【技術實現步驟摘要】
本專利技術涉及一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，屬于圖像處理和機器視覺。
技術介紹
1、在手機生產制造過程中，手機后蓋的質量直接影響到產品的外觀和使用體驗。傳統的缺陷檢測方法主要依賴于人工檢測或單一光譜圖像的自動化檢測，但這些方法在處理復雜光照環境或微小缺陷時存在局限性。隨著多光譜成像技術的發展，不同光譜下的圖像可以提供更多的表面和結構信息，為更加精確的缺陷檢測提供了可能。然而，多光譜圖像的處理、有效的特征提取以及高精度的缺陷識別，仍然是當前技術中的挑戰。針對這些問題，本專利技術提出了一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，能夠顯著提高缺陷檢測精度。
技術實現思路
1、本專利技術要解決的技術問題是提供一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，在復雜照明環境下，多光譜圖像的處理、有效的特征提取以及高精度的缺陷識別存在局限性的問題。
2、本專利技術的技術方案是：一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，通過結合不同光譜下的圖像數據與深度學習技術，能夠有效識別并檢測手機后蓋上的復雜缺陷，提升復雜照明環境下的檢測性能，具體步驟為：
3、step1：通過多光譜相機獲取手機后蓋在不同光譜下的圖像數據，所述光譜包括可見光下的16種不同波段的光譜。不同光譜可以捕捉到不同的缺陷信息，例如，在白光照射下的缺陷不明顯但在黃色光照下相對更加明顯；
4、step2：對收集到的圖像進行去噪、裁剪和光照補償等預處理操作以提高圖像質量和一致性；
5、step3：對收集到的手機外殼多光譜數據進行標注；
6、step4：對yolov7進行空洞空間池化金字塔和se注意力模塊兩部分的改進；
7、step5：使用標注好的數據集對改進后的yolov7模型進行訓練；
8、step6：利用訓練好的模型對手機外殼圖像進行檢測；
9、step7：輸出的缺陷檢測的結果。
10、所述step1具體為：
11、所述16種不同波段的光按顏色分為：暗紅色、白色、橙色、粉色、褐色、紅色、黃色、藍色、冷白色、綠色、暖白色、淺藍色、深紅色、深黃色、深藍色、紫色。
12、所述step2具體為：
13、step2.1：利用中值濾波或雙邊濾波對圖像進行去噪，減少噪點對缺陷識別的干擾。
14、step2.2：使用自適應直方圖均衡化等方法，補償圖像中的光照不均，確保多光譜圖像亮度一致。
15、step2.3：由于多光譜成像設備可能存在位移，使用特征點匹配算法對不同光譜下的圖像進行對齊，以確保后續的圖像融合和特征提取的準確性。
16、所述step3具體為：使用labelimg工具對缺陷圖片進行標注，將缺陷分為塊狀異色缺陷和點狀小目標缺陷。
17、所述step4具體為：
18、首先在yolov7模型的檢測頭部分添加空洞空間池化金字塔模塊，所述空洞空間池化金字塔模塊讓網絡在進行特征提取過程時擴大卷積操作的感受野且保證分辨率不降低，然后，在模塊主干部分添加se注意力機制模塊，通過自動學習的方式獲取特征圖每個通道的重要程度，用所述重要程度去給每個通道賦予一個權重值，讓模型重點學習權重學習權重值大的通道特征。
19、所述step6具體為：
20、使用step5中訓練好的權重文件對測試集里的手機后蓋缺陷圖片進行檢測。
21、所述step7具體為：
22、檢測的結果圖中包括缺陷類型、缺陷位置、缺陷大小以及檢測的置信度，同時包含精確率、召回率以及map值的數值結果輸出。
23、本專利技術的有益效果是，本專利技術與現有技術相比，具有以下優點：
24、(1)通過使用多光譜圖像，能夠在不同光譜下檢測出更多的缺陷信息，提升檢測的全面性和準確性。
25、(2)通過圖像預處理和融合，保證了不同光譜圖像的一致性，減少了光照不均和噪聲對檢測結果的干擾。
26、(3)深度學習模型中的空洞空間池化金字塔和注意力機制兩個模塊增強了對細微缺陷的識別能力，特別適用于復雜的手機后蓋缺陷檢測任務。
27、(4)該方法魯棒性強，能夠適應不同光照條件下的缺陷檢測需求，并且檢測結果穩定可靠。
本文檔來自技高網...【技術保護點】
1.一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于：
2.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于，所述16種不同波段的光按顏色分為：暗紅色、白色、橙色、粉色、褐色、紅色、黃色、藍色、冷白色、綠色、暖白色、淺藍色、深紅色、深黃色、深藍色、紫色。
3.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于，所述Step2具體為：
4.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于，所述Step3具體為：所述圖像對齊步驟通過特征點匹配算法將不同光譜下的圖像對齊。
5.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于，所述Step4具體為：首先在YOLOv7模型的檢測頭部分添加空洞空間池化金字塔模塊，所述空洞空間池化金字塔模塊讓網絡在進行特征提取過程時擴大卷積操作的感受野且保證分辨率不降低，然后，在模塊主干部分添加SE注意力機制模塊，通過自動學習的方式獲取特征圖每個通道的重要程度，用所述重要程度去給每個通
6.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于所述Step7具體為：所述檢測結果輸出可視化結果圖上包括缺陷得類型、位置和檢測置信度的輸出，同時包含精確率、召回率以及mAP值的輸出。
...【技術特征摘要】
1.一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于：
2.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于，所述16種不同波段的光按顏色分為：暗紅色、白色、橙色、粉色、褐色、紅色、黃色、藍色、冷白色、綠色、暖白色、淺藍色、深紅色、深黃色、深藍色、紫色。
3.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于，所述step2具體為：
4.根據權利要求1所述的一種基于多光譜圖像的手機后蓋缺陷識別與檢測方法，其特征在于，所述step3具體為：所述圖像對齊步驟通過特征點匹配算法將不同光譜下的圖像對齊。
5.根據權利要求1所述的...
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。