近年來,網(wǎng)絡時代的高速發(fā)展使得智能手機逐步取代傳統(tǒng)的計算機進入了人們的娛樂和生活的各個方面。手機不僅極大地滿足了人們的通訊要求,也滿足了人們的各種娛樂需求,手機的屏幕也變成了人們與信息化世界交互的窗口。隨著整個社會物質(zhì)化水平的提升,手機屏幕的質(zhì)量要求也日益增高。而在手機屏幕的制造過程中,仍然不可避免的生產(chǎn)出具有各類缺陷的手機屏幕。如何提升手機屏幕缺陷的檢測精度以及縮短檢測的時間是目前生產(chǎn)中的亟需克服的難題。目前手機屏幕缺陷檢測主流的方法有人工檢測和機器視覺檢測。使用工人進行手機屏幕缺陷識別的效率不高,人力的成本高且持續(xù)增長,個人的視力還存在差異性,導致檢測的品質(zhì)難以保證。而機器視覺檢測是一種半自動的檢測方法,通過研究圖像的像素分布特點,運用數(shù)字圖像處理的方法針對性的提取特征,然后根據(jù)特征表現(xiàn)的特點確定屏幕缺陷的種類。機器視覺的檢測方法雖然能夠一定程度的檢測到屏幕缺陷,但是算法的過程繁瑣,并且檢測的準確率還不夠,檢測時耗時也相對較長。本文對現(xiàn)有手機屏幕缺陷檢測方法進行研究整合,針對手機屏幕常見的六種缺陷,使用數(shù)字圖像處理的方法對數(shù)據(jù)集進行數(shù)據(jù)的預處理和數(shù)據(jù)的擴充。使用LabelImg圖片標注工具對每張缺陷圖片進行缺陷的目標區(qū)域和類別的標簽標注。使用深度卷積神經(jīng)網(wǎng)絡對手機屏幕缺陷圖片進行特征自動提取,使用提取到的特征對Faster R-CNN算法的參數(shù)進行訓練直至系統(tǒng)收斂。使用Faster R-CNN在標準數(shù)據(jù)集PASCAL VOC 2007上進行實驗,驗證了Faster R-CNN算法的可行性。使用Faster R-CNN算法在手機屏幕缺陷數(shù)據(jù)集上進行實驗,得到算法在手機屏幕缺陷數(shù)據(jù)集上優(yōu)越的性能表現(xiàn)。將本文使用的方法與目前主流的手機屏幕檢測方法作對比,突出了本文使用的Faster R-CNN算法的巨大優(yōu)勢。使用PyQt編寫前端檢測界面,使檢測結(jié)果能更加清晰地展示出來。對算法改寫為GPU版本,觀察GPU版本的算法和未使用GPU渲染的算法在訓練和測試時間上的差異,實驗結(jié)果表明GPU對算法的加速性能卓越。本課題研究的手機屏幕缺陷檢測技術為手機屏幕缺陷的工業(yè)檢測提供了理論依據(jù)和技術解決方案,具有很大的應用價值和發(fā)展前景。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TN929.53;TP183;TP391.41
【部分圖文】：

第二章深度卷積神經(jīng)網(wǎng)絡的發(fā)展綜述區(qū)域連接??皮層的視覺神經(jīng)元就是基于局部的刺激來感知信息的。局部區(qū)域連接經(jīng)網(wǎng)絡的這種機理來模擬人類觀察和處理信息的方式。??１展示了全連接與局部連接的區(qū)別之處，左圖為全連接示意圖，由圖層到后一層神經(jīng)元之間都有邊存在，每條邊都有參數(shù)，由此可見全連。右圖為局部連接，由圖中可以看出僅存在少量的邊，可見參數(shù)減少左右兩圖可以明顯看出連接數(shù)成倍的減少，相應的參數(shù)也會減少。??

