺陷检测特征值不收敛，则调整跳跃间隔数或根据跳跃间隔数生成多个间隔区间，根据跳跃间隔数对间隔区间内的扩散板图像进行跳跃式选择，生成对应的训练集与验证集；
通过训练集与验证集对初始模型进行二次训练。
需要说明的是，跳跃间隔数可以理解为将扩散板图像进行训练集与验证集划分过程中，不根据序列号按照顺序进行依次划分，而是进行间隔几个序列号之后进行划分，例如将扩散板图像分别第一图像、第二图像至第N图像，将第一图像划分为训练集，若设定跳跃间隔数为3，此时则将第五图像划分为验证集，再隔三个之后，将第九图像划分为训练集，依次类推，完成一次划分后，改变跳跃间隔数为2，将第二图像划分为验证集，第五图像划分为训练集，可以理解是的，同一图像既可以作为训练集，也可以作为验证集，此种方式可以提高模型训练精度，使模型输出结果更加贴近实际值。
进一步的，根据跳跃间隔数生成多个间隔区间可以理解为，若设定跳跃间隔数为3，则可以将第一图像、第二图像与第三图像统一划分为第一间隔区间，第四图像、第五图像与第六图像划分为第二间隔区间，根据跳跃间隔数，将第一间隔区间划分为训练集，间隔3个区间之后，将第七间隔区间划分为验证集，依次类推，从而实现数据集与验证集的灵活组合，提高模型训练灵活性。
根据本发明实施例，获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；具体为：
获取待检子图像边缘线，提取边缘线特征；
将边缘线特征与预设的特征进行比较，得到特征相似度；
若特征相似度大于预设的特征相似度阈值，则判定边缘线特征为疑似缺陷特征，并获取相邻待检子图像，并计算相邻待检子图像的边缘线特征，并筛选得到疑似缺陷特征位置相对应的相邻待检子图像的边缘线特征；并进行特征判断；
若满足要求，则调整检测框尺寸，修正待检子图像的边缘线；
若特征相似度小于预设的特征相似度阈值，则根据检测框尺寸将待检图像进行区域划分。
需要说明的是，根据检测框尺寸将扩散板图像进行区域划分，在划分过程中，由于检测框尺寸的设定可能会造成同一个缺陷划分至不同的区域，影响缺陷的判断，通过分析相邻两个待检子图像的边缘进行特征计算，判断是否属于同一个缺陷的特征，进而根据分析结果调整检测框尺寸，保证一个缺陷会划分至同一个待检子图像内，提高缺陷检测精度。
根据本发明实施例，将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果，具体为：
根据检测框尺寸信息将扩散板进行检测区域划分，得到若干个扩散板子区域；
获取每一个扩散板子区域的入射光源信息与反射光源信息，并根据扩散板的散射特性计算每一个扩散板子区域的雾度与透光率；
根据雾度与透光率计算每一个扩散板子区域的粒子分布信息；
根据粒子分布信息计算扩散板子区域的粒子分布均匀度；
判断粒子分布均匀度是否大于预设的均匀度阈值；
若大于，则判定扩散板子区域为良品区域，剔除良品区域对应的待检子图像；
若小于，则判定扩散板子区域为缺陷区域，将缺陷区域对应的子图像依次输入缺陷检测模型，生成缺陷检测结果。
需要说明的是，没有缺陷的扩散板内部的粒子分布比较均匀，保证光源的反射与散射效果，提高扩散板的使用效果，当扩散板出现污点或划伤缺陷时，会造成粒子分布均匀度判断时，出现异常，进而将扩散板良品区域与缺陷区域进行筛选，在进行缺陷检测过程中，只需要针对性的对缺陷区域进行精准检测，可以快速找到缺陷位置，提高检测效率。
根据本发明实施例，还包括：获取拍摄相机的拍摄参数，根据拍摄参数对扩散板进行图像拍摄，得到扩散板图像；所述拍摄相机的拍摄参数包括拍摄相机光圈值、拍摄相机曝光量与曝光时间；
提取扩散板图像特征值，根据扩散板图像特征值计算扩散板不同区域内的高光亮度值；
将高光亮度值与亮度临界值进行比较；亮度临界值包括亮度临界上限值与亮度临界下限值；
若高光亮度值大于亮度临界上限值，则生成反向调整信息，根据反向调整信息进行下调拍摄相机光圈值；
若高光亮度值小于亮度临界下限值，则生成正向调整信息，根据正向调整信息进行上调拍摄相机光圈值。
需要说明的是，在三维测量领域中由于镜面反射的存在，导致拍摄相机采集到的扩散板图像像素缺失，造成三维重构失真，针对强反射表面高光现象，通过调整拍摄相机的光圈和曝光时间，避免拍摄相机饱和而产生强烈高光，拍摄相机的曝光量与曝光时间满足曝光量等于照度与曝光时间的乘积的关系，光圈是组成相机的核心零件，用来计量光线穿过镜头到达相机感光面上的光量的数值，则光圈值等于镜头的焦距与镜头口径的直径的比值。拍摄的图像出现过曝光或欠曝光是由于强反射表面反射光的亮度范围与相机拍摄时的光圈值不一致导致的，通过改变拍摄相机的光圈值或调节扩散板图像的亮度值进行调整扩散板图像高光亮度，提高扩散板图像的清晰度。
