陳易宇

摘要：隨著工業(yè)4.0的智能化時代邁進，為實現(xiàn)電視顯示屏表面缺陷自動化檢測，提高提高檢測效率，該文引入基于神經網絡的電視顯示屏表面缺陷檢測方法。該檢測方法在電視顯示屏圖像的預處理、模型設計、模型訓練和檢測過程中，表現(xiàn)出優(yōu)異的特征提取能力，以及強大的目標分類性能，能夠有效完成對電視顯示屏表面缺陷的檢測，滿足實際生產過程中的缺陷檢測需要。

關鍵詞：神經網絡;電視顯示屏;缺陷檢測方法

中圖分類號：TP393? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）16-0021-03

開放科學（資源服務）標識碼（OSID）：

1 背景

隨著人們生活水平的不斷提高，電視早已為大家日常娛樂、生活和工作的必需品。電視顯示屏的質量直接關乎電視的整體品質。因此，電視顯示屏外觀檢測是智能生產過程中不可或缺的環(huán)節(jié)。然而，當前各大電視生產商大都采用肉眼檢測手機屏幕缺陷的檢測[1]。人工檢測會增加成本的投入、效率低，并且受人的主觀因素影響，檢測的準確率難得到證。機器視角為實現(xiàn)電視顯示屏表面缺陷自動檢測提供了新的方案。

運用機器視覺相關技術實現(xiàn)表面缺陷檢測是當前社會熱點。國內外科研人員對不同情境下的表面缺陷檢測進行了一系列研究，在一定層次上解決了表面檢測缺陷相關問題。如，Vasilic等人提出基于直方圖的閾值選擇算法，能夠檢測出陶瓷表面的劃痕[2]。孫雪晨等人為了對表面缺陷特征進行提取，引入領域加權分割的方式，有效完成對凸輪軸表面缺陷的檢測[3]。何志勇等人實現(xiàn)微小表面缺陷的快速檢測，提出了基于梯度圖像方差分布搜尋表面缺陷區(qū)域的算法[4]。這些方法能夠為實現(xiàn)電視顯示屏缺陷檢測提供了良好的經驗借鑒。

電視顯示屏在生產過程中會產生亮點、亮度等缺陷。在傳輸?shù)倪^程中存在刺傷、劃傷等現(xiàn)象?；谏窠浘W絡的電視顯示屏表面缺乏檢測，旨在充分發(fā)揮神經網絡在計算機視覺技術檢測方面的優(yōu)勢，為適應電視大規(guī)模生產過程的顯示屏智能化缺陷檢測提供新思路，進而大力推進電視產業(yè)蓬勃發(fā)展。

2 缺陷檢測方法設計

2.1實施過程設計

基于神經網絡的電視顯示屏表面缺陷檢測，大致可分為圖像預處理、模型設計與訓練以及檢測三大過程，如圖1所示。數(shù)據(jù)樣本將通過高精度線陣攝像機，對實際生產過程中進行圖像拍攝的方式獲得。采集的缺陷特征可分為劃痕、刮痕、刺痕、亮點和漏光等。數(shù)據(jù)預處理的是對圖像進行掃描、分割和保存的過程操作。

2.2數(shù)據(jù)集缺陷特征分類

電視顯示屏的缺陷是根據(jù)產生原因進行命名。雖然缺陷特征類型較多，但是許多不同特征的缺陷，在形態(tài)上能夠表現(xiàn)出相似性。如圖2中的圖片為劃痕或刮痕，從形態(tài)上即表現(xiàn)極為相似的線型現(xiàn)狀。如圖3中的圖片分別為亮點、刺傷、亮度缺陷。這三個特征在形態(tài)上均呈現(xiàn)為點的現(xiàn)狀，仍然表現(xiàn)為極具相似性。

經過對采集的圖像進行預處理，共獲得956張數(shù)據(jù)樣本。為了滿足神經網絡訓練對數(shù)據(jù)樣本集數(shù)量的需求，本文采用圖像旋轉、隨機性剪切以及調整圖像亮度等形式，將數(shù)據(jù)樣本增加至9617張。然后，按2：2：6的比例分配方式，將數(shù)據(jù)樣本劃分為測試集、驗證集和訓練集三類。最后通過Tensorflow 編程將圖片數(shù)據(jù)集制作成tfrecord格式的數(shù)據(jù)，以供Tensorflow進行讀取。

3模型設計與訓練

3.1模型設計

當前，主流的神經網絡絕大多數(shù)據(jù)是采用 ImageNet數(shù)據(jù)集進行設計。該設計是通過構建巨大的網絡模型和設置超參數(shù)的方式，對圖像表現(xiàn)特征進行訓練。而電視顯示屏表面缺陷由于現(xiàn)代工藝水平的進步，一張樣本上幾乎只有一種缺陷，并且缺陷特征較為簡單，表現(xiàn)為單一性特征。因此，本文選取適中的GoogelNet進行遷移學習，設置參數(shù)量共為24層?？紤]到dropout的隨機丟棄機制可能會導致重要的神經元被丟棄問題[5]，本文去除inception-B層、inception-C層后的全連接層，使用全局平均池化層進行替代，以防止訓練過程出現(xiàn)的過擬合問題（如圖4所示）。為了提升訓練速度，本文將全連接層的高維向量降維至3維向量，進而使得網絡更為輕量化。

