CN110567967B - 显示面板检测方法、***、终端设备及计算机可读介质 - Google Patents

显示面板检测方法、***、终端设备及计算机可读介质 Download PDF

Info

Publication number
CN110567967B
CN110567967B CN201910770661.5A CN201910770661A CN110567967B CN 110567967 B CN110567967 B CN 110567967B CN 201910770661 A CN201910770661 A CN 201910770661A CN 110567967 B CN110567967 B CN 110567967B
Authority
CN
China
Prior art keywords
convolutional neural
neural network
loss function
display panel
loss
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
CN201910770661.5A
Other languages
English (en)
Other versions
CN110567967A (zh
Inventor
陈春煦
张胜森
郑增强
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
Wuhan Jingli Electronic Technology Co Ltd
Original Assignee
Wuhan Jingce Electronic Group Co Ltd
Wuhan Jingli Electronic Technology 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, Wuhan Jingli Electronic Technology Co Ltd filed Critical Wuhan Jingce Electronic Group Co Ltd
Priority to CN201910770661.5A priority Critical patent/CN110567967B/zh
Publication of CN110567967A publication Critical patent/CN110567967A/zh
Application granted granted Critical
Publication of CN110567967B publication Critical patent/CN110567967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N2021/9513—Liquid crystal panels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Image Analysis (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)

Abstract

本发明公开了显示面板检测方法、***、终端设备及计算机可读介质，其通过采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，按照预设的比例将检测图像样本集划分为训练集和验证集；利用卷积神经网络输出的特征数据计算检测图像对应每个质量等级的概率，利用上述概率加权得到检测图像的质量等级的预测值；构建当前训练的多个卷积神经网络损失函数，按照一定的权重比例加权得到所述卷积神经网络的自定义损失函数；利用当前训练的自定义损失函数对卷积神经网络的权重参数进行调整，利用训练好的卷积神经网络对待测试显示面板图像进行预测，得到待测试显示面板的质量等级预测值，提高待检测面板的质量等级预测值的准确度。