请参照图4，图4是本申请一些实施例中的一种基于物联网的扩散板缺陷检测系统的结构示意图。第二方面，本申请实施例提供了一种基于物联网的扩散板缺陷检测系统4，该系统包括：存储器41及处理器42，存储器41中包括基于物联网的扩散板缺陷检测方法的程序，基于物联网的扩散板缺陷检测方法的程序被处理器执行时实现以下步骤：
获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；
将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；
获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；
将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；
将多个缺陷检测结果进行比对，得到缺陷相似度；
判断缺陷相似度是否大于预设的缺陷相似度阈值；
若大于，则将对应的缺陷检测结果归为同一类别缺陷；
若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数。
需要说明的是，通过调整拍摄状态，对扩散板进行不同拍摄状态的图像采集，从而得到更加精准的图像集合，在进行模型训练过程中，可以将大部分缺陷进行样本训练，提高缺陷检测模型的输出精度，设定检测框可以将待检图像进行初步筛选，降低模型运算的负荷，减少检测数据的冗余度。
根据本发明实施例，获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像，具体为：
设定拍摄状态，拍摄状态包括拍摄角度、拍摄环境亮度、拍摄补光信息与拍摄相机焦距；
每一种拍摄状态下分别拍摄若干个扩散板图像，并记录扩散板图像的拍摄时间；
根据拍摄角度确定拍摄焦点，并获取扩散板的入射光源信息与反射光源信息；
将入射光源信息与反射光源信息进行比较，得到光源损失率；
判断光源损失率是否大于或等于预设的损失率阈值；
若大于或等于，则将该拍摄焦点进行标记，得到标记区域，将标记区域存储至缺陷筛选区域，将缺陷筛选区域作为缺陷的重点检测区域，同步调整拍摄角度，根据调整后的拍摄角度改变拍摄焦点；
若小于，则获取扩散板图像，并将扩散板图像进行清晰度增强，得到增强图像，将增强图像作为样本图像。
需要说明的是，通过分析扩散板的光源损失率进行快速的区分出有可能具有缺陷的区域，记为缺陷的重点检测区域，在进行分析时，实现缺陷的快速筛查。
根据本发明实施例，将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型，包括：
获取若干个样本图像，将若干个样本图像根据拍摄时间生成图像序列号，并根据分配规则将若干个样本图像分配至训练集与验证集，训练集内的样本图像作为训练图像，验证集内的样本图像作为验证图像；
将训练图像按照序列号依次输入初始模型进行迭代计算，并生成当前迭代次数；
判断当前迭代次数是否满足预设的迭代次数；
若满足，则生成缺陷检测模型，并将验证图像输入缺陷检测模型进行验证，得到验证结果，
若不满足，则迭代次数依次加一，并继续将剩余的训练图像输入模型进行迭代计算，直至满足迭代次数；
在迭代次数满足预设的迭代次数的情况下，获取当前验证结果，并根据当前验证结果输出缺陷检测数据信息，提取缺陷检测特征，并通过特征矩阵计算缺陷检测特征值；
将缺陷检测特征值进行曲线拟合，判断缺陷检测特征值是否收敛；
若收敛，则根据缺陷检测数据信息生成缺陷类型；
若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练。
需要说明的是，根据分配规则将若干个样本图像进行分配，进而通过训练集对初始模型进行训练，训练完成后，通过验证集进行模型参数的验证与修正，保证模型输出结果更加精准，此外在进行迭代计算过程中，为了在最优的迭代次数下保证模型训练的精度，通过分析缺陷检测特征值进行分析是否出现收敛，从而动态调整迭代次数，提高模型训练效率。
根据本发明实施例，若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练，具体为：
获取若干个扩散板图像的拍摄时间，根据拍摄时间将扩散板图像进行序列号编辑，扩散板图像与序列号一一对应；
设定跳跃间隔数，根据跳跃间隔数将扩散板图像按照序列号进行跳跃分组，得到训练集与验证集；
若缺陷检测特征值不收敛，则调整跳跃间隔数或根据跳跃间隔数生成多个间隔区间，根据跳跃间隔数对间隔区间内的扩散板图像进行跳跃式选择，生成对应的训练集与验证集；
通过训练集与验证集对初始模型进行二次训练。
