论文部分内容阅读
近年来,随着智能手机的普及和液晶屏行业的高速发展,基于图像处理、计算机视觉的智能化屏幕检测算法逐渐代替传统的人工检测。手机屏中Mura缺陷,作为一种形状多样、低对比度的屏幕缺陷,一直是手机屏检测的难点。针对人工设计的Mura缺陷特征存在抽象程度低且鲁棒性差的问题,本文搭建了多通道的卷积神经网络MSFE-Net来实现手机屏多尺度缺陷的特征提取,并加入中心损失函数监督模型训练,从而使同类别缺陷的特征内部收敛,因此MSFE-Net提取的缺陷特征具有更强的鲁棒性。目前,基于计算机视觉的算法大多只针对几种型号的屏幕数据进行算法设计,因此无法适用于新型号的屏幕数据。针对以上问题,本文基于卷积神经网络和循环神经网络提出了“自比较”模型SC-Net来改善算法的通用性。SC-Net结构包括MSFE-Net、BiLSTM和预测层,其前向计算过程如下:首先使用MSFE-Net提取相邻图像块的特征描述序列,然后使用双向循环神经网络来完成特征描述序列的上下文信息对比与全局信息整合,最后使用预测层得到每个图像块存在缺陷的概率值。在同一张手机屏图像中,相邻图像块互相比较的方式能抵消掉背景纹理与环境因素的影响,从而增强模型对新数据的适应性,因此模型的通用性得到了有效的提升。本文构建了两种型号的手机屏数据集,并只使用第一种型号的屏幕数据集对模型进行训练,而第二种型号的屏幕数据集作为测试集。最终,在兼顾实时性的情况下,SC-Net在测试集上的准确性与召回率远都远高于著名的卷积神经网络AlexNet。SC-Net是将手机屏缺陷检测问题转化成二分类问题,因此只能判断屏幕是否存在缺陷,而不能得到缺陷的准确坐标与缺陷类型。为了满足不同厂商对手机屏缺陷的检测需求,本文在SSD(Single Shot MultiBox Detector)模型的基础上进行优化,如采用轻量级网络代替原有的骨架网络、引入焦点损失、融入特征金字塔和使用聚类算法寻找最佳的anchor参数,最终提高了SSD模型的准确性与实时性。实验结果表明,本文提出的自比较模型在开源数据集DAGM2007和自建的手机屏数据集上都具有良好的准确性和通用性。同时,改进后的SSD模型能实时检测手机屏缺陷的准确坐标与类别,为厂商改进手机屏的制作工艺提供巨大帮助。