Description

显示面板检测方法、***、终端设备及计算机可读介质
技术领域
本发明属于显示面板检测领域，具体涉及显示面板检测方法、***、终端设备及计算机可读介质。
背景技术
随着手机和消费电子产品的普及及其快速的更新换代，对工业产线的液晶屏幕和OLED屏幕有着极大的产量需求，显示面板的制造工艺和检测技术也得到了飞速发展。尽管面板的制造工艺逐年提升，但由于其本身的结构复杂、制造工序繁多，仍不能完全避免视觉缺陷的出现。根据面板的缺陷形状，可以大致分成三种缺陷：点缺陷、线缺陷和面缺陷。在三种缺陷中，点缺陷是最为常见的一种缺陷，分为亮点和暗点两种，缺陷大小为一个像素；线缺陷也分为亮线和暗线两种，缺陷大小为一整条像素宽的线段，点缺陷和线缺陷均为电气缺陷。Mura缺陷是一种常见的面缺陷，属于非电气缺陷，也是所有面板显示缺陷中最难检测的一种。
“Mura”一词源自日语，意为斑、脏污。Mura缺陷是一种具有大小不定、形状不定、灰度分布不均、边缘模糊等特点的宏观显示缺陷。一般来说，Mura缺陷产生的主要原因是材料交叠、材料不均、加工环境变化及材料本身质量不良等综合因素导致的结果。在面板的实际生产过程中，其制造的许多环节包括车间环境等因素都可能导致产生Mura缺陷。在面板实际生产过程中，面板生产厂商会根据Mura缺陷的严重程度对面板进行分级出售，而目前都是通过训练一批检测人员来判定面板等级，这些检测人员根据经验进行视觉上的判定和评级。但由于一方面人眼检测具有主观性，不同检测人员之间并不能保证检测标准的完全一致；另一方面，这种检测方式效率低成本高，一般情况下检测一张2.4英寸LCD图像的时间甚至需要花费四十秒，检测人员在进行长期的检测工作后会出现视觉疲劳，甚至会对人眼产生伤害。因此，人们开始追求效率更高同时更加规范的面板质量评估方法。
深度学习，特别是深度学习中的卷积神经网络，陆续在图像分类、目标检测、图像语义分割、实例分割等领域取得了巨大的成功。目前，利用神经网络面板图片质量评估是一个比较新的领域，采用比较多的方式为图片质量等级按照类别进行区分，但多分类问题无法描述不同类别之间的关联，假设面板质量为1～10级，由于不太的类别之间不存在关联，则可能将8级的面板错误地划分为2级，而不是划分为7级，因此，基于卷积神经网络的显示面板检测方法的准确率有待提高。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了显示面板检测方法、***、终端设备及计算机可读介质，其通过卷积神经网络计算得到检测图像对应每个质量等级的概率并加权得到检测图像的质量等级的预测值，利用多个损失函数加权得到自定义损失函数，利用自定义损失函数对所述卷积神经网络的权重参数进行调整，从而得到训练好的卷积神经网络，提高待检测面板的质量等级预测值的准确度。
为实现上述目的，按照本发明的一个方面，提供了一种显示面板检测方法，包括如下步骤：
利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；
利用质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到卷积神经网络的自定义损失函数，利用自定义损失函数进行卷积神经网络的训练；
采集待测试显示面板图像，利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值。
作为本发明的进一步改进，采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，将检测图像样本集划分为训练集和验证集；利用训练集进行卷积神经网络的训练，并利用验证集进行卷积神经网络的验证。
作为本发明的进一步改进，多个卷积神经网络损失函数包括均值损失函数、方差损失函数和分类损失函数。
作为本发明的进一步改进，检测图像样本对应每个质量等级的概率为：每个质量等级的特征数据除以所有质量等级的特征数据总和。
作为本发明的进一步改进，检测图像样本的质量等级预测值为：每个质量等级的概率与其一一对应的质量等级值的乘积求和。
为实现上述目的，按照本发明的另一个方面，提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。
为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述方法的步骤。
为实现上述目的，按照本发明的另一个方面，提供了一种显示面板检测***，其包括依次连接的取像设备、卷积神经网络模块和自定义损失函数获取模块，
取像设备用于采集显示面板的检测图像并发送给卷积神经网络模块；
取像设备用于采集显示面板的检测图像并发送给卷积神经网络模块；
卷积神经网络模块用于利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；还用于利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值；
自定义损失函数获取模块用于利用质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到卷积神经网络的自定义损失函数，利用自定义损失函数进行卷积神经网络的训练。
作为本发明的进一步改进，检测图像样本集的生成过程为：采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集。
作为本发明的进一步改进，多个卷积神经网络损失函数包括均值损失函数、方差损失函数和分类损失函数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明的显示面板检测方法、***、终端设备及计算机可读介质，其通过卷积神经网络计算得到检测图像对应每个质量等级的概率并加权得到检测图像的质量等级的预测值，利用多个损失函数加权得到自定义损失函数，利用自定义损失函数对所述卷积神经网络的权重参数进行调整，从而得到训练好的卷积神经网络，提高待检测面板的质量等级预测值的准确度。
本发明的显示面板检测方法、***、终端设备及计算机可读介质，其构建的自定义损失函数包括传统分类损失函数、均值损失函数和方差损失函数，其中，均值损失函数使得图片质量评分***的预测等级向真实标签等级接近，方差损失函数惩罚预测等级分布的离散性，有助于卷积神经网络获得一个置信区间小但置信度高的等级预测值，将三种损失函数加权求和指导卷积神经网络进行训练，可以进一步提高待检测面板的质量等级预测值的准确度。
本发明的显示面板检测方法、***、终端设备及计算机可读介质，其通过计算检测图像对应每个质量等级的特征数据，通过计算每个质量等级的概率并通过加权的方式得到质量等级的预测值，有助于卷积神经网络获得一个置信区间小但置信度高的等级预测值，可以进一步提高待检测面板的质量等级预测值的准确度。
附图说明
图1是本发明实施例的一种显示面板检测方法的示意图。
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。下面结合具体实施方式对本发明进一步详细说明。
图1是本发明实施例的一种显示面板检测方法的示意图。如图1所示，一种显示面板检测方法，其包括如下步骤：
将检测图像样本集划分为训练集和验证集；利用训练集进行卷积神经网络的训练，利用卷积神经网络输出的特征数据计算检测图像对应每个质量等级的概率，利用上述概率加权得到检测图像的质量等级的预测值；
作为一个优选的示例，采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，按照预设的比例将检测图像样本集划分为训练集和验证集；
