【技術實現步驟摘要】
本專利技術涉及視覺檢測，尤其涉及導光板缺陷的檢測方法、裝置和可存儲介質。
技術介紹
1、導光板作為液晶顯示屏后面一塊透明的平板，可以將線光源轉換成面光源，從而使液晶屏均勻點亮，目前導光板應用在各種電子器件的顯示模組中。液晶本身并不會發光，在液晶背后再加上一個能映射出光照源的背光模組從而清晰呈現顯示內容，所以背光模組也是液晶面板的重要零組件之一。而背光模組則主要由光照源、導光板、光學用薄膜、以及其他機構部件組成。
2、在當今電子產品制造業迅速發展的大背景下，導光板已成為了許多高度智能、信息化的電子產品的顯示構件基礎，其產品對于日常生活及其上下游各產品的發展也起著非常關鍵的作用。因此導光板缺陷檢測尤為重要。以前導光板的缺陷檢測是人工肉眼檢測的狀態，人工檢測是在昏暗的工廠無塵環境下，使用合適的高亮度光源照射后通過人眼觀察缺陷，一直處于兩班倒的模式，長時間工作容易使人眼疲勞且損傷視力。將機器視覺技術應用于導光板缺陷檢測問題可以降低工人勞動強度，提高檢測結果可靠性，提高生產效率，從大量復雜重復的工作環境中解放勞動力。
3、但現有的視覺檢測是將拍攝圖像轉化成灰度圖，通過檢測缺陷的灰度值與背景的灰階差從而抓取缺陷范圍，這種方法檢測導光板缺陷時，存在一定的局限性，例如對比度不明顯、缺陷尺寸較小的缺陷，存在漏檢等問題；對于不規則缺陷，存在抓取不完全等問題。
技術實現思路
1、為克服上述缺點，本專利技術的目的在于提供導光板缺陷的檢測方法、裝置和可存儲介質，采用ai算法對導光板缺
2、為了達到以上目的，本專利技術采用的技術方案是：導光板缺陷的檢測方法，包括如下步驟：
3、獲取待測導光板的待測圖像，并對所述待測圖像進行處理形成待測導光板的完整圖像數據；
4、將所述完整圖像數據輸入到預設的ai算法中進行檢測；
5、所述ai算法輸出第一檢測結果；
6、對所述第一檢測結果中判定為不合格的產品進行二次復判，并形成第二檢測結果。
7、本專利技術的有益效果在于：采用ai算法對導光板缺陷檢測，快速準確地檢測導光板缺陷，有效提高產品出廠的品質，對提高產品一致性。再通過ai算法做過一次檢測后，添加二次復判，二次復判的工作量大大減小，但又能提高檢測的準確率。
8、進一步來說，所述ai算法具體包括：
9、收集樣本集，所述樣本集包括包含缺陷的圖像和不包含缺陷的圖像；
10、特征提取，分析缺陷類型，對所述樣本集內的圖像進行缺陷標注；
11、模型訓練，將標注過缺陷的圖像輸出預設的神經網絡模型進行訓練，得到一個初始ai模型；
12、模型評估和優化，使用驗證數據集來驗證初始ai模型，并根據驗證結果優化初始ai模型以形成測試ai模型；
13、部署模型，所述測試ai模型用于完成圖像數據的處理和檢測。
14、讓最終生成的測試ai模型，更準確，效果更好。
15、進一步來說，所述使用驗證數據集來驗證初始ai模型具體包括：
16、將所述驗證數據集輸出初始ai模型中，并輸出驗證結果，其中所述驗證數據集為已標注缺陷且未參與訓練的圖像；
17、將驗證結果與驗證數據集內的標注缺陷進行比較；
18、若一致則驗證合格，否則，對初始ai模型進行優化。
19、進一步來說，將標注過缺陷的圖像輸出預設的神經網絡模型進行訓練，得到一個初始ai模型具體包括：
20、網絡構建,選擇神經網絡模型，神經網絡模型包括輸入層、隱藏層和輸出層，并確定每個層的節點數和激活函數；
21、損失函數選擇，根據缺陷的類型和缺陷的特點，選擇損失函數來衡量模型的預測結果與真實標簽之間的差異；
22、參數初始化，對所述神經網絡模型的參數進行初始化；
23、前向傳播，將輸入數據通過所述神經網絡進行前向傳播，得到神經網絡模型的預測結果。
24、計算損失，將預測結果與真實標簽進行比較，計算損失函數的值；
25、反向傳播，根據損失函數的值，通過反向傳播算法計算神經網絡模型參數的梯度；