需要说明的是，跳跃间隔数可以理解为将扩散板图像进行训练集与验证集划分过程中，不根据序列号按照顺序进行依次划分，而是进行间隔几个序列号之后进行划分，例如将扩散板图像分别第一图像、第二图像至第N图像，将第一图像划分为训练集，若设定跳跃间隔数为3，此时则将第五图像划分为验证集，再隔三个之后，将第九图像划分为训练集，依次类推，完成一次划分后，改变跳跃间隔数为2，将第二图像划分为验证集，第五图像划分为训练集，可以理解是的，同一图像既可以作为训练集，也可以作为验证集，此种方式可以提高模型训练精度，使模型输出结果更加贴近实际值。
进一步的，根据跳跃间隔数生成多个间隔区间可以理解为，若设定跳跃间隔数为3，则可以将第一图像、第二图像与第三图像统一划分为第一间隔区间，第四图像、第五图像与第六图像划分为第二间隔区间，根据跳跃间隔数，将第一间隔区间划分为训练集，间隔3个区间之后，将第七间隔区间划分为验证集，依次类推，从而实现数据集与验证集的灵活组合，提高模型训练灵活性。
根据本发明实施例，获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；具体为：
获取待检子图像边缘线，提取边缘线特征；
将边缘线特征与预设的特征进行比较，得到特征相似度；
若特征相似度大于预设的特征相似度阈值，则判定边缘线特征为疑似缺陷特征，并获取相邻待检子图像，并计算相邻待检子图像的边缘线特征，并筛选得到疑似缺陷特征位置相对应的相邻待检子图像的边缘线特征；并进行特征判断；
若满足要求，则调整检测框尺寸，修正待检子图像的边缘线；
若特征相似度小于预设的特征相似度阈值，则根据检测框尺寸将待检图像进行区域划分。
需要说明的是，根据检测框尺寸将扩散板图像进行区域划分，在划分过程中，由于检测框尺寸的设定可能会造成同一个缺陷划分至不同的区域，影响缺陷的判断，通过分析相邻两个待检子图像的边缘进行特征计算，判断是否属于同一个缺陷的特征，进而根据分析结果调整检测框尺寸，保证一个缺陷会划分至同一个待检子图像内，提高缺陷检测精度。
根据本发明实施例，将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果，具体为：
根据检测框尺寸信息将扩散板进行检测区域划分，得到若干个扩散板子区域；
获取每一个扩散板子区域的入射光源信息与反射光源信息，并根据扩散板的散射特性计算每一个扩散板子区域的雾度与透光率；
根据雾度与透光率计算每一个扩散板子区域的粒子分布信息；
根据粒子分布信息计算扩散板子区域的粒子分布均匀度；
判断粒子分布均匀度是否大于预设的均匀度阈值；
若大于，则判定扩散板子区域为良品区域，剔除良品区域对应的待检子图像；
若小于，则判定扩散板子区域为缺陷区域，将缺陷区域对应的子图像依次输入缺陷检测模型，生成缺陷检测结果。
需要说明的是，没有缺陷的扩散板内部的粒子分布比较均匀，保证光源的反射与散射效果，提高扩散板的使用效果，当扩散板出现污点或划伤缺陷时，会造成粒子分布均匀度判断时，出现异常，进而将扩散板良品区域与缺陷区域进行筛选，在进行缺陷检测过程中，只需要针对性的对缺陷区域进行精准检测，可以快速找到缺陷位置，提高检测效率。
根据本发明实施例，还包括：获取拍摄相机的拍摄参数，根据拍摄参数对扩散板进行图像拍摄，得到扩散板图像；所述拍摄相机的拍摄参数包括拍摄相机光圈值、拍摄相机曝光量与曝光时间；
提取扩散板图像特征值，根据扩散板图像特征值计算扩散板不同区域内的高光亮度值；
将高光亮度值与亮度临界值进行比较；亮度临界值包括亮度临界上限值与亮度临界下限值；
若高光亮度值大于亮度临界上限值，则生成反向调整信息，根据反向调整信息进行下调拍摄相机光圈值；
若高光亮度值小于亮度临界下限值，则生成正向调整信息，根据正向调整信息进行上调拍摄相机光圈值。
需要说明的是，在三维测量领域中由于镜面反射的存在，导致拍摄相机采集到的扩散板图像像素缺失，造成三维重构失真，针对强反射表面高光现象，通过调整拍摄相机的光圈和曝光时间，避免拍摄相机饱和而产生强烈高光，拍摄相机的曝光量与曝光时间满足曝光量等于照度与曝光时间的乘积的关系，光圈是组成相机的核心零件，用来计量光线穿过镜头到达相机感光面上的光量的数值，则光圈值等于镜头的焦距与镜头口径的直径的比值。拍摄的图像出现过曝光或欠曝光是由于强反射表面反射光的亮度范围与相机拍摄时的光圈值不一致导致的，通过改变拍摄相机的光圈值或调节扩散板图像的亮度值进行调整扩散板图像高光亮度，提高扩散板图像的清晰度。
本发明第三方面提供了一种计算机可读存储介质，可读存储介质中包括基于物联网的扩散板缺陷检测方法程序，基于物联网的扩散板缺陷检测方法程序被处理器执行时，实现如上述任一项的基于物联网的扩散板缺陷检测方法的步骤。