具体地，卷积神经网络的输入为训练集的检测图像，输出为检测图像对应每个质量等级的特征数据，
检测图像样本对应每个质量等级的概率为：每个质量等级的特征数据除以所有质量等级的特征数据总和；
作为一个示例，可定义质量等级的总数为k，
Figure BDA0002173459600000041
为第i个检测图像对应第j个质量等级的特征数据，j为自然数且1≤j≤k；
第i个检测图像样本对应第j个质量等级的概率pij为：
Figure BDA0002173459600000042
测图像样本的质量等级预测值为：每个质量等级的概率与对应的质量等级值的乘积和，具体地，第i个检测图像的质量等级的预测值为：
Figure BDA0002173459600000051
构建当前训练的多个卷积神经网络损失函数，按照一定的权重比例加权得到卷积神经网络的自定义损失函数；利用当前训练的自定义损失函数对卷积神经网络的权重参数进行调整，并利用验证集进行验证，得到训练好的卷积神经网络；
进一步地，定义当前训练的卷积神经网络的样本个数为N，
利用卷积神经网络损失函数的第一计算方式得到当前训练的第一损失函数为：
Figure BDA0002173459600000052
其中，yi为第i个检测图像的质量等级的真实值；
第一损失函数为均值损失函数，通过计算预测概率回归得到的等级预测值与真实标签的均值损失，使得图片质量评分***的预测等级向真实标签等级接近；
利用卷积神经网络损失函数的第二计算方式得到当前训练的第二损失函数为：
Figure BDA0002173459600000053
第二损失函数为方差损失函数，方差损失函数惩罚预测等级分布的离散性，有助于获得一个置信区间小但置信度高的等级预测值。
利用卷积神经网络损失函数的第三计算方式得到当前训练的第三损失函数为：
Figure BDA0002173459600000054
第三损失函数为分类损失函数，该损失函数使得预测的真实等级的概率值尽可能的大，但分类损失函数无法描述不同类别之间的关联(如将面板质量为1～10级，将8级的面板错误划分为7级显然比错误划分为2级更让人接受)，而分类损失函数将8级的面板错误划分为7级与错误划分为2级相同对待。
当然，这里神经网络损失函数的第一至第三计算方式可依据计算需要进行调整，如可以使用，如第三损失函数可以采用度量学习的损失函数(如CenterLoss等)。在第三损失函数的基础上，通过我们设计的均值损失函数和方差损失函数，将三种损失函数加权求和指导神经网络进行训练，实现了一种准确率高、端到端的面板图片质量评估方法。
利用上述当前训练的第一至第三损失函数得到当前训练的自定义损失函数：
Figure BDA0002173459600000061
其中，
Figure BDA0002173459600000062
和
Figure BDA0002173459600000063
分别为第一损失函数和第二损失函数的加权系数，
Figure BDA0002173459600000064
和
Figure BDA0002173459600000065
的具体值为经验值，可依据卷积神经网络的计算需要进行相应的调整；
采集待测试显示面板图像，利用训练好的卷积神经网络对待测试显示面板图像进行预测，得到待测试显示面板的质量等级预测值。
具体地，定义待测试显示面板的序号为s，
Figure BDA0002173459600000066
为第s个待测试显示面板对应第j个质量等级的特征数据，
第s个待测试显示面板为第j个质量等级的概率psj为：
Figure BDA0002173459600000067
第s个待测试显示面板的质量等级的预测值为：
Figure BDA0002173459600000068
一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。
一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述方法的步骤。
一种显示面板检测***，其包括依次连接的取像设备、卷积神经网络模块和自定义损失函数获取模块，其中，
取像设备用于采集显示面板的检测图像并发送给卷积神经网络模块；
卷积神经网络模块用于将预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，按照预设的比例将检测图像样本集划分为训练集和验证集；利用训练集进行卷积神经网络的训练，利用卷积神经网络输出的特征数据计算检测图像对应每个质量等级的概率，利用概率加权得到检测图像的质量等级的预测值；利用自定义损失函数获取模块的反馈值对卷积神经网络的权重参数进行调整，并利用验证集进行验证，得到训练好的卷积神经网络；利用训练好的卷积神经网络对待测试显示面板图像进行预测，得到待测试显示面板的质量等级预测值；
自定义损失函数获取模块用于构建当前训练的多个卷积神经网络损失函数，按照一定的权重比例加权得到所述卷积神经网络的自定义损失函数；利用当前训练的自定义损失函数得到所述卷积神经网络的权重参数的调整值。
检测图像样本对应每个质量等级的概率为：每个质量等级的特征数据除以所有质量等级的特征数据总和；
作为一个示例，可定义质量等级的总数为k，第i个检测图像对应每个质量等级的特征数据为Zi＝(zi1,…zij,…,zik)，zij为第i个检测图像对应第j个质量等级的特征数据，j为自然数且1≤j≤k；
第i个检测图像为第j个质量等级的概率pij为：
Figure BDA0002173459600000071
测图像样本的质量等级预测值为：每个质量等级的概率与对应的质量等级值的乘积和，具体地，第i个检测图像的质量等级的预测值为：
Figure BDA0002173459600000072
作为一个优选的实施例，当前训练的自定义损失函数具体为：
定义当前训练的卷积神经网络的样本个数为N，利用卷积神经网络损失函数的第一计算方式得到当前训练的第一损失函数为：
Figure BDA0002173459600000073
其中，yi为第i个检测图像的质量等级的真实值，mi为第i个检测图像的质量等级的预测值；
利用卷积神经网络损失函数的第二计算方式得到当前训练的第二损失函数为：
Figure BDA0002173459600000074
利用卷积神经网络损失函数的第三计算方式得到当前训练的第三损失函数为：
Figure BDA0002173459600000075
利用上述当前训练的第一至第三损失函数得到当前训练的自定义损失函数：
Figure BDA0002173459600000076
其中，pij为第i个检测图像为第j个质量等级的概率，k为质量等级的总数，
Figure BDA0002173459600000077
和
Figure BDA0002173459600000078
分别为第一损失函数和第二损失函数的加权系数。
作为一个优选的实施例，待测试显示面板的质量等级预测值的计算过程具体为：
定义待测试显示面板的序号为s，其对应每个质量等级的特征数据为Zs＝(zs1,…zsj,…,zsk)，zsj为第s个待测试显示面板对应第j个质量等级的特征数据，j为自然数且1≤j≤k；
第s个待测试显示面板为第j个质量等级的概率psj为：
Figure BDA0002173459600000081
第s个待测试显示面板的质量等级的预测值为：
Figure BDA0002173459600000082
本领域的技术人员容易理解，以上所述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 (8)

