对于显示器缺陷检测问题,我们利用深度学习和传统图像处理相结合的方式,对采集到的图像进行预处理,除去生产线上员工对显示屏产品做的各项标注,除去噪音干扰,利用卷积神经网络的特征提取特性,学习缺陷的特征,进行分类识别和回归预测,从而达到检测的目的。
一、检测准备:
对于现有样本,我们可以将缺陷和噪声干扰分开后,进行尺度、位置、旋转等变换,再进行重新组合,从而实现样本的扩充,数据的增强。如下图:
缺陷图:
生成样本图:
二、检测结果:
1.噪声标注等干扰的去除
原始图片为上文的缺陷图,经过预处理得到:
至此,我们完成的工作的第一步,把生产线上的标注和噪声进行了去除,为下一步的检测做准备。
2.缺陷的检测
针对缺陷的特点,我们利用RCNN网络模型检测,我们搜寻网络缺陷图,对卷积网络模型进行训练。
卷积网络训练结果如下:
左边为训练时的准确率,右边为验证时的准确率。横坐标代表训练次数,纵坐标代表准确率。由图可见,在50次训练后,结果基本稳定在96.44%,取得了较好的结果。
测试结果如下:
三、结论:
经过测试实验,我们得出了利用RCNN卷积神经网络对缺陷的检测的可行性。当然,采用更加深度的模型会带来更好的结果。
领取专属 10元无门槛券
私享最新 技术干货