KR102229594B1 - 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 - Google Patents

디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 Download PDF

Info

Publication number
KR102229594B1
KR102229594B1 KR1020197034323A KR20197034323A KR102229594B1 KR 102229594 B1 KR102229594 B1 KR 102229594B1 KR 1020197034323 A KR1020197034323 A KR 1020197034323A KR 20197034323 A KR20197034323 A KR 20197034323A KR 102229594 B1 KR102229594 B1 KR 102229594B1
Authority
KR
South Korea
Prior art keywords
display screen
defect
defect detection
screen image
loss
Prior art date
Application number
KR1020197034323A
Other languages
English (en)
Other versions
KR20200004824A (ko
Inventor
야웨이 웬
지아빙 렝
밍하오 리우
유린 쑤
장량 구오
쑤 리
Original Assignee
베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
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 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Publication of KR20200004824A publication Critical patent/KR20200004824A/ko
Application granted granted Critical
Publication of KR102229594B1 publication Critical patent/KR102229594B1/ko

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
    • G01N21/95—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • 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
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/1306—Details
    • G02F1/1309—Repairing; Testing
    • 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
    • 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
    • H01L51/0031—
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K71/00—Manufacture or treatment specially adapted for the organic devices covered by this subclass
    • H10K71/70—Testing, e.g. accelerated lifetime tests
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Nonlinear Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Signal Processing (AREA)
  • Manufacturing & Machinery (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

본 출원은 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체를 제공한다. 상기 방법은, 디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하되, 상기 품질 검출 요청은 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함하는 단계; 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하며, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지를 트레이닝하여 획득된 것인 단계; 및 결함 검출 결과를 기초로 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 결함에 대응되는 결함 종별, 및 결함에 대응되는 위치를 확정하는 단계를 포함한다. 상기 기술적 해결수단은 결함 검출 정확도가 높고, 시스템 성능이 우수하며, 서비스 확장 능력이 높다.