1.一种显示面板检测方法，其特征在于，包括如下步骤：
利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；
利用所述质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到所述卷积神经网络的自定义损失函数，利用所述自定义损失函数进行所述卷积神经网络的训练；
采集待测试显示面板图像，利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值；
其中，所述多个卷积神经网络损失函数包括均值损失函数、方差损失函数和分类损失函数，按照预设的权重比例加权得到的所述自定义损失函数为：
Figure FDA0003587218570000011
其中，L1为所述均值损失函数，L2为所述方差损失函数，L3为所述分类损失函数，
Figure FDA0003587218570000012
和
Figure FDA0003587218570000013
分别为所述均值损失函数和所述方差损失函数的加权系数。
2.根据权利要求1所述的一种显示面板检测方法，其特征在于，采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，将检测图像样本集划分为训练集和验证集；利用所述训练集进行所述卷积神经网络的训练，并利用所述验证集进行所述卷积神经网络的验证。
3.根据权利要求1-2中任一项所述的一种显示面板检测方法，其特征在于，所述检测图像样本对应每个质量等级的概率为：每个质量等级的特征数据除以所有质量等级的特征数据总和。
4.根据权利要求3所述的一种显示面板检测方法，其特征在于，所述检测图像样本的质量等级预测值为：所述每个质量等级的概率与其一一对应的质量等级值的乘积求和。
5.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～4任一权利要求所述方法的步骤。
6.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～4任一权利要求所述方法的步骤。
7.一种显示面板检测***，其包括依次连接的取像设备、卷积神经网络模块和自定义损失函数获取模块，其特征在于，
取像设备用于采集显示面板的检测图像并发送给卷积神经网络模块；
卷积神经网络模块用于利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；还用于利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值；
自定义损失函数获取模块用于利用所述质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到所述卷积神经网络的自定义损失函数，利用所述自定义损失函数进行所述卷积神经网络的训练；
其中，所述多个卷积神经网络损失函数包括均值损失函数、方差损失函数和分类损失函数，按照预设的权重比例加权得到的所述自定义损失函数为：
Figure FDA0003587218570000021
其中，L1为所述均值损失函数，L2为所述方差损失函数，L3为所述分类损失函数，
Figure FDA0003587218570000022
和
Figure FDA0003587218570000023
分别为所述均值损失函数和所述方差损失函数的加权系数。
8.根据权利要求7所述的一种显示面板检测***，其特征在于，所述检测图像样本集的生成过程为：采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集。
CN201910770661.5A 2019-08-20 2019-08-20 显示面板检测方法、***、终端设备及计算机可读介质 Active CN110567967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910770661.5A CN110567967B (zh) 2019-08-20 2019-08-20 显示面板检测方法、***、终端设备及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910770661.5A CN110567967B (zh) 2019-08-20 2019-08-20 显示面板检测方法、***、终端设备及计算机可读介质