本发明公开的一种基于物联网的扩散板缺陷检测方法、系统及介质，通过获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；将多个缺陷检测结果进行比对，得到缺陷相似度；判断所述缺陷相似度是否大于预设的缺陷相似度阈值；若大于，则将对应的缺陷检测结果归为同一类别缺陷；若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数；通过获取不同拍摄状态下的扩散板图像生成缺陷检测模型，从而可以根据缺陷检测模型输出精准的缺陷类别，提高缺陷检测精度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例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，该软件产品存储在一个存储介质中，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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于物联网的扩散板缺陷检测方法，其特征在于，包括：
获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；
将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；
获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；
将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；
将多个缺陷检测结果进行比对，得到缺陷相似度；
判断所述缺陷相似度是否大于预设的缺陷相似度阈值；
若大于，则将对应的缺陷检测结果归为同一类别缺陷；
若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数。
2.根据权利要求1所述的基于物联网的扩散板缺陷检测方法，其特征在于，获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像，具体为：
设定拍摄状态，所述拍摄状态包括拍摄角度、拍摄环境亮度、拍摄补光信息与拍摄相机焦距；
每一种拍摄状态下分别拍摄若干个扩散板图像，并记录扩散板图像的拍摄时间；
根据拍摄角度确定拍摄焦点，并获取扩散板的入射光源信息与反射光源信息；
将入射光源信息与反射光源信息进行比较，得到光源损失率；
判断所述光源损失率是否大于或等于预设的损失率阈值；
若大于或等于，则将该拍摄焦点进行标记，得到标记区域，将标记区域存储至缺陷筛选区域，将缺陷筛选区域作为缺陷的重点检测区域，同步调整拍摄角度，根据调整后的拍摄角度改变拍摄焦点；
若小于，则获取扩散板图像，并将扩散板图像进行清晰度增强，得到增强图像，将增强图像作为样本图像。
3.根据权利要求2所述的基于物联网的扩散板缺陷检测方法，其特征在于，将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型，包括：
获取若干个样本图像，将若干个样本图像根据拍摄时间生成图像序列号，并根据分配规则将若干个样本图像分配至训练集与验证集，所述训练集内的样本图像作为训练图像，所述验证集内的样本图像作为验证图像；
将训练图像按照序列号依次输入初始模型进行迭代计算，并生成当前迭代次数；
判断当前迭代次数是否满足预设的迭代次数；
若满足，则生成缺陷检测模型，并将验证图像输入缺陷检测模型进行验证，得到验证结果；
若不满足，则迭代次数依次加一，并继续将剩余的训练图像输入模型进行迭代计算，直至满足迭代次数；
在迭代次数满足预设的迭代次数的情况下，获取当前验证结果，并根据当前验证结果输出缺陷检测数据信息，提取缺陷检测特征，并通过特征矩阵计算缺陷检测特征值；
将缺陷检测特征值进行曲线拟合，判断缺陷检测特征值是否收敛；
若收敛，则根据缺陷检测数据信息生成缺陷类型；
若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练。
4.根据权利要求3所述的基于物联网的扩散板缺陷检测方法，其特征在于，若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练，具体为：
获取若干个扩散板图像的拍摄时间，根据拍摄时间将扩散板图像进行序列号编辑，扩散板图像与序列号一一对应；
设定跳跃间隔数，根据跳跃间隔数将扩散板图像按照序列号进行跳跃分组，得到训练集与验证集；
若缺陷检测特征值不收敛，则调整跳跃间隔数或根据跳跃间隔数生成多个间隔区间，根据跳跃间隔数对间隔区间内的扩散板图像进行跳跃式选择，生成对应的训练集与验证集；
通过训练集与验证集对初始模型进行二次训练。
