深度学习下的偏光片检测技术探究范文

摘要：偏光片外观缺陷的在线检测一直以来就是业界难题，深度学习工具的出现有助于改善这一现状。实验中，对含有缺陷的偏光片进行图像采集，并将采集到的图像分成训练集和验证集。在训练集中利用深度学习工具学习到了缺陷的特征阈值，将阈值应用到验证集中进行缺陷检测，得到很好的检测效果。然而，打痕缺陷由于图像采集的原因并不能完全检出。此外，偏光片自身的翘曲对检测也有一定程度的影响。

关键词：深度学习偏光片视觉检测

引言

成卷的偏光材料经过贴合、除泡、切割、边缘磨削等一系列工艺，都会对偏光片内层或者是表面造成各种各样的缺陷。对这些缺陷的检测一般采用两种手段，第一是人工检测，第二是机器视觉检测。人工检测，是通过专业的检验员在封闭的光照环境中使用放大镜去观测各种缺陷。机器视觉系统，围绕合适的相机分辨率和光学系统建立，针对不同的缺陷类型开发了固定算法，在实际工业自动化中已经非常的成熟。深度学习是采用人工智能的手段将人为的基础训练同机器视觉结合起来。本质上来说，深度学习就是教会机器像人类一样做事情。从最初的一个核心逻辑开始训练，提供新的图像信息时，不断地调整参数，提高学习的能力[1]。为了能够检出偏光片上存在的异物、气泡、打痕、压痕等缺陷，首先进行相机、光源的选型，依照视觉系统的检出要求，设计了视觉检测平台，采集了足够的缺陷样本图像。将图像按照一定的比例分成训练集和验证集，在训练集中学习各种缺陷的特征，在验证集中对各种缺陷进行验证性检测。

1偏光片检测实验平台搭建

1.1检测要求

本研究结合某偏光片制造商的技术要求进行。按照技术要求，基于偏光片的尺寸范围150mm×80mm~400mm×230mm，对偏光片上存在的异物、气泡、打痕、压痕进行检出实验。SP面异物，指的是SP面的PET和粘合剂之间的异物现象。PF面异物，指的是PF面的PET和TAC之间的异物现象。内异物，指的是PVA与TAC层间异物现象。气泡，指的是PVA内呈圈状的小白点打痕，表示膜片表面（SP或PF面）侧凹进或者凸出的现象出现。压痕，顾名思义就是膜片表面有压痕状。

1.2视觉系统选型

为了满足所有的检测尺寸，视觉系统的选型按照最大尺寸400mm×230mm进行，拟采用8K的线扫相机。制品流动方向短边进入，因此8K线扫相机的检测精度可以达到230/8192=0.028mm/pix，一般来讲10个像素可以完整地表示特征，即精度可以达到280μm。综合考虑检测技术要求、检测速度、处理时间以及算法多方面的考虑，选择康耐视CCD系统以及它的基于深度学习的工业图像分析VIDI套件进行实验。康耐视ViDi套件是基于深度学习的图像分析软件，主要包括4个工具包：Locate，Analyze，Classify，Read。本次偏光片的缺陷检测采用了ViDi的Analyze工具，用来学习和检测偏光片的外观缺陷。1.3实验平台及图像采集依据以上的分析，搭建了如图1的视觉检测平台。视觉检测平台包括整体支架、线扫相机镜头系统、光源系统、偏光片、传送机构、图像采集系统等。

2基于深度学习实验结果分析

在上一节的实验平台中，对图像进行了采集。按照客户标注的缺陷式样，依次进行了图像的采集。

2.1对训练集的学习

本次实验共采集了各种缺陷图片225张，采用其中21张作为训练集进行学习，数量是随机选取的，没有特别的意义。学习时，输入所有的图像以及一个任意设定的阈值。阈值的设定可以根据经验，也可以随意输入。任意输入会带来学习时间的延长，长期实验下来，基本都会有一个经验阈值。经过计算，评分小于0.43的图片是OK图片，评分大于0.44的是NG图片。

2.2对测试图像验证

图2是验证OK的图片。左下角是对应的评分0.06，小于之前设定的阈值，因此这些图片是标定为OK也测试为OK的。从图上看虽然有些糊污或者灰尘的干扰，但还是能够准确地判定正确。图3是验证NG的图片。对应的评分分别是0.59，大于之前设定的阈值。从这几张图片来看，明显的缺陷在没有外界干扰的情况下可以100%检测出来，但实际情况往往会很复杂，因此存在一些误判的情况，图4就是一张误判的情况。可以看到，缺陷非常的小，基本上和周围的环境融为一体了，评分0.37，也小于阈值。这种情况是学习过程中，周围环境造成的，而在高等级的洁净车间中，这种学习失误会少很多。误判不可避免，只能是尽量减少，降低误判率。对于这种把NG品当成OK品的情况是不允许出现的，基本上要重新调整参数和测试环境。还有另外一种干扰误判，将OK品判断为了NG品，如图5所示。评分是0.45，超过了我们设定的阈值。可以明显看到，偏光片表面干扰项太多造成了误判，这种误判也必须降低。从以上的结果来看，基本上能够拍摄出来的缺陷照片都可以完全检测出来，异物、气泡、压痕比较容易检测，打痕由于是类2.5d图像，自身成像困难的原因，并不能很好地检测。此外，卷边以及表面糊污对检测结果也有很大的影响。

3结论

1）从算法上讲，机器视觉算法固定，而深度学习算法可以根据新的样本不断进行学习，实时地优化自己的检测能力，虽然受限于硬件成本方面的原因，在市场的应用方面不如传统机器视觉检测，但未来的技术应用是非常有前景的。2）自动化设备配备人工智能技术，是未来的发展趋势。基于深度学习技术将人工智能应用到了产品的自动化检测上来，相当于给自动化设备装上了人眼和人脑。在专用设备行业，配合人工智能技术，会研发出更多的专门化、定制化的高端装备。3）在图像的采集过程中，偏光片由于存在边缘翘曲，在翘曲部分不能够完整地采集到图像，只是翘曲部分的一个投影，这样就影响翘曲部分的缺陷检测。因此，在图像采集的时候，必须尽量保证偏光片的平整，因此在机构的设计时这是一个考虑的重点。4）在图像采集过程中，发现对于类似凹凸点的打痕缺陷，现有的光源不易将此类缺陷照射出来。无论是变换角度，还是更换光源的安装位置，都不能将所有的缺陷样片拍摄出来。有研究发现，黑白相间的条纹光[2]，由于对比度的不同可以将凹凸点缺陷很好地打出来[3]，因此，对打痕缺陷的图像采集也是一个研究的重难点。

参考文献

[2]贺健.偏光片外观缺陷成像仿真与检测[D].深圳：深圳大学，2016.

[3]赖文威.偏光片外观缺陷成像机理与检测技术研究[D].深圳：深圳大学，2017.

作者：石鹏飞 单位：中电科风华信息装备股份有限公司