基于深度学习的手机屏幕缺陷检测研究

• 作 者: 欧阳健燊
• 出 处: 华南理工大学
• 发表日期: 2004年期
• 关键词: 缺陷分类标准 成像系统 缺陷提取 缺陷分类 深度学习

手机屏幕具备高硬度、高强度、耐划伤、高透过率及优异的抗冲击等性能,但在其的生产过程中,会出现一些缺陷,影响着手机的质量和外观。因此,需要采用有效的方法对手机屏幕的缺陷进行检测,以便改进对应的生产工艺,提高手机屏幕的生产质量。近年来,深度学习的发展越来越成熟,主要是因为其分类效果优异的表现,本文将以手机屏幕的缺陷为研究对象,基于深度学习的方法,对手机屏幕的缺陷进行检测。首先,对手机屏幕的缺陷的特性进行分析,并定义了本文的缺陷检测标准,确定了把缺陷分为:尘埃、点刺伤、线刺伤、划痕、毛丝、面刺伤、灰尘团、污渍、崩边缺陷、字符缺陷和IR孔缺陷。对缺陷提取算法进行了研究,针对算法对不同型号的手机屏幕的通用性问题与缺陷的提取精度的问题,本文将对提取算法分为4个小模块,信息获取模块主要是用来解决通用性问题;初步缺陷检测模块主要是用来提高程序的效率;区域分割模块主要是解决了缺陷提取精度的问题;缺陷提取模块是对每个区域采用针对性的图像处理,从而精准的提取缺陷。然后,对缺陷分类算法进行了研究,采用多分类器方式进行分类,该方式能够提高了分类的准确率。分类项目分别是:点线面分类、点缺陷分类、线缺陷分类、面缺陷分类、字符缺陷分类和IR孔缺陷分类。研究了Inception-v3、Inception-v4、Resnet-v2-152、Inception-resnet-v2、Vgg16和Vgg19的六种网络的结构,并设计了缺陷分类算法的基本框架。其次,针对缺陷的成像特性,参与讨论成像硬件系统的开发,解决了缺陷检测精度高与成像对比度低的问题。最后,对每个分类项目分别测试对六种神经网络的性能,选择性能最佳的网络结构,并对手机屏幕缺陷检测程序进行整合,利用三种不同型号的屏幕,分别对缺陷提取和缺陷分类进行稳定性和准确性测试。实验结果表明,本文提出的缺陷检测程序的漏检率为0.87%,过检率为0.53%,精确度达到97.096%,检测的时间为2.33s/p,符合工业检测的基本要求。