CN113268914A - 发光二极管调屏标准判定模型建立方法 - Google Patents

发光二极管调屏标准判定模型建立方法 Download PDF

Info

Publication number
CN113268914A
CN113268914A CN202110067244.1A CN202110067244A CN113268914A CN 113268914 A CN113268914 A CN 113268914A CN 202110067244 A CN202110067244 A CN 202110067244A CN 113268914 A CN113268914 A CN 113268914A
Authority
CN
China
Prior art keywords
image
establishing
emitting diode
led
judgment model
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
Application number
CN202110067244.1A
Other languages
English (en)
Inventor
林益胜
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.)
Macroblock Inc
Original Assignee
Macroblock Inc
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 Macroblock Inc filed Critical Macroblock Inc
Publication of CN113268914A publication Critical patent/CN113268914A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display

Landscapes

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

Abstract

一种发光二极管调屏标准判定模型建立方法，由发光二极管调屏标准判定模型建立***执行，所述发光二极管调屏标准判定模型建立***存储多张分别相关于多个发光二极管的发光二极管图像，每一张发光二极管图像对应指示出所述发光二极管图像状态的状态标记，所述方法包含以下步骤：(A)将所述发光二极管图像进行数据预处理，以获得多张分别对应所述发光二极管图像的预处理后图像；及(B)根据所述预处理后图像及其对应的状态标记利用机器学习算法，建立发光二极管调屏标准判定模型。借此，建立能自动地判定发光二极管是否符合调屏标准的发光二极管调屏标准判定模型。

