一种基于图像识别的OCA光学胶缺陷检测方法及系统与流程

本发明涉及缺陷检测，尤其涉及一种基于图像识别的oca光学胶缺陷检测方法及系统。

背景技术：

1、在现代光学制造领域，oca（optically clear adhesive）光学胶因其卓越的透光性和粘接性能，被广泛应用于触控屏、显示屏以及多种光学器件的粘合过程中。然而，oca光学胶的生产和应用过程中不可避免地会出现各种缺陷，如气泡、灰尘、划痕等。这些缺陷虽然细微，但对最终产品的光学性能和外观品质有着重要影响。传统的缺陷检测方法主要依赖于人工视觉，耗时耗力，检测结果的可靠性和重复性较差。

2、近年来，图像识别技术的发展为oca光学胶缺陷检测提供了新的可能性。通过高分辨率的图像采集设备和复杂的图像处理算法，能够自动识别出微小的缺陷，显著提高检测的准确性和效率。然而，在实际应用中，oca光学胶因其材质特性（清澈度高、透光性强等）带来了特殊挑战，导致部分缺陷的特征在图像中不明显，难以被准确识别。此外，图像采集过程中可能存在光线分布不均匀的问题，容易造成微小缺陷的误判，进一步增加了检测的难度，导致了基于图像识别的oca光学胶缺陷检测过程中，检测效率和准确性仍有较大的提升空间。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于图像识别的oca光学胶缺陷检测方法及系统，所采用的技术方案具体如下：

2、作为本发明实施例的第一方面，一种基于图像识别的oca光学胶缺陷检测方法，包括：

3、获取对oca光学胶采集得到的待检测图像，对待检测图像进行灰度处理得到第一灰度图像；

4、提取第一灰度图像的灰度直方图，根据灰度直方图确定第一灰度图像的第一灰度级和第二灰度级，基于参考灰度级对第一灰度级和第二灰度级对应像素点进行灰度值替换，得到第二灰度图像；

5、用第一矩形框遍历第二灰度图像，计算以每个像素点为中心的多个第一矩形框区域的异常值，根据第一预设阈值确定第二灰度图像的多个第一异常区域，对于以任意一个像素点为中心的第一矩形框内的多个像素点，第一矩形框区域内多个像素点灰度值的方差为以该像素点为中心的第一矩形框区域的异常值；

6、将第二灰度图像的多个第一异常区域送入到训练好的深度学习模型中进行缺陷检测，生成oca光学胶的第一缺陷检测结果；

7、根据灰度直方图确定第一灰度图像的第一灰度级和第二灰度级包括：

8、将灰度直方图中出现频次最高的灰度级记为第一灰度级，确定与第一灰度级相邻的至少一个谷灰度级，按照出现频次对第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的多个灰度级进行排序和编号，第二灰度级gi满足l0+l1+…+li大于等于预设频次阈值，其中，l0为第一灰度级的出现频次，l1、…li分别为第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的多个灰度级的出现频次，i为灰度级的编号，i≤n，n为第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的灰度级的总数。

9、优选地，用第一矩形框遍历第二灰度图像的过程中，还包括：

10、生成第二灰度图像的异常映射图像，异常映射图像中多个像素点的坐标与第二灰度图像中多个像素点的坐标一一对应，异常映射图像中每个像素点包括一个特征值；

11、基于第二灰度图像的多个第一异常区域确定异常映射图像中每个像素点的特征值，其中，以任意一个像素点为中心的第一矩形框区域属于第一异常区域，则该像素点的特征值为1，否则为0；

12、用第二矩形框遍历异常映射图像，统计以每个像素点为中心的第二矩形框区域的特征总值，基于第二预设阈值确定异常映射图像中的多个第二异常区域，将多个第二异常区域映射到第二灰度图像中并与多个第一异常区域匹配，从多个第二异常区域中提取出第三异常区域并送入到训练好的深度学习模型中进行缺陷检测，生成oca光学胶的第二缺陷检测结果。

13、优选地，在根据灰度直方图确定第一灰度图像的第一灰度级和第二灰度级的过程中，还包括：

14、若第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的n个灰度级满足l0+l1+…+ln小于预设频次阈值，构建目标灰度级集合，将第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的n个灰度级写入目标灰度级集合；

15、对于灰度直方图中除第一灰度级以外的多个峰灰度级，计算每个峰灰度级对应像素点的分布特征值，选取出分布特征值小于预设离散阈值的多个峰灰度级并按照出现频次进行排序，依次将多个峰灰度级添加到目标灰度级集合中，每当目标灰度级集合被添加一个峰灰度级，判断目标灰度级集合中所有灰度级的出现频次之和是否大于等于预设频次阈值，若是则停止执行添加操作，否则继续执行添加操作；

16、遍历所有峰灰度级后，将目标灰度级集合中除第一灰度级以外的灰度级均记为第二灰度级。

17、优选地，深度学习模型的训练包括：

18、获取对存在缺陷的oca光学胶采集得到的多张缺陷图像，对多张缺陷图像进行缺陷位置标记后构建训练数据集，通过训练数据集对深度学习模型进行训练，以多张存在缺陷的缺陷图像作为深度学习模型的输入，以缺陷的位置标记为训练目标，训练得到用于对oca光学胶进行缺陷检测的深度学习模型。

19、优选地，计算每个峰灰度级对应像素点的分布特征值，包括：

20、对于任意一个峰灰度级，计算每个该灰度级对应的多个像素点中任意两个像素点的距离，对计算得到的多个距离值求取均值，作为峰灰度级对应像素点的分布特征值。

21、优选地，所使用的深度学习模型为卷积神经网络模型。

22、作为本发明实施例的第二方面，一种基于图像识别的oca光学胶缺陷检测系统，用于实现上述的一种基于图像识别的oca光学胶缺陷检测方法，包括：

23、图像预处理模块，用于获取对oca光学胶采集得到的待检测图像，对待检测图像进行灰度处理得到第一灰度图像；

24、灰度替换模块，用于提取第一灰度图像的灰度直方图，根据灰度直方图确定第一灰度图像的第一灰度级和第二灰度级，基于参考灰度级对第一灰度级和第二灰度级对应像素点进行灰度值替换，得到第二灰度图像；

25、异常区域分析模块，用于用第一矩形框遍历第二灰度图像，计算以每个像素点为中心的多个第一矩形框区域的异常值，根据第一预设阈值确定第二灰度图像的多个第一异常区域；

26、缺陷检测模块，用于将第二灰度图像的多个第一异常区域送入到训练好的深度学习模型中进行缺陷检测，生成oca光学胶的第一缺陷检测结果。

27、优选地，对于灰度替换模块，根据灰度直方图确定第一灰度图像的第一灰度级和第二灰度级，包括：

28、将灰度直方图中出现频次最高的灰度级记为第一灰度级，确定与第一灰度级相邻的至少一个谷灰度级，按照出现频次对第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的多个灰度级进行排序和编号，第二灰度级gi满足l0+l1+…+li大于等于预设频次阈值，其中，l0为第一灰度级的出现频次，l1、…li分别为第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的多个灰度级的出现频次，i为灰度级的编号，i≤n，n为第一灰度级和与第一灰度级相邻的至少一个谷灰度级之间的灰度级的总数。

29、本发明具有以下有益效果：

30、1、本发明通过增强待检测图像中缺陷区域和正常区域的灰度特征提取得到第二灰度图像中的多个第一异常区域，再送入到提前训练好的深度学习模型中进行oca光学胶的缺陷检测，对待检测图像的特征增强处理，以及选择出疑似存在缺陷的多个第一异常区域，最终深度学习模型需要处理的数据大大减少，对图像中可能存在的缺陷的识别精度也更高，检测效率和准确性得到提升。

31、2、本发明通过对多个第一异常区域进行进一步的处理，生成用于表征不同像素点邻域内像素点是否疑似存在异常的异常映射图像，基于异常映射图像确定异常映射图像中的多个第二异常区域，将多个第二异常区域映射到第二灰度图像中，从第二灰度图像中提取出第三异常区域并通过深度学习模型进行缺陷检测，进一步提升检测效率，降低出现缺陷漏检的可能性。