(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123847.X (22)申请日 2022.09.15 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 简川霞　钟朝彬　吴本鸿　冯乐翔　 徐韦健　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 郑堪泳 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/54(2022.01) G06T 7/00(2017.01) (54)发明名称 基于视觉检测系统的手机玻璃屏非均衡表 面缺陷分类方法 (57)摘要 本发明一种基于视觉检测系统的手机玻璃 屏非均衡表 面缺陷分类方法， 手机屏幕缺陷检测 过程描述如下： 采用机器视觉系统对手机屏幕进 行图像采集， 采集到图像数据进行传输， 并存储 于数据库， 同时对数据进行去噪、 清洗等预处理 操作， 获取大量用于模型学习的手机屏幕训练集 图像。 采用方块截断编码算法对屏幕图像进行纹 理特征提取， 获取用于缺陷识别的手机屏幕特 征。 采用基于样本信息度混合采样训练集均衡化 方法， 对非均衡的训练集进行采样， 生成多个差 异的均衡化训练集， 建立多个手机屏幕缺陷检测 与分类的支持向量机模型， 并进行模型集成。 依 据投票规则， 实现手 机屏幕缺陷检测与分类 。 权利要求书2页 说明书7页 附图2页 CN 115457323 A 2022.12.09 CN 115457323 A 1.一种基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 包括 以下步骤： S1： 采用机器视 觉系统对手机屏幕进行图像采集； S2： 采集到图像数据进行传输， 并存储于数据库， 同时对数据进行去噪、 清洗等预处理 操作， 获取 大量用于模型 学习的手机屏幕训练集图像； S3： 采用方块截断编码算法对屏幕图像进行纹理特征提取， 获取用于缺陷识别的手机 屏幕特征； S4： 采用基于样本信息度混合采样训练集均衡化方法， 对非均衡的训练集进行采样， 生 成多个差异的均衡化训练集， 建立多个手机屏幕缺陷检测与分类的支持向量机模型， 并进 行模型集成； S5： 依据投票 规则， 实现手机屏幕缺陷检测与分类。 2.根据权利要求1所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 所述步骤S2中先对测量标记进行识别， 计算出其横线或纵线的像素个数C， 当 出现对角线方向的误差时， 测量标记会产生小角度的旋转， 通过计算偏转角度来纠正图像 位置误差 。 3.根据权利要求2所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 所述 步骤S2中， 计算偏转角度的过程是： 当出现对角线方向的误差时， 测量标记会产生小角度的旋转， 但其横线或纵线的长度 不会发生变化， 这就是说此时图像中的横线或纵线的像素值不会发生变化， 等于C； 最后， 将 其横线或纵线往水平方向或垂直进行投影， 这时其像素个数会发生变化， 此时通过计算出 实际横线或纵线的像素个数C， 除以理想状态下 的横线或纵线的像素个数C， 再对其求余弦 值， 即可求出偏转角度。 4.根据权利要求2或3所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方 法， 其特征在于， 所述 步骤S3中， 运用基于BTC方法提取了手机玻璃屏图像的纹 理特征。 5.根据权利要求4所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 所述手机玻璃屏图像的纹 理特征提取的过程是： 令J是一幅M ×N图像， 将J划分为m ×m的互不重叠的子正方块， 对于每个子块， 计算块 内 像素的灰度均值At和平均灰度 差K； 按照BTC的思想， 对于每个子块中 的像素点， 灰度值大于 At的赋值为1， 反之为0， 就得到了一系列m ×m的二进制块， 这些二进制块成功的体现了图像 块内的纹理特征， 最后用与二进制块等值的十进制值来表示这些纹理基元即图像块的值， 完成了手机玻璃屏图像纹 理基元特征的提取。 6.根据权利要求5所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 采用支持向量机识别多类样 本中的支持向量集和非支持向量集； 采用KNN近邻 法， 去除支持向量集中的噪声样本， 生成新支持向量集； 对非支持向量集进行多次 随机欠采 样， 生成n个非支持向量集， 将n个非支持向量集和新支持向量集进行组合， 生成n个差异化 的新多类样本集。 7.根据权利要求6所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 所述KNN近邻法的具体操作为： 支持向量集中样本xi的近邻样本数为k， 近邻样权　利　要　求　书 1/2 页 2 CN 115457323 A 2本中多类样本为m,若 则xi被认定噪声样本； 对少量样本进行计算样本集中样本间 的马氏距离dij， 基于马氏距离评估样 本间的相似度sij， 依据阈值对sij进行优化， 构建图， 图 中边的权重wij＝sij； 样本xi的信息度， 根据样本信息度大小， 设置样本在过采样中的权重大 小， 采用加权SMOTE方法对少类样本进行 过采样， 生成新的少类样本集。 8.根据权利要求7所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征 在于 ， 所述 马氏 距离计算方法为 ： 样本xi和xj之间的 马氏 距离di j： 式中S是训练集样本的协方差矩阵， Sij＝E[(fi‑μi)(fj‑μj)]， 其中 μi和 μj分别是样本x的特 征fi和fj的期望均值。 9.根据权利要求8所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 样本相似度sij计算方法： 其中， dij是样本xi和xj之间的马氏 距离， σ 是高斯核函数的核宽度， 阈值 ε对sij进行优化的方法为： 10.根据权利要求9所述的基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法， 其特征在于， 当图像块的平均灰度差K小于阈值β 时， 就把这个块看作是正方块， 纹理基元值 设0； 当图像块的平均灰度差K 大于阈值β 时， 则计算它的纹 理基元值， β ＝0.0 0258K。权　利　要　求　书 2/2 页 3 CN 115457323 A 3