随着经济的快速增长,液晶显示器(LCD)因其环保的特性取代了传统的阴极射线管成为显示领域的主流。在液晶显示器中,背光模组不仅为液晶显示器提供光源,还是直接影响其显像效果,而侧入式背光模组因其更加轻薄受到了众多厂家的青睐。近年来,如何提高侧入式这一的核心组件的优良特性,已经成为目前研究的重点。针对导光板的网点烫印工艺环节,为了保证网点烫印质量,通过检测标记线和标记点是否完整以确定网点烫印是否合格。本文完成的主要工作和取得的主要成果如下:一、传统视觉技术研究:(1)在传统视觉技术研究中,本文使用机器视觉预处理算法、特征提取算法和统计学方法进行探索和论证。(2)通过对导光板生产企业现场调研和检测目标特征分析,决定采用传统图像算法针对轻度污染、轻度气泡等特征较为明显的情况进行检测。对导光板标记线纹理结构,改进均值滤波方法,进行单方向滤波。采用机器视觉算法中的阈值分割、形态学方法、倾角矫正、提取投影极值等算法,实现导光板标记线缺陷特征提取。运用高阶多项式拟合算法求差,获取标记线位置预判坐标,通过设置标准差波动范围排除干扰,确定标记线位置。(3)针对导光板标记点检测,本文根据先验知识设置阈值进行阈值分割,使用形态学的方法对边缘位置进行放缩,创建掩码对ROI区进行卷积匹配,同时计算标记点周围像素灰度均方差,最后确定标记点的位置信息,实现标记线和标记点的检测结果可视化。二、深度学习技术:(1)本文设计了一个混合的卷积神经网络,构成了Dense Net-BCNN卷积神经网络,用于对导光板表面出现的气泡、无线和有线等缺陷进行分类。(2)本文采用修改后的Dense Net网络作为特征提取器进行特征提取,使用Bilinear-CNN细粒度算法改善卷积神经网络注意力,提高缺陷检测准确率。(3)本文使用三层全连接层替换Global Average Pooling算法,同时修改Dense Block结构,避免过拟合。使用迁移学习方法对Dense Net-BCNN进行训练,提高缺陷检测准确率的同时,降低参数数量,减少缺陷检测时间。(4)探讨了卷积神经网络在低对比、高纹理、高相似的工业小数据集灰度图片上的缺陷分类。三、算法验证:(1)传统视觉技术在经过实际的测试后,在排除板材严重污染,标记线严重靠边以及气泡区域过大等因素的情况下,平均准确率为99.78%,平均检测时间为166.5ms,达到实用生产要求。(2)深度学习技术在经过测试后得到,参数为1.14MB,平均检测时间为40.1ms。网络参数较V2-Res Net-101网络减少了97.2%。