本站小編為你精心準備了深度學習下的偏光片檢測技術探究參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：偏光片外觀缺陷的在線檢測一直以來就是業(yè)界難題，深度學習工具的出現(xiàn)有助于改善這一現(xiàn)狀。實驗中，對含有缺陷的偏光片進行圖像采集，并將采集到的圖像分成訓練集和驗證集。在訓練集中利用深度學習工具學習到了缺陷的特征閾值，將閾值應用到驗證集中進行缺陷檢測，得到很好的檢測效果。然而，打痕缺陷由于圖像采集的原因并不能完全檢出。此外，偏光片自身的翹曲對檢測也有一定程度的影響。

關鍵詞：深度學習偏光片視覺檢測

引言

成卷的偏光材料經(jīng)過貼合、除泡、切割、邊緣磨削等一系列工藝，都會對偏光片內(nèi)層或者是表面造成各種各樣的缺陷。對這些缺陷的檢測一般采用兩種手段，第一是人工檢測，第二是機器視覺檢測。人工檢測，是通過專業(yè)的檢驗員在封閉的光照環(huán)境中使用放大鏡去觀測各種缺陷。機器視覺系統(tǒng)，圍繞合適的相機分辨率和光學系統(tǒng)建立，針對不同的缺陷類型開發(fā)了固定算法，在實際工業(yè)自動化中已經(jīng)非常的成熟。深度學習是采用人工智能的手段將人為的基礎訓練同機器視覺結合起來。本質(zhì)上來說，深度學習就是教會機器像人類一樣做事情。從最初的一個核心邏輯開始訓練，提供新的圖像信息時，不斷地調(diào)整參數(shù)，提高學習的能力[1]。為了能夠檢出偏光片上存在的異物、氣泡、打痕、壓痕等缺陷，首先進行相機、光源的選型，依照視覺系統(tǒng)的檢出要求，設計了視覺檢測平臺，采集了足夠的缺陷樣本圖像。將圖像按照一定的比例分成訓練集和驗證集，在訓練集中學習各種缺陷的特征，在驗證集中對各種缺陷進行驗證性檢測。

1偏光片檢測實驗平臺搭建

1.1檢測要求

本研究結合某偏光片制造商的技術要求進行。按照技術要求，基于偏光片的尺寸范圍150mm×80mm~400mm×230mm，對偏光片上存在的異物、氣泡、打痕、壓痕進行檢出實驗。SP面異物，指的是SP面的PET和粘合劑之間的異物現(xiàn)象。PF面異物，指的是PF面的PET和TAC之間的異物現(xiàn)象。內(nèi)異物，指的是PVA與TAC層間異物現(xiàn)象。氣泡，指的是PVA內(nèi)呈圈狀的小白點打痕，表示膜片表面（SP或PF面）側凹進或者凸出的現(xiàn)象出現(xiàn)。壓痕，顧名思義就是膜片表面有壓痕狀。

1.2視覺系統(tǒng)選型

為了滿足所有的檢測尺寸，視覺系統(tǒng)的選型按照最大尺寸400mm×230mm進行，擬采用8K的線掃相機。制品流動方向短邊進入，因此8K線掃相機的檢測精度可以達到230/8192=0.028mm/pix，一般來講10個像素可以完整地表示特征，即精度可以達到280μm。綜合考慮檢測技術要求、檢測速度、處理時間以及算法多方面的考慮，選擇康耐視CCD系統(tǒng)以及它的基于深度學習的工業(yè)圖像分析VIDI套件進行實驗。康耐視ViDi套件是基于深度學習的圖像分析軟件，主要包括4個工具包：Locate，Analyze，Classify，Read。本次偏光片的缺陷檢測采用了ViDi的Analyze工具，用來學習和檢測偏光片的外觀缺陷。1.3實驗平臺及圖像采集依據(jù)以上的分析，搭建了如圖1的視覺檢測平臺。視覺檢測平臺包括整體支架、線掃相機鏡頭系統(tǒng)、光源系統(tǒng)、偏光片、傳送機構、圖像采集系統(tǒng)等。