Description

디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체
본 출원은 컴퓨터 기술분야에 관한 것으로서, 특히는 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체에 관한 것이다.
정보 표시 기술이 사람들의 생활에서의 작용이 점점 커지고 있으며, 디스플레이 스크린도 작은 부피, 가벼운 중량, 낮은 파워, 높은 해상도, 높은 밝기 및 무기하학적 변형과 같은 다양한 특성을 구비하므로, 널리 사용되고 있다. 하지만, 디스플레이 스크린의 생산 과정에서 다양한 원인으로 인하여 생산된 디스플레이 스크린에 디스플레이 결함, 예를 들어, 포인트 결함, 라인 결함 및 면 결함 등이 발생할 수 있다. 따라서, 디스플레이 스크린 품질 검출은 생산 과정의 중요한 일환이다.
종래기술에 따르면, 디스플레이 스크린 품질 검출은 주로 인공 검출이거나 기계적으로 보조하는 인공 검출 방법을 사용하고 있다. 구체적으로, 인공 검출 방법은 분야의 전문가의 육안 관찰에 의거하여 생산 환경에서 수집된 이미지를 기초로 판단한다; 기계적으로 보조하는 인공 검출 방법은 우선 분야의 전문가의 경험이 고착된 품질 검출 시스템을 이용하여 검출 대상인 디스플레이 스크린 이미지에 대해 검출한 후, 분야의 전문가가 결함 가능성이 존재하는 이미지에 대해 검출 판단한다.
하지만, 인공 검출 방법 또는 기계적으로 보조하는 인공 검출 방법을 물론하고, 모두 인간의 주관적 요인에 의해 많은 영향을 받으며, 검출 정확도가 낮고, 시스템 성능이 떨어지며, 업무 확장 능력이 부족하다.
본 출원은 인간의 주관적 영향의 요인에 의해 많은 영향을 받으므로, 검출 정확도가 낮고, 시스템 성능이 떨어지며, 업무 확장 능력이 부족한 기존의 디스플레이 스크린 흠결 검출 방법의 문제점을 해결하기 위한 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체를 제공한다.
본 출원의 제1양태에서 제공하는 디스플레이 스크린 품질 검출 방법은,
디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하되, 상기 품질 검출 요청은 상기 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함하는 단계;
상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하되, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 이용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝을 수행하여 획득된 것인 단계; 및
상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 상기 결함에 대응되는 결함 종별, 및 상기 결함에 대응되는 위치를 확정하는 단계;를 포함한다.
본 실시예에서, 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘에 기반하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득한 결함 검출 모델을 이용하여 디스플레이 스크린 이미지에 대해 결함 검출을 수행함으로써, 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 상기 결함에 대응되는 결함 종별, 및 상기 결함에 대응되는 위치를 확정한다. 상기 결함 검출 모델에 기반하여 획득한 결함 검출 결과의 정밀도가 높고, 인텔리전트 능력이 강하며, 시스템 성능이 높고, 서비스 확장 가능 능력이 높다.
선택적으로, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것으로서,
상기 결함 검출 모델은 상기 과거 결함 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행하여, 상기 후보 영역 손실, 상기 영역 종별 손실 및 상기 영역 경계 손실의 총 손실값이 소정 손실 임계값을 만족하도록 한 결과인 것;을 포함하며,
여기서, 상기 후보 영역 손실은 상기 과거 결함 디스플레이 스크린 이미지 중 선정 결함 영역과 실제 결함 영역 사이의 손실값을 가리키고, 상기 영역 종별 손실은 상기 선정 결함 영역 중 예측 결함 종별과 실제 결함 종별 사이의 손실값을 가리키고, 상기 영역 경계 손실은 상기 선정 결함 영역 중 예측 결함 경계와 실제 결함 경계 사이의 손실을 가리킨다.
본 실시예에서, 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행하여 획득한 결함 검출 모델은 분류 정밀도가 높고, 검출 시스템의 성능이 향상된다.
선택적으로, 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하는 상기 단계 이전에,
상기 디스플레이 스크린 이미지에 대해 이미지 전처리를 수행하는 단계를 포함하되, 상기 이미지 전처리는, 에지 커팅, 크롭, 회전, 축소, 확대 중 하나 또는 다수를 포함한다.
선택적으로, 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하는 상기 단계는,
부하 균형 전략을 기초로, 처리 리소스를 탑재한 검출 모델 서버를 확정하는 단계; 및
상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 상기 결함 검출 모델에 입력하여 결함 검출 결과를 획득하는 단계;를 포함한다.
본 실시예에서, 획득한 디스플레이 스크린 이미지에 대해 이미지 전처리를 수행하여, 처리된 후의 디스플레이 스크린 이미지가 검출 표준에 부합되도록 하며, 향후의 디스플레이 스크린 이미지 중 결함을 검출하기 위한 기반을 제공하여, 디스플레이 스크린 품질 검출 정확도를 향상시킨다.
선택적으로, 상기 방법은,
생산 단계 정보 및 상기 결함 검출 결과를 기초로, 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정하는 단계를 더 포함하며; 상기 생산 단계 정보는 상기 디스플레이 스크린에 대응되는 생산 업체, 생산 환경, 및 상기 디스플레이 스크린의 유형을 지시하기 위한 것이다.
본 실시예에서, 상이한 종류의 디스플레이 스크린은 상이한 생산 단계를 거치게 된다. 결함 검출 결과에 대해 분석할 때, 각 디스플레이 스크린의 생산 단계 정보를 결합하여 디스플레이 스크린의 품질 양호 여부를 확정함으로써, 디스플레이 스크린 품질의 정확성을 향상시킬 수 있다.
선택적으로, 생산 단계 정보 및 상기 결함 검출 결과를 기초로, 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정하는 상기 단계 이후에,
상기 디스플레이 스크린이 불량 스크린인 것으로 확정되면,
컨트롤러를 통해 생산 관리자에게 경보 정보를 발송하는 조작;
컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장하는 조작;
컨트롤러를 통해 상기 제어부로 생산 제어 명령을 발송하여 결함을 해소하도록 하는 조작;
상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델을 최적화하도록 하는 조작; 중 하나 또는 다수의 조작을 수행하는 단계를 더 포함한다.
실시예에서, 디스플레이 스크린 품질 검출 방법이 디스플레이 스크린 생산 라인 상에서 일정한 시간 동안 실행된 후, 인공적으로 생산 데이터 베이스에 저장된 정보를 통해 상기 결함 검출 및 결함 위치 확정 정확도를 재확정하고, 이어서 상기 트레이닝 데이터 베이스를 업데이트하고, 다시 결함 검출 모델을 트레이닝하여, 결함 검출 정확도를 향상시킬 수 있다.
본 출원의 제2 양태에 따른 디스플레이 스크린 품질 검출 장치에 따르면, 그 특징은,
디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하기 위한 것으로서, 상기 품질 검출 요청은 상기 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함하는 수신모듈;
상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 위한 것으로서, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것인 처리모듈; 및
상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 상기 결함에 대응되는 결함 종별, 및 상기 결함에 대응되는 위치를 확정하기 위한 것인 확정모듈;을 포함한다.
본 출원에 따른 디스플레이 스크린 품질 검출 장치의 기술효과는 구체적으로 상기 디스플레이 스크린 품질 검출 방법의 기술효과와 동일할 수 있다.
선택적으로, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것으로서,
상기 결함 검출 모델은 상기 과거 결함 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행하여, 상기 후보 영역 손실, 상기 영역 종별 손실 및 상기 영역 경계 손실의 총 손실값이 소정 손실 임계값을 만족하도록 한 결과인 것;을 포함하며,
여기서, 상기 후보 영역 손실은 상기 과거 결함 디스플레이 스크린 이미지 중 선정 결함 영역과 실제 결함 영역 사이의 손실값을 가리키고, 상기 영역 종별 손실은 상기 선정 결함 영역 중 예측 결함 종별과 실제 결함 종별 사이의 손실값을 가리키고, 상기 영역 경계 손실은 상기 선정 결함 영역 중 예측 결함 경계와 실제 결함 경계 사이의 손실을 가리킨다.
선택적으로, 상기 처리모듈은 또한 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 전에, 상기 디스플레이 스크린 이미지에 대해 이미지 전처리를 수행하기 위해 사용되며,
상기 이미지 전처리는,
에지 커팅, 크롭, 회전, 축소, 확대 중 하나 또는 다수를 포함한다.
선택적으로, 상기 처리모듈은 구체적으로, 부하 균형 전략을 기초로 처리 리소스를 탑재한 검출 모델 서버를 확정하고, 상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 상기 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 위한 것이다.
선택적으로, 상기 확정모듈은 또한 생산 단계 정보 및 상기 결함 검출 결과를 기초로, 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정하기 위한 것이며; 상기 생산 단계 정보는 상기 디스플레이 스크린에 대응되는 생산 업체, 생산 환경, 및 상기 디스플레이 스크린의 유형을 지시하기 위한 것이다.
선택적으로, 상기 처리모듈은 또한 상기 확정모듈이 상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정한 후, 상기 디스플레이 스크린이 불량 스크린인 것으로 확정되면,
컨트롤러를 통해 생산 관리자에게 경보 정보를 발송하는 조작;
컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장하는 조작;
컨트롤러를 통해 상기 제어부로 생산 제어 명령을 발송하여 결함을 해소하도록 하는 조작;
상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델을 최적화하도록 하는 조작; 중 하나 또는 다수의 조작을 수행하기 위한 것이다.
본 출원의 제3양태에서 제공하는 전자기기는 프로세서, 메모리 및 상기 메모리에 저장되어 프로세서 상에서 실행되는 컴퓨터 프로그램을 포함하고, 상기 프로세서가 상기 프로그램을 실행할 때 상기 제1양태 및 제1양태의 각종 가능한 실시형태 중 어느 하나에 따른 방법을 수행한다.
본 출원의 제4양태에서 제공하는 저장매체에 있어서, 상기 저장매체에 컴퓨터 상에서 실행될 경우, 컴퓨터가 제1양태 및 제1양태의 각종 가능한 실시형태 중 어느 한 항에 따른 방법을 수행하도록 하는 명령이 저장되어 있다.
본 출원은 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체를 제공한다. 상기 방법은, 디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하되, 상기 품질 검출 요청은 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함하고, 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하며, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지를 트레이닝하여 획득된 것으로서, 결함 검출 결과를 기초로 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 결함에 대응되는 결함 종별, 및 결함에 대응되는 위치를 확정한다. 상기 기술적 해결수단은 결함 검출 정확도가 높고, 시스템 성능이 우수하며, 서비스 확장 능력이 높다.
도 1은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 시스템의 구조를 나타내는 도면이다.
도 2는 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 1의 흐름도이다.
도 3은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 2의 흐름도이다.
도 4는 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 3의 흐름도이다.
도 5는 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 3의 흐름도이다.
도 6은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 장치 실시예의 구조도1이다.
도 7은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 장치 실시예의 구조도2이다.
본 출원의 목적, 기술적 해결수단 및 이점이 보다 명확하도록, 이하에서는 본 출원의 실시예를 결합하여, 본 출원의 실시예에 따른 기술적 해결수단에 대해 명확하고 충분하게 기재한다. 기재되는 실시예는 본 출원의 일부 실시예일 뿐, 모든 실시예가 아님은 자명하다. 본 출원의 실시예에 기반하여, 본 분야의 전문가가 진보적 노력을 거치지 않고도 얻어진 모든 기타 실시예는 모두 본 출원의 보호 범위에 속한다.
본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법은 디스플레이 스크린 품질 검출 시스템에 적용되며, 도 1은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 시스템의 구조도이다. 도 1에 도시된 바와 같이, 상기 디스플레이 스크린 품질 검출 시스템은 디스플레이 스크린 생산 라인 상에 구비된 이미지 수집기(11), 제어부(12), 서버 그룹(13), 컨트롤러(14), 데이터 베이스(15) 및 트레이너(16) 등 다수의 상이한 기기를 포함한다.
여기서, 이미지 수집기(11)는 디스플레이 스크린 생산 라인 상의 디스플레이 스크린 이미지를 수집하고, 제어부(12)는 이미지 수집기(11)에서 수집한 디스플레이 스크린 이미지를 수신하여, 상기 디스플레이 스크린 이미지를 서버 그룹(13) 중 검출 모델 서버(130)로 송신하고, 검출 모델 서버(130)는 수신된 디스플레이 스크린 이미지를 자신이 실행하는 결함 검출 모델에 입력하여 결함 검출 결과를 얻고, 컨트롤러(14)는 검출 모델 서버(130)의 결함 검출 결과를 수신하고, 생산 단계 정보를 결합하여 서비스 응답을 제공하고, 컨트롤러(14)는 또한 결함 검출 결과를 로그로서 데이터 베이스(15)에 저장할 수도 있다. 한편, 이미지 수집기(11)에서 수집한 디스플레이 스크린 이미지는 결함 검출 모델 트레이닝을 위한 원본 데이터로서 직접 데이터 베이스(15)에 저장될 수도 있다. 트레이너(16)는 데이터 베이스에 저장된 과거 결함 디스플레이 스크린 이미지를 추출한 후, 딥 컨벌루션 뉴럴 네트워크 구조와 실예 분할 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지를 트레이닝하여 결함 검출 모델을 획득한다.
선택적으로, 상기 데이터 베이스(15)는 생산 데이터 베이스(151) 및 트레이닝 데이터 베이스(152)를 포함할 수 있으며, 생산 데이터 베이스(151)는 컨트롤러(14)로부터 송신되는 결함 검출 결과 및 이미지 수집기(11)에서 수집한 디스플레이 스크린 이미지를 수신하여 저장할 수 있으며, 트레이닝 데이터 베이스(152)는 트레이너(16)가 트레이닝을 통해 검출 정확도가 높은 결함 검출 모델을 얻도록, 생산 데이터 베이스(151)로부터 추출된 과거 결함 디스플레이 스크린 이미지와 대응되는 원본 디스플레이 스크린 이미지를 저장할 수 있다.
선택적으로, 본 출원의 실시예에 따른 트레이너(16)는 하드웨어 및/또는 소프트웨어 기능으로 구현되는 트레이닝 엔진일 수 있으며, 이는 결함 검출 모델의 트레이닝 툴의 기능을 수행한다.
본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 시스템은 프로세서, 메모리 등 기타 엔티티 모듈을 더 포함할 수 있으며, 본 실시예는 이에 한정되지 않는다.
이하, 우선 본 출원의 실시예가 적용되는 응용 장면에 대해 간략하게 설명한다.
현재, 3C 산업(3C산업은 컴퓨터, 통신 및 소비성 전자 세가지 과학기술 제품을 통합적으로 응용하는 인포매이션 가전 제품 산업을 가리킨다)의 전반적 인텔리전트 자동화 정도가 낮으며, 핸드폰 스크린 등 디스플레이 스크린 분야에 대한 조사 연구에 따르면, 대부분 생산 업체에서 사용하는 핸드폰 스크린 검출 방식은 두가지, 즉 인공 검출 방법과 기계적으로 보조하는 인공 검출 방법으로 구분될 수 있다.
여기서, 인공 검출 방법은 분야의 전문가의 육안 관찰에 의거하여 생산 환경에서 수집된 이미지를 기초로 판단한다. 해당 방법은 인간의 주관적 요인에 의해 많은 영향을 받으며, 검출 효율이 비교적 낮고, 사람의 눈에 대한 손상이 비교적 크다. 한편, 디스플레이 스크린의 생산 현장은 일반적으로 클린 환경이므로, 작업자는 들어가기 전에 청결 준비를 하고, 클린복을 착용하여야 하며, 작업자의 건강과 안전에 악영향을 미칠수 도 있다.
기계적으로 보조하는 인공 검출 방법은 액정 모듈 검출 기기 기반 검출 방법으로 지칭될 수도 있으며, 그 구체적인 원리는, 우선 일정한 판단 능력을 갖춘 품질 검출 시스템에서 결함이 존재하지 않는 이미지를 필터링한 후, 분야의 전문가가 결함 가능성이 존재하는 이미지에 대해 검출 판단한다. 기계적으로 보조하는 인공 검출 방법에서, 품질 검출 시스템은 대부분 전문가 시스템와 특징 공정 시스템으로부터 발전되어 왔으며, 전문가가 경험을 품질 검출 시스템에 고착시켜, 일정한 자동화 능력을 갖추도록 한것을 가리킨다. 따라서, 기계적으로 보조하는 인공 검출 방법은 정확도가 낮을 뿐만 아니라, 시스템 성능이 떨어지고, 생산 업체의 모든 검출 표준을 커버할 수 없으며, 이러한 방법은 효율이 낮고, 판단이 누락되거나 잘못 판단되기 쉽고, 검출 후의 이미지 데이터를 2차적으로 이용 발굴하기 어렵다. 한편, 상기 품질 검출 시스템에서, 특징과 판단 규칙은 모두 분야의 전문가의 경험을 기계에 고착시킨 것으로서, 서비스의 발전에 따라 이터레이션되기 어려우므로, 생산 공정의 발전에 따라 품질 검출 시스템의 검출 정밀도가 점차 떨어지며, 심지어 전혀 사용할 수 없는 상태에 이를 수 있다. 나아가, 품질 검출 시스템의 특징은 모두 제3의 공급자에 의해 하드웨어에 미리 고착되며, 업그레이드 시 생산 라인을 크게 변경시켜야 할 뿐만 아니라, 고가이며, 안전성, 규범화, 확장 가능성 등 면에서도 모두 현저한 단점이 존재하여, 디스플레이 스크린 생산 라인의 최적화 업그레이드에 불리하며, 서비스 확장 능력이 낮다.
상기와 같이, 인공 검출 방법과 기계적으로 보조하는 인공 검출 방법은 모두 효율이 낮을 뿐만 아니라, 잘못 판단하기 쉬우며, 해당 두가지 방법에 의해 생성된 공업 데이터는 저장, 관리 및 2차 발굴 재사용이 어려운 문제점이 존재한다.
본 출원의 실시예는 컴퓨터 비전에서의 인공 인텔리전트 기술의 최신 발전을 기반으로, 자동화, 고정밀도의 디스플레이 스크린 품질 검출 방법을 연구하여, 이미지 수집기를 이용하여 디스플레이 스크린 생산 라인 상에서 실시간 수집한 디스플레이 스크린 이미지를 이용하여, 실시간 디스플레이 스크린의 표면 품질에 대해 검출 판단하고, 만약 현재 이미지 수집기에서 수집한 된 디스플레이 스크린에 품질 문제가 존재하는 것으로 검출되면, 이미지에서의 상기 품질 문제의 위치, 속하는 종별 및 종별 실예를 확정한다.
특별히 설명하면, 본 출원의 실시예는 사람의 눈, 컴퓨터 비전으로 디스플레이 스크린 검출을 수행할 수 있는 모든 장면에 적용될 수 있으며, 본 실시예에 따른 디스플레이 스크린은 플라즈마 스크린 액정 표시(liquid crystal display, LCD) 스크린, 발광다이오드(light emitting diode, LED) 스크린, 유기 발광 다이오드(organic light-emitting diode, OLED) 스크린 등 중 어느 하나를 포함할 수 있다. 본 출원의 실시예는 상기 몇 가지 스크린에 제한되지 않으며, 기타 디스플레이 스크린을 더 포함할 수도 있으며, 여기서는 중복되는 설명을 생략한다.
선택적으로, 본 출원의 실시예에서 언급되는 품질 문제는 포인트 결함, 라인 결함, 면 결함 및 mura 등 다양한 종별의 결함 문제를 포함할 수 있으며, 여기서는 각각 설명하지 않는다. 선택적으로, mura는 디스플레이 스크린의 밝기가 불균일하여 초래되는 다양한 흔적 현상을 가리킨다.
이하, 구체적인 실시예를 통해 본 출원의 기술적 해결수단을 상세하게 설명한다. 특별히 설명하면, 이하의 몇개의 구체적인 실시예는 서로 결합될 수 있으며, 동일하거나 유사한 개념이거나 프로세스는 일부 실시예에서 생략될 수도 있다.
