CN108596226A - 一种基于深度学习的显示面板缺陷训练方法及*** - Google Patents
一种基于深度学习的显示面板缺陷训练方法及*** Download PDFInfo
- Publication number
- CN108596226A CN108596226A CN201810326948.4A CN201810326948A CN108596226A CN 108596226 A CN108596226 A CN 108596226A CN 201810326948 A CN201810326948 A CN 201810326948A CN 108596226 A CN108596226 A CN 108596226A
- Authority
- CN
- China
- Prior art keywords
- defects
- display panel
- defect
- picture
- deep learning
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的显示面板缺陷训练方法及***,根据Mura缺陷的特征,利用图形处理的方法手动模拟出各类Mura缺陷,形成样本库;通过深度神经网络进行模型训练,能快速地进行缺陷检测,同时快速输出缺陷类型,对缺陷进行准确识别。通过该方法,可以对面板的Mura缺陷进行准确的识别,能成功规避传统算法的局限,同时极大的降低了人力成本。
Description
技术领域
本发明属于显示检测技术领域,涉及一种显示面板Mura缺陷训练方法及***,具体涉及一种基于深度学习的显示面板缺陷训练方法及***。
背景技术
在AOI缺陷检测中,Mura缺陷检测至关重要,直接影响了最终LCD(Liquid CrystalDisplay液晶显示器)面板质量和成品的等级输出结果。目前,Mura检测方法是通过人眼观察或者借助传统算法进行检测。人眼检测的过程存在很强的主观性,不利于严格划分等级,同时随着工作时间的延长,人也会出现疲劳,导致检测效率降低;传统算法检测时,需要搜集大量的样本进行样本训练和模型测试,由于Mura种类繁多,且不易观察,样本收集难度大、耗时长,同时客户并没有那么多缺陷屏可以提供。
目前可以直接采用现有的方法基于获得的Mura缺陷库对产线上的面板进行缺陷等级判定,如图1所示,现有Mura缺陷检测流程一般分为图像获取、亮度矫正、图像增强和缺陷检测4个流程。随着LCD大画面、轻薄化、高分辨率的发展趋势,Mura缺陷出现的几率大大增加,同时所处环境会越来越复杂,重复的纹理背景、整体亮度的不均匀以及缺陷模糊的边缘、较低的对比度使得图像处理中传统的亮度矫正和图片增强算法很难直接将Mura缺陷检出。
因为传统算法没有足够的样本进行本训练和模型测试,所以目前传统算法检测的过检率和漏检率也未能满足行业要求。为了有效提高LCD面板检测的检出率,需要寻求一种更稳定,精度更高的Mura缺陷检测方法。
发明内容
为了解决上述技术问题,本发明提供了一种基于深度学习的面板Mura缺陷训练方法及***,根据可能存在的Mura缺陷类型的特征,模拟出足够多的各种类型的Mura缺陷,形成完善的样本库,然后基于该样本库训练得到Mura缺陷库。
本发明的方法所采用的技术方案是:一种基于深度学习的显示面板缺陷训练方法,其特征在于,包括以下步骤:
步骤1:根据现有Mura缺陷的特征,模拟出各类Mura缺陷,形成缺陷样本图片库;
步骤2:将步骤1中获得的缺陷样本图片在显示面板上显示;
步骤3:对显示面板进行图片采集,并根据所对应的缺陷类型标记图片缺陷类型;
步骤4:使用深度神经网络,基于每一缺陷类型的图片,进行训练通过不断的提炼和拟合,最终形成缺陷检测模型。
本发明的***所采用的技术方案是:一种基于深度学习的面板缺陷训练***,其特征在于:包括第一模块、第二模块、第三模块、第四模块;
所述第一模块,用于根据现有Mura缺陷的特征,模拟出各类Mura缺陷,形成缺陷样本图片库;
所述第二模块,用于将步骤1中的缺陷样本图片与需检测的显示面板的分辨率相匹配,点亮屏幕,此时模拟出的缺陷就呈现在显示面板上;
所述第三模块,用于对显示面板进行图片采集,并根据所对应的缺陷类型标记图片缺陷类型;
所述第四模块,用于使用深度神经网络,基于每一缺陷类型的图片,进行训练通过不断的提炼和拟合,最终形成缺陷检测模型。
本发明根据Mura缺陷的特征,利用图形处理的方法手动模拟出各类Mura缺陷,形成样本库;通过深度神经网络进行模型训练,能快速地进行缺陷检测,同时快速输出缺陷等级,对缺陷进行准确判等。通过该方法,我们可以对面板的Mura缺陷进行准确的识别,能成功规避传统算法的局限,同时极大的降低了人力成本。
本发明的优点在于:
1)基于Mura缺陷特征模拟生成的样本库,能更大程度的涵盖缺陷的类别和动态范围(灰阶差像素宽度);
2)缺陷准确定位,深度神经网络对缺陷的训练更有针对性,模型精度更高;
3)基于深度神经网络,对大量的缺陷样本进行学习,降低复杂背景的干扰,提高了Mura检测的准确性;
4)检测方法适合在线检测,取代人员检测过程,从而降低人工成本和时间成本。
附图说明
图1为本发明现有技术中Mura检测流程图;
图2为本发明实施例的流程图;
图3为本发明实施例的Mura缺陷生成样图;
图4为本发明实施例的AlexNet原理图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图2,本发明提供的一种基于深度学习的显示面板缺陷训练方法,包括以下步骤:
步骤1:根据现有Mura缺陷的特征,模拟出各类Mura缺陷,形成缺陷样本图片库;
现有Mura缺陷的特征,包括特征形状、位置、对比度、面积大小等;根据这些特征,在一个完整的画面上去临摹出带有不同形状、位置、对比度和面积的缺陷样本。
本实施例首先将Mura缺陷按不同种类分为1、2、3、…、n,共n个类别,根据每个缺陷的特征,分别手动绘制出该n类MURA缺陷,,并通过旋转、平移、翻转等几何变换遍历出缺陷所有的形态和位置,形成缺陷样本库。
如常见的圈状Mura,在实际样本中,圈状Mura在大小、灰阶差和屏上位置均有差异,而实际样本训练时不可能兼顾到每一种形态的圈状Mura,因此本实施例可以手动模拟出大小不一,灰阶差成梯度变化(如图3所示)且位置不一的缺陷图片,以涵盖所有的圈状Mura特征变化的动态范围。
步骤2:将步骤1中获得的缺陷样本图片在显示面板上显示;
本实施例将步骤1中的缺陷样本图片与需要检测的屏的分辨率相匹配,使用PG点屏的方式点亮屏幕,此时模拟出的缺陷就呈现在LCD屏上;
步骤3:对显示面板进行图片采集,并根据所对应的缺陷类型标记图片缺陷类型;
本实施例使用相机对LCD屏进行图片采集,并根据所对应的缺陷类型标记图片缺陷类型;
步骤4:使用深度神经网络,基于每一缺陷类型的图片,进行训练,网络自身有对缺陷的特征进行识别和提取的一套体系,通过不断的提炼和拟合,最终形成鲁棒性较高的缺陷检测模型;
本实施例采用AlexNet模型进行训练,AlexNet包括八个带权层;前五层是卷积层,剩下三层是全连接层。最后一个全连接层的输出被送到一个1000-way的softmax层,其产生一个覆盖1000类标签的分布。AlexNet使得多分类的Logistic回归目标最大化,这相当于最大化了预测分布下训练样本中正确标签的对数概率平均值。
设置Mura缺陷为n类,依次标记为1、2、3、…、n,Mura缺陷图像首先归一化为224×224的图像,作为输入神经元进入网络,经过第一层卷积后得到进本的卷积数据,先进行一次ReLU以及Norm变换,然后进行pooling,作为输出传递到下一层;再经过4次卷积层后输出map数目256个,size为13×13。随后进入两个全连接层,第二个全连接层是在第一个全连接层的基础上再进行一次ReLU和dropout后的结果,最后输出softmax loss,节点数为n,对应n类对象。原理图如图4所示。
步骤4的具体实现包括以下子步骤:
步骤4.1:将Mura缺陷按不同种类分为1、2、3、…、n,共n个类别,将步骤3中标记有缺陷信息的图片首先归一化为224×224的图像,作为输入神经元进入网络;经过第一层卷积后得到进本的卷积数据,先进行一次ReLU以及Norm变换,然后进行pooling,作为输出传递到下一层;再经过4次卷积层后输出map数目256个,size为13×13;随后进入两个全连接层,第二个全连接层是在第一个全连接层的基础上再进行一次ReLU和dropout后的结果,最后输出softmax loss,节点数为n,对应n类对象;
步骤4.2:使用softmax分类器对1、2、3、…、n,共n个类型进行n分类,在softmax回归中,对于给定的测试输入x,预测x的每一种分类结果x(i)出现的概率,假设概率分布函数hθ(x(i))为:
其中,i=1、2、3、…、n,θ1,θ2,θ3```θn为概率分布函数hθ(x(i))参数;
θ1,θ2,θ3```θn∈An+1,An+1表示特征向量θ的维度为n+1,其中θ0=1对应截距项;这一项对概率分布进行归一化,使得所有概率之和为1;
概率分布函数hθ(x(i))将输出一个n维的向量元素和为1的向量来表示n个预测的概率值。
本实施例将测试样本输入缺陷检测模型,首先使用已经训练好的缺陷检测模型进行特征提取,然后生成分布式特征表示,进行映射到样本标记空间,最终输出检测结果。
检测结果输出的是一个结果向量,即对测试样本输出一个测试结果向量,对应输出被检测成每种缺陷的得分,取得分最高的为最终输出结果。
本发明提出了一种Mura缺陷检测方法,通过图形处理对LCD缺陷进行复现,有效地涵盖了Mura缺陷所变化的动态范围;通过深度神经网络建立缺陷检测模型,有效规避了传统算法进行背景分割、参数提取的局限性,同时降低了人工成本,能快速输出Mura缺陷类型,对缺陷进行准确检测,提高了Mura缺陷检测的准确性和效率。
本发明还提供了一种基于深度学习的面板缺陷训练***,包括第一模块、第二模块、第三模块、第四模块;第一模块,用于根据现有Mura缺陷的特征,模拟出各类Mura缺陷,形成缺陷样本图片库;第二模块,用于将步骤1中的缺陷样本图片与需检测的显示面板的分辨率相匹配,点亮屏幕,此时模拟出的缺陷就呈现在显示面板上;第三模块,用于对显示面板进行图片采集,并根据所对应的缺陷类型标记图片缺陷类型;第四模块,用于使用深度神经网络,基于每一缺陷类型的图片,进行训练通过不断的提炼和拟合,最终形成缺陷检测模型。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种基于深度学习的显示面板缺陷训练方法,其特征在于,包括以下步骤:
步骤1:根据现有Mura缺陷的特征,模拟出各类Mura缺陷,形成缺陷样本图片库;
步骤2:将步骤1中获得的缺陷样本图片在显示面板上显示;
步骤3:对显示面板进行图片采集,并根据所对应的缺陷类型标记图片缺陷类型;
步骤4:使用深度神经网络,基于每一缺陷类型的图片,进行训练通过不断的提炼和拟合,最终形成缺陷检测模型。
2.根据权利要求1所述的基于深度学习的显示面板缺陷训练方法,其特征在于:步骤1中所述现有Mura缺陷的特征,包括特征形状、位置、对比度、面积大小;根据这些特征,在一个完整的画面上去临摹出带有不同形状、位置、对比度和面积的缺陷样本。
3.根据权利要求1所述的基于深度学习的显示面板缺陷训练方法,其特征在于:步骤1中,将Mura缺陷按不同种类分为1、2、3、…、n,共n个类别,根据每个缺陷的特征,分别绘制出该n类Mura缺陷,并通过几何变换遍历出缺陷所有的形态和位置,形成缺陷样本库。
4.根据权利要求3所述的基于深度学习的显示面板缺陷训练方法,其特征在于:步骤1中,绘制出大小不一,灰阶差成梯度变化且位置不一的缺陷图片,以涵盖所有的Mura缺陷的特征变化的动态范围。
5.根据权利要求1-4任意一项所述的基于深度学习的显示面板缺陷训练方法,其特征在于:步骤4中,采用AlexNet模型进行训练;具体实现包括以下子步骤:
步骤4.1:将Mura缺陷按不同种类分为1、2、3、…、n,共n个类别,将步骤3中标记有缺陷信息的图片首先归一化为224×224的图像,作为输入神经元进入网络;
步骤4.2:使用softmax分类器对1、2、3、…、n,共n个类型进行n分类;在softmax回归中,对于给定的测试输入x,预测x的每一种分类结果x(i)出现的概率,概率分布函数将输出一个n维的向量元素和为1的向量来表示n个预测的概率值。
6.根据权利要求5所述的基于深度学习的显示面板缺陷训练方法,其特征在于:步骤4.1中,经过第一层卷积后得到进本的卷积数据,先进行一次ReLU以及Norm变换,然后进行pooling,作为输出传递到下一层;再经过4次卷积层后输出map数目256个,size为13×13;随后进入两个全连接层,第二个全连接层是在第一个全连接层的基础上再进行一次ReLU和dropout后的结果,最后输出softmax loss,节点数为n,对应n类对象。
7.根据权利要求5所述的基于深度学习的显示面板缺陷训练方法,其特征在于:步骤4.2中,在softmax回归中,对于给定的测试输入x,预测x的每一种分类结果x(i)出现的概率,假设概率分布函数hθ(x(i))为:
其中,i=1、2、3、…、n,θ1,θ2,θ3```θn为概率分布函数hθ(x(i))参数;θ1,θ2,θ3```θn∈An +1,An+1表示特征向量θ的维度为n+1,其中θ0=1对应截距项;用于对概率分布进行归一化处理,使得所有概率之和为1。
8.根据权利要求6-7任意一项所述的基于深度学习的显示面板缺陷训练方法,其特征在于:将测试样本输入缺陷检测模型,首先使用已经训练好的缺陷检测模型进行特征提取,然后生成分布式特征表示,进行映射到样本标记空间,最终输出检测结果。
9.根据权利要求6-7任意一项所述的基于深度学习的显示面板缺陷训练方法,其特征在于:所述显示面板包括LCD、OLED在内的新型显示面板。
10.一种基于深度学习的面板缺陷训练***,其特征在于:包括第一模块、第二模块、第三模块、第四模块;
所述第一模块,用于根据现有Mura缺陷的特征,模拟出各类Mura缺陷,形成缺陷样本图片库;
所述第二模块,用于将步骤1中的缺陷样本图片与需检测的显示面板的分辨率相匹配,点亮屏幕,此时模拟出的缺陷就呈现在显示面板上;
所述第三模块,用于对显示面板进行图片采集,并根据所对应的缺陷类型标记图片缺陷类型;
所述第四模块,用于使用深度神经网络,基于每一缺陷类型的图片,进行训练通过不断的提炼和拟合,最终形成缺陷检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810326948.4A CN108596226A (zh) | 2018-04-12 | 2018-04-12 | 一种基于深度学习的显示面板缺陷训练方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810326948.4A CN108596226A (zh) | 2018-04-12 | 2018-04-12 | 一种基于深度学习的显示面板缺陷训练方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596226A true CN108596226A (zh) | 2018-09-28 |
Family
ID=63621946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810326948.4A Pending CN108596226A (zh) | 2018-04-12 | 2018-04-12 | 一种基于深度学习的显示面板缺陷训练方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596226A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358438A (zh) * | 2018-10-30 | 2019-02-19 | 京东方科技集团股份有限公司 | 云纹评价方法、装置和*** |
CN109583496A (zh) * | 2018-11-28 | 2019-04-05 | 武汉精立电子技术有限公司 | 一种用于显示面板大面积缺陷分类的网络模型及方法 |
CN109726754A (zh) * | 2018-12-25 | 2019-05-07 | 浙江大学昆山创新中心 | 一种lcd屏缺陷识别方法及装置 |
CN109949725A (zh) * | 2019-03-06 | 2019-06-28 | 武汉精立电子技术有限公司 | 一种aoi***图像灰度标准化方法及*** |
CN110033035A (zh) * | 2019-04-04 | 2019-07-19 | 武汉精立电子技术有限公司 | 一种基于强化学习的aoi缺陷分类方法及装置 |
CN110083636A (zh) * | 2019-04-04 | 2019-08-02 | 深圳市华星光电技术有限公司 | 面板缺陷的检测***及检测方法 |
CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN110567967A (zh) * | 2019-08-20 | 2019-12-13 | 武汉精立电子技术有限公司 | 显示面板检测方法、***、终端设备及计算机可读介质 |
CN110660060A (zh) * | 2019-11-29 | 2020-01-07 | 武汉精立电子技术有限公司 | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 |
CN110728681A (zh) * | 2019-12-19 | 2020-01-24 | 武汉精立电子技术有限公司 | 一种Mura缺陷检测方法及装置 |
CN110837717A (zh) * | 2019-11-06 | 2020-02-25 | 成都数之联科技有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
CN111080633A (zh) * | 2019-12-20 | 2020-04-28 | Oppo(重庆)智能科技有限公司 | 屏缺陷检测方法、装置、终端设备以及存储介质 |
CN111160432A (zh) * | 2019-12-19 | 2020-05-15 | 成都数之联科技有限公司 | 一种面板生产制造缺陷的自动分类方法及*** |
CN111259843A (zh) * | 2020-01-21 | 2020-06-09 | 敬科(深圳)机器人科技有限公司 | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 |
CN111445452A (zh) * | 2020-03-23 | 2020-07-24 | Oppo(重庆)智能科技有限公司 | 电子产品的缺陷检测方法、装置及计算机可读存储介质 |
CN111598869A (zh) * | 2020-04-03 | 2020-08-28 | 惠州高视科技有限公司 | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 |
CN112070762A (zh) * | 2020-09-18 | 2020-12-11 | 惠州高视科技有限公司 | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 |
CN112819758A (zh) * | 2021-01-19 | 2021-05-18 | 武汉精测电子集团股份有限公司 | 训练数据集的生成方法及装置 |
CN113096101A (zh) * | 2021-04-15 | 2021-07-09 | 深圳市玻尔智造科技有限公司 | 一种图像级标签缺省的手机屏幕缺陷检测方法 |
WO2021156708A1 (ja) * | 2020-02-07 | 2021-08-12 | 株式会社半導体エネルギー研究所 | 画像処理システム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140006582A (ko) * | 2012-07-06 | 2014-01-16 | 엘지디스플레이 주식회사 | 표시패널의 얼룩 검사 장치 및 그 방법 |
CN103869511A (zh) * | 2012-12-13 | 2014-06-18 | 乐金显示有限公司 | 显示装置的mura检测设备和方法 |
CN104252056A (zh) * | 2014-09-18 | 2014-12-31 | 京东方科技集团股份有限公司 | 一种基板的检测方法及装置 |
CN105547342A (zh) * | 2015-11-30 | 2016-05-04 | 武汉精测电子技术股份有限公司 | 基于液晶面板的工业镜头测试装置及方法 |
CN107239803A (zh) * | 2017-07-21 | 2017-10-10 | 国家***第海洋研究所 | 利用深度学习神经网络的海底底质自动分类方法 |
-
2018
- 2018-04-12 CN CN201810326948.4A patent/CN108596226A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140006582A (ko) * | 2012-07-06 | 2014-01-16 | 엘지디스플레이 주식회사 | 표시패널의 얼룩 검사 장치 및 그 방법 |
CN103869511A (zh) * | 2012-12-13 | 2014-06-18 | 乐金显示有限公司 | 显示装置的mura检测设备和方法 |
CN104252056A (zh) * | 2014-09-18 | 2014-12-31 | 京东方科技集团股份有限公司 | 一种基板的检测方法及装置 |
CN105547342A (zh) * | 2015-11-30 | 2016-05-04 | 武汉精测电子技术股份有限公司 | 基于液晶面板的工业镜头测试装置及方法 |
CN107239803A (zh) * | 2017-07-21 | 2017-10-10 | 国家***第海洋研究所 | 利用深度学习神经网络的海底底质自动分类方法 |
Non-Patent Citations (1)
Title |
---|
HUA YANG ET AL: "Transfer-Learning-Based Online Mura Defect Classification", 《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358438A (zh) * | 2018-10-30 | 2019-02-19 | 京东方科技集团股份有限公司 | 云纹评价方法、装置和*** |
CN109583496A (zh) * | 2018-11-28 | 2019-04-05 | 武汉精立电子技术有限公司 | 一种用于显示面板大面积缺陷分类的网络模型及方法 |
CN109726754A (zh) * | 2018-12-25 | 2019-05-07 | 浙江大学昆山创新中心 | 一种lcd屏缺陷识别方法及装置 |
CN109949725A (zh) * | 2019-03-06 | 2019-06-28 | 武汉精立电子技术有限公司 | 一种aoi***图像灰度标准化方法及*** |
CN110033035A (zh) * | 2019-04-04 | 2019-07-19 | 武汉精立电子技术有限公司 | 一种基于强化学习的aoi缺陷分类方法及装置 |
CN110083636A (zh) * | 2019-04-04 | 2019-08-02 | 深圳市华星光电技术有限公司 | 面板缺陷的检测***及检测方法 |
CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN110349145B (zh) * | 2019-07-09 | 2022-08-16 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN110567967A (zh) * | 2019-08-20 | 2019-12-13 | 武汉精立电子技术有限公司 | 显示面板检测方法、***、终端设备及计算机可读介质 |
CN110567967B (zh) * | 2019-08-20 | 2022-06-17 | 武汉精立电子技术有限公司 | 显示面板检测方法、***、终端设备及计算机可读介质 |
CN110837717B (zh) * | 2019-11-06 | 2022-09-06 | 成都数之联科技股份有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
CN110837717A (zh) * | 2019-11-06 | 2020-02-25 | 成都数之联科技有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
CN110660060A (zh) * | 2019-11-29 | 2020-01-07 | 武汉精立电子技术有限公司 | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 |
CN111160432A (zh) * | 2019-12-19 | 2020-05-15 | 成都数之联科技有限公司 | 一种面板生产制造缺陷的自动分类方法及*** |
CN110728681A (zh) * | 2019-12-19 | 2020-01-24 | 武汉精立电子技术有限公司 | 一种Mura缺陷检测方法及装置 |
CN110728681B (zh) * | 2019-12-19 | 2020-05-22 | 武汉精立电子技术有限公司 | 一种Mura缺陷检测方法及装置 |
CN111080633A (zh) * | 2019-12-20 | 2020-04-28 | Oppo(重庆)智能科技有限公司 | 屏缺陷检测方法、装置、终端设备以及存储介质 |
CN111259843A (zh) * | 2020-01-21 | 2020-06-09 | 敬科(深圳)机器人科技有限公司 | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 |
CN111259843B (zh) * | 2020-01-21 | 2021-09-03 | 敬科(深圳)机器人科技有限公司 | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 |
WO2021156708A1 (ja) * | 2020-02-07 | 2021-08-12 | 株式会社半導体エネルギー研究所 | 画像処理システム |
CN111445452B (zh) * | 2020-03-23 | 2022-03-01 | Oppo(重庆)智能科技有限公司 | 电子产品的缺陷检测方法、装置及计算机可读存储介质 |
CN111445452A (zh) * | 2020-03-23 | 2020-07-24 | Oppo(重庆)智能科技有限公司 | 电子产品的缺陷检测方法、装置及计算机可读存储介质 |
CN111598869A (zh) * | 2020-04-03 | 2020-08-28 | 惠州高视科技有限公司 | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 |
CN112070762A (zh) * | 2020-09-18 | 2020-12-11 | 惠州高视科技有限公司 | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 |
CN112819758A (zh) * | 2021-01-19 | 2021-05-18 | 武汉精测电子集团股份有限公司 | 训练数据集的生成方法及装置 |
WO2022155988A1 (zh) * | 2021-01-19 | 2022-07-28 | 武汉精测电子集团股份有限公司 | 训练数据集的生成方法及装置 |
CN113096101A (zh) * | 2021-04-15 | 2021-07-09 | 深圳市玻尔智造科技有限公司 | 一种图像级标签缺省的手机屏幕缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596226A (zh) | 一种基于深度学习的显示面板缺陷训练方法及*** | |
CN108171707A (zh) | 一种基于深度学习的Mura缺陷等级评判方法及装置 | |
Yuan et al. | Vision-based defect detection for mobile phone cover glass using deep neural networks | |
Hou et al. | An empirical study of hybrid inspection systems and allocation of inspection functions | |
CN109146849A (zh) | 一种基于卷积神经网络和图像识别的路面裂缝检测方法 | |
CN108885700A (zh) | 数据集半自动标记 | |
CN109683360A (zh) | 液晶面板缺陷检测方法及装置 | |
CN114092389A (zh) | 一种基于小样本学习的玻璃面板表面缺陷检测方法 | |
CN108764134A (zh) | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 | |
CN109035226B (zh) | 基于LSTM模型的Mura缺陷检测方法 | |
CN104252056B (zh) | 一种基板的检测方法及装置 | |
CN114549507B (zh) | 改进Scaled-YOLOv4的织物瑕疵检测方法 | |
CN108628164A (zh) | 一种基于循环神经网络模型的工业过程半监督软测量方法 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及*** | |
CN112819748A (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN110567967B (zh) | 显示面板检测方法、***、终端设备及计算机可读介质 | |
CN108830850A (zh) | 自动光学检测图片分析方法及设备 | |
CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 | |
CN110751170A (zh) | 面板质量检测方法、***、终端设备及计算机可读介质 | |
Geng et al. | Comparing optimization methods for deep learning in image processing applications | |
CN116642897A (zh) | 一种航空零部件涂层外观缺陷检测*** | |
Chen et al. | Surface defect detection of industrial components based on vision | |
CN116029581A (zh) | 一种基于多源数据融合的在线教育用专注度评价方法 | |
CN114863125A (zh) | 一种书法/美术作品智能评分方法及*** | |
CN108376397A (zh) | 一种基于单幅图像估计空气质量的方法 |
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 |