坏点检测方法、坏点校正方法及坏点处理系统与流程

1.本发明涉及图像处理领域，特别是涉及一种坏点检测方法、坏点校正方法及坏点处理系统。


背景技术：

2.现有检测坏点的方法主要为人工检测，在人工视觉检测时，通过人工进行检测阈值修正，容易受主观因素的限制，影响检测的准确性。此外，不同的坏点对于x射线的响应不同，在固定曝光参数的图像中检测坏点，存在坏点的灰度值与正常像素的灰度值相差不大的情况，从而无法检测出该坏点，导致漏检，使得检测效率和准确性偏低。
3.因此，如何解决现有坏点检测系统的准确性偏低的问题已经成为本领域技术人员亟待解决的问题之一。


技术实现要素：

4.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种坏点检测方法、坏点校正方法及坏点处理系统，用于解决现有技术中坏点检测的准确性偏低的问题。
5.为实现上述目的及其他相关目的，本发明提供一种坏点检测方法，所述坏点检测方法至少包括以下步骤：
6.s0：采集探测器在出厂之前的数据并制成数据库；其中，所述数据至少包括图像数据中的像素值或灰度值；
7.s1：基于所述数据库搭建神经网络，进而训练生成第一坏点检测模型；
8.s2：在所述探测器出厂之后采集图像时，利用所述第一坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。
9.可选地，步骤s1包括：
10.s11：基于所述数据库中的数据，制作神经网络所需要的训练集、验证集及测试集；
11.s12：搭建神经网络，进而生成所述第一坏点检测模型，并对所述第一坏点检测模型进行训练，不断验证迭代；当所述第一坏点检测模型满足第一条件时，则输出所述第一坏点检测模型；其中，所述第一条件是满足坏点检测的精度在第一预设范围内。
12.更可选地，步骤s11包括：将所述数据库中的数据均匀随机抽样分成训练集、验证集及测试集，且三个集合不能有交集。
13.更可选地，步骤s12包括：
14.s121：基于神经网络，用所述训练集来训练模型，进而确定所述训练模型的学习参数；
15.s122：基于神经网络，用验证集选择误差率最小的超参数；
16.s123：基于神经网络，将所述训练模型用于评价所述测试集的准确率；
17.s124：重复步骤s121～s123；当所述测试集的准确率在第一预设范围内，则输出训
练模型，输出的训练模型为第一坏点检测模型。
18.更可选地，步骤s2可以替换为：
19.s2-1：将所述探测器出厂之后采集的图像数据加入到所述数据库中，基于新的数据库搭建神经网络，进而生成第二坏点检测模型；
20.s2-2：利用所述第二坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。
21.更可选地，步骤s2-1包括：
22.s2-11：采集所述探测器在使用中的图像数据并加入到所述数据库中，基于新的数据库，重新制作训练集、验证集及测试集；
23.s2-12：搭建神经网络，进而生成所述第二坏点检测模型，对所述第二坏点检测模型进行训练，并不断验证迭代；当所述第二坏点模型满足第二条件时，则输出所述第二坏点检测模型；其中，所述第二条件是满足坏点检测的精度在第二预设范围内，所述第二预设范围小于所述第一预设范围。
24.为实现上述目的及其他相关目的，本发明还提供一种坏点校正方法：
25.基于上述所述的坏点检测方法对所述图像进行坏点检测；
26.并进行坏点校正，输出经过坏点校正的图像。
27.为实现上述目的及其他相关目的，本发明还提供一种坏点处理系统，包括：
28.探测器，用于采集图像数据；
29.计算机，连接所述探测器，获取所述探测器采集的图像数据并进行坏点检测及校正。
30.可选地，所述计算机上包含存储介质及处理器；所述存储介质用于存储数据，所述处理器用于配置神经网络程序。
31.可选地，所述计算机基于已有数据搭建神经网络，进而生成坏点检测模型，所述计算机通过所述检测模型对图像数据进行坏点检测及校正。
32.如上所述，本发明的坏点检测方法、坏点校正方法及坏点处理系统，具有以下有益效果：
33.本发明的坏点检测方法搭建了神经网络，通过神经网络深度学习来检测坏点，效率更高；避免了人工参数的调整，解决了现有坏点检测偏于主观、调参复杂、普适性差、鲁棒性差、流程繁琐、人力负担大等问题。
附图说明
34.图1显示为本发明的坏点检测方法的原理示意图。
具体实施方式
35.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
36.请参阅图1。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的
stage检测器。ssd全称是single shot multibox detector，ssd是基于前馈卷积神经网络的算法，会生成一系列固定尺寸的边界框，而且会为这些框中对象类实例的出现打分，接着会跟着一个非极大值抑制算法获得最后的预测结果。alexnet由alex krizhevsky于2012年提出，夺得2012年ilsvrc比赛的冠军，使用了非线性激活函数：relu；防止过拟合的方法：dropout，数据扩充data augmentation。vggnet由牛津大学计算机视觉组合和google deepmind公司研究员一起研发的深度卷积神经网络，它探索了卷积神经网络的深度和其性能之间的关系，通过反复的堆叠3*3的小型卷积核和2*2的最大池化层，成功的构建了16～19层深的卷积神经网络。
45.更具体地，作为示例，步骤s12包括：
46.s121：基于神经网络，用所述训练集来训练模型，进而确定所述训练模型的学习参数。需要说明的是，所述训练模型表示在训练集中存在的规律，所述规律可以是一个函数(有映射关系的多个集合)，所述规律对所述训练集中的所有数据适用；其中，所述规律可以用算法表达也可以用函数表达式表达，在此不做限定。针对不同的数据类型进行不同的训练，如对像素值数据进行训练，对灰度值数据进行训练。所述学习参数表示满足所述训练模型的规律的参数，例如权重和偏置，依据训练模型的不同，参数不同，在实际操作中根据需要选择，在此不一一赘述。
47.s122：基于神经网络，用验证集选择误差率最小的超参数。所述训练模型确定好以后(所述训练模型的学习参数确定)，将所述验证集的参数代入所述训练模型中，判断所述验证集的数据的拟合程度；所述误差率即为拟合程度，选择拟合程度高(误差率小)的超参数。需要说明的是，所述超参数为网络层数、网络结点数、迭代次数或者学习率，其他的超参数也包括，可以根据需要选择，在此不一一列举。
48.s123：基于神经网络，将所述训练模型用于评价所述测试集的准确率。将所述测试集中的数据代入到所述训练模型中，根据所述测试集中的数据的拟合程度，评价所述训练模型的准确率。
49.s124：重复步骤s121～s123；当所述测试集的准确率在第一预设范围内，则输出训练模型，输出的训练模型为第一坏点检测模型。其中，所述第一预设范围可以通过认为设定，在此不一一赘述。需要说明的是，其他神经网络应用的方法和数据学习的方法也适用于本发明，在此不做限定，操作者根据实际的需要选择。
50.s2：在所述探测器出厂之后采集图像时，利用所述第一坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。所述坏点的形成可能是在所述探测器制作的时候存在工艺上的缺陷，也可能是在光信号转化为电信号的过程中出现错误，从而造成图像上像素信息错误。所述亮点表示在黑屏下不能显示正常的原色的像素点，所述暗点表示在白色屏下不能显示正常的颜色的像素点，所述色点表示无法显示一种或几种彩色的像素点。需要说明的是，坏点是通过所述第一坏点检测模型检测出来的，在依据神经网络搭建了所述第一坏点检测模型后，将图像中的像素值或灰度值代入所述第一坏点检测模型得到一个相应的数据值，所述数据值与实际中相应的像素值或灰度值相差在预设范围外时，判断为坏点；所述预设范围可以由人为设定，也可以由神经网络自行设定。
51.作为本实施例的另一种实现方式，作为示例，步骤s2可以替换为：
52.s2-1：将所述探测器出厂之后采集的图像数据加入到所述数据库中，基于新的数据库搭建神经网络，进而生成第二坏点检测模型；其中，生成所述第二坏点检测模型的原理和生成所述第一坏点检测模型的原理相似，在此不一一赘述。
53.具体地，步骤s2-1包括：
54.s2-11：采集所述探测器在使用中的图像数据并加入到所述数据库中，基于新的数据库，重新制作训练集、验证集及测试集。其中，制作所述训练集、所述验证集及所述测试集的方法和步骤s11相似，在此不一一赘述。
55.s2-12：搭建神经网络，进而生成所述第二坏点检测模型，对所述第二坏点检测模型进行训练，并不断验证迭代；当所述第二坏点模型满足第二条件时，则输出所述第二坏点检测模型；其中，所述第二条件是满足坏点检测的精度在第二预设范围内，所述第二预设范围小于所述第一预设范围。其中，生成所述第二坏点检测模型的原理及对所述第二坏点检测模型进行训练和验证迭代，和所述第一坏点检测模型的原理相似，在此不一一赘述。
56.s2-2：利用所述第二坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。
57.本发明的坏点检测方法搭建了神经网络，通过神经网络深度学习来检测坏点，效率更高；避免了人工参数的调整，解决了现有坏点检测偏于主观、调参复杂、普适性差、鲁棒性差、流程繁琐、人力负担大等问题。
58.实施例二
59.本实施例提供一种坏点校正方法，基于实施例一中所述的坏点检测方法实现。
60.基于实施例一中所述的坏点检测方法对所述图像进行坏点检测。
61.并进行坏点校正，输出经过坏点校正的图像。其中，所述坏点校正的方法通过现有技术实现，在此不做具体描述，任意可以进行坏点校正的方法都可以适用于本发明。
62.实施例三
63.本实施例提供一种坏点处理系统，用于实现实施例一中所述的坏点检测方法，所述坏点处理系统包括：探测器及计算机。
64.所述探测器用于采集图像数据，在x射线源曝光的时候采集图像，并传输给所述计算机；所述探测器不做限定，任意能采集图像的图像传感器及设备均适用于本发明，在此不一一赘述。
65.所述计算机连接所述探测器，获取所述探测器采集的图像数据并进行坏点检测及校正。其中，所述坏点检测的方法基于实施例一实现；所述坏点校正的方法为现有技术，在此不一一赘述。
66.具体地，所述计算机上包含存储介质及处理器；所述存储介质用于存储数据，所述处理器用于配置神经网络程序，所述存储器上用于存储图像数据、坏点数据、所述坏点检测系统及所述坏点校正方法，在所述处理器的配置下，所述坏点检测系统及所述坏点校正方法可以运行以进行坏点的处理。
67.具体地，所述计算机基于已有数据搭建神经网络，进而生成坏点检测模型，所述计算机通过所述检测模型对图像数据进行坏点检测及校正。
68.综上所述，本发明提供一种坏点检测方法、坏点校正方法及坏点处理系统，所述坏点检测方法包括以下步骤：s0：采集探测器在出厂之前的数据并制成数据库；其中，所述数
据至少包括图像数据中的像素值或灰度值；s1：基于所述数据库搭建神经网络，进而训练生成第一坏点检测模型；s2：在所述探测器出厂之后采集图像时，利用所述第一坏点检测模型对采集的图像进行坏点检测，若图像中的像素点的像素值或灰度值异常时，则判断为坏点；其中，所述异常是指出现亮点、暗点或色点。本发明的坏点检测方法搭建了神经网络，通过神经网络深度学习来检测坏点，效率更高；避免了人工参数的调整，解决了现有坏点检测偏于主观、调参复杂、普适性差、鲁棒性差、流程繁琐、人力负担大等问题。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
69.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。