李耀权
广东省东莞市质量监督检测中心 广东东莞 523000
摘要:手机屏幕的缺陷检测操作期间，深度卷积的神经网络往往起着关键作用，对实测效果 影响极大，要求技术员能够充分掌握此方法。鉴于此，本文主要围绕着深度卷积的神经网络基础下手机屏幕的缺陷检测开展深入的研究和探讨，仅供参考。
关键词:缺陷检测；手机屏幕；神经网络；深度卷积；
引言：
手机屏幕的缺陷检测，属于极具复杂性工作内容，对测定过程及方法有着特定要求，深度卷积的神经网络可对手机屏幕的缺陷检测起到良好辅助作用，应用效果突出。因而，综合分析深度卷积的神经网络基础下手机屏幕的缺陷检测，有着一定的现实意义和价值。
1、屏幕缺陷概述
训练模型层面，少样本数量的样本内含较少总体信息，多样本数量的样本内含较多总体信息。计算方法则偏向选定多信息量一类，此训练的模型显然不可用，故需对此图像数据实施图像均衡处理，针对手机缺陷较多数目种类图片，实施降采样有效处理；而针对于手机缺陷较少数目种类图片，实施重采样有效处理，以确保所有种类手机屏幕的缺陷图片实际数目处于均衡状态。但虽各类型手机的缺陷图片达均衡状态，相对Faster R-CNN计算方法，其总数量仍较少，针对模型深度学习，仍需实施超参数的持续调整处理，确保可最小化模型损失。但因获取到数据集相对有限，数据仍需增强，需积极引入高斯噪声、平移、裁剪、缩放、旋转、翻转等各项数据有效增强科学技术，便于更好地落实深度卷积的神经网络基础下手机屏幕的缺陷检测实践工作。翻转，即垂直或水平翻转图像。图片目标极易有竖直或水平翻转点产生，故需借助翻转操作，有效扩充数据；旋转，即旋转操作图像，改变图像尺寸大小[1]。原始图像倘若是正方形，需实施90°旋转，不会改变其尺寸大小；若是长方形，需实施180°旋转，尺寸不变；缩放，放大原图获取所输出图像尺寸比原图大。若图像尺寸和原图相同，需填充处理图像周边未知像素；裁剪，对图像实施区域随机抽样，实施区域裁剪；平移，即竖直或水平移动图像，还可纵向轴或者横向轴移动图像；高斯噪声，其会有较多频率噪声产生，该部分噪声当中高频成分对其高频特征会产生有效抑制作用。原数据集当中图像都均含缺陷目标，但并未清晰标注缺陷的目标区域相关定位信息及其缺陷种类，故本文以Faster R-CNN计算方法为基础，标注每张图像，便于获取到此算法监督参数值。借助Labelling专业工具，合理选定手机缺陷的数据集，以矩形的标注框标注出每张图片实际目标区域，针对选定目标区域，合理确定所预设的一个类别。完成标记后，借助Labelling专业工具，可有xml文件自动自动生成，此文件内含全部图片及其所标注信息，在所规定存储位置完整保存文件。
2、实验测试
2.1 在数据对比层面
以Faster R-CNN计算方法为基础，对于VOC 2007所标注的数据集及手机屏幕的缺陷数据集实施训练。训练实践中，此算法所用超参数一致，但所训练出结果差异明显。训练结果层面，算法虽于VOC 2007的数据集针对horse分类平均精准率达0.8735，mAP参数值却只为0.706。手机屏幕的缺陷数据集当中，Faster R-CNN针对MURA实际AP参数值达0.984，最高mAP参数值是0.942。故该计算方法对于手机屏幕的缺陷数据集有着极高精度[2]；算法训练层面，此计算方法于手机屏幕的缺陷数据集实际训练时间多于VOC 2007的数据集实际训练时长，但此算法于这两种不同数据集上面测试时间相接近。
