坏点检测方法、坏点校正方法及坏点处理系统与流程

技术特征：
1.一种坏点检测方法，其特征在于，所述坏点检测方法至少包括以下步骤：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。2.根据权利要求1所述的坏点检测方法，其特征在于，步骤s1包括：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；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。3.根据权利要求2所述的坏点检测方法，其特征在于，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。4.根据权利要求2所述的坏点检测方法，其特征在于，步骤s12包括：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；s122：基于神经网络，用验证集选择误差率最小的超参数；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；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。5.根据权利要求2-4任意一项所述的坏点检测方法，其特征在于，步骤s2可以替换为：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；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。6.根据权利要求5所述的坏点检测方法，其特征在于，步骤s2-1包括：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；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。7.一种坏点校正方法，其特征在于：基于如权利要求1-6任意一项所述的坏点检测方法对所述图像进行坏点检测；并进行坏点校正，输出经过坏点校正的图像。8.一种坏点处理系统，用于实现如权利要求1-6任意一项所述的坏点检测方法，其特征在于：所述坏点处理系统包括：探测器，用于采集图像数据；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。
9.根据权利要求8所述的坏点处理系统，其特征在于：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。10.根据权利要求8所述的坏点处理系统，其特征在于：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。

技术总结
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，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，数据至少包括图像数据中的像素值或灰度值；S1：基于数据库搭建神经网络，进而训练生成第一坏点检测模型；S2：在探测器出厂之后采集图像时，利用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，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。人力负担大等问题。人力负担大等问题。


技术研发人员：齐松 宁海涛
受保护的技术使用者：上海奕瑞光电子科技股份有限公司
技术研发日：2022.02.25
技术公布日：2022/6/28