본 출원의 실시예에서, “다수”는 둘 또는 둘 이상을 가리킨다. “및/또는”은, 관련 대상의 관련 관계를 나타내는 것으로서, 세가지 관계가 존재할 수 있음을 나타낸다. 예를 들어, A 및/또는 B는 A만 존재하는 경우, A와 B가 모두 존재하는 경우, 단독적으로 B만 존재하는 경우인 세가지 경우를 포함할 수 있다. 부호“/”는 일반적으로 전후 관련 대상이 “또는”의 관계임을 나타낸다.
도 2는 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 1의 흐름도이다. 도 2에 도시된 바와 같이, 본 출원의 실시예에서, 상기 디스플레이 스크린 품질 검출 방법은 아래와 같은 단계를 포함할 수 있다.
단계21: 디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하되, 상기 품질 검출 요청은 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함한다.
선택적으로, 본 출원의 실시예에서, 디스플레이 스크린 생산 라인 상에 이미지 수집기, 제어부, 서버 그룹, 컨트롤러, 데이터 베이스 등 다수의 기가가 구비되어 있다. 이미지 수집기는 고정밀도 이미지 수집 카메라일 수 있으며, 디스플레이 스크린의 생산 과정에서 이미지 수집기의 각도, 광선, 필터, 확대렌즈, 초점 등을 조절하여, 디스플레이 스크린 생산 라인 상에 위치하는 디스플레이 스크린에 대응되는 디스플레이 스크린 이미지를 복수개 수집할 수 있다.
디스플레이 스크린 생산 라인 상의 이미지 수집기에 의해 디스플레이 스크린 이미지가 수집된 후, 디스플레이 스크린 생산 라인 상에 구비된 제어부는 디스플레이 스크린 생산 라인 상의 결함 검출 모델을 구비하는 서버 그룹으로 품질 검출 요청을 송신할 수 있으며, 상기 품질 검출 요청은 서버 그룹 중에서 상기 품질 검출 요청을 수신한 서버가 수신된 디스플레이 스크린 이미지에 대해 처리하도록, 상기 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함한다.
단계22: 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하되, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것이다.
선택적으로, 품질 검출 요청을 수신한 서버는 품질 검출 요청에 포함된 디스플레이 스크린 이미지를 서버 상에서 실행되고 있는 결함 검출 모델에 입력하여, 결함 검출 모델은 결함 검출을 수행함으로써, 결함 검출 결과를 획득한다.
특별히 설명하면, 서버 상에서 실행되는 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것이다. 즉, 디스플레이 스크린 생산 라인 상의 디스플레이 스크린 이미지는 결함 검출 모델의 입력으로서, 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 디스플레이 스크린 이미지 중 특징(즉, 디스플레이 스크린 이미지에 존재하는 결함)을 결함 검출 모델의 출력으로서 추출하며, 결함 검출 모델에 대해 트레이닝한다.
구체적으로, 물체 검출은 기계가 자동적으로 이미지로부터 목표 검출 방법을 이용하여 디스플레이 스크린 중 기타 위치와 상이한 물체, 및 상기 물체에 대응되는 영역 박스를 확정할 수 있는 것을 가리킨다; 영역 블록은 디스플레이 스크린 상에서의 물체의 위치가 처한 영역의 범위를 가리킨다. 특별히 설명하면, 물체 검출은 디스플레이 스크린의 어느 위치 상에 결함이 존재하는지, 상기 결함이 구체적으로 어느 종류의 결함에 속하는지를 구분할 수 있다. 따라서, 본 출원의 실시예에서, 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 기초로 대량의 과거 결함 디스플레이 스크린 이미지를 트레이닝하여 획득된다. 즉, 우선 과거 결함 디스플레이 스크린 이미지에 존재하는 다양한 결함을 확정하고, 방위 또는 영역의 측면으로부터 이미지에 포함된 결함, 및 결함에 대응되는 구체적인 종별을 분리해내며, 디스플레이 스크린 이미지에 마크한 후, 마지막으로 이에 대해 분류, 통계 및 조합 트레이닝을 수행하여 획득된다.
일 예로서, 본 출원의 실시예에 따른 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것으로서, 아래와 같이 해석될 수 있다.
결함 검출 모델은 과거 결함 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행하여, 상기 후보 영역 손실, 상기 영역 종별 손실 및 상기 영역 경계 손실의 총 손실값이 소정 손실 임계값을 만족하도록 한 결과이다.
여기서, 후보 영역 손실은 과거 결함 디스플레이 스크린 이미지 중 선정 결함 영역과 실제 결함 영역 사이의 손실값을 가리키고, 영역 종별 손실은 선정 결함 영역 중 예측 결함 종별과 실제 결함 종별 사이의 손실값을 가리키고, 영역 경계 손실은 선정 결함 영역 중 예측 결함 경계와 실제 결함 경계 사이의 손실을 가리킨다.
본 출원의 실시예에서, 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크(Deep convolutional neural networks, Deep CNNs) 구조를 기반으로 하고, 딥 컨벌루션 뉴럴 네트워크의 구조는 주로 컨벌루션층, 풀링층, 풀리커넥티드층 등으로 이루어지며, 딥 컨벌루션 뉴럴 네트워크의 입도 및 층에 대한 선택은 실제 상황에 따라 결정될 수 있으며, 본 출원의 실시예는 이에 대해 한정하지 않는다. 컨벌루션층의 컨벌루션 조작은 가중치가 다른 컨벌루션 커널을 이용하여 디스플레이 스크린 이미지 또는 적어도 1회의 컨벌루션 처리가 이루어진 후 얻어진 이미지 특징도에 대해 스캐닝 컨벌루션을 수행하여, 이로부터 다양한 종별의 특징을 추출함으로써, 다시 하나의 이미지 특징도를 획득하는 과정이다. 여기서, 컨벌루션 커널은 바로 가중 행렬로서, 즉 컨벌루션 시 사용되는 가중치를 하나의 행렬로 표시한다. 상기 행렬은 대응되는 이미지 영역의 크기와 동일하고, 그 행, 열은 모두 짝수이며, 하나의 가중 행렬이다. 풀링층의 풀링 조작은 컨벌루션층에서 출력한 특징도에 대해 차원 축소 조작을 수행하여, 특징도 중 주요 특징을 유지하는 것을 가리킨다. CNN 네트워크에서, 풀리커넥티드층은 컨벌루션층에서 생성한 특징도를 하나의 고정 길이(일반적으로 입력 이미지 데이터 세트 중 이미지 종별 수)의 특징 벡터로 매핑시키되, 이러한 특징 벡터는 입력 이미지 모든 특징의 조합 정보를 포함하며, 즉 이미지에서 가장 특성이 있는 이미지 특징을 유지하여 이미지 분류 임무를 완성한다.
본 출원의 실시예는 이러한 컨벌루션, 풀링, 풀리커넥티드 조작을 구비하는 딥 뉴럴 네트워크 모델을 이용하여, 디스플레이 스크린 생산 라인 상에서 이미지 수집기에서 수집한 디스플레이 스크린 이미지의 변형, 모호, 광조 변화 등 특징에 대해 보다 높은 강건성을 구비하며, 분류 임무에 대해 더욱 높은 일반화 가능성을 구비할 수 있다.
선택적으로, 본 실시예에서, 물체 검출 알고리즘은 Faster RCNN 알고리즘을 사용할 수 있으며, Faster RCNN알고리즘은 우선 컨벌루션 뉴럴 네트워크 구조의 컨벌루션 조작을 이용하여 그 특징도를 획득한 후, 디스플레이 스크린 이미지의 선정 결함 영역 내에 특정 결함의 존재 여부를 산출한다. 결함이 포함되어 있으면, 한편, 선정 결함 영역과 실제 결함 영역 사이의 손실값(후보 영역 손실)을 산출할 수 있으며, 다른 한편, 컨벌루션 뉴럴 네트워크를 이용하여 특징을 추출한 후, 선정 결함 영역 중 결함 종별과 결함 경계를 예측하여, 선정 결함 영역 중 예측 결함 종별과 실제 결함 종별 사이의 손실값(영역 종별 손실) 및 선정 결함 영역 중 예측 결함 경계와 실제 결함 경계 사이의 손실값(영역 경계 손실)을 산출할 수 있다. 만약 디스플레이 스크린 이미지의 선정 결함 영역 내에 특정 결함이 포함되어 있지 않으면, 분류를 수행하지 않는다.
구체적으로, 본 실시예는 Faster RCNN 알고리즘과 후보 영역 네트워크(Region Proposal Network)를 결합하는 방식을 사용할 수도 있다; 상기 후보 영역 네트워크는 디스플레이 스크린 이미지의 원본 이미지 내의 영역에 특정 물체(결함) 포함 여부를 획득하고, 원본 이미지의 어느 영역에 물체가 포함되어 있으면, 원본 이미지와 Faster RCNN 알고리즘에 의해 추출된 특징도를 서로 대응시키며, 특징도 상의 상기 영역 지점에서 상기 물체의 유형 및 상기 영역이 디스플레이 스크린 상에서의 위치를 예측한다.
상기 내용을 참조하면, 결함 검출 모델은 과거 결함 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행한 결과로서, 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실을 포함하는 손실 함수를 얻을 수 있으며, 상기 손실 함수는 결함 검출 모델의 트레이닝 단계에서 딥 컨벌루션 뉴럴 네트워크의 출력 결과와 실제값의 차이를 추정한 후, 손실 함수의 값을 이용하여 각 뉴런 사이의 가중치를 업데이트한다. 딥 컨벌루션 뉴럴 네트워크의 트레이닝 목적은 손실 함수값을 최소화하는 것이다.
결함 검출 모델의 출력 결과와 디스플레이 스크린 이미지에 마크된 결함 결과 사이의 오차값이 소정 손실 임계값보다 작으면, 트레이닝을 중지한다. 상기 소정 손실 임계값은 디스플레이 스크린 서비스 요구에 부합되는 값을 가리킨다.
특별히 설명하면, 본 출원의 실시예는 상이한 생산 장면과 디스플레이 스크린 이미지의 특성에 대해, 상기 결함 검출 모델을 트레이닝하기 위해 필요한 하는 딥 컨벌루션 뉴럴 네트워크의 깊이, 각 층의 뉴런수량 및 컨벌루션층, 풀링층의 조직 방식이 모두 다를 수 있고, 이는 실제 상황에 따라 결정될 수 있으며, 본 실시예는 이에 대해 한정하지 않는다.
단계23: 결함 검출 결과를 기초로 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 결함에 대응되는 결함 종별, 및 결함에 대응되는 위치를 확정한다.
선택적으로, 본 출원의 실시예는 결함 검출 모델를 기초로 결함 검출 결과를 획득한 후, 상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 결함, 결함에 대응되는 결함 종별, 및 결함에 대응되는 위치를 확정할 수 있다.
본 실시예에서, 디스플레이 스크린 이미지에 결함이 존재할 경우, 상기 결함 검출 모델에 의해 얻어질 수 있는 결함 검출 결과에는 결함 종별(디스플레이 스크린 상에 몇 가지 결함이 존재하는지), 결함 위치(각 결함의 구체적 위치)가 포함될 수 있다. 다시 말하면, 본 출원의 실시예의 결함 검출 모델은 디스플레이 스크린 이미지에 존재하는 몇 가지 결함 유형이 존재하는지 및 각종 결함의 구체적 개수를 검출할 수 있다.
대응되게, 도 3은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 2의 흐름도이다. 도 3에 도시된 바와 같이, 본 실시예에 있어서, 상기 단계23(결함 검출 결과를 기초로 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 결함에 대응되는 결함 종별, 및 결함에 대응되는 위치를 확정) 이후에,
