standard library
(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211252273.6 (22)申请日 2022.10.13 (65)同一申请的已公布的文献号 申请公布号 CN 115330794 A (43)申请公布日 2022.11.11 (73)专利权人 扬州中科半导体照明有限公司 地址 225000 江苏省扬州市临江路186号 (72)发明人 李志聪 戴俊 王恩平 张溢  王国宏 王倩  (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/187(2017.01) G06V 10/762(2022.01)(56)对比文件 CN 115082683 A,202 2.09.20 CN 115144405 A,2022.10.04 CN 112215085 A,2021.01.12 US 2004227948 A1,20 04.11.18 WO 20202 23962 A1,2020.1 1.12 侯涛 等.基 于自适应高斯混合模型的铁 轨 异物入侵 检测研究. 《光电子.激光》 .202 2, 审查员 江汉琼 (54)发明名称 基于计算机视觉的LED背光异物 缺陷检测方 法 (57)摘要 本发明涉及材料的光学分析领域, 提出了一 种基于计算机视觉的LED背光异物缺陷检测方 法, 包括: 获得待检测背光板的第一反射光谱 图 以及标准背光板的第二反射光谱图, 进而获得目 标反射光谱图, 将目标反射光谱图分割成子图 像, 根据待更新参数和子图像拟合高斯混合模 型, 获得目标反射光谱图上的所有反射特征, 并 利用所有反射特征对高斯混合模 型不断地更新, 从而获得所有最终反射特征, 最后根据子图像的 所有最终反射特征检测异物。 本发 明提高了异物 检测的准确性, 避免错把背光板表 面异物当成背 光板夹层中异物的情况, 减少背光板异物误检 率。 权利要求书2页 说明书8页 附图2页 CN 115330794 B 2022.12.23 CN 115330794 B 1.基于计算机 视觉的LED背光异 物缺陷检测方法, 其特 征在于, 包括: 构建光学检测装置, 利用所述光学检测装置获得待检测背光板的第 一反射光谱图以及 标准背光板的第二反射光谱图, 根据第一反射光谱图以及第二反射光谱图获得目标反射光 谱图, 将目标反射光谱图分割成子图像, 根据子图像拟合高斯混合模 型, 所述高斯混合模型 中子高斯模型 数量设置为待更新 参数M, 初始化待更新 参数M; 对高斯混合模型进行 更新操作, 包括: 根据子图像以及高斯混合模型获得亮斑分布图, 根据亮斑分布图和高斯混合模型获得 子图像的所有反射特征, 根据所有反射特征获得所有折射偏移特征, 对所有折射偏移特征 进行聚类得到所有类别, 根据所有类别获得参考子模型以及高斯混合模型 的模型误差, 根 据所有类别的数量更新待 更新参数M, 根据高斯混合模型的模 型误差与待 更新参数M计算高 斯混合模型 的综合指标, 根据参考子模型以及待更新参数M更新高斯混合模型得到新的高 斯混合模型; 重复对新的高斯混合模型进行更新操作, 直至 高斯混合模型的综合指标取极大值 时得 到最终的高斯混合模型; 根据子图像以及最终的高斯混合模型获得子图像的所有最终反射特征, 根据子图像的 所有最终反射特 征检测异 物; 所述目标反射光谱图的获取方法为: 将第 一反射光谱图与第 二反射光谱图对应像素做 差, 然后再 取绝对值, 将得到的结果记为目标反射 光谱图; 所述根据子图像以及高斯混合模型获得亮斑分布图的方法为: 子图像中的像素坐标表示为 , 那么高斯混合模型在坐标 处的输出结果为 , 目标反射 光谱图I1上 该坐标处的灰度值表示 为 , 那么计算获得 : 即 表示的是子图像上每个像素位置处的灰度值与高斯混合模型对应的输出结 果的差异; 以 为像素坐标, 以 为灰度值, 