CN119444739A 一种提升Mura缺陷分类精度的方法、系统、电子设备及存储介质 （深圳精智达技术股份有限公司）

道清湖社区清湖村富安娜公司1号101一种提升Mura缺陷分类精度的方法、系统、本申请公开了一种提升Mura缺陷分类精度2将所述待检测图像输入Mura分类模型，获得分类结果，所述分类结所述Mura分类模型通过如下训练方法得获取所述视觉相机采集的产品表面图像，所述产品表面图像包获取所述红外相机采集的产品红外图像，所述产品红外图像包括产品的温度分布信获取所述同步控制器采集的所述视觉相机和所述红外相机各自的时间信息和空间位将所述产品表面图像、所述产品红外图像、所述时间信息和所述空根据高斯滤波算法和中值滤波算法去除所述产品表面图像和所述产品红外图像的噪对所述处理图像、所述时间信息和所述空间位置信息进行归一化处理，直接提取所述表面处理图像的局部二值模式和灰度共生矩阵的纹3根据预设加权算法分别给所述合并结果与所述时间信息、所述空间位置信息分配权将分配权重后的所述合并结果与所述时间信息、所所述Mura分类模型通过如下训练方法得所述存储器保存有程序，所述处理器调用所述程序以执行如权利要求1算机上执行时执行如权利要求1至7中任一项所述提升Mura4所述Mura分类模型通过如下训练方法得5获取所述同步控制器采集的所述视觉相机和所述红外相机各自的时间信息和空根据高斯滤波算法和中值滤波算法去除所述产品表面图像和所述产品红外图像将所述红外处理图像输入卷积神经网络的第二特征提取层，并输出温度分布特将分配权重后的所述合并结果与所述时间信息、所述空间位置信息进行正交融6所述Mura分类模型通过如下训练方法得而获取了低灰阶图像成像的逻辑关系；进一步地利用融合得到的数据训练出Mura分类模7[0024]在Mura缺陷检测分类系统中通常包含高灰阶图像和低灰阶图像，高灰阶图像如中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施89[0032]本实施例中，提升Mura缺陷分类精度的方法主要为获取[0034]202，获取红外相机采集的产品红外图像，产品红外图像包括产品的温度分布信[0035]203，获取同步控制器采集的视觉相机和红外相机各自的时间信息和空间位置信[0037]205，根据高斯滤波算法和中值滤波算法去除产品表面图像和产品红外图像的噪提取层将一般的卷积神经网络中的64通道残差块和128通道残差块的标准卷积替换成了可发生了这些变化，第一特征提取层仍然能够准确地提取出相关的特征信息。输出深度特[0042]210，将红外处理图像输入卷积神经网络的第二特征提取层，并输出温度分布特合并后的特征集以及时间信息和空间位置信息分配权重。该预设加权算法根据特征的重A,请参阅图3，本申请提供了一种提升Mura缺陷分类精度的系统的一个实施例，包处理单元303，用于对滤波图像进行灰度化处理和缺陷分割处理，获得待检测图[0058]存储器402保存有程序，处理器401调用程序以执行如图1所示实施例的提升Mura缺陷分类精度的方法或图2所示实施例的获取Mura分类模序在计算机上执行时执行如图1所示实施例的提升Mura缺陷分类精度的方法或图2所示实[0064]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM