手机Logo图像,作为手机外观的重要组成部分,其表面缺陷将严重影响智能手机的质量和消费者的使用体验。机器视觉作为一种无接触,无损伤的图像自动检测技术,凭借其精度高、响应速度快、安全可靠、能在恶劣生产环境下稳定工作的优势,已成为工业图像异常检测的一种常用技术手段。近几年,基于机器视觉的检测技术发展迅猛,已形成相应的技术体系,涌现了许多成熟的商用视觉算法软件。然而,手机Logo图像异常检测因为受到来料差异,光照变化,图像偏移,异常样本难以收集等因素的影响导致其检测准确率低下。本文以手机Logo图像为实验研究对象,结合优化算法、图像处理、深度学习等技术,运用基于卷积自编码器的无监督学习方法来对Logo图像进行异常检测,本文的主要工作如下:1.首先针对机器视觉中光源参数不稳定导致采集图像质量参差不齐的问题,本文创新性地将粒子群优化算法应用于打光机光源参数的调节,代替人工调节光源,构建打光参数优化系统。在光照质量不一的图像数据集上验证了多个无参考图像质量评价函数与人为主观视觉效果的一致性,最终确定图像信息熵函数作为粒子群优化中的适应度函数。在多个不同类型的手机产品上对基于粒子群优化算法的打光参数优化系统进行有效性验证。2.本文创造性地应用卷积自编码器对手机Logo图像进行无监督学习,获得的图像重建模型能够自适应生成与待测图像匹配的模版,用于与待测图像进行比较以实现异常检测。为了提高训练图片数据集的丰富程度,防止模型过拟合,使用三种方法对训练数据集进行数据增强,分别是添加高斯噪声,对比度和亮度调整,旋转角度调整等图像处理方法。使用阈值分割、数学形态学处理等图像后处理方法来进行缺陷检测。最后在多个规模较大的Logo图像数据集上验证基于卷积自编码器的Logo图像异常检测系统的有效性。3.基于Python、PyQt、TensorFlow、OpenCV等技术,本文以模块化设计的方式开发了包括自适应打光参数优化系统在内的手机Logo图像异常检测系统,构建手机Logo图像异常检测自动化流程。