Publications (2)

Publication Number Publication Date
CN110567967A CN110567967A (zh) 2019-12-13
CN110567967B true CN110567967B (zh) 2022-06-17

Family

ID=68774130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910770661.5A Active CN110567967B (zh) 2019-08-20 2019-08-20 显示面板检测方法、***、终端设备及计算机可读介质

Country Status (1)

Country Link
CN (1) CN110567967B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553439A (zh) * 2020-05-08 2020-08-18 视睿（杭州）信息科技有限公司 一种农产品品质分类方法、装置、计算机设备和存储介质
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
CN116823015A (zh) * 2021-10-30 2023-09-29 深圳曦华科技有限公司 显示屏的显示功能测试方法及相关装置、存储介质和程序

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171707A (zh) * 2018-01-23 2018-06-15 武汉精测电子集团股份有限公司 一种基于深度学习的Mura缺陷等级评判方法及装置
CN108596226A (zh) * 2018-04-12 2018-09-28 武汉精测电子集团股份有限公司 一种基于深度学习的显示面板缺陷训练方法及***
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034281A (zh) * 2018-07-18 2018-12-18 中国科学院半导体研究所 加速基于卷积神经网络的中文手写体识别的方法
CN109902722A (zh) * 2019-01-28 2019-06-18 北京奇艺世纪科技有限公司 分类器、神经网络模型训练方法、数据处理设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171707A (zh) * 2018-01-23 2018-06-15 武汉精测电子集团股份有限公司 一种基于深度学习的Mura缺陷等级评判方法及装置
CN108596226A (zh) * 2018-04-12 2018-09-28 武汉精测电子集团股份有限公司 一种基于深度学习的显示面板缺陷训练方法及***
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
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
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

Also Published As

Publication number Publication date
CN110567967A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110567967B (zh) 显示面板检测方法、***、终端设备及计算机可读介质
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
CN108665460B (zh) 基于组合神经网络和分类神经网络的图像质量评价方法
KR20190075707A (ko) 딥러닝을 이용한 양품 선별 방법
KR20200004825A (ko) 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체
CN109060817B (zh) 人工智能复检***及其方法
CN104252056B (zh) 一种基板的检测方法及装置
CN109142367A (zh) 一种锂电池极耳虚焊检测方法及极耳焊接检测***
CN110020691B (zh) 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN113869162A (zh) 一种基于人工智能的违章识别方法及***
CN113592828A (zh) 基于工业内窥镜的无损检测方法及***
CN111712769A (zh) 用于设定照明条件的方法、装置、***及程序以及存储介质
CN109142368A (zh) 锂电池极片打皱检测方法及极耳焊接检测***
CN115131283A (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN111896549A (zh) 一种基于机器学习的建筑物裂缝监测***和方法
CN110751170A (zh) 面板质量检测方法、***、终端设备及计算机可读介质
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN113902710A (zh) 基于异常检测算法进行工业零件表面缺陷检测方法及***
CN112653884B (zh) 一种屏幕质量优缺的评价方法
CN117406027A (zh) 一种配电网故障测距方法及其***
KR102189951B1 (ko) 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법
CN107590804A (zh) 基于通道特征和卷积神经网络的屏幕图像质量评价方法
CN115984158A (zh) 缺陷分析方法、装置、电子设备及计算机可读存储介质
CN109187547A (zh) 锂电池极耳焊点焊破检测方法及极耳焊接检测***

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
GR01 Patent grant
GR01 Patent grant