2基于深度學習實驗結果分析

在上一節(jié)的實驗平臺中，對圖像進行了采集。按照客戶標注的缺陷式樣，依次進行了圖像的采集。

2.1對訓練集的學習

本次實驗共采集了各種缺陷圖片225張，采用其中21張作為訓練集進行學習，數(shù)量是隨機選取的，沒有特別的意義。學習時，輸入所有的圖像以及一個任意設定的閾值。閾值的設定可以根據(jù)經(jīng)驗，也可以隨意輸入。任意輸入會帶來學習時間的延長，長期實驗下來，基本都會有一個經(jīng)驗閾值。經(jīng)過計算，評分小于0.43的圖片是OK圖片，評分大于0.44的是NG圖片。

2.2對測試圖像驗證

圖2是驗證OK的圖片。左下角是對應的評分0.06，小于之前設定的閾值，因此這些圖片是標定為OK也測試為OK的。從圖上看雖然有些糊污或者灰塵的干擾，但還是能夠準確地判定正確。圖3是驗證NG的圖片。對應的評分分別是0.59，大于之前設定的閾值。從這幾張圖片來看，明顯的缺陷在沒有外界干擾的情況下可以100%檢測出來，但實際情況往往會很復雜，因此存在一些誤判的情況，圖4就是一張誤判的情況。可以看到，缺陷非常的小，基本上和周圍的環(huán)境融為一體了，評分0.37，也小于閾值。這種情況是學習過程中，周圍環(huán)境造成的，而在高等級的潔凈車間中，這種學習失誤會少很多。誤判不可避免，只能是盡量減少，降低誤判率。對于這種把NG品當成OK品的情況是不允許出現(xiàn)的，基本上要重新調(diào)整參數(shù)和測試環(huán)境。還有另外一種干擾誤判，將OK品判斷為了NG品，如圖5所示。評分是0.45，超過了我們設定的閾值。可以明顯看到，偏光片表面干擾項太多造成了誤判，這種誤判也必須降低。從以上的結果來看，基本上能夠拍攝出來的缺陷照片都可以完全檢測出來，異物、氣泡、壓痕比較容易檢測，打痕由于是類2.5d圖像，自身成像困難的原因，并不能很好地檢測。此外，卷邊以及表面糊污對檢測結果也有很大的影響。

3結論

1）從算法上講，機器視覺算法固定，而深度學習算法可以根據(jù)新的樣本不斷進行學習，實時地優(yōu)化自己的檢測能力，雖然受限于硬件成本方面的原因，在市場的應用方面不如傳統(tǒng)機器視覺檢測，但未來的技術應用是非常有前景的。2）自動化設備配備人工智能技術，是未來的發(fā)展趨勢。基于深度學習技術將人工智能應用到了產(chǎn)品的自動化檢測上來，相當于給自動化設備裝上了人眼和人腦。在專用設備行業(yè)，配合人工智能技術，會研發(fā)出更多的專門化、定制化的高端裝備。3）在圖像的采集過程中，偏光片由于存在邊緣翹曲，在翹曲部分不能夠完整地采集到圖像，只是翹曲部分的一個投影，這樣就影響翹曲部分的缺陷檢測。因此，在圖像采集的時候，必須盡量保證偏光片的平整，因此在機構的設計時這是一個考慮的重點。4）在圖像采集過程中，發(fā)現(xiàn)對于類似凹凸點的打痕缺陷，現(xiàn)有的光源不易將此類缺陷照射出來。無論是變換角度，還是更換光源的安裝位置，都不能將所有的缺陷樣片拍攝出來。有研究發(fā)現(xiàn)，黑白相間的條紋光[2]，由于對比度的不同可以將凹凸點缺陷很好地打出來[3]，因此，對打痕缺陷的圖像采集也是一個研究的重難點。

參考文獻

[2]賀健.偏光片外觀缺陷成像仿真與檢測[D].深圳：深圳大學，2016.

[3]賴文威.偏光片外觀缺陷成像機理與檢測技術研究[D].深圳：深圳大學，2017.

作者：石鵬飛 單位：中電科風華信息裝備股份有限公司