构建一个亮斑分布图; 所述根据亮斑分布图和高斯混合模型获得子图像的所有反射特征, 根据 所有反射特征 获得所有折射偏移特 征的方法为: 对亮斑分布图进行连通域分析获得所有连通域, 记为M1个, 计算每个连通域的质心, 得 到M1个连通 域的质心; 对于高斯混合模型上的M个子高斯模型, 获取M个子高斯模型的均值, 将得到的M1个连 通域的质心与M个子高斯模型的均值进行匹配, 得到所有点对, 每个点对记为每个反射特 征, 进而得到子图像的所有反射特 征; 将每个点对中的欧式距离作为反射特 征的折射偏移特 征; 所述参考子模型的获取 方法为: 获取所有类别中包含折射偏移特征数量最多的类别, 记为第一类别S, 获取第一类别S权 利 要 求 书 1/2 页 2 CN 115330794 B 2中所有折射偏移特征对应的所有反射特征, 将所有反射特征在高斯混合模 型上对应的子高 斯模型记为 参考子模型; 所述根据高斯混合模型的模型误差与待更新参数M计算高斯混合模型的综合指标的方 法为: 计算高斯混合模型的子高斯模型 数量M与模型误差的差值作为综合指标; 所述根据子图像的所有最终反射特征检测 异物的方法为: 将灰度值不为零的子图像作 为存在异物或灰尘的子图像; 对于存在异物或灰尘的子图像, 根据子图像的每个最终反射 特征, 所述每个最终反射特征包括漫反射区域中心a和反射亮斑的中心b, 获取漫反射区域 中心a与激光光源的水平距离La, 以及反射亮斑的中心b与激光光源的水平距离Lb, 当La小 于Lb时, 灰尘或异物处于待检测背光板的表 面; 当La大于Lb时, 灰尘或异物处于待检测背光 板的夹层中; 所述光学检测装置包括: 一个暗室、 一个激光光源、 待检测的背光板、 一个工业相机, 所 述激光光源能够扫描 待检测的背光板上每 个位置。 2.根据权利要求1所述的基于计算机视觉的LED背光异物缺陷检测方法, 其特征在于, 所述根据参考子模型以及待更新参数M更新高斯混合模型得到新的高斯混合模型的方法 为: 重新构建一个新的高斯混合模型, 将待更新参数M作为所述新的高斯混合模型所包含 的子高斯模型的个数; 获取参考子模型的数量P, 首先从新的高斯混合模型中的M个子高斯模型上选择P个子 高斯模型, 让所述P个子高斯模型的均值与P个参考子模型 的均值分别相同, 然后根据子图 像以及待更新 参数拟合高斯混合模型, 根据子图像拟合 新的高斯混合模型。 3.根据权利要求1所述的基于计算机视觉的LED背光异物缺陷检测方法, 其特征在于, 所述高斯混合模型的模型误差的获取 方法为: 当所有类别的数量大于1时, 分别计算第一类别S之外的其他所有类别的聚类 中心与第 一类别S的聚类中心的差值, 得到的所有差值取绝对值, 所有绝对值的均值记 为高斯混合模 型的模型误差; 当所有类别的数量 等于1时, 将高斯混合模型的模型误差记为0 。 4.根据权利要求1所述的基于计算机视觉的LED背光异物缺陷检测方法, 其特征在于, 所述根据所有类别的数量更新待更新 参数M的方法为: 当所有类别的数量大于1时, 令 M减一; 当所有类别的数量 等于1时, 令 M加一。权 利 要 求 书 2/2 页 3 CN 115330794 B 3

.PDF文档 专利 基于计算机视觉的LED背光异物缺陷检测方法

文档预览
中文文档 13 页 50 下载 1000 浏览 0 评论 309 收藏 3.0分
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
专利 基于计算机视觉的LED背光异物缺陷检测方法 第 1 页 专利 基于计算机视觉的LED背光异物缺陷检测方法 第 2 页 专利 基于计算机视觉的LED背光异物缺陷检测方法 第 3 页
下载文档到电脑,方便使用
本文档由 人生无常 于 2024-03-18 04:15:40上传分享
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。