3.2模型訓練

本文通過搭建Tensorflow2.1框架對模型進行訓練，操作系統(tǒng)為Ubuntul16。鑒于訓練的數(shù)據(jù)分布存在較大的差異，訓練過程中有可能出現(xiàn)不收斂的現(xiàn)象。本文將數(shù)據(jù)進行歸一化處理（歸一化函數(shù)如公式1所示）。注：Min表示訓練數(shù)據(jù)樣本的最小值;Max表示輸入的最大值;[x]指是的得到標準化處理輸入。

[x=x-MinMax-Min]? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

本文模型訓練過程中的網絡參數(shù)更新，通過引入和優(yōu)化Tensorflow既有的隨機梯度下降算法實現(xiàn)。訓練結果的優(yōu)劣將通過學習率進行評估。學習率是用于指導訓練過程中通過觀察損失函數(shù)的梯度對網絡權重進行調參。學習率的大小直接到影響到訓練的熟練。雖然設置相對較小的學習率，在一定程度上能夠獲得網絡訓練較好的優(yōu)參數(shù)，但是相應也會延長模型訓練的時間。對此，為了盡可能找到最優(yōu)的超參數(shù)值的同時提升模型訓練速度，本文將通過引入逐漸衰減機制（如公式2所示）。注： [base_lr]為學習率的原始值;[γ]為模型訓練過程中變化參數(shù);[floor_iter]表示當前訓練更迭頻次;stepsize為學習率每次更迭頻次;最終計算結果[η]為學習率。根據(jù)公式2，本文將[base_lr]、[γ]和stepsize分別設置為0. 001、0.1、350。

[η=base_lr.γ|floor_iter||stepsize|]? ? ? ? ? ? ? ? ? ? ? ? ?（2）

4結果及分析

本文針對采集的956張圖像數(shù)據(jù)開展了3次訓練。測試集驗證集和訓練集按照既定的2：2：6的比例進行分配，最終通過計算檢測率（公式3）和誤檢率（公式4）的方式，對模型訓練的優(yōu)劣進行驗證。注：Na表示能夠正常檢測出來的樣本個數(shù);Nb，表示被檢測出來的“點”形狀的缺陷樣本個數(shù);Nc表示被檢測出來的“線”形狀的缺陷樣本個數(shù);Nd為指的是測試集總數(shù);[Na→b，c]表示原為正樣本被判為負樣本的個數(shù);[Nb，c→a]表示原為負樣本被誤判為正樣本的個數(shù)。訓練結果圖表1所示。

[A=Na+Nb+NcNd]? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

[A=Na→b，c+Nb，c→aNa]? ? ? ? ? ? ? ? ? ? ? ? （4）

測試一：隨機選取2636張訓練樣本喂入神經網絡，學習率參數(shù)值為0.006，模型的驗證率計算結果為95.52%，誤檢率計算結果為4.67%，更迭次數(shù)為600。

測試二：根據(jù)測試一的結果，考慮到喂入神經網絡的樣本數(shù)量以用學習率對計算機結果有較大的影響，因此，在測試二中將數(shù)據(jù)集的數(shù)量增加到9640張，同時將學習率設置為0.01，更迭次數(shù)為1200。最終測試結果表明：驗證率提升了8.8%，而誤檢率為下降至1.23%。

測試三：在測試二的基礎上，將更迭次數(shù)增加至1600時，最終計算出檢測率為98.04%，誤檢率為0.50%。

三次測試的檢測結果如表2所示。注：往后的多次測試結果顯示，在測試三的基礎上繼續(xù)增加更迭次數(shù)后，檢測率沒有明顯的提高，相應的檢測時間卻延長了不少。

5 結束語

針對電視顯示屏的外觀自動檢測在生產過程中較為困難的問題，本文設計了一種基于機器學習的電視顯示屏外觀缺陷分類檢測方法。為了更好地適應神經網絡訓練和缺陷檢測，該方法首先將電視顯示屏圖像樣本切割成256x256的大小規(guī)格。其次，通過圖像旋轉、隨機截取和調整圖片光照等方式，對數(shù)據(jù)樣本進行了擴充。然后，在Tensorflow環(huán)境下搭建神經網絡訓練模型，并通過調整模型參數(shù)等形式對缺陷特征進行了降維。最后，通過設置超參數(shù)、更迭次數(shù)、控制喂入神經網絡樣本數(shù)量等，對訓練模式進行了檢測。測試結果表明，該方法能夠對電視顯示屏外觀的刺傷、亮點、亮度、劃傷、刮傷缺陷有效檢出。

參考文獻：

[1] 郭亞峰.基于機器視覺的產品表面缺陷在線檢測系統(tǒng)的設計[D].蘇州：蘇州大學，2014.

[2] Vasilic S，Hocenski Z.The edge detecting methods in ceramic tiles defects detection[C]//2006 IEEE International Symposium on Industrial Electronics.July9-13，2006，Montreal，QC，Canada.IEEE，2006：469-472.

[3] 孫雪晨，姜肖楠，傅瑤，等.基于機器視覺的凸輪軸表面缺陷檢測系統(tǒng)[J].紅外與激光工程，2013，42（6）：1647-1653.

[4] 何志勇，孫立寧，芮延年.一種微小表面缺陷的機器視覺檢測方法[J].應用科學學報，2012，30（5）：531-537.

[5] Srivastava N，Hinton G，Krizhevsky A，et al.Dropout：asimple way to prevent neural networks from overfitting[J].Journal of Machine Learning Research，2014（15）：1929-1958.

【通聯(lián)編輯：代影】