Description

发光二极管调屏标准判定模型建立方法
技术领域
本发明涉及一种模型建立方法，特别是涉及一种发光二极管调屏标准判定模型建立方法。
背景技术
发光二极管(Light-emitting diode,LED)组件发展至今，技术发展已逐渐成熟，但LED仍存在七个容易观察显示问题需要解决，分别为：鬼影现象、低灰白平衡色偏、低灰不均、第一行扫偏暗、渐变暗线、LED坏点十字架、高对比度干扰。
现有LED的调屏必须由工作人员紧盯着LED屏幕，以人工的方式判定是否出现上述问题，以判定是否符合调屏标准，而造成时间与人力上的浪费。
发明内容
本发明的目的在于提供一种建立能自动地判定发光二极管是否符合调屏标准的发光二极管调屏标准判定模型建立方法。
本发明的发光二极管调屏标准判定模型建立方法，由发光二极管调屏标准判定模型建立***执行，所述发光二极管调屏标准判定模型建立***存储多张分别相关于多个发光二极管的发光二极管图像，每一张发光二极管图像对应指示出所述发光二极管图像状态的状态标记，所述发光二极管调屏标准判定模型建立方法包含步骤(A)及步骤(B)。
在所述步骤(A)中，所述发光二极管调屏标准判定模型建立***将所述发光二极管图像进行数据预处理，以获得多张分别对应所述发光二极管图像的预处理后图像。
在所述步骤(B)中，所述发光二极管调屏标准判定模型建立***根据所述预处理后图像及其对应的状态标记利用机器学习算法，建立发光二极管调屏标准判定模型。
本发明的发光二极管调屏标准判定模型建立方法，步骤(A)包括以下子步骤：
(A-1)对于每一张发光二极管图像，将所述发光二极管图像进行译码，以获得多个相关于所述发光二极管图像的像素；
(A-2)将获得的所有像素转换成浮点数张量；及
(A-3)将所有转换后的像素所对应的像素值压缩至[0,1]区间。
本发明的发光二极管调屏标准判定模型建立方法，发光二极管图像对应的状态标记指示出非正常及正常的其中一者，非正常包括鬼影现象、低灰白平衡色偏、低灰不均、第一行扫偏暗、渐变暗线、LED坏点十字架、高对比度干扰的其中至少一者。
本发明的发光二极管调屏标准判定模型建立方法，步骤(B)包括以下子步骤：
(B-1)对于每一张预处理后图像，将所述预处理后图像进行数据扩增，以获得多张扩增后图像，所述扩增后图像对应所述预处理后图像所对应的状态标记；
(B-2)将所述扩增后图像分群成训练子集、验证子集，及测试子集；及
(B-3)根据所述训练子集中的每一张扩增后图像及其对应的状态标记，与所述验证子集中的每一扩增后图像及其对应的状态标记，利用所述机器学习算法，建立所述发光二极管调屏标准判定模型。
本发明的发光二极管调屏标准判定模型建立方法，在步骤(B-3)中，根据所述训练子集中的每一张扩增后图像及其对应的状态标记，利用所述机器学习算法，建立训练模型，再根据所述训练子集中的每一张扩增后图像及其对应的状态标记、所述验证子集中的每一张扩增后图像及其对应的状态标记，及所述训练模型，建立所述发光二极管调屏标准判定模型。
本发明的发光二极管调屏标准判定模型建立方法，步骤(B-3)包括以下子步骤：
(B-3-1)根据所述训练子集中的每一张扩增后图像及其对应的状态标记，利用所述机器学习算法，建立训练模型；
(B-3-2)根据所述训练子集中的每一张扩增后图像及其对应的状态标记，与所述验证子集中的每一张扩增后图像及其对应的状态标记判定所述训练模型是否需要调整；
(B-3-3)当判定出所述训练模型需要调整时，调整所述训练模型，并重复步骤(B-3-2)；及
(B-3-4)当判定出所述训练模型不需要调整时，所述训练模型即为所述发光二极管调屏标准判定模型。
本发明的发光二极管调屏标准判定模型建立方法，在步骤(B)后还包含以下步骤：
(C)根据所述测试子集的每一张扩增后图像及其对应的状态标记检测所述发光二极管调屏标准判定模型的准确率。
本发明的有益效果在于：借由所述处理单元将所述发光二极管图像进行数据预处理，再根据所述预处理后图像及其对应的状态标记利用所述机器学习算法，以建立能自动地判定发光二极管是否符合调屏标准的所述发光二极管调屏标准判定模型。
附图说明
本发明的其他的特征及功效，将于参照图式的实施方式中清楚地呈现，其中：
图1是一方块图，示例地绘示用来实施本发明发光二极管调屏标准判定模型建立方法的实施例的发光二极管调屏标准判定模型建立***；
图2是一流程图，说明本发明发光二极管调屏标准判定模型建立方法的该实施例；
图3是一流程图，辅助说明图2的步骤21的子步骤；
图4是一流程图，辅助说明图2的步骤22的子步骤；及
图5是一流程图，辅助说明图4的步骤223的子步骤。
具体实施方式
在本发明被详细描述前，应当注意在以下的说明内容中，类似的组件是以相同的编号来表示。
参阅图1，用来实施本发明发光二极管调屏标准判定模型建立方法的一实施例的一发光二极管调屏标准判定模型建立***1，包含一存储单元11及一电连接该存储单元11的处理单元12。
该存储单元11存储多张分别相关于多个发光二极管的发光二极管图像，每一发光二极管图像对应一指示出该发光二极管图像状态的状态标记，每一发光二极管图像对应的状态标记例如指示出非正常，及正常的其中一者，其中非正常例如为鬼影现象、低灰白平衡色偏、低灰不均、第一行扫偏暗、渐变暗线、LED坏点十字架、高对比度干扰的其中至少一者。
参阅图1及图2，说明了该发光二极管调屏标准判定模型建立***1如何执行本发明发光二极管调屏标准判定模型建立方法的该实施例，该实施例包含以下步骤。
在步骤21中，该处理单元12将所述发光二极管图像进行数据预处理，以获得多张分别对应所述发光二极管图像的预处理后图像。
搭配参阅图3，步骤21包括子步骤211～213，以下说明步骤21的子步骤。
在步骤211中，对于每一发光二极管图像，该处理单元12将该发光二极管图像进行译码，以获得多个相关于该发光二极管图像的像素。值得注意的是，在本实施例中，该处理单元12是将该发光二极管图像译码至RGB色域，但不以此为限。
在步骤212中，该处理单元12将获得的所有像素转换成浮点数张量。
在步骤213中，该处理单元12将所有转换后的像素所对应的像素值压缩至[0,1]区间。要特别注意的是，在本实施例中，由于该处理单元12是将该发光二极管图像译码至RGB色域，因此，该处理单元12是将像素值[0,255]区间压缩至[0,1]区间。
在步骤22中，该处理单元12根据所述预处理后图像及其对应的状态标记利用一机器学习算法，建立一发光二极管调屏标准判定模型。值得注意的是，在本实施例中，该机器学习算法例如为卷积类神经网络(Convolutional Neural Networks,CNN)，在其他实施方式中，该机器学习算法可例如为梯度提升判定树(Gradient Boosting Decision Tree,GBDT)、光梯度提升机(Light Gradient Boosting Machine,LGBM)、类别提升(CategoricalBoosting,Catboost)、随机森林(Random Forest,RF)、极限梯度提升(Extreme GradientBoosting,XGBoost)、支撑向量分类(support vector Classification,SVC)，及相关向量分类算法(Relevant Vector Classification,RVC)，不以此为限。
搭配参阅图4，步骤22包括子步骤221～223，以下说明步骤22的子步骤。
在步骤221中，对于每一预处理后图像，该处理单元12将该预处理后图像进行数据扩增(Data Augmentation)，以获得多张扩增后图像，所述扩增后图像对应该预处理后图像所对应的状态标记。
在步骤222中，该处理单元12将所述扩增后图像分群成一训练子集、一验证子集，及一测试子集。
在步骤223中，该处理单元12根据该训练子集中的每一扩增后图像及其对应的状态标记，与该验证子集中的每一扩增后图像及其对应的状态标记，利用该机器学习算法，建立该发光二极管调屏标准判定模型。
搭配参阅图5，步骤223包括子步骤2231～2234，以下说明步骤223的子步骤。
在步骤2231中，该处理单元12根据该训练子集中的每一扩增后图像及其对应的状态标记，利用该机器学习算法，建立一训练模型。
在步骤2232中，该处理单元12根据该训练子集中的每一扩增后图像及其对应的状态标记，与该验证子集中的每一扩增后图像及其对应的状态标记判定该训练模型是否需要调整。当该处理单元12判定出该训练模型需要调整时，流程进行步骤2233；而当该处理单元12判定出该训练模型不需要调整时，流程进行步骤2234。值得注意的是，在本实施例中，该处理单元12是判定该训练模型是否过拟合(Overfitting)或欠拟合(Underfitting)以判定该训练模型是否需要调整，当该处理单元12判定出该训练模型过拟合或欠拟合时，该训练模型需要调整；而该处理单元12当判定出该训练模型未有过拟合及欠拟合时，该训练模型不需要调整，但不以此为限。
在步骤2233中，该处理单元调整该训练模型，并重复步骤2232。值得注意的是，在本实施例中，该处理单元12是调整一相关于该训练模型的超参数组(Hyperparamters)，以调整该训练模型，但不以此为限。
在步骤2234中，该处理单元12将该训练模型作为该发光二极管调屏标准判定模型。
在步骤23中，该处理单元12根据该测试子集的每一扩增后图像及其对应的状态标记检测该发光二极管调屏标准判定模型的准确率。值得注意的是，在本实施例中，若准确率未达一阈值(例如99％)，则再存储更多的发光二极管图像至该存储单元11，重新进行步骤21、22，以提升模型的准确率。
要特别注意的是，在本实施例中，该处理单元12是以对应的状态标记指示出鬼影现象及正常的其中一者的发光二极管图像进行步骤21、22建立出相关于鬼影现象的发光二极管调屏标准判定模型，并以对应的状态标记指示出低灰白平衡色偏及正常的其中一者的发光二极管图像进行步骤21、22建立出相关于低灰白平衡色偏的发光二极管调屏标准判定模型，以此类推，分别建立七个分别相关于发光二极管的七个问题的发光二极管调屏标准判定模型，但不以此为限。
综上所述，本发明发光二极管调屏标准判定模型建立方法，借由该处理单元12将所述发光二极管图像进行数据预处理，再根据所述预处理后图像及其对应的状态标记利用该机器学习算法，以建立能自动地判定发光二极管是否符合调屏标准的该发光二极管调屏标准判定模型，故确实能达成本发明的目的。
以上所述者，仅为本发明的实施例而已，当不能以此限定本发明实施的范围，即凡依本发明权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明的范围。