Faster R-CNN于手机屏幕的缺陷数据集凸显出优异表现，但却无法直接判断出此算法之下所选定超参数科学合理，只因VOC 2007的数据内含较多目标种类，一张图片当中所包含目标种类相对较多，有极具复杂性目标特征，部分目标之间相似性极强，直接影响着算法速度及精度。但此算法更适配于手机屏幕的缺陷数据集，有突出表现。
2.2 在方法对比层面
提取特征所用方式上，机器视觉计算方法需借助人工提取图片突出特征，以XGBOOST为基础缺陷分类及Faster R-CNN计算方法为基础，可自动学习图片特征，且可学习不规则及极具复杂性部分特征信息。识别速度层面，机器视觉针对于单幅图片实测时间可达1.6s；本文所用Faster R-CNN计算方法之下，单幅图片实测时间为0.006s，比机器视觉实测时间低出许多。工业领域流水线实测层面，日常均需测定及识别手机屏幕大量图片，突出检测时间的重要性。Faster R-CNN计算方法之下，实时检测这一的目标可得以实现。扩展性层面，机器视觉计算方法，缺陷每增一个均需重新实施缺陷特征定义，以该特征共性为基础开展有效处理及有效分析工作。但对Faster R-CNN计算方法，一个特征的增加，仅需采集足够特征图片，完成标注便好。此计算方法之下，可实现特征的自动提取、及分类，还有缺陷区域的合理标注。精准率层面，以Faster R-CNN计算方法为基础下手机屏幕有效检测方法高于XGBOOST缺陷分类实施方法的平均精准率，如此便可表明以Faster R-CNN计算方法为基础下手机屏幕的缺陷图片有着优良分类效果。XGBOOST之下缺陷分类实施方法仅仅可分类缺陷，Faster R-CNN计算方法之下分类任务可有效完成，且可自动标注缺陷区域，清晰展示缺陷信息。故可以说，Faster R-CNN这一深度卷积的神经网络计算方法之下，手机屏幕的缺陷检测得以高效完成。
2.3 在种类对比层面
对于手机屏幕的缺陷图像本文分成六类，即斑点、亮点、亮线、MURA、暗线、暗点等。MURA为最高缺陷实测精度，可达0.98，主要因MURA有着较大缺陷范围，缺陷特征相对简单化。暗点及斑点实测及识别则呈较低精准率状态，分别是0.91与0.9，经数据观察分析可了解到，两种缺陷低精准率原因是暗点及斑点有着类似手机实测背景，暗点连续且不显著情况下，极易与斑点之间有混淆现象产生，错误识别会产生；其余缺陷实测精准率大致处于0.92-0.97范围，实测精度均高，实用价值突出。
2.4 在大小对比层面
手机屏幕的缺陷图像有较大目标，此算法识别较好，但图中目标略小、且实测精度略较，大部分因借助Faster R-CNN计算方法，测定及识别多层的特征图像相应处理目标，伴随层次持续深入，正在经卷积的核池化，其特征图会呈缩小状态。故小目标实测多依赖于浅层部分特征图，神经网络实际层数加深持续情况下，特征图呈减小状态，检测难度倍增。点状缺陷往往占据较小区域面积，有着极具复杂性特征杂，提取特征难度系数高。线状缺陷往往占据较大区域面积，呈简单特征，便于提取特征，促使该差异存在。
3、结语
综上所述，深度卷积的神经网络从属手机屏幕的缺陷实测重要手段，实际应用期间需积极引入Faster R-CNN计算方法，发挥其方法优势，依照着特定要求及实际情况，科学合理地完成手机屏幕的缺陷实测各项工作。
参考文献：
[1] 项宇杰, 陈月芬, 卢卫国,等. 基于深度卷积神经网络的木材表面缺陷检测系统设计[J]. 系统仿真技术, 2019, 15(004):253-257.
[2] 彭大芹, 刘恒, 许国良,等. 基于双向特征融合卷积神经网络的液晶面板缺陷检测算法[J]. 广东通信技术, 2019,16(004):706-707.