5.根据权利要求4所述的基于物联网的扩散板缺陷检测方法，其特征在于，获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；具体为：
获取待检子图像边缘线，提取边缘线特征；
将边缘线特征与预设的特征进行比较，得到特征相似度；
若特征相似度大于预设的特征相似度阈值，则判定边缘线特征为疑似缺陷特征，并获取相邻待检子图像，并计算相邻待检子图像的边缘线特征，并筛选得到疑似缺陷特征位置相对应的相邻待检子图像的边缘线特征；并进行特征判断；
若满足要求，则调整检测框尺寸，修正待检子图像的边缘线；
若特征相似度小于预设的特征相似度阈值，则根据检测框尺寸将待检图像进行区域划分。
6.根据权利要求5所述的基于物联网的扩散板缺陷检测方法，其特征在于，将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果，具体为：
根据检测框尺寸信息将扩散板进行检测区域划分，得到若干个扩散板子区域；
获取每一个扩散板子区域的入射光源信息与反射光源信息，并根据扩散板的散射特性计算每一个扩散板子区域的雾度与透光率；
根据雾度与透光率计算每一个扩散板子区域的粒子分布信息；
根据粒子分布信息计算扩散板子区域的粒子分布均匀度；
判断粒子分布均匀度是否大于预设的均匀度阈值；
若大于，则判定扩散板子区域为良品区域，剔除良品区域对应的待检子图像；
若小于，则判定扩散板子区域为缺陷区域，将缺陷区域对应的子图像依次输入缺陷检测模型，生成缺陷检测结果。
7.一种基于物联网的扩散板缺陷检测系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括基于物联网的扩散板缺陷检测方法的程序，所述基于物联网的扩散板缺陷检测方法的程序被所述处理器执行时实现以下步骤：
获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像；
将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型；
获取待检图像，配置检测框尺寸，根据检测框尺寸将待检图像进行图像分割，得到多个与检测框尺寸相匹配的待检子图像；
将多个待检子图像依次输入缺陷检测模型，得到多个缺陷检测结果；
将多个缺陷检测结果进行比对，得到缺陷相似度；
判断所述缺陷相似度是否大于预设的缺陷相似度阈值；
若大于，则将对应的缺陷检测结果归为同一类别缺陷；
若小于，则将对应的缺陷检测结果归为不同类别缺陷，并得到缺陷类别个数。
8.根据权利要求7所述的基于物联网的扩散板缺陷检测系统，其特征在于，获取若干个不同拍摄状态下的扩散板图像，将扩散板图像进行预处理，得到若干个样本图像，具体为：
设定拍摄状态，所述拍摄状态包括拍摄角度、拍摄环境亮度、拍摄补光信息与拍摄相机焦距；
每一种拍摄状态下分别拍摄若干个扩散板图像，并记录扩散板图像的拍摄时间；
根据拍摄角度确定拍摄焦点，并获取扩散板的入射光源信息与反射光源信息；
将入射光源信息与反射光源信息进行比较，得到光源损失率；
判断所述光源损失率是否大于或等于预设的损失率阈值；
若大于或等于，则将该拍摄焦点进行标记，得到标记区域，将标记区域存储至缺陷筛选区域，将缺陷筛选区域作为缺陷的重点检测区域，同步调整拍摄角度，根据调整后的拍摄角度改变拍摄焦点；
若小于，则获取扩散板图像，并将扩散板图像进行清晰度增强，得到增强图像，将增强图像作为样本图像。
9.根据权利要求8所述的基于物联网的扩散板缺陷检测系统，其特征在于，将若干个样本图像输入初始模型进行模型训练，得到缺陷检测模型，包括：
获取若干个样本图像，将若干个样本图像根据拍摄时间生成图像序列号，并根据分配规则将若干个样本图像分配至训练集与验证集，所述训练集内的样本图像作为训练图像，所述验证集内的样本图像作为验证图像；
将训练图像按照序列号依次输入初始模型进行迭代计算，并生成当前迭代次数；
判断当前迭代次数是否满足预设的迭代次数；
若满足，则生成缺陷检测模型，并将验证图像输入缺陷检测模型进行验证，得到验证结果，
若不满足，则迭代次数依次加一，并继续将剩余的训练图像输入模型进行迭代计算，直至满足迭代次数；
在迭代次数满足预设的迭代次数的情况下，获取当前验证结果，并根据当前验证结果输出缺陷检测数据信息，提取缺陷检测特征，并通过特征矩阵计算缺陷检测特征值；
将缺陷检测特征值进行曲线拟合，判断缺陷检测特征值是否收敛；
若收敛，则根据缺陷检测数据信息生成缺陷类型；