Claims (7)

1.一种发光二极管调屏标准判定模型建立方法，由发光二极管调屏标准判定模型建立***执行，所述发光二极管调屏标准判定模型建立***存储多张分别相关于多个发光二极管的发光二极管图像，每一张发光二极管图像对应指示出所述发光二极管图像状态的状态标记，其特征在于：所述发光二极管调屏标准判定模型建立方法包含以下步骤：
(A)将所述发光二极管图像进行数据预处理，以获得多张分别对应所述发光二极管图像的预处理后图像；及
(B)根据所述预处理后图像及其对应的状态标记利用机器学习算法，建立发光二极管调屏标准判定模型。
2.根据权利要求1所述的发光二极管调屏标准判定模型建立方法，其特征在于：步骤(A)包括以下子步骤：
(A-1)对于每一张发光二极管图像，将所述发光二极管图像进行译码，以获得多个相关于所述发光二极管图像的像素；
(A-2)将获得的所有像素转换成浮点数张量；及
(A-3)将所有转换后的像素所对应的像素值压缩至[0,1]区间。
3.根据权利要求1所述的发光二极管调屏标准判定模型建立方法，其特征在于：发光二极管图像对应的状态标记指示出非正常及正常的其中一者，非正常包括鬼影现象、低灰白平衡色偏、低灰不均、第一行扫偏暗、渐变暗线、LED坏点十字架、高对比度干扰的其中至少一者。
4.根据权利要求1所述的发光二极管调屏标准判定模型建立方法，其特征在于：步骤(B)包括以下子步骤：
(B-1)对于每一张预处理后图像，将所述预处理后图像进行数据扩增，以获得多张扩增后图像，所述扩增后图像对应所述预处理后图像所对应的状态标记；
(B-2)将所述扩增后图像分群成训练子集、验证子集，及测试子集；及
(B-3)根据所述训练子集中的每一张扩增后图像及其对应的状态标记，与所述验证子集中的每一扩增后图像及其对应的状态标记，利用所述机器学习算法，建立所述发光二极管调屏标准判定模型。
5.根据权利要求4所述的发光二极管调屏标准判定模型建立方法，其特征在于：在步骤(B-3)中，根据所述训练子集中的每一张扩增后图像及其对应的状态标记，利用所述机器学习算法，建立训练模型，再根据所述训练子集中的每一张扩增后图像及其对应的状态标记、所述验证子集中的每一张扩增后图像及其对应的状态标记，及所述训练模型，建立所述发光二极管调屏标准判定模型。
6.根据权利要求5所述的发光二极管调屏标准判定模型建立方法，其特征在于：步骤(B-3)包括以下子步骤：
(B-3-1)根据所述训练子集中的每一张扩增后图像及其对应的状态标记，利用所述机器学习算法，建立训练模型；
(B-3-2)根据所述训练子集中的每一张扩增后图像及其对应的状态标记，与所述验证子集中的每一张扩增后图像及其对应的状态标记判定所述训练模型是否需要调整；
(B-3-3)当判定出所述训练模型需要调整时，调整所述训练模型，并重复步骤(B-3-2)；及
(B-3-4)当判定出所述训练模型不需要调整时，所述训练模型即为所述发光二极管调屏标准判定模型。
7.根据权利要求4所述的发光二极管调屏标准判定模型建立方法，其特征在于：在步骤(B)后还包含以下步骤：
(C)根据所述测试子集的每一张扩增后图像及其对应的状态标记检测所述发光二极管调屏标准判定模型的准确率。
CN202110067244.1A 2020-02-14 2021-01-19 发光二极管调屏标准判定模型建立方法 Pending CN113268914A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW109104732A TWI748344B (zh) 2020-02-14 2020-02-14 發光二極體調屏標準判定模型建立方法
TW109104732 2020-02-14

