基于图像增强的手机触摸屏缺陷检测技术研究

在缺陷检测分类的应用中，深度学习的方法逐渐成为主流，变成大家普遍选择的方法，它具有速度快，效率高，准确率高等优点，但同时它也要求具备大量的缺陷数据来用于模型训练，而在实际的场景应用里，我们很难获取到大量的缺陷数据。因此，为增加手机缺陷检测的数据集种类及数量，在此提出一种基于数学参数方程来模拟生成图像数据的方法。利用缺陷的形状特点，将缺陷大致分为点缺陷、块缺陷、线缺陷三种，结合数学方程来模拟缺陷特征信息，然后与无缺陷图像进行融合，最终生成大量的缺陷屏幕的数据。最后通过深度学习的方法来验证此数据集的可用性，通过真实数据和生成数据的分类结果对比发现，使用了生成数据集的模型训练结果提高了1.23%。

基于深度学习的自动识别技术可以提供一种快速、准确和轻松的方法来帮助触摸屏的缺陷识别。卷积神经网络在图像分类[1]和语音识别[2]等多个领域都被证明取得了成功。

基于深度学习的检测方式，要求有足够的缺陷样本作为支撑，深度学习网络在训练过程中要从众多图像中学习缺陷特性，更多的损伤图像可以减小过拟合的可能性。但目前公开的手机缺陷数据集太少， 无法满足网络训练的需求。因此，本文提出一种基于参数方程的图像合成方法。最常见的缺陷如图1 所示，包括凹点、异物、气泡和划痕等。根据缺陷的形态特征，利用数学上的点方程、曲线方程等模拟缺陷。根据最终的模拟效果发现本文模拟的缺陷可以代替工业上大部分的缺陷类型作为研究对象，并且具有多样性。

(a) 凹点 (b) 划痕 (c) 气泡 (d) 异物 Figure 1. Types of defects 图1. 缺陷种类 2. 缺陷生成方法研究 在数据增强的方法中，生成对抗网络(Generative Adversarial Networks, GAN)应用最为广泛且有很多基于GAN 的变体。GAN 包括两部分结构，一个是生成器，一个是判别器。生成器的作用是从原始数据中生成新的图像，即网络从初始数据中提取数据，然后合并这些特征以生成新数据；判别器则用来验证生成的图像，将生成器中生成的图像与原始图像进行对比，然后拒绝不合适的图像。WANG 等[3]人提出