생산 단계 정보 및 상기 결함 검출 결과를 기초로, 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정하며; 생산 단계 정보는 디스플레이 스크린에 대응되는 생산 업체, 생산 환경 및 디스플레이 스크린의 유형을 지시하기 위한 것인 단계24를 더 포함할 수 있다.
구체적으로, 디스플레이 스크린의 상이한 생산 업체, 디스플레이 스크린의 상이한 생산 환경 및 디스플레이 스크린의 상이한 유형 등 다양한 상이한 생산 단계 정보는 모두 디스플레이 스크린 품질 검출 과정에서 상이한 결함 검출 결과가 얻어지도록 할 수 있다. 예를 들어, 액정 디스플레이 스크린은 일반적으로 박막 트랜지스터 가공, 컬러 필터 가공, 유닛 장착 및 모듈 장착 등 생산 단계를 거쳐야 한다. LED 스크린는 일반적으로 패치, 플러그 인, 웨이브 납땜, 후진 용접, 테스트, 모듈 조립 등 단계를 거쳐야 한다. 종류가 다른 디스플레이 스크린마다 상이한 생산 단계를 거치게 된다. 따라서, 상기 얻어진 결함 검출 결과에 대해 분석할 경우, 각 디스플레이 스크린의 생산 단계 정보를 결합하여 디스플레이 스크린의 품질 양호 여부을 확정하여야 한다.
본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법은, 디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청를 수신하되, 상기 품질 검출 요청은 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함하며, 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하고, 상기 결함 검출 결과를 기초로 디스플레이 스크린 상의 결함, 결함에 대응되는 결함 종별, 및 결함에 대응되는 위치 및/또는 디스플레이 스크린의 품질 양호 여부을 확정한다. 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 얻어진 것이다. 따라서, 상기 결함 검출 모델을 이용하여 얻어진 결함 검출 결과의 분류 정밀도가 높고, 인텔리전트 능력이 강하며, 시스템 성능이 어느 정도 향상되며, 서비스 확장 가능 능력이 높다.
선택적으로, 도 4는 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 3의 흐름도이다. 본 출원의 실시예는 도 2에 도시된 실시예의 기초상에서 디스플레이 스크린 품질 검출 방법에 대해 추가적으로 설명한다. 도 4에 도시된 바와 같이, 본 실시예에 따른 디스플레이 스크린 품질 검출 방법에 있어서, 상기 단계22(상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득) 이전에, 상기 방법은 아래와 같은 단계를 더 포함할 수 있다.
단계31: 상기 디스플레이 스크린 이미지에 대해 이미지 전처리를 수행하되, 여기서, 상기 이미지 전처리는 에지 커팅, 크롭, 회전, 축소, 확대 중 하나 또는 다수를 포함한다.
선택적으로, 본 출원의 실시예에서, 통상적인 경우, 디스플레이 스크린 생산 라인 상에 구비된 이미지 수집기는 일반적으로 고정밀도 카메라이다. 따라서, 상기 이미지 수집기를 이용하여 수집된 디스플레이 스크린 이미지는 사이즈가 비교적 크거나, 화소가 비교적 높거나, 위치 부적절 등 가능성이 존재한다. 따라서, 제어부로부터 송신되는 품질 검출 요청에 포함된 디스플레이 스크린 이미지를 수신한 후, 실제 상황에 따라 디스플레이 스크린 이미지에 대해 전처리를 수행하여야 한다.
예를 들어, 디스플레이 스크린 이미지의 에지 영역이 비교적 크면, 이때, 디스플레이 스크린 이미지에 대해 에지 커팅 처리를 수행하여, 디스플레이 스크린 이미지의 유용한 부분을 남길 수 있으며, 또는, 디스플레이 스크린 이미지의 사이즈가 비교적 크면, 이때, 디스플레이 스크린 이미지에 대해 크롭, 축소 처리를 수행하여, 결함 검출 모델에 입력된 디스플레이 스크린 이미지가 완전히 검출되도록 하여, 디스플레이 스크린 이미지의 검출 정밀도를 향상시킬 수 있다. 또는, 디스플레이 스크린 이미지 중 어느 영역에 대한 중점적인 검출이 필요하면, 디스플레이 스크린 이미지 중 상기 영역에 대해 확대 등 처리를 수행하여, 전처리 후의 디스플레이 스크린 이미지가 검출 표준에 부합되도록 할 수 있다.
본 출원의 실시예의 디스플레이 스크린 품질 검출 방법은, 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 전에, 상기 디스플레이 스크린 이미지에 대해 에지 커팅, 또는/및 크롭 또는/및, 또는/및 회전, 또는/및 축소, 또는/및 확대 등 이미지 전처리를 수행하여, 결함 검출 모델에 입력된 디스플레이 스크린 이미지가 검출 표준에 부합되도록 할 수 있으며, 향후의 디스플레이 스크린 이미지 중 결함을 검출하기 위한 기반을 제공하여, 디스플레이 스크린 품질 검출 정확도를 향상시킨다.
선택적으로, 상기 실시예의 기초상에서, 도 5는 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법 실시예 3의 흐름도이다. 도 5에 도시된 바와 같이, 본 실시예에서, 상기 단계22(상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득)는 아래와 같은 단계를 통해 구현될 수 있다.
단계41: 부하 균형 전략(equilibrium strategy)을 기초로, 처리 리소스를 탑재한 검출 모델 서버를 확정한다.
선택적으로, 본 출원의 실시예에서, 디스플레이 스크린 생산 라인 상에 하나의 서버 그룹이 구비되고, 상기 서버 그룹 중 서버 수량은 다수일 수 있으며, 각 서버 상에서는 모두 결함 검출 모델이 실행된다. 선택적으로, 각 서버 상에서 실행되는 결함 검출 모델은 모두 동일하다. 따라서, 각 서버는 모두 제어부로부터 송신되는 품질 검출 요청을 수신하여, 자신에 탑재된 결함 검출 모델을 이용하여 디스플레이 스크린 이미지에 대해 품질 검출을 수행할 수 있다.
일 예로서, 디스플레이 스크린 생산 라인 상에 구비된 이미지 수집기가 실시간 디스플레이 스크린 이미지를 수집하므로, 제어부도 실시간 서버 그룹 중 어느 하나의 서버로 품질 검출 요청을 송신할 수 있다.
선택적으로, 서버 그룹 중 각 서버 상에서 실행되는 결함 검출 모델이 동일하므로, 서버 상의 결함 검출 모델의 검출 효율을 향상시키고, 결함 검출 모델의 부하 균형을 확보하기 위하여, 기설정된 부하 균형 전략를 기초로 서버 그룹으로부터 하나의 처리 리소스를 적재한 검출 모델 서버를 확정할 수 있다. 즉, 디스플레이 스크린 생산 라인 상의 결함 검출 모델의 배포 상황을 기초로 실시간 부하 균형 및 스케줄링을 수행한다.
단계42: 상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 결함 검출 모델에 입력하여 결함 검출 결과를 획득한다.
선택적으로, 본 출원의 실시예에서, 서버 그룹으로부터 처리 리소스를 탑재한 검출 모델 서버를 확정한 후, 상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 결함 검출 모델에 입력하여, 상기 결함 검출 모델을 이용하여 디스플레이 스크린 이미지의 결함을 검출함으로써, 결함 검출 결과를 얻을 수 있다. 선택적으로, 상기 결함 검출 모델은 트레이닝 모듈이 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것이다.
본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법은, 부하 균형 전략을 기초로 처리 리소스를 탑재한 검출 모델 서버를 확정하고, 상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 결함 검출 모델에 입력하여 결함 검출 결과를 획득하여, 서버 상의 부하 균형을 달성하고, 디스플레이 스크린 이미지의 검출 효율을 향상시키고, 디스플레이 스크린 품질 검출 시스템의 성능을 향상시킬 수 있다.
선택적으로, 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법에 있어서, 상기 단계23(상기 결함 검출 결과를 기초로 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정) 이후에,
상기 디스플레이 스크린이 불량 스크린일 경우,
컨트롤러를 통해 생산 관리자에게 경보 정보를 발송하는 조작;
컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장하는 조작;
컨트롤러를 통해 제어부로 생산 제어 명령을 발송하여 결함을 해소하도록 하는 조작;
상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델을 최적화하도록 하는 조작; 중 하나 또는 다수를 수행하는 단계를 더 포함할 수 있다.
선택적으로, 본 출원의 실시예에서, 테스터는 디스플레이 스크린의 생산 장면과 생산 단계 정보를 기초로, 디스플레이 스크린이 불량 스크린 것으로 확정되었을 경우의 해결방안, 예컨대, 컨트롤러를 통해 생산 관리자에게 경보 정보를 발송, 및/또는, 컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장, 및/또는, 컨트롤러를 통해 제어부로 생산 제어 명령을 발송하여 결함을 해소하도록 하는 것, 및/또는, 상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델 등을 최적화하도록 하는 것을 미리 설정할 수 있다.
구체적으로, 일 예로서, 상기 결함 검출 결과를 기초로 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린이 불량 스크린인 것으로 확정되면, 즉 디스플레이 스크린에 결함이 존재하면, 생산 관리자가 바로 결함의 종별 및 위치를 확정하고, 해결방안을 결정하도록 경보 정보를 발생할 수 있다.
다른 일 예로서, 상기 결함 검출 결과를 기초로 디스플레이 스크린에 결함이 존재하는 것으로 확정되면, 컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장, 즉 디스플레이 스크린의 결함 종별, 및/또는, 결함 실예, 및/또는, 결함 위치를 로그로서 생산 데이터 베이스에 저장하여, 이를 트레이닝 데이터 베이스로 선별함으로써, 트레이닝 모듈(트레이닝 엔진 등 소프트웨어 프로그램일 수 있다)에서 결함이 존재하는 디스플레이 스크린 이미지를 기초로 상기 결함 검출 모델을 업데이트할 수 있다.
또 하나의 예시로서, 상기 결함 검출 결과를 기초로 디스플레이 스크린에 결함이 존재하는 것으로 확정되면, 컨트롤러를 통해 제어부로 생산 제어 명령을 발송하여 결함을 해소할 수도 있다. 즉, 결함 검출 모델를 탑재한 검출 모델 서버는 컨트롤러를 통해 결함 발생 원인을 확정하고, 대응되게 생산 프로세스를 조정함으로써, 즉, 검출 모델 서버는 컨트롤러를 통해 제어부로 생산 제어 명령을 송신하여 디스플레이 스크린 상에 나타난 결함을 해소함으로써, 불량 스크린의 발생 확률을 줄이거나; 또는, 상기 결함 검출 결과를 기초로 디스플레이 스크린에 결함이 존재하는 것으로 확정되면, 컨트롤러를 통해 서비스 응답 장치로 명령을 송신하여, 불량 스크린의 유출을 감소, 예컨대 컨트롤러를 통해 기계암으로 파지 명령을 발송하여, 결함이 포함된 디스플레이 스크린을 파지해낼 수도 있다.
