【技術實現步驟摘要】
本專利技術涉及液晶屏異常檢測，尤其是一種基于深度學習的液晶屏異常檢測方法及系統。
技術介紹
1、隨著液晶屏（lcd）技術的廣泛應用，液晶顯示器成為現代電子設備中的重要組成部分，從智能手機、平板電腦、筆記本電腦到電視、工業顯示屏等設備，液晶屏的質量直接影響到最終產品的用戶體驗。然而，由于液晶屏制造工藝的復雜性，在生產過程中容易產生各種缺陷，如亮點、暗點、色差、亮度不均等。這些缺陷不僅影響顯示效果，甚至在某些情況下會導致整塊液晶屏失效。因此，液晶屏在出廠前需要經過嚴格的質量檢測，以確保其顯示效果的完好。
2、傳統的液晶屏檢測主要依賴于人工目檢和簡單的圖像處理算法。人工目檢雖然能夠發現較為明顯的缺陷，但效率低、準確性不足，且容易受人為因素影響，特別是在大批量生產中，人工檢測的效率和一致性都難以保證。而基于圖像處理的傳統檢測算法，通常依賴于簡單的邊緣檢測、顏色差異分析等方法，這些方法對復雜的液晶屏異常，尤其是微小的亮點、暗點和細微的色差問題，檢測能力有限。隨著液晶屏分辨率的提升和用戶對顯示效果要求的不斷提高，傳統檢測方法已經無法滿足當前的檢測需求。
3、但上述技術至少存在如下技術問題：在液晶屏檢測中，對液晶屏圖像處理準確性較差以及特征處理優化不全面。
技術實現思路
1、本專利技術所要解決的技術問題是克服上述現有技術存在的缺陷，提供一種基于深度學習的液晶屏異常檢測方法及系統，其對圖像進行增強處理，以大幅提升圖像的亮度、色彩和對比度，特別是對細微的異常區域的表現力；對圖
2、為此，本專利技術采用如下的技術方案。
3、第一方面，本專利技術提供一種基于深度學習的液晶屏異常檢測方法，其包括步驟：
4、s1.采集液晶屏圖像，對采集到的圖像進行預處理及增強處理，得到增強處理后的圖像數據；
5、s2.對增強處理后的圖像數據進行初步特征提取，之后進行特征優化處理，得到綜合特征集；
6、s3.構建基于深度學習的異常檢測模型，對所述的綜合特征集進行自動化分類檢測處理，得到檢測結果，實現液晶屏異常檢測。
7、進一步地，所述s1中，對預處理后的液晶屏圖像數據使用遞歸自適應多層增強算法進行增強處理，得到增強處理后的圖像數據；所述的遞歸自適應多層增強算法針對液晶屏圖像的色彩和對比度進行多維度調整，以提升圖像中的細微異常區域的表現力，為后續的處理提供更高質量的輸入。
8、更進一步地，在遞歸自適應多層增強算法的實現過程中，對預處理后的液晶屏圖像數據進行動態色彩映射與融合處理；通過不同顏色通道的非線性運算，將紅、綠、藍三通道的像素值進行復雜交互處理，增強圖像的色彩層次和對比度。
9、更進一步地，在遞歸自適應多層增強算法的實現過程中，對動態色彩映射與融合處理后的圖像數據進行遞歸加權處理，通過逐層遞歸計算，對像素值進行層層加權疊加，并通過非線性抑制防止噪聲放大，確保圖像的局部信息得到有效增強，而不會產生過多的偽影或噪聲累積。
10、更進一步地，在遞歸自適應多層增強算法的實現過程中，對遞歸加權處理后的圖像進行自適應局部對比度增強處理。
11、更進一步地，在遞歸加權和對比度增強處理之后，最終需要將所有層次的圖像進行融合，確保不同層次的像素信息能夠相互補充，形成綜合的增強結果；多層融合的目標是通過加權平均的方式將不同增強層次的像素值整合為最終的輸出圖像。
12、進一步地，所述的s2，具體包括：
13、對增強處理后的圖像數據使用現有的特征工程技術進行初步特征提取，獲得初步圖像特征數據，對初步圖像特征數據使用非線性跨特征交互與多維投影優化算法進行特征分析與優化處理，得到綜合特征集；非線性跨特征交互與多維投影優化算法通過復雜的跨特征交互處理、多維非線性投影和歸一化處理，以及多維特征交叉優化，實現對圖像特征數據的精細化處理。
14、更進一步地，在非線性跨特征交互與多維投影優化算法的實現過程中，對初步圖像特征數據進行非線性跨特征交互處理，形成更具表達力的特征數據；在交互矩陣生成后，為了將已經經過交互處理的特征映射到多維的非線性空間，利用非線性映射進一步放大特征的細微差異，對其進行多維非線性投影處理；對投影特征矩陣進行歸一化處理，消除各維度之間的數值不平衡，確保最終輸出的特征矩陣在各個維度上具有一致的數值范圍；對歸一化處理的特征矩陣進行多維特征交叉優化處理。
15、進一步地，所述的s3，具體包括：采用卷積神經網絡構建基于深度學習的異常檢測模型，將綜合特征集通過基于深度學習的異常檢測模型進行處理，得到檢測結果，所述檢測結果為二分類結果，表示液晶屏當前狀態是否正常；當檢測到液晶屏異常時，基于深度學習的異常檢測模型對異常類型進行進一步分類；對于檢測到的異常，基于深度學習的異常檢測模型還對其嚴重程度進行評估。
16、第二方面，本專利技術提供一種基于深度學習的液晶屏異常檢測系統，用于實現上述液晶屏異常檢測方法，其包括：
17、圖像處理單元：采集液晶屏圖像，對采集到的圖像進行預處理及增強處理，得到增強處理后的圖像數據；
18、特征提取及優化處理單元：對增強處理后的圖像數據進行初步特征提取，之后進行特征優化處理，得到綜合特征集；
19、異常檢測單元：構建基于深度學習的異常檢測模型，對所述的綜合特征集進行自動化分類檢測處理，得到檢測結果，實現液晶屏異常檢測。
20、本專利技術具有的有益效果是：
21、1、對圖像進行增強處理，大幅提升了圖像的亮度、色彩和對比度，特別是對細微的異常區域（如亮點、暗點、色差）的表現力，使得后續特征提取和分類更為準確。
