申请/专利权人：浙江理工大学

申请日：2021-06-24

公开（公告）日：2024-01-23

公开（公告）号：CN113327243B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/62;G06V10/762;G06V10/764;G06V10/82;G06N3/0464;G06N3/045;G06N3/084;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.01.23#授权;2021.09.17#实质审查的生效;2021.08.31#公开

摘要：本发明属于深度学习的图像识别领域，具体公开了一种基于AYOLOv3‑Tiny新框架的PAD导光板缺陷可视化检测方法，包括在手机导光板生产线末端，采用高分辨率线扫相机采集获得导光板图像，然后截取成一组分辨率为416*416的小图像，输入上位机里的具有在线生成能力的PAD导光板缺陷检测模型中，输出获得带有缺陷标记及置信度的导光板图像，用以实现对导光板上的点、线、面缺陷的进行预测缺陷的位置以及类别。

主权项：1.基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法，其特征在于：在手机导光板生产线末端，采用高分辨率线扫相机采集获得导光板图像，然后截取成一组分辨率为416×416的小图像，输入上位机中的具有在线生成能力的PAD导光板缺陷检测模型，输出获得带有缺陷标记及置信度的导光板图像，将结果输出并存储在上位机中；所述PAD导光板缺陷检测模型基于YOLOv3-Tiny网络构建，包括主干网络层和检测层，主干网络层包括7层网络结构，依次为：第1层为卷积层、第2、3层均为最大池化层+OSM模块、第4-7层均为最大池化层+卷积层，第5层输出的26×26特征图和第7层输出的13×13特征图作为检测层的输入；检测层包括第8层的卷积层、第一预测通道和第二预测通道，主干网络层输出的13×13特征图经过第8层后分别进入第一预测通道和第二预测通道，第一预测通道依次包括第9-11层，13×13特征图依次通过第9层的DCM模块、第10层的卷积层和第11层的第一预测头层；第二预测通道依次包括第12-16层，第12层卷积层输出的13×13特征图与第五层输出的26×26特征图在第13层的上采样层进行concatenate连接后输出26×26的特征图，再依次通过第15层的卷积层和第16层的第二预测头层；最终输出具有缺陷标记和置信度的导光板图像；所述OSM模块：包括一个大小为2、步长为1的重叠池化层、一个3*3的卷积模块和一个空间注意力模块，将重叠池化后的特征图经过空间注意力模块，并与卷积模块输出进行element-wise乘法，空间注意力模块连接重叠池化层的输出和卷积模块的输出；OSM模块的计算过程如下： 其中，F为重叠池化后的特征图，P为OSM模块的输入，表示对P进行大小为2，步长为1的重叠池化，B为批归一化，L为LeakyRelu激活函数，表示element-wise乘法，MF为空间注意力； 其中，和表示在通道维度上进行平均池化和最大池化，f3′3表示3×3的卷积；σ表示sigmoid激活函数；OSM模块的输出为： 其中，F为重叠池化后的特征图即卷积层convlayer的输入，B为批归一化BatchNormalization，L为LeakyRelu激活函数，表示element-wise乘法；OSM模块可以将浅层语义特征向后传播，更加有利于网络对缺陷特征的提取，提高了检测的准确率；所述DCM模块：包括一个膨胀率为2的膨胀卷积和一个1*1的卷积层，并且通过shortcut直接连接DCM模块的输入和输出，膨胀卷积后执行批归一化操作和激活函数；所述主干网络层中第7层最大池化层大小为2，步长为1，其余最大池化层大小和步长均为2；所述主干网络层和检测层中的卷积层均包含一次卷积操作、批归一化BN以及激活函数；所述具有在线生成能力的PAD导光板缺陷检测模型的获取过程为：1、采集在线生产的1300幅导光板图像，然后截取了2104幅包含点、线、面三类缺陷的小图像，每幅小图像分辨率为416×416，对每个小图像进行数据增强的处理，包括对原图像进行50％概率的镜像，以及对亮度进行120％～150％的增强，获得包含缺陷的图像共计3680幅；然后针对数据增强后的图像中的每个缺陷类型，按照6：2：2的比例将预处理后的图像划分训练集、验证集及测试集；2、第一预测头层选取62，35、138，111、414，205三组先验框；第二预测头层选取31，28、35，35、47，58三组先验框；建立损失函数如下：Loss＝ωboxLbox+ωobjLobj+ωclsLcls其中，ωbox、ωobj和ωcls分别选取3.54、64.3和37.4，Lbox为坐标预测误差，Lobj为置信度误差，Lcls为分类误差；3、训练总轮数为200，训练中的batchsize取8；优化器采用SGD优化器，初始学习率和最终学习率为0.01和0.0001，学习率更新策略采用lamda函数λx；动量为0.9，权重衰减为0.0005，非极大抑制NMS方法采用merge法，数据增强采用Mosaic方法， 将训练集输入PAD导光板缺陷检测模型，在每轮训练结束时，使用验证集对当前轮次的PAD导光板缺陷检测模型进行检测，以mAP作为当前模型的检测精度，共计训练200轮，取精度最高的模型作为具有在线生成能力的PAD导光板缺陷检测模型。

全文数据：

权利要求：

百度查询： 浙江理工大学 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD