CN107154041B - 一种用于显示面板缺陷分类的学习方法 - Google Patents

一种用于显示面板缺陷分类的学习方法 Download PDF

Info

Publication number
CN107154041B
CN107154041B CN201710343201.5A CN201710343201A CN107154041B CN 107154041 B CN107154041 B CN 107154041B CN 201710343201 A CN201710343201 A CN 201710343201A CN 107154041 B CN107154041 B CN 107154041B
Authority
CN
China
Prior art keywords
defect
characteristic attribute
gradient
type
attribute description
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710343201.5A
Other languages
English (en)
Other versions
CN107154041A (zh
Inventor
吕东东
张胜森
邓标华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Jingce Electronic Group Co Ltd
Original Assignee
Wuhan Jingce Electronic Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Jingce Electronic Group Co Ltd filed Critical Wuhan Jingce Electronic Group Co Ltd
Priority to CN201710343201.5A priority Critical patent/CN107154041B/zh
Publication of CN107154041A publication Critical patent/CN107154041A/zh
Application granted granted Critical
Publication of CN107154041B publication Critical patent/CN107154041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于显示面板缺陷分类的学习方法，包括：引入缺陷特征属性描述参数及缺陷特征属性梯度参数，其中，该缺陷特征属性描述参数包括多种缺陷类型的特征属性描述向量，该缺陷特征属性梯度参数包括多种缺陷类型的特征属性梯度范围α及与该多种缺陷类型的特征属性梯度范围α一一对应的梯度系数因子；并通过调整缺陷特征属性描述参数或缺陷特征属性梯度参数，使得引入的缺陷特征属性描述参数及缺陷特征属性梯度参数能够自动匹配显示面板的显示缺陷类型。本发明通过对已知缺陷类型的学习不断完善引入缺陷特征属性描述参数，及不断收敛优化缺陷特征属性梯度参数，能极大提升显示面板的缺陷识别检测效率和精确度。

Description

一种用于显示面板缺陷分类的学习方法
技术领域
本发明涉及显示面板检测技术领域，具体涉及到一种用于显示面板缺陷分类的学习方法。
背景技术
平面显示器具有高分辨率、高灰度以及无几何变形等优点，同时由于其体积小、重量轻和功耗低，因而被广泛的应用在人们日常使用的消费电子产品中，例如电视、电脑、手机、平板等。显示面板是平面显示器具的主体组成部分，其制造工艺复杂，而且随着显示面板的尺寸越做越大，其灰度的均匀性也越来越难控制，因此在制造过程中难免会出现各种显示缺陷，如亮点/暗点/异物亮/BL异物(背光异物)/白点/亮暗线/Mura等显示缺陷。
目前，显示面板产线上一般采用肉眼识别显示缺陷数量及类型的方式对显示面板进行等级判定，检测效率低、误检率高。
发明内容
针对上述现有技术的不足，本发明公开一种用于显示面板缺陷分类的学习方法，通过引入缺陷特征属性描述参数及缺陷特征属性梯度参数，并通过对已知缺陷类型的学习不断完善引入缺陷特征属性描述参数，及不断收敛优化缺陷特征属性梯度参数，使得引入的缺陷特征属性描述参数及缺陷特征属性梯度参数能够自动匹配显示面板的显示缺陷类型，能极大提升显示面板的缺陷识别检测效率和精确度。
为实现上述目的，本发明提供一种用于显示面板缺陷分类的学习方法，包括以下步骤：
1)从一已知缺陷类型的图像中提取缺陷特征属性向量d；
2)提供一缺陷特征属性梯度系数集合G，该缺陷特征属性梯度系数集合G包括该已知缺陷类型的特征属性梯度范围αij及与该特征属性梯度范围αij一一对应的梯度系数因子βij；将该缺陷特征属性向量d分别代入到该特征属性梯度范围αij中，得到梯度系数因子向量β；
3)提供一缺陷特征属性描述集合M，该缺陷特征属性描述集合M包括多种缺陷类型的多个特征属性描述向量m；将该梯度系数因子向量β分别与该多个特征属性描述向量m进行卷积，生成一组卷积值；
4)若最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，则结束缺陷类型识别流程；
若最大的卷积值对应的特征属性描述向量的缺陷类型不为该已知缺陷类型，则修改该已知缺陷类型的特征属性梯度范围αij及与该特征属性梯度范围αij一一对应的梯度系数因子βij，重复步骤1至4，直至最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，获得新的该已知缺陷类型的特征属性梯度范围及与该特征属性梯度范围一一对应的梯度系数因子。
进一步地，上述技术方案采用以下公式进行卷积计算：
其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述缺陷特征信息的加权因子，特征属性描述向量m转换成矩阵参与卷积计算；βi是梯度系数因子向量β(β1,β2,…βn)(0＜βi＜1)中的元素，梯度系数因子向量β转换成列向量参与卷积计算，n为正整数。
更进一步地，上述技术方案中缺陷特征包括画面名称、和/或面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标。
更进一步地，上述技术方案中该特征属性描述向量m是对面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标的数值归一化的集合。
更进一步地，上述技术方案步骤4中所述修改该已知缺陷类型的特征属性梯度范围具体为缩小该已知缺陷类型的特征属性梯度范围。
此外，本发明还另外提供一种用于显示面板缺陷分类的学习方法，包括以下步骤：
1)从一已知缺陷类型的图像中提取缺陷特征属性向量d；
2)提供一缺陷特征属性梯度系数集合G，该缺陷特征属性梯度系数集合G包括该已知缺陷类型的特征属性梯度范围αij及与该特征属性梯度范围αij一一对应的梯度系数因子βij；将该缺陷特征属性向量d分别代入到该特征属性梯度范围αij中，得到梯度系数因子向量β；
3)提供一缺陷特征属性描述集合M，该缺陷特征属性描述集合M包括多种缺陷类型的多个特征属性描述向量m，该缺陷特征属性描述集合M还包括一该已知缺陷类型的特征属性描述向量m1；将该梯度系数因子向量β分别与该多个特征属性描述向量m、该已知缺陷类型的特征属性描述向量m1进行卷积，生成一组卷积值；
4)若最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，则结束缺陷类型识别流程；
若最大的卷积值对应的特征属性描述向量的缺陷类型不为该已知缺陷类型，则修改该特征属性描述向量m1，重复步骤1至4，直至最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，获得新的该已知缺陷类型的特征属性描述向量m2。
进一步地，上述技术方案采用以下公式进行卷积计算：
其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述缺陷特征信息的加权因子，特征属性描述向量m转换成矩阵参与卷积计算；βi是梯度系数因子向量β(β1,β2,…βn)(0＜βi＜1)中的元素，梯度系数因子向量β转换成列向量参与卷积计算，n为正整数。
更进一步地，上述技术方案中缺陷特征包括画面名称、和/或面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标。
更进一步地，上述技术方案中该特征属性描述向量m是对面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标的数值归一化的集合。
更进一步地，上述技术方案步骤4中的修改该特征属性描述向量m1具体为增加该已知缺陷类型的特征属性描述，或重新描述该已知缺陷类型的缺陷特征信息的加权因子。
本发明通过引入缺陷特征属性描述参数及缺陷特征属性梯度系数，并通过对已知缺陷类型的学习不断完善引入缺陷特征属性描述参数，及不断收敛优化缺陷特征属性梯度系数，使得引入的缺陷特征属性描述参数及缺陷特征属性梯度参数能够自动匹配显示面板的显示缺陷类型，能极大提升显示面板的缺陷识别检测效率和精确度。
附图说明
图1采用本发明的显示面板缺陷分类装置实施例的结构示意图；
图2本发明用于显示面板缺陷分类的学习方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例：能够对显示面板的缺陷类型进行学习、分类及等级判定的显示面板缺陷等级判定装置
如图1所示，本发明实施例给出的一种显示面板缺陷等级判定装置主要包括工业相机、图像算法处理模块、缺陷分类器学习模块、缺陷分类模块和缺陷等级判定模块。其中，工业相机主要用于采集显示面板的显示画面；图像算法处理模块主要用于从显示画面中提取出缺陷特征信息；缺陷分类器学习模块用于提供缺陷类型配置文件和缺陷特征属性梯度文件；缺陷分类模块用于根据缺陷类型配置文件和缺陷特征属性梯度文件对缺陷特征信息进行缺陷类型的识别；缺陷等级判定模块用于根据识别出的缺陷数量及缺陷类型判定显示面板的等级。
上述技术方案中，图像算法处理模块提取的缺陷特征信息是指包含有多组缺陷特征属性向量d的缺陷特征属性集合D；其中，缺陷特征是指显示画面中缺陷点或缺陷区域的面积、长、宽、长宽比、中心灰度、对比度、坐标等信息，以及显示画面的名称；显示画面中每一个缺陷点或缺陷区域实际的缺陷特征信息都用一组缺陷特征属性向量d表示。
上述技术方案中，缺陷分类器学习模块提供的缺陷类型配置文件中包含有缺陷特征属性描述集合M，缺陷特征属性描述集合M中包含有各种缺陷类型的多个特征属性描述向量m(一种缺陷类型对应一个特征属性描述向量)，特征属性描述向量m为描述一缺陷类型的缺陷特征信息的加权因子的集合。缺陷分类器学习模块提供的缺陷特征属性梯度文件中包括有缺陷特征属性梯度系数集合G，缺陷特征属性梯度系数集合G中包含有各种缺陷类型的特征属性梯度范围αij及与特征属性梯度范围αij一一对应的梯度系数因子βij，如表1所示。
表1
上述技术方案中，缺陷分类器学习模块里构建有缺陷分类器核函数1：
或缺陷分类器核函数2：
其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述各缺陷特征的加权因子，特征属性描述向量m转换成矩阵参与卷积计算，di是缺陷特征属性向量d(d1,d2,…dn)中的元素，为各缺陷特征的实际值，缺陷特征属性向量d转换成列向量参与卷积计算，βi为引入的缺陷特征的梯度系数因子，梯度系数因子向量β(β1,β2,…βn)(0＜βi＜1)转换成列向量参与卷积计算，n为正整数。缺陷分类器学习模块用于结合缺陷分类器核函数对已知的亮点/暗点/异物亮/BL异物(背光异物)/白点/亮暗线/Mura等显示缺陷进行学习，生成缺陷类型配置文件和缺陷特征属性梯度文件。
上述实施例中，显示面板缺陷等级判定装置对显示面板的缺陷类型进行学习的过程包括缺陷类型配置文件获取过程和缺陷特征属性梯度文件获取过程。
如图2所示，上述实施例中，缺陷类型配置文件的获取过程包括以下步骤，以学习BL异物缺陷为例：
S11)图像算法处理模块加载一幅包含有一BL异物缺陷的图像，并从该图像中提取出BL异物缺陷的缺陷特征信息，得到一组缺陷特征属性向量d，如表2所示。
表2
缺陷特征 面积 长宽比 white画 black画面 L63画 对比
BL异物 95 3 1 0 0 15.2
S12)在缺陷分类器学习模块中配置BL异物缺陷的缺陷特征信息的加权因子，如表3所示，获得BL异物缺陷的特征属性描述向量m1，并生成缺陷类型配置文件。需要说明的是，缺陷分类器学习模块通过前期的学习，缺陷类型配置文件中已包含有多种其他常见缺陷类型的特征属性描述向量，如表3所示。
表3
特征属性 面积 长宽比 white画面 black画面 L63画面 对比度
点 0.45 0.45 0.1 (0.1) 0.0 0.0
线 0.0 0.9 0.1 (0.1) 0.0 0.0
BL异物 0.8 0.0 0.2 0.0 0.0 0.0
S13)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件，并解析该缺陷类型配置文件生成缺陷特征属性描述集合M，如表3所示；同时，缺陷分类模块从缺陷分类器学习模块中读取缺陷特征属性梯度文件，并解析该缺陷特征属性梯度文件生成缺陷特征属性梯度系数集合G，如表4所示。
表4
S14)将表2中BL异物缺陷的缺陷特征属性向量与表4中BL异物缺陷对应的特征属性梯度范围αij进行比较，得到BL异物缺陷的梯度系数因子向量
S15)采用缺陷分类器核函数2，将梯度系数因子向量分别与表3中的3个特征属性描述向量进行卷积，生成一组卷积值。
S16)若最大的卷积值对应的缺陷类型为BL异物缺陷，则结束缺陷类型识别流程；
若最大的卷积值对应的缺陷类型不为BL异物缺陷，则在缺陷分类器学习模块中修改BL异物缺陷的缺陷特征信息的加权因子(具体为增加BL异物缺陷的特征属性描述，如增加BL异物缺陷中心灰度、坐标等缺陷特征信息的描述；或重新描述BL异物缺陷的缺陷特征信息的加权因子)，重复步骤S11至S16，直至最大的卷积值对应的缺陷类型为BL异物缺陷，获得修改后的BL异物缺陷的缺陷特征信息的加权因子。
如图2所示，上述实施例中，缺陷特征属性梯度文件的获取过程包括以下步骤，以学习BL异物缺陷为例：
S21)图像算法处理模块加载一幅包含有一BL异物缺陷的图像，并从该图像中提取出BL异物缺陷的缺陷特征信息，得到一组缺陷特征属性向量d，如表5所示。
表5
缺陷特征 面积 长宽比 white画 black画面 L63画 对比
BL异物 95 3 1 0 0 15.2
S22)在缺陷分类器学习模块中配置BL异物缺陷的特征属性梯度范围αij及与之对应的梯度系数因子βij，如表6所示，并生成缺陷特征属性梯度文件。
表6
S23)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件，并解析该缺陷类型配置文件生成缺陷特征属性描述集合M，如表7所示；同时，缺陷分类模块从缺陷分类器学习模块中读取缺陷特征属性梯度文件，并解析该缺陷特征属性梯度文件生成缺陷特征属性梯度系数集合G，如表6所示。
表7
特征属性 面积 长宽比 white画面 black画面 L63画面 对比度
点 0.45 0.45 0.1 (0.1) 0.0 0.0
线 0.0 0.9 0.1 (0.1) 0.0 0.0
BL异物 0.8 0.0 0.2 0.0 0.0 0.0
S24)将表5中BL异物缺陷的缺陷特征属性向量与表6中BL异物缺陷对应的特征属性梯度范围αij进行比较，得到BL异物缺陷的梯度系数因子向量
S25)采用缺陷分类器核函数2，将梯度系数因子向量分别与表7中的3个特征属性描述向量进行卷积，生成一组卷积值。，
S26)若最大的卷积值对应的缺陷类型为BL异物缺陷，则结束缺陷类型识别流程；
若最大的卷积值对应的缺陷类型不为BL异物缺陷，则在缺陷分类器学习模块中修改BL异物缺陷的特征属性梯度范围αij及与之对应的梯度系数因子βij，或者缩小BL异物缺陷的特征属性梯度范围(给出缩小范围后特征属性梯度范围αij及与之对应的梯度系数因子βij)，重复步骤S21至S26，直至最大的卷积值对应的缺陷类型为BL异物缺陷，获得修改后的BL异物缺陷的特征属性梯度范围αij及与之对应的梯度系数因子βij。
上述实施例中显示面板缺陷等级判定装置对显示面板的缺陷类型进行分类及等级判定实施例1包括以下步骤：
S31)图像讯号发生器给显示面板发送纯色图像(需要说明的是，本实施例中的纯色图像包括但不限于R、G、B、白色、黑色等纯色图像)，然后工业相机对该纯色图像进行采集，并发送到图像算法处理模块中。
S32)图像算法处理模块从该纯色图像中提取出缺陷特征信息，得到包括多组缺陷类型的陷特征属性集合D，其中陷特征属性集合D中包含有多组陷特征属性向量，如表8所示。
表8
缺陷特征 面积 长宽比 white画面 black画面 L63画面 对比度
缺陷1 56 0.45 0 0 1 17.0
缺陷2 95 3 1 0 0 15.2
缺陷3 246 10.1 0 0 1 21.3
S33)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件和缺陷特征属性梯度文件，并将缺陷类型配置文件解析成缺陷特征属性描述集合M，如表9所示；将缺陷特征属性梯度文件解析成缺陷特征属性梯度系数集合G，如表10所示。
表9
缺陷特征 面积 长宽比 white画面 black画面 L63画 对比度
点 0.45 0.45 0.1 (0.1) 0.0 0.0
线 0.0 0.9 0.1 (0.1) 0.0 0.0
BL异物 0.8 0.0 0.2 0.0 0.0 0.0
表10
S34)缺陷分类模块将表8所示的每一组缺陷特征属性向量分别与表10中点、线、BL异物缺陷对应的特征属性梯度范围αij进行比较，使得每一组陷特征属性向量分别获得点、线、BL异物3种缺陷类型的梯度系数因子向量。例如，缺陷1的缺陷特征属性向量d1分别与表10中点、线、BL异物缺陷对应的特征属性梯度范围αij进行比较，从而使得缺陷特征属性向量d1分别获得点缺陷类型的梯度系数因子向量β1、线缺陷类型的梯度系数因子向量β2、BL异物缺陷类型的梯度系数因子向量β3。
S35)缺陷分类模块采用缺陷分类器核函数2将每一组陷特征属性向量的3组梯度系数因子向量β1、β2、β3分别与表9对应缺陷类型的特征属性描述向量进行卷积，从而，每一组缺陷特征属性向量分别生成3个卷积值。其中，每一组缺陷特征属性向量的3个卷积值中，最大的卷积值对应的缺陷类型即为该缺陷特征属性向量的缺陷类型。
S36)缺陷等级判定模块读取缺陷等级判定规则文件，根据识别出的缺陷数量及缺陷类型判定显示面板的等级。
上述实施例中显示面板缺陷等级判定装置对显示面板的缺陷类型进行分类及等级判定实施例2包括以下步骤：
S41)图像讯号发生器给显示面板发送纯色图像，然后工业相机对该纯色图像进行采集，并发送到图像算法处理模块中。
S42)图像算法处理模块从该纯色图像中提取出缺陷特征信息，得到包括多组缺陷类型的陷特征属性集合D，其中陷特征属性集合D中包含有多组陷特征属性向量，如表8所示。
S43)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件，并将缺陷类型配置文件解析成缺陷特征属性描述集合M，如表9所示。
S44)缺陷分类模块将表8所示的每一组缺陷特征属性向量分别与表9中所有的特征属性描述向量进行卷积，从而，每一组缺陷特征属性向量分别生成3个卷积值。其中，每一组缺陷特征属性向量的3个卷积值中，最大的卷积值对应的缺陷类型即为该缺陷特征属性向量的缺陷类型。
S46)缺陷等级判定模块读取缺陷等级判定规则文件，根据识别出的缺陷数量及缺陷类型判定显示面板的等级。
本领域的技术人员容易理解，本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于显示面板缺陷分类的学习方法，其特征在于，包括以下步骤：
1)从一已知缺陷类型的图像中提取缺陷特征属性向量d；
2)提供一缺陷特征属性梯度系数集合G，该缺陷特征属性梯度系数集合G包括该已知缺陷类型的特征属性梯度范围αij及与该特征属性梯度范围αij一一对应的梯度系数因子βij；将该缺陷特征属性向量d分别代入到该特征属性梯度范围αij中，得到梯度系数因子向量β；
3)提供一缺陷特征属性描述集合M，该缺陷特征属性描述集合M包括多种缺陷类型的多个特征属性描述向量m；将该梯度系数因子向量β分别与该多个特征属性描述向量m进行卷积，生成一组卷积值；
4)若最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，则结束缺陷类型识别流程；
若最大的卷积值对应的特征属性描述向量的缺陷类型不为该已知缺陷类型，则修改该已知缺陷类型的特征属性梯度范围αij及与该特征属性梯度范围αij一一对应的梯度系数因子βij，重复步骤1至4，直至最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，获得新的该已知缺陷类型的特征属性梯度范围及与该特征属性梯度范围一一对应的梯度系数因子。
2.根据权利要求1所述的学习方法，其特征在于，采用以下公式进行卷积计算：
其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述缺陷特征信息的加权因子，特征属性描述向量m转换成矩阵参与卷积计算；βi是梯度系数因子向量β(β1,β2,…βn)(0＜βi＜1)中的元素，梯度系数因子向量β转换成列向量参与卷积计算，n为正整数。
3.根据权利要求1或2所述的学习方法，其特征在于，缺陷特征包括画面名称、和/或面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标。
4.根据权利要求3所述的学习方法，其特征在于，该特征属性描述向量m是对面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标的数值归一化的集合。
5.根据权利要求1所述的学习方法，其特征在于，步骤4中所述修改该已知缺陷类型的特征属性梯度范围具体为缩小该已知缺陷类型的特征属性梯度范围。
6.一种用于显示面板缺陷分类的学习方法，其特征在于，包括以下步骤：
1)从一已知缺陷类型的图像中提取缺陷特征属性向量d；
2)提供一缺陷特征属性梯度系数集合G，该缺陷特征属性梯度系数集合G包括该已知缺陷类型的特征属性梯度范围αij及与该特征属性梯度范围αij一一对应的梯度系数因子βij；将该缺陷特征属性向量d分别代入到该特征属性梯度范围αij中，得到梯度系数因子向量β；
3)提供一缺陷特征属性描述集合M，该缺陷特征属性描述集合M包括多种缺陷类型的多个特征属性描述向量m，该缺陷特征属性描述集合M还包括一该已知缺陷类型的特征属性描述向量m1；将该梯度系数因子向量β分别与该多个特征属性描述向量m、该已知缺陷类型的特征属性描述向量m1进行卷积，生成一组卷积值；
4)若最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，则结束缺陷类型识别流程；
若最大的卷积值对应的特征属性描述向量的缺陷类型不为该已知缺陷类型，则修改该特征属性描述向量m1，重复步骤1至4，直至最大的卷积值对应的特征属性描述向量的缺陷类型为该已知缺陷类型，获得新的该已知缺陷类型的特征属性描述向量m2。
7.根据权利要求6所述的学习方法，其特征在于，采用以下公式进行卷积计算：
其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述缺陷特征信息的加权因子，特征属性描述向量m转换成矩阵参与卷积计算；βi是梯度系数因子向量β(β1,β2,…βn)(0＜βi＜1)中的元素，梯度系数因子向量β转换成列向量参与卷积计算，n为正整数。
8.根据权利要求6或7所述的学习方法，其特征在于，缺陷特征包括画面名称、和/或面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标。
9.根据权利要求8所述的学习方法，其特征在于，该特征属性描述向量m是对面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标的数值归一化的集合。
10.根据权利要求7所述的学习方法，其特征在于，步骤4中修改该特征属性描述向量m1具体为增加该已知缺陷类型的特征属性描述，或重新描述该已知缺陷类型的缺陷特征信息的加权因子。
CN201710343201.5A 2017-05-16 2017-05-16 一种用于显示面板缺陷分类的学习方法 Active CN107154041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710343201.5A CN107154041B (zh) 2017-05-16 2017-05-16 一种用于显示面板缺陷分类的学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710343201.5A CN107154041B (zh) 2017-05-16 2017-05-16 一种用于显示面板缺陷分类的学习方法

Publications (2)

Publication Number Publication Date
CN107154041A CN107154041A (zh) 2017-09-12
CN107154041B true CN107154041B (zh) 2019-08-09

Family

ID=59793020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710343201.5A Active CN107154041B (zh) 2017-05-16 2017-05-16 一种用于显示面板缺陷分类的学习方法

Country Status (1)

Country Link
CN (1) CN107154041B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109136A (zh) * 2017-12-12 2018-06-01 武汉精测电子集团股份有限公司 一种面板检测中表面灰尘快速过滤方法及装置
CN111311572A (zh) * 2020-02-13 2020-06-19 桂林理工大学 一种管道检测方法、装置、存储介质及机器人

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101918818A (zh) * 2007-11-12 2010-12-15 麦克罗尼克激光***公司 检测图案误差的方法和装置
CN103392125A (zh) * 2011-02-24 2013-11-13 3M创新有限公司 用于检测幅材型材料中的不均匀因素的***
CN104392432A (zh) * 2014-11-03 2015-03-04 深圳市华星光电技术有限公司 基于方向梯度直方图的显示面板缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6547364B2 (en) * 1997-07-12 2003-04-15 Silverbrook Research Pty Ltd Printing cartridge with an integrated circuit device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101918818A (zh) * 2007-11-12 2010-12-15 麦克罗尼克激光***公司 检测图案误差的方法和装置
CN103392125A (zh) * 2011-02-24 2013-11-13 3M创新有限公司 用于检测幅材型材料中的不均匀因素的***
CN104392432A (zh) * 2014-11-03 2015-03-04 深圳市华星光电技术有限公司 基于方向梯度直方图的显示面板缺陷检测方法

Also Published As

Publication number Publication date
CN107154041A (zh) 2017-09-12

Similar Documents

Publication Publication Date Title
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN107290345A (zh) 一种基于aoi的显示面板缺陷分类方法及装置
CN103544506B (zh) 一种基于卷积神经网络的图像分类方法和装置
CN109977808A (zh) 一种晶圆表面缺陷模式检测与分析方法
Pan et al. Automatic recognition of woven fabric pattern based on image processing and BP neural network
CN107563999A (zh) 一种基于卷积神经网络的芯片缺陷识别方法
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
CN106250825A (zh) 一种在医保应用中场景自适应的人脸识别***
CN106651057A (zh) 一种基于安装包序列表的移动端用户年龄预测方法
CN109117885B (zh) 一种基于深度学习的邮票识别方法
CN110728656A (zh) 基于元学习的无参考图像质量数据处理方法、智能终端
CN112884712B (zh) 一种显示面板缺陷分类的方法及相关装置
CN109242829A (zh) 基于小样本深度学习的液晶屏缺陷检测方法、***及装置
CN107154041B (zh) 一种用于显示面板缺陷分类的学习方法
CN109727233A (zh) 一种lcd缺陷检测方法
CN108873401B (zh) 基于大数据的液晶显示器响应时间预测方法
CN109919055A (zh) 一种基于AdaBoost-KNN的动态人脸情感识别方法
Zhang et al. Automatic inspection of yarn-dyed fabric density by mathematical statistics of sub-images
CN109523514A (zh) 对逆合成孔径雷达isar的批量成像质量评估方法
WO2020119624A1 (zh) 一种基于深度学习的类别敏感型边缘检测方法
CN114821742A (zh) 一种实时识别儿童或青少年面部表情的方法和装置
CN110400307A (zh) 一种基于区域差异的屏幕图像质量评估方法
CN206897873U (zh) 一种基于检测产品特性的图像处理与检测***
WO2021237682A1 (zh) 显示面板的检测装置、检测方法、电子装置、可读介质
CN117173154A (zh) 玻璃瓶的在线图像检测***及其方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 430070 Hubei City, Hongshan Province, South Lake Road, No. 53, Hongshan Venture Center, building on the 4 floor, No.

Applicant after: Wuhan fine test electronics group Limited by Share Ltd

Address before: 430070 Hubei City, Hongshan Province, South Lake Road, No. 53, Hongshan Venture Center, building on the 4 floor, No.

Applicant before: Wuhan Jingce Electronic Technology Co., Ltd.

GR01 Patent grant
GR01 Patent grant