若不收敛，则调整分配规则打乱训练集与验证集内的训练图像与验证图像重新输入初始模型进行迭代计算，并进行初始模型的二次训练。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于物联网的扩散板缺陷检测方法程序，所述基于物联网的扩散板缺陷检测方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于物联网的扩散板缺陷检测方法的步骤。
CN202311625849.3A 2023-11-30 2023-11-30 一种基于物联网的扩散板缺陷检测方法、系统及介质 Withdrawn CN117522848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311625849.3A CN117522848A (zh) 2023-11-30 2023-11-30 一种基于物联网的扩散板缺陷检测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311625849.3A CN117522848A (zh) 2023-11-30 2023-11-30 一种基于物联网的扩散板缺陷检测方法、系统及介质

Publications (1)

Publication Number Publication Date
CN117522848A true CN117522848A (zh) 2024-02-06

Family

ID=89754984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311625849.3A Withdrawn CN117522848A (zh) 2023-11-30 2023-11-30 一种基于物联网的扩散板缺陷检测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN117522848A (zh)

Similar Documents

Publication Publication Date Title
Lin et al. KonIQ-10K: Towards an ecologically valid and large-scale IQA database
CN108896278B (zh) 一种滤光片丝印缺陷检测方法、装置及终端设备
CN109829943B (zh) 基于机器视觉的叶片结构检测方法、系统、介质及设备
CN109872335A (zh) 一种用于pd-l1抗体染色切片的自动读片方法及其系统
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN109163888A (zh) 光学中心测试方法、装置和设备
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN118279304B (zh) 基于图像处理的异型金属件异常识别方法、装置及介质
CN114419008A (zh) 一种图像质量评估方法及系统
CN104952059B (zh) 用于将图像检测系统的错误识别自动参数化的方法
CN116543247A (zh) 基于光度立体表面重建的数据集制作方法及验证系统
CN117455887A (zh) 基于机器视觉的pcb来料检测方法、装置、设备及介质
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
CN117198909A (zh) 一种晶圆的缺陷检测装置以及方法、可读存储介质
CN116934752A (zh) 一种基于人工智能的玻璃检测方法及系统
CN116681677A (zh) 一种锂电池缺陷检测方法、装置及系统
CN117522848A (zh) 一种基于物联网的扩散板缺陷检测方法、系统及介质
CN116958960A (zh) 一种基于机器学习随机森林算法的鸡蛋暗斑检测方法
CN116258703A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
CN112740014A (zh) 测量水分透过率和透光率的基于图像处理的系统及用该系统测量水分透过率和透光率的方法
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN112165616B (zh) 一种摄像头模组的测试方法、装置、电子设备及存储介质
CN112183158B (zh) 一种谷物烹饪设备的谷物种类识别方法和谷物烹饪设备
CN109543565B (zh) 一种数量确定方法及装置
CN113033635A (zh) 一种硬币隐形图文检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20240206