Publications (1)

Publication Number Publication Date
CN113268914A true CN113268914A (zh) 2021-08-17

Family

ID=77228078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110067244.1A Pending CN113268914A (zh) 2020-02-14 2021-01-19 发光二极管调屏标准判定模型建立方法

Country Status (3)

Country Link
US (1) US11790509B2 (zh)
CN (1) CN113268914A (zh)
TW (1) TWI748344B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252876B (zh) * 2023-11-17 2024-02-09 江西斯迈得半导体有限公司 一种led支架缺陷检测方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6182242B1 (ja) * 2016-06-13 2017-08-16 三菱電機インフォメーションシステムズ株式会社 データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム
CN107561738A (zh) * 2017-08-30 2018-01-09 湖南理工学院 基于fcn的tft‑lcd表面缺陷快速检测方法
CN107808132A (zh) * 2017-10-23 2018-03-16 重庆邮电大学 一种融合主题模型的场景图像分类方法
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
US20180342050A1 (en) * 2016-04-28 2018-11-29 Yougetitback Limited System and method for detection of mobile device fault conditions
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
CN110245723A (zh) * 2019-06-27 2019-09-17 南京大学 一种安全可靠的图像分类半监督机器学习方法及装置
CN110599453A (zh) * 2019-08-08 2019-12-20 武汉精立电子技术有限公司 一种基于图像融合的面板缺陷检测方法、装置及设备终端
KR20190143192A (ko) * 2018-06-20 2019-12-30 에임시스템 주식회사 기계 학습 기반의 자동 결함 분류 방법

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101856533B1 (ko) * 2011-03-28 2018-05-14 삼성전자주식회사 발광소자 검사 장치 및 그 검사 방법
US10692000B2 (en) * 2017-03-20 2020-06-23 Sap Se Training machine learning models
TWI625532B (zh) * 2017-03-21 2018-06-01 失效偵測系統及其方法
TWI607673B (zh) * 2017-03-21 2017-12-01 聚積科技股份有限公司 Failure detection system and method
KR20190051395A (ko) * 2017-11-06 2019-05-15 삼성전자주식회사 피검사 장치의 검사 시스템 및 방법
US10681344B2 (en) * 2017-12-15 2020-06-09 Samsung Display Co., Ltd. System and method for mura detection on a display
US10755133B2 (en) * 2018-02-22 2020-08-25 Samsung Display Co., Ltd. System and method for line Mura detection with preprocessing
JP2020014057A (ja) * 2018-07-13 2020-01-23 オリンパス株式会社 頭部搭載型表示装置、検査支援表示システム、表示方法及び表示プログラム
JP6795562B2 (ja) * 2018-09-12 2020-12-02 ファナック株式会社 検査装置及び機械学習方法
US10753882B1 (en) * 2019-04-10 2020-08-25 Griffyn Robotech Private Ltd. Inspection and cosmetic grading through image processing system and method
WO2020246676A1 (ko) * 2019-06-04 2020-12-10 주식회사 아이도트 자궁경부암 자동 진단 시스템
JP7316867B2 (ja) * 2019-07-25 2023-07-28 キオクシア株式会社 半導体画像処理装置
KR20220044767A (ko) * 2019-08-09 2022-04-11 가부시키가이샤 한도오따이 에네루기 켄큐쇼 표시 장치의 동작 방법
US11010529B2 (en) * 2019-09-16 2021-05-18 Taiwan Semiconductor Manufacturing Company Limited Integrated circuit layout validation using machine learning
JP2023500378A (ja) * 2019-11-05 2023-01-05 ストロング フォース ヴィーシーエヌ ポートフォリオ ２０１９，エルエルシー バリューチェーンネットワークのためのコントロールタワーおよびエンタープライズマネジメントプラットフォーム
US11935288B2 (en) * 2019-12-01 2024-03-19 Pointivo Inc. Systems and methods for generating of 3D information on a user display from processing of sensor data for objects, components or features of interest in a scene and user navigation thereon
EP3878653A1 (de) * 2020-03-11 2021-09-15 Heidelberger Druckmaschinen AG Inspektion mit fehlerklassifizierung
US20220374720A1 (en) * 2021-05-18 2022-11-24 Samsung Display Co., Ltd. Systems and methods for sample generation for identifying manufacturing defects

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180342050A1 (en) * 2016-04-28 2018-11-29 Yougetitback Limited System and method for detection of mobile device fault conditions
JP6182242B1 (ja) * 2016-06-13 2017-08-16 三菱電機インフォメーションシステムズ株式会社 データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム
CN107561738A (zh) * 2017-08-30 2018-01-09 湖南理工学院 基于fcn的tft‑lcd表面缺陷快速检测方法
CN107808132A (zh) * 2017-10-23 2018-03-16 重庆邮电大学 一种融合主题模型的场景图像分类方法
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
KR20190143192A (ko) * 2018-06-20 2019-12-30 에임시스템 주식회사 기계 학습 기반의 자동 결함 분류 방법
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
CN110245723A (zh) * 2019-06-27 2019-09-17 南京大学 一种安全可靠的图像分类半监督机器学习方法及装置
CN110599453A (zh) * 2019-08-08 2019-12-20 武汉精立电子技术有限公司 一种基于图像融合的面板缺陷检测方法、装置及设备终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曾志;雷登似;周永福;: "基于机器视觉的LED TV智能屏检***的设计与实现", 测控技术, no. 11, pages 61 - 64 *
杜超;刘桂华;: "改进的VGG网络的二极管玻壳图像缺陷检测", 图学学报, no. 06, pages 108 - 113 *

Also Published As

Publication number Publication date
US11790509B2 (en) 2023-10-17
TW202131759A (zh) 2021-08-16
TWI748344B (zh) 2021-12-01
US20210256685A1 (en) 2021-08-19

Similar Documents

Publication Publication Date Title
JP7015001B2 (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
JP6869490B2 (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
CN114119591A (zh) 一种显示屏画面质量检测方法
CN106570855A (zh) 猪肉新鲜度快速判定的方法及***
CN113268914A (zh) 发光二极管调屏标准判定模型建立方法
CN114926661B (zh) 一种纺织品表面颜色数据处理、识别方法及***
CN113295690A (zh) 基于机器学习的草莓成熟度快速判别方法
CN105628195A (zh) 光源亮度检测***及方法
CN112215303B (zh) 一种基于自学属性的图像理解方法及***
CN110070086A (zh) 一种基于图像识别的猕猴桃叶片病害识别方法
CN111292300B (zh) 显示面板的亮点不良的检测方法和设备、可读存储介质
CN112364780A (zh) 一种指示灯状态识别方法
CN110400320B (zh) 一种电润湿缺陷像素的分割方法
US11776114B2 (en) Information processing method and computer program
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及***
CN103927544A (zh) 皮棉轧工质量的机器视觉分级方法
CN116523853A (zh) 一种基于深度学习的芯片检测***及方法
CN102496025B (zh) 一种文档中含有人物肖像的图像检测方法及***
CN103810985A (zh) 提高图像可读性的电子装置及其方法
CN110827267B (zh) 一种白酒厂原酒酿造过程配糟质量视觉分析方法及***
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及***
CN106713907B (zh) 一种显示器的hdr图像显示性能评测方法及装置
CN111402796B (zh) 图像处理方法以及图像处理***
Zakiyyah et al. Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence
CN109975299B (zh) 发光源检测***与方法

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