22、2、對圖像中的初步特征（如顏色、紋理、邊緣等）進行優化處理，使得特征之間形成更具表現力的特征集，確保綜合特征集能夠涵蓋液晶屏圖像的全部信息，尤其是微小異常區域，實現了液晶屏異常的準確檢測。
本文檔來自技高網...【技術保護點】
1.基于深度學習的液晶屏異常檢測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于深度學習的液晶屏異常檢測方法，其特征在于，所述S1中，對預處理后的液晶屏圖像數據使用遞歸自適應多層增強算法進行增強處理，得到增強處理后的圖像數據；所述的遞歸自適應多層增強算法針對液晶屏圖像的色彩和對比度進行多維度調整，以提升圖像中的細微異常區域的表現力。
3.根據權利要求2所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在遞歸自適應多層增強算法的實現過程中，對預處理后的液晶屏圖像數據進行動態色彩映射與融合處理；通過不同顏色通道的非線性運算，將紅、綠、藍三通道的像素值進行復雜交互處理，增強圖像的色彩層次和對比度。
4.根據權利要求3所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在遞歸自適應多層增強算法的實現過程中，對動態色彩映射與融合處理后的圖像數據進行遞歸加權處理，通過逐層遞歸計算，對像素值進行層層加權疊加，并通過非線性抑制防止噪聲放大，確保圖像的局部信息得到有效增強。
5.根據權利要求4所述的基于深度學習的液晶屏異常檢測方法，其特征
6.根據權利要求5所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在遞歸加權和對比度增強處理之后，最終需要將所有層次的圖像進行融合，確保不同層次的像素信息能夠相互補充，形成綜合的增強結果；多層融合的目標是通過加權平均的方式將不同增強層次的像素值整合為最終的輸出圖像。
7.根據權利要求1所述的基于深度學習的液晶屏異常檢測方法，其特征在于，所述的S2，具體包括：
8.根據權利要求7所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在非線性跨特征交互與多維投影優化算法的實現過程中，對初步圖像特征數據進行非線性跨特征交互處理，形成更具表達力的特征數據；在交互矩陣生成后，為了將已經經過交互處理的特征映射到多維的非線性空間，利用非線性映射進一步放大特征的細微差異，對其進行多維非線性投影處理；對投影特征矩陣進行歸一化處理，消除各維度之間的數值不平衡，確保最終輸出的特征矩陣在各個維度上具有一致的數值范圍；對歸一化處理的特征矩陣進行多維特征交叉優化處理。
9.根據權利要求1所述的基于深度學習的液晶屏異常檢測方法，其特征在于，所述的S3，具體包括：采用卷積神經網絡構建基于深度學習的異常檢測模型，將綜合特征集通過基于深度學習的異常檢測模型進行處理，得到檢測結果，所述檢測結果為二分類結果，表示液晶屏當前狀態是否正常；當檢測到液晶屏異常時，基于深度學習的異常檢測模型對異常類型進行進一步分類；對于檢測到的異常，基于深度學習的異常檢測模型還對其嚴重程度進行評估。
10.基于深度學習的液晶屏異常檢測系統，用于實現權利要求1-9任一項所述液晶屏異常檢測方法，其特征在于，包括：
...【技術特征摘要】
1.基于深度學習的液晶屏異常檢測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于深度學習的液晶屏異常檢測方法，其特征在于，所述s1中，對預處理后的液晶屏圖像數據使用遞歸自適應多層增強算法進行增強處理，得到增強處理后的圖像數據；所述的遞歸自適應多層增強算法針對液晶屏圖像的色彩和對比度進行多維度調整，以提升圖像中的細微異常區域的表現力。
3.根據權利要求2所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在遞歸自適應多層增強算法的實現過程中，對預處理后的液晶屏圖像數據進行動態色彩映射與融合處理；通過不同顏色通道的非線性運算，將紅、綠、藍三通道的像素值進行復雜交互處理，增強圖像的色彩層次和對比度。
4.根據權利要求3所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在遞歸自適應多層增強算法的實現過程中，對動態色彩映射與融合處理后的圖像數據進行遞歸加權處理，通過逐層遞歸計算，對像素值進行層層加權疊加，并通過非線性抑制防止噪聲放大，確保圖像的局部信息得到有效增強。
5.根據權利要求4所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在遞歸自適應多層增強算法的實現過程中，對遞歸加權處理后的圖像進行自適應局部對比度增強處理。
6.根據權利要求5所述的基于深度學習的液晶屏異常檢測方法，其特征在于，在遞歸加權和對比度增強處理之后，最終需要將所有層次的圖像進行融合，確保不同層次的像素信息...
【專利技術屬性】
技術研發人員：楊思潔，裘華東，陳歡軍，劉思，徐韜，于海波，刁新平，徐開，孔德政，周佑，謝澤楠，陸艷，楊依睿，徐一帆，孫舒瑤，黃星堯，葉莘，
申請(專利權)人：國網浙江省電力有限公司營銷服務中心，
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。