欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022103936554
申请人: 电子科技大学中山学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-04-06
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度支持向量描述的LED灯带缺陷检测方法,其特征在于,具体步骤包括如下:获取单颗LED灯珠的正发光图像;

对所述正发光图像进行阈值分割,划分正常样本及异常样本;

通过Contractive‑Deep SVDD神经网络对所述正发光图像进行模型训练,获得训练模型,得到原始特征空间的最小超球表示,计算超球面半径以及异常分数并划分阈值;

利用所述正常样本及异常样本对所述训练模型进行测试,评估模型性能,判断所述正发光图像是否存在缺陷。

2.根据权利要求1所述的一种基于深度支持向量描述的LED灯带缺陷检测方法,其特征在于,在固定时间内等间隔采集LED多灯带正发光图像,固定窗口大小对所述LED多灯带正发光图像进行分割以及ROI区域提取,定区域划分成单颗LED灯珠的正发光图像。

3.根据权利要求1所述的一种基于深度支持向量描述的LED灯带缺陷检测方法,其特征在于,对所述正发光图像进行阈值分割的方式为:调整所述正发光图像的尺寸,通过图像色坐标及直方图转换进行阈值分割,计算公式为:其中,L*表示颜色的明度,a*、b*表示颜色的色度,a*正值表示偏红,负值表示偏绿;b*正值表示偏黄,负值表示偏蓝,X、Y、Z分别表示对RGB三通道分量的点乘,f()表示线性映射函数,XN、YN、ZN分别为X、Y、Z的修改系数;

将原始RGB图像转换到L*a*b*颜色空间,应用色差公式进行计算:其中, 表示所计算的色差值,ΔL*、Δa*、Δb*表示目前样本与标准正常样本在L*a*b*颜色空间中的分布差异值;

根据 进行正常灯珠样本以及异常样本的划分。

4.根据权利要求1所述的一种基于深度支持向量描述的LED灯带缺陷检测方法,其特征在于,还包括使用收缩卷积自编码器对所述训练模型进行预训练,提取Encoder模块参数作为Contractive‑Deep SVDD神经网络参数,输入正常灯带样本的无标签数据进行模型训练。

5.根据权利要求1所述的一种基于深度支持向量描述的LED灯带缺陷检测方法,其特征在于,利用异常分数评估机制评估所述训练模型的性能,建立所述异常分数评估机制获得训练样本距离超球体中心c的分数阈值,距离超球体中心c最远的正常样本分数作为超球体半径评估异常样本;

所述异常分数评估机制为:

* 2

g(xi)=||φ(xi;W)‑c||;

*

其中,xi表示数据样本,c是超球体中心,W表示深度神经网络参数,φ表示训练模型对输入xi的非线性映射函数。

6.根据权利要求1所述的一种基于深度支持向量描述的LED灯带缺陷检测方法,其特征在于,将所述正常样本及异常样本输入所述训练模型,得到不同的训练异常分数值gi,通过异常分数绘制ROC受试者工作特征曲线并计算AUC值测试检测性能,区分出正常发光灯珠与异常发光灯珠。

7.一种基于深度支持向量描述的LED灯带缺陷检测系统,其特征在于,包括图像获取模块、样本划分模块、模型训练模块、测试模块;其中,所述图像获取模块,用于获取单颗LED灯珠的正发光图像;

所述样本划分模块,用于对所述正发光图像进行阈值分割,划分正常样本及异常样本;

所述模型训练模块,用于通过Contractive‑Deep SVDD神经网络对所述正发光图像进行模型训练,获得训练模型,得到原始特征空间的最小超球表示,计算超球面半径以及异常分数并划分阈值;

所述测试模块,用于利用所述正常样本及异常样本对所述训练模型进行测试,评估模型性能,判断所述正发光图像是否存在缺陷。

8.根据权利要求7所述的一种基于深度支持向量描述的LED灯带缺陷检测系统,其特征在于,还包括预训练模块,用于对所述训练模块使用收缩卷积自编码器进行预训练。