또 하나의 예로서, 상기 결함 검출 결과를 기초로 디스플레이 스크린에 결함이 존재하는 것으로 확정되면, 상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 직접 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델을 최적화, 즉 직접 불량 스크린에 대응되는 디스플레이 스크린 이미지를 결함 검출 모델의 입력으로 하고, 불량 스크린의 결함 검출 결과를 결함 검출 모델의 출력으로 하여, 상기 결함 검출 모델을 최적화함으로써, 결함 검출 모델의 검출 정확도를 향상시킬 수도 있다.
특별히 설명하면, 본 출원의 실시예는 디스플레이 스크린이 불량 스크린으로 확정될 경우 검출 모델 서버가 수행할 수 있는 상기 하나 또는 다수의 조작에 대해 한정하지 않으며, 실제 상황에 따라 결정될 수 있으며, 여기서는 중복되는 설명을 생략한다.
선택적으로, 디스플레이 스크린 생산 라인 상에 구비된 이미지 수집기, 제어부, 서버 그룹, 컨트롤러, 데이터 베이스 등 다수의 상이한 기기에 있어서, 디스플레이 스크린 품질 검출 방법에 대응되는 조작 단계를 상기 다수의 상이한 기기에 분산시켜 수행할 수도 있다. 예를 들어, 이미지 수집기가 디스플레이 스크린 이미지를 수집하고, 컨트롤러는 부하 균형 전략을 기초로, 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 서버 그룹 중 검출 모델 서버로 송신하여, 검출 모델 서버 상에서 실행되는 결함 검출 모델이 디스플레이 스크린 이미지에 대해 소정의 전처리를 수행한 후 결함 검출을 수행하여, 결함 검출 결과를 제공한다. 검출 모델 서버는 결함 검출 결과를 컨트롤러로 송신할 수 있으며, 한편 컨트롤러에서 실제 서비스 장면과 결합하여, 서비스 수요에 따라 상기 결함 검출 결과를 기초로 실제 서비스 장면 요구에 부합되는 응답, 예컨대 경보 발생, 로그 저장, 생산 제어 명령 제어 등을 수행할 수 있으며, 다른 한편, 컨트롤러는 결함 검출 결과 및 상기 응답의 처리 동작을 로그로서 생산 데이터 베이스에 저장하여, 트레이닝 모듈이 트레이닝 데이터 베이스 중 디스플레이 스크린 이미지와 결함 검출 결과를 기초로 상기 획득한 결함 검출 모델을 업데이트하도록 할 수 있으며, 상기 트레이닝 데이터 베이스에 저장된 것은 생산 데이터 베이스로부터 선별한 결함이 존재하는 디스플레이 스크린 이미지와 대응되는 결함 검출 결과 등의 데이터이다.
특별히 설명하면, 매번 최적화되는 결함 검출 모델은 스몰 플로 온라인 방식으로 점차적으로 서버 상에서 실행되고 있는 결함 검출 모델을 대체하여, 결함 검출 모델을 서비스 장면과 생산 단계 정보에 따라 동적으로 확장 범용화하는 목적을 달성할 수 있다. 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 방법이 디스플레이 스크린 생산 라인 상에서 일정한 시간 동안 실행된 후, 인공적으로 생산 데이터 베이스에 저장된 정보를 통해 상기 결함 검출 및 결함 위치 확정 정확도를 재확정하고, 이어서 상기 트레이닝 데이터 베이스를 업데이트하고, 다시 결함 검출 모델을 트레이닝하여, 결함 검출 정확도를 향상시킬 수 있다.
이하는 본 출원의 장치 실시예로서, 본 출원의 방법 실시예를 수행할 수 있다. 본 출원의 장치 실시예에 개시되지 않는 세부사항은 본 출원의 방법 실시예를 참조할 수 있다.
도 6은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 장치 실시예의 구조도1이다. 도 6에 도시된 바와 같이, 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 장치는 수신모듈(51), 처리모듈(52) 및 확정모듈(53)을 포함할 수 있다.
여기서, 상기 수신모듈(51)은 디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하기 위한 것으로서, 상기 품질 검출 요청은 상기 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함한다;
처리모듈(52)은 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 위한 것으로서, 여기서, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것이다;
확정모듈(53)은 상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 상기 결함에 대응되는 결함 종별, 및 상기 결함에 대응되는 위치를 확정하기 위한 것이다.
선택적으로, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것으로서,
상기 결함 검출 모델은 상기 과거 결함 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행하여, 상기 후보 영역 손실, 상기 영역 종별 손실 및 상기 영역 경계 손실의 총 손실값이 소정 손실 임계값을 만족하도록 한 결과인 것을 포함하며,
여기서, 상기 후보 영역 손실은 상기 과거 결함 디스플레이 스크린 이미지 중 선정 결함 영역과 실제 결함 영역 사이의 손실값을 가리키고, 영역 종별 손실은 상기 선정 결함 영역 중 예측 결함 종별과 실제 결함 종별 사이의 손실값을 가리키고, 상기 영역 경계 손실은 상기 선정 결함 영역 중 예측 결함 경계와 실제 결함 경계 사이의 손실을 가리킨다.
선택적으로, 본 출원의 일 가능한 실시형태에 따르면, 상기 처리모듈(52)은 또한 상기 표시 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 전에, 상기 디스플레이 스크린 이미지에 대해 이미지 전처리를 수행하기 위한 것이다.
여기서, 상기 이미지 전처리는,
에지 커팅, 크롭, 회전, 축소, 확대 중 하나 또는 다수를 포함한다.
선택적으로, 본 출원의 다른 일 가능한 실시형태에 따르면, 상기 처리모듈(52) 구체적으로 부하 균형 전략을 기초로, 처리 리소스를 탑재한 검출 모델 서버를 확정하고, 상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 상기 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 위한 것이다.
선택적으로, 본 출원의 또 다른 일 실시형태에 따르면, 상기 확정모듈(53)은 또한 생산 단계 정보 및 상기 결함 검출 결과를 기초로, 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정 하기 위한 것이다; 상기 생산 단계 정보는 상기 디스플레이 스크린에 대응되는 생산 업체, 생산 환경, 및 상기 디스플레이 스크린의 유형을 지시하기 위한 것이다.
선택적으로, 본 출원의 또 다른 일 실시형태에 따르면, 상기 처리모듈(52)은 또한 상기 확정모듈(53)이 상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정한 후, 상기 디스플레이 스크린이 불량 스크린인 것으로 확정되면,
컨트롤러를 통해 생산 관리자에게 경보 정보를 발송하는 조작;
컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장하는 조작;
컨트롤러를 통해 상기 제어부로 생산 제어 명령을 발송하여 결함을 해소하도록 하는 조작;
상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델을 최적화하도록 하는 조작; 중 하나 또는 다수의 조작을 수행한다.
본 실시예의 디스플레이 스크린 품질 검출 장치는 도 2 내지 도 5에 도시된 방법 실시예의 구현 방안을 수행할 수 있으며, 구체적인 구현 방식과 기술 효과는 유사한 관계로, 여기서는 중복되는 설명을 생략한다.
도 7은 본 출원의 실시예에 따른 디스플레이 스크린 품질 검출 장치 실시예의 구조도 2이다. 도 7에 도시된 바와 같이, 상기 디스플레이 스크린 품질 검출 장치는 전자기기일 수 있으며, 상기 전자기기는 메모리(61) 및 적어도 하나의 프로세서(62)를 포함할 수 있다.
메모리(61)는 프로그램 명령을 저장하기 위한 것이다.
프로세서(62)는 프로그램 명령이 수행될 때 상기 도 2 내지 도 5에 도시된 방법 실시예의 디스플레이 스크린 품질 검출 방법에 따른 각 단계를 구현하며, 구체적인 구현 원리는 상기 실시예를 참조할 수 있으며, 본 실시예는 이에 대한 중복되는 설명을 생략한다.
상기 전자기기는 입력/출력 인터페이스(63)을 더 포함할 수 있다.
입력/출력인터페이스(63)은 별도의 출력 인터페이스와 입력 인터페이스를 포함할 수 있고, 입력과 출력이 집적된 집적 인터페이스일 수도 있다. 여기서, 출력 인터페이스는 데이터를 출력하기 위한 것이고, 입력 인터페이스는 입력된 데이터를 획득하기 위한 것이며, 상기 출력된 데이터는 상기 방법 실시예 중 출력의통칭이고, 입력된 데이터는 상기 방법 실시예 중 입력의 통칭이다.
본 출원은 저장매체를 더 제공하며, 상기 저장매체에는 컴퓨터 상에서 실행될 경우 컴퓨터가 도 2 내지 도 5에 도시된 방법 실시예의 방법을 수행하도록 하는 명령이 저장된다.
본 출원은 프로그램 제품을 더 제공하며, 상기 프로그램 제품은 컴퓨터 프로그램을 포함하고, 상기 컴퓨터 프로그램은 저장매체에 저장된다. 디스플레이 스크린 품질 검출 장치의 적어도 하나의 프로세서는 저장매체로부터 상기 컴퓨터 프로그램을 읽어낼 수 있으며, 적어도 하나의 프로세서는 상기 컴퓨터 프로그램을 실행하여 디스플레이 스크린 품질 검출 장치가 도 2 내지 도 5에 도시된 방법 실시예의 방법을 수행하도록 할 수 있다.
본 기술분야의 통상의 지식을 가진 자라면 상기 각 방법 실시예를 구현하기 위한 모든 또는 일부 단계는 프로그램 명령과 관련된 하드웨어를 통해 완성될 수 있음을 이해할 수 있을 것이다. 상기 프로그램은 하나의 컴퓨터 판독 가능 저장매체에 저장될 수 있다. 상기 프로그램이 실행될 경우, 상기 각 방법 실시예를 포함하는 단계를 수행한다. 상기 저장매체는 ROM, RAM, 자기 디스크 또는 광 디스크 등프로그램 코드를 저장하는 다양한 매체를 포함한다.
상기 설명은 본 출원의 구체적인 실시방식일 뿐, 본 출원의 보호범위는 이에 한정되지 않으며, 본 기술분야의 통상의 지식을 가진 자라면 본 출원에 개시된 기술범위 내에서 변화 또는 치환을 쉽게 예견할 수 있으며, 이들은 모두 본 출원의 보호범위 내에 속한다. 따라서, 본 출원의 보호범위는 청구항의 보호범위에 준한다.
11: 이미지 수집기 12: 제어부
13: 서버 그룹 14: 컨트롤러
15: 데이터 베이스 16: 트레이너
130: 검출 모델 서버 151: 생산 데이터 베이스
152: 트레이닝 데이터 베이스 51: 수신모듈
52: 처리모듈 53: 확정모듈
61: 메모리 62: 프로세서
63: 입력/출력 인터페이스

Claims (14)

  1. 디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하되, 상기 품질 검출 요청은 상기 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함하는 단계;
    상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하되, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 이용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝을 수행하여 획득된 것인 단계; 및
    상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 상기 결함에 대응되는 결함 종별, 및 상기 결함에 대응되는 위치를 확정하는 단계;를 포함하고,
    상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것으로서,
    상기 결함 검출 모델은 상기 과거 결함 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행하여, 상기 후보 영역 손실, 상기 영역 종별 손실 및 상기 영역 경계 손실의 총 손실값이 소정 손실 임계값을 만족하도록 한 결과인 것;을 포함하는 것을 특징으로 하는 디스플레이 스크린 품질 검출 방법.
  2. 제 1 항에 있어서,
    상기 후보 영역 손실은 상기 과거 결함 디스플레이 스크린 이미지 중 선정 결함 영역과 실제 결함 영역 사이의 손실값을 가리키고, 상기 영역 종별 손실은 상기 선정 결함 영역 중 예측 결함 종별과 실제 결함 종별 사이의 손실값을 가리키고, 상기 영역 경계 손실은 상기 선정 결함 영역 중 예측 결함 경계와 실제 결함 경계 사이의 손실을 가리키는 것을 특징으로 하는 방법.
  3. 제 1 항에 있어서,
    상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하는 상기 단계 이전에,
    상기 디스플레이 스크린 이미지에 대해 이미지 전처리를 수행하는 단계를 포함하되, 상기 이미지 전처리는,
    에지 커팅, 크롭, 회전, 축소, 확대 중 하나 또는 다수를 포함하는 것을 특징으로 하는 방법.
  4. 제 1 항 내지 제3 항 중 어느 한 항에 있어서,
    상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하는 상기 단계는,
    부하 균형 전략을 기초로, 처리 리소스를 탑재한 검출 모델 서버를 확정하는 단계; 및
    상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 상기 결함 검출 모델에 입력하여 결함 검출 결과를 획득하는 단계;를 포함하는 것을 특징으로 하는 방법.
  5. 제 1 항 내지 제3 항 중 어느 한 항에 있어서,
    상기 방법은,
    생산 단계 정보 및 상기 결함 검출 결과를 기초로, 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정하는 단계를 더 포함하며; 상기 생산 단계 정보는 상기 디스플레이 스크린에 대응되는 생산 업체, 생산 환경, 및 상기 디스플레이 스크린의 유형을 지시하기 위한 것인 것을 특징으로 하는 방법.
  6. 제 5 항에 있어서,
    생산 단계 정보 및 상기 결함 검출 결과를 기초로, 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정하는 상기 단계 이후에,
    상기 디스플레이 스크린이 불량 스크린인 것으로 확정되면,
    컨트롤러를 통해 생산 관리자에게 경보 정보를 발송하는 조작;
    상기 컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장하는 조작;
    상기 컨트롤러를 통해 상기 제어부로 생산 제어 명령을 발송하여 결함을 해소하도록 하는 조작;
    상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델을 최적화하도록 하는 조작; 중 하나 또는 다수의 조작을 수행하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  7. 디스플레이 스크린 생산 라인 상에 구비된 제어부로부터 송신되는 품질 검출 요청을 수신하기 위한 것으로서, 상기 품질 검출 요청은 상기 디스플레이 스크린 생산 라인 상의 이미지 수집기에서 수집한 디스플레이 스크린 이미지를 포함하는 수신모듈;
    상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 위한 것으로서, 상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것인 처리모듈; 및
    상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린 상의 결함, 상기 결함에 대응되는 결함 종별, 및 상기 결함에 대응되는 위치를 확정하기 위한 것인 확정모듈;을 포함하고,
    상기 결함 검출 모델은 딥 컨벌루션 뉴럴 네트워크 구조와 물체 검출 알고리즘을 사용하여 과거 결함 디스플레이 스크린 이미지에 대해 트레이닝하여 획득된 것으로서,
    상기 결함 검출 모델은 상기 과거 결함 디스플레이 스크린 이미지의 후보 영역 손실, 영역 종별 손실 및 영역 경계 손실에 대해 조합 트레이닝을 수행하여, 상기 후보 영역 손실, 상기 영역 종별 손실 및 상기 영역 경계 손실의 총 손실값이 소정 손실 임계값을 만족하도록 한 결과인 것;을 포함하는 것을 특징으로 하는 디스플레이 스크린 품질 검출 장치.
  8. 제 7 항에 있어서,
    상기 후보 영역 손실은 상기 과거 결함 디스플레이 스크린 이미지 중 선정 결함 영역과 실제 결함 영역 사이의 손실값을 가리키고, 상기 영역 종별 손실은 상기 선정 결함 영역 중 예측 결함 종별과 실제 결함 종별 사이의 손실값을 가리키고, 상기 영역 경계 손실은 상기 선정 결함 영역 중 예측 결함 경계와 실제 결함 경계 사이의 손실을 가리키는 것을 특징으로 하는 장치.
  9. 제 7 항에 있어서,
    상기 처리모듈은 또한 상기 디스플레이 스크린 이미지를 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 전에, 상기 디스플레이 스크린 이미지에 대해 이미지 전처리를 수행하기 위해 사용되며,
    상기 이미지 전처리는,
    에지 커팅, 크롭, 회전, 축소, 확대 중 하나 또는 다수를 포함하는 것을 특징으로 하는 장치.
  10. 제 7 항 내지 제9 항 중 어느 한 항에 있어서,
    상기 처리모듈은 구체적으로, 부하 균형 전략을 기초로 처리 리소스를 탑재한 검출 모델 서버를 확정하고, 상기 디스플레이 스크린 이미지를 상기 검출 모델 서버 상에서 실행되는 상기 결함 검출 모델에 입력하여 결함 검출 결과를 획득하기 위한 것인 것을 특징으로 하는 장치.
  11. 제 7 항 내지 제9 항 중 어느 한 항에 있어서,
    상기 확정모듈은 또한 생산 단계 정보 및 상기 결함 검출 결과를 기초로, 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정하기 위한 것이며; 상기 생산 단계 정보는 상기 디스플레이 스크린에 대응되는 생산 업체, 생산 환경, 및 상기 디스플레이 스크린의 유형을 지시하기 위한 것인 것을 특징으로 하는 장치.
  12. 제 11 항에 있어서,
    상기 처리모듈은 또한 상기 확정모듈이 상기 결함 검출 결과를 기초로 상기 디스플레이 스크린 이미지에 대응되는 디스플레이 스크린의 품질 양호 여부를 확정 한 후, 상기 디스플레이 스크린이 불량 스크린인 것으로 확정되면,
    컨트롤러를 통해 생산 관리자에게 경보 정보를 발송하는 조작;
    컨트롤러를 통해 상기 결함 검출 결과를 로그로서 생산 데이터 베이스에 저장하는 조작;
    컨트롤러를 통해 상기 제어부로 생산 제어 명령을 발송하여 결함을 해소하도록 하는 조작;
    상기 디스플레이 스크린 이미지와 상기 결함 검출 결과를 상기 결함 검출 모델에 입력하여 상기 결함 검출 모델을 최적화하도록 하는 조작; 중 하나 또는 다수의 조작을 수행하기 위한 것인 것을 특징으로 하는 장치.
  13. 적어도 하나의 프로세서 및 메모리를 포함하고;
    상기 메모리는 컴퓨터 실행 명령을 저장하고;
    상기 적어도 하나의 프로세서는 상기 메모리에 저장된 컴퓨터 실행 명령을 실행하여, 제1항에 따른 방법을 수행하는 것을 특징으로 하는 전자기기.
  14. 컴퓨터 실행 명령이 저장되어, 상기 컴퓨터 실행 명령이 프로세서에 의해 실행될 경우, 제1항에 따른 방법을 구현하는 것을 특징으로 하는 저장매체.
KR1020197034323A 2018-07-02 2019-04-18 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 KR102229594B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810710537.5A CN108846841A (zh) 2018-07-02 2018-07-02 显示屏质量检测方法、装置、电子设备及存储介质
CN201810710537.5 2018-07-02
PCT/CN2019/083164 WO2020007096A1 (zh) 2018-07-02 2019-04-18 显示屏质量检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
KR20200004824A KR20200004824A (ko) 2020-01-14
KR102229594B1 true KR102229594B1 (ko) 2021-03-17