26、參數更新，使用優化算法，根據參數的梯度更新神經網絡模型的參數；
27、重復迭代，重復進行前向傳播、計算損失、反向傳播和參數更新的過程，直到達到預設的停止條件，形成初始ai模型。
28、進一步來說，所述ai算法還包括監控與維護，對所述測試ai模型的性能進行定期監測和定期訓練。定期更新驗證數據，如果測試結果不滿足生產要求，對該周期內的所有樣本進行分析優化，以達到生產要求為準。
29、進一步來說，當對初始ai模型進行優化后，再次使用驗證數據集來驗證，直至驗證通過，形成形成測試ai模型。不斷訓練，直至測試ai模型被固定。
30、進一步來說，一個所述導光板至少采集兩個待測圖像，對所述待測圖像進行處理形成待測導光板的完整圖像數據具體包括：
31、圖像預處理，校正所述待測圖像的色差，減少所述待測圖像的畸變，并對齊同一個導光板的所有待測圖像；
32、圖像拼接，提取待測圖像的特征點，將所述待測圖像進行拼接，形成一個完整圖像數據。
33、由于導光板體面積較大，單獨的一個待測圖像不足以覆蓋整個待測導光板，因此對待測導光板的不同位置進行拍攝得到待測圖像，通過這些待測圖像處理得到一個完整的待測導光板的完整圖像數據。要確保兩個待測圖像有重疊部分，并且要使用相同的焦距、光照條件和設置以確保兩個待測圖像之間的連續性。
34、本專利技術還公開一種導光板缺陷的檢測裝置，包括：
35、采集模塊，所述采集模塊用于采集待測導光板的待測圖像；
36、控制器，所述控制器用于接收待測圖像，并采用上述的檢測方法。
37、本專利技術還公開一種計算機可存儲介質，所述計算機可存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現上述的檢測方法。
本文檔來自技高網...【技術保護點】
1.導光板缺陷的檢測方法，其特征在于：包括如下步驟：
2.根據權利要求1所述的導光板缺陷的檢測方法，其特征在于：所述AI算法具體包括：
3.根據權利要求2所述的導光板缺陷的檢測方法，其特征在于：所述使用驗證數據集來驗證初始AI模型具體包括：
4.根據權利要求2所述的導光板缺陷的檢測方法，其特征在于：將標注過缺陷的圖像輸出預設的神經網絡模型進行訓練，得到一個初始AI模型具體包括：
5.根據權利要求2所述的導光板缺陷的檢測方法，其特征在于：所述AI算法還包括監控與維護，對所述測試AI模型的性能進行定期監測和定期訓練。
6.根據權利要求1所述的導光板缺陷的檢測方法，其特征在于：當對初始AI模型進行優化后，再次使用驗證數據集來驗證，直至驗證通過，形成形成測試AI模型。
7.根據權利要求1-6任一所述的導光板缺陷的檢測方法，其特征在于：一個所述導光板至少采集兩個待測圖像，對所述待測圖像進行處理形成待測導光板的完整圖像數據具體包括：
8.一種導光板缺陷的檢測裝置，其特征在于：包括：
9.一種計算機
...【技術特征摘要】
1.導光板缺陷的檢測方法，其特征在于：包括如下步驟：
2.根據權利要求1所述的導光板缺陷的檢測方法，其特征在于：所述ai算法具體包括：
3.根據權利要求2所述的導光板缺陷的檢測方法，其特征在于：所述使用驗證數據集來驗證初始ai模型具體包括：
4.根據權利要求2所述的導光板缺陷的檢測方法，其特征在于：將標注過缺陷的圖像輸出預設的神經網絡模型進行訓練，得到一個初始ai模型具體包括：
5.根據權利要求2所述的導光板缺陷的檢測方法，其特征在于：所述ai算法還包括監控與維護，對所述測試ai模型的性能進行定期監測和定期訓練...
【專利技術屬性】
技術研發人員：王世澤，王蘇川，吳宣東，汪琦，
申請(專利權)人：科為升視覺技術蘇州有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。