近年來,隨著智能手機(jī)的普及和液晶屏行業(yè)的高速發(fā)展,基于圖像處理、計(jì)算機(jī)視覺的智能化屏幕檢測算法逐漸代替?zhèn)鹘y(tǒng)的人工檢測。手機(jī)屏中Mura缺陷,作為一種形狀多樣、低對比度的屏幕缺陷,一直是手機(jī)屏檢測的難點(diǎn)。針對人工設(shè)計(jì)的Mura缺陷特征存在抽象程度低且魯棒性差的問題,本文搭建了多通道的卷積神經(jīng)網(wǎng)絡(luò)MSFE-Net來實(shí)現(xiàn)手機(jī)屏多尺度缺陷的特征提取,并加入中心損失函數(shù)監(jiān)督模型訓(xùn)練,從而使同類別缺陷的特征內(nèi)部收斂,因此MSFE-Net提取的缺陷特征具有更強(qiáng)的魯棒性。目前,基于計(jì)算機(jī)視覺的算法大多只針對幾種型號的屏幕數(shù)據(jù)進(jìn)行算法設(shè)計(jì),因此無法適用于新型號的屏幕數(shù)據(jù)。針對以上問題,本文基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)提出了“自比較”模型SC-Net來改善算法的通用性。SC-Net結(jié)構(gòu)包括MSFE-Net、BiLSTM和預(yù)測層,其前向計(jì)算過程如下:首先使用MSFE-Net提取相鄰圖像塊的特征描述序列,然后使用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)來完成特征描述序列的上下文信息對比與全局信息整合,最后使用預(yù)測層得到每個(gè)圖像塊存在缺陷的概率值。在同一張手機(jī)屏圖像中,相鄰圖像塊互相比較的方式能抵消掉背景紋理與環(huán)境因素的影響,從而增... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

手機(jī)屏屏紋理背景圖

圖 2-5 同種類別的缺陷尺寸對比圖Fig.2-5 Comparison of defect size of the same category針對缺陷尺度多樣的特點(diǎn)，在搭建特征提取網(wǎng)絡(luò)過程中需要兼顧不同尺寸的缺陷。卷積神經(jīng)網(wǎng)絡(luò)使用卷積核與輸入特征圖進(jìn)行局部連接，而卷積核的大小與人眼觀察范圍類似，其決定了卷積計(jì)算時(shí)的感受野的大小。對于形狀較大的缺陷，使用較大的卷積核時(shí)具有更大的感受野，從而進(jìn)行一次卷積運(yùn)算時(shí)能獲取到完整的缺陷信息；對于形狀較小的缺陷，則使用較小的卷積核，避免過多無用信息影響缺陷特征的提取。為了兼容不同尺寸的缺陷，本文采用多個(gè)不同大小的卷積核組建了多尺度特征提取模塊 MSFE-Block，其采用多通道方式來提取不同尺度缺陷的特征信息。但是，MSFE-Block 中多路卷積會(huì)導(dǎo)致計(jì)算量大大地增加。假設(shè)輸入的特征圖大小為 ×K KD D ，通道數(shù)為 M。輸出特征圖的大小為 ×M MD D ，通道數(shù)為 N。兩個(gè)卷積核的大小分別為1K 和2K （1 2K K ），則兩個(gè)不同大小的卷積核進(jìn)行一次卷積運(yùn)算的計(jì)算量比值如式 2.3 所示。

(c)圖 2-9 缺陷特征分布圖(a)迭代 50 次；（b）迭代 100 次；（c）迭代 150 次Fig.2-9 Defect feature map(a) Iteration 50 times;(b) Iteration 100 times;(c) Iteration 150 times2.4 手機(jī)屏紋理抑制在工業(yè)相機(jī)拍攝下的手機(jī)屏幕存在規(guī)則的紋理背景，本文將采用常用的紋理制算法測試圖像塊的紋理抑制效果，同時(shí)探究 MSFE-Net 網(wǎng)絡(luò)的自動(dòng)紋理抑制的果。2.4.1 紋理抑制算法


本文編號：2984175