隨機池化（Ｒａｎｄｏｍ?ｐｏｏｌｉｎｇ）。池化操作的優(yōu)勢之處在于雖然降低了圖像的大小，??但是卻保留了圖片的主要信息，同時也減小了卷積神經(jīng)網(wǎng)絡過擬合的概率。最大值??池化如圖２－２所示。??Ｓｉｎｇｌｅ?ｄｅｐｔｈ?ｓｌｉｃｅ??ｘ（?Ｉ?１?Ｉ?１?Ｉ?２?Ｉ?４???ｍａｘ?ｐｏｏｌ?ｗｉｔｈ?２ｘ２?ｆｉｌｔｅｒｓ?????５?６?７?８?ａｎｄ?ｓｔｒｉｄｅ?２?６?８??３?２?１?０?３?４??１２?３?４??ｙｒ??圖２－２?Ｍａｘ?Ｐｏｏｌｉｎｇ過程示意圖??在圖２－２中，輸入圖像尺寸為４ｘ４，在每２ｘ２的區(qū)域里計算最大的數(shù)值。例如：??Ｍｏｘ｛ｌ，ｌ，２，６｝?＝?６。由于步長為２，因此每２ｘ２的區(qū)域互不重疊，最后輸出的池化特??征大小為２ｘ２，這個過程中分辨率變?yōu)樵瓉淼囊话搿??２．２．２．２卷積神經(jīng)網(wǎng)絡的組成部分??卷積神經(jīng)網(wǎng)絡在特征提取方面比之前的手工特征效果更好，這是由于ＣＮＮ特??殊的組織結(jié)構(gòu)來決定的。卷積層與池化層一般輪流出現(xiàn)在網(wǎng)絡中，網(wǎng)絡的最后一般??為１？２層全連接層，全連接層負責把提取的特征圖連接起來，最后通過分類器得??到最終的分類結(jié)果。??１．卷積層??在卷積層中，當定義好步長、填充以及卷積核的大小時，將卷積核在填充好的??輸入圖像上進行滑動卷積

??圖２－３卷積操作的示意圖??卷積核的參數(shù)即網(wǎng)絡須要根據(jù)數(shù)據(jù)學習的參數(shù)。通過前向傳輸和反向傳播，不??斷地更新卷積核的參數(shù)，直到系統(tǒng)變得穩(wěn)定，卷積核的參數(shù)不再更新。卷積的計算??公式如式（２－１）所示。??？／＝／（Ｖ?＋?Ｚａ／＇ｌ！ＮＶ）?（２－ｉ）??ｉ＾Ｍ／??其中ａ／是／層的第＿／個神經(jīng)元的輸出值，Ｍ；是所有傳輸進來的特征圖，尤是可學??習的特征核。??假設卷積核的尺寸是尤，傳輸進來的圖像的尺寸是Ｍ，步長是Ｓ，則根據(jù)式??（２－２）可得輸出特征圖的尺寸。??＃?＝?＾—?＋?１?（２－２）??這樣的卷積存在兩個缺點，一方面，每次卷積都會導致圖像尺寸的變小，如果??圖像很小、進行卷積的次數(shù)很多，最后可能只會剩下一個像素。另一方面，輸入圖??像的矩陣邊緣像素只被計算過一次，而中間像素被卷積計算多次，這就意味著丟失??圖像邊緣信息。這時就需要對輸入圖像進行填充操作來解決這兩個問題
【參考文獻】

相關期刊論文 前10條

1 劉鎮(zhèn);郝冬寧;梅向東;;基于CUDA的并行加速渲染算法[J];中國圖象圖形學報;2013年11期

2 王世旭;呂干云;;基于標簽傳播半監(jiān)督學習的電壓暫降源識別[J];電力系統(tǒng)及其自動化學報;2013年04期

3 魏有法;;基于Matlab的圖像平滑算法淺析[J];機電技術;2013年03期

4 葉潤青;牛瑞卿;張良培;易順華;;基于圖像分類的礦物含量測定及精度評價[J];中國礦業(yè)大學學報;2011年05期

5 湯姆·西蒙奈特;;用手機玩“云”游戲[J];科技創(chuàng)業(yè);2011年01期

6 畢昕;丁漢;;TFT-LCD Mura缺陷機器視覺檢測方法[J];機械工程學報;2010年12期

7 田緒紅;江敏杰;;GPU加速的神經(jīng)網(wǎng)絡BP算法[J];計算機應用研究;2009年05期

8 陳英革;馬力;王小英;;Qt/E中信號和槽機制的分析及教學實踐[J];常熟理工學院學報;2008年10期

9 張念;溫兆麟;章沛;;基于虛擬儀器的在線機器視覺檢測系統(tǒng)[J];機床與液壓;2008年05期

10 程萬勝;冷顯國;趙杰;李長樂;;一種帶鋼表面缺陷實時檢測系統(tǒng)的研制及應用[J];冶金自動化;2006年03期

相關碩士學位論文 前6條

1 沈紅佳;基于深度模型的手機屏幕缺陷檢測和分類算法研究[D];浙江大學;2018年

2 黃騰;基于卷積神經(jīng)網(wǎng)絡的車型識別研究[D];華北電力大學;2017年

3 趙麗娜;液晶顯示器缺陷自動識別系統(tǒng)研究與應用[D];蘇州大學;2010年

4 劉波;手機屏幕圖像缺陷檢測方法的研究[D];安徽大學;2010年

5 胡林和;機器視覺缺陷檢測系統(tǒng)若干問題的研究[D];合肥工業(yè)大學;2010年

6 薛海棠;基于神經(jīng)網(wǎng)絡模型的微懸臂梁力學特性研究[D];中北大學;2009年

本文編號：2839154