Family

ID=64200206

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197034323A KR102229594B1 (ko) 2018-07-02 2019-04-18 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체

Country Status (5)

Country Link
US (1) US11488294B2 (ko)
JP (1) JP6921241B2 (ko)
KR (1) KR102229594B1 (ko)
CN (1) CN108846841A (ko)
WO (1) WO2020007096A1 (ko)

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10740913B2 (en) * 2017-12-12 2020-08-11 Samsung Electronics Co., Ltd. Ultrafast, robust and efficient depth estimation for structured-light based 3D camera system
CN108846841A (zh) * 2018-07-02 2018-11-20 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
US11216931B2 (en) * 2018-09-25 2022-01-04 Xi'an Novastar Tech Co., Ltd. Display device failure detection method, device and system
CN111077166A (zh) * 2018-10-19 2020-04-28 北京金山云网络技术有限公司 液晶屏的瑕疵检测方法、装置及终端设备
CN109544548A (zh) 2018-11-30 2019-03-29 北京百度网讯科技有限公司 餐盒的缺陷检测方法、装置、服务器、设备和存储介质
CN111275660B (zh) * 2018-12-05 2024-04-30 合肥欣奕华智能机器股份有限公司 一种平板显示器缺陷检测方法及装置
CN109492940A (zh) * 2018-12-06 2019-03-19 华中科技大学 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法
KR102206753B1 (ko) * 2019-01-24 2021-01-22 주식회사 수아랩 결함 검사 장치
CN109887450B (zh) * 2019-03-01 2023-08-22 深圳市大像视讯科技有限公司 一种led显示屏人工智能检测方法
CN111666960B (zh) * 2019-03-06 2024-01-19 南京地平线机器人技术有限公司 图像识别方法、装置、电子设备及可读存储介质
CN109934814B (zh) * 2019-03-15 2022-02-01 英业达科技有限公司 表面缺陷侦测***及其方法
CN109993734A (zh) * 2019-03-29 2019-07-09 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110533027B (zh) * 2019-07-22 2022-09-02 杭州未名信科科技有限公司 一种基于移动设备的文本检测和识别方法与***
US11587233B2 (en) 2019-10-17 2023-02-21 International Business Machines Corporation Display panel defect enhancement
CN110827244A (zh) * 2019-10-28 2020-02-21 上海悦易网络信息技术有限公司 一种用于电子设备外观瑕疵检测的方法与设备
CN110675399A (zh) * 2019-10-28 2020-01-10 上海悦易网络信息技术有限公司 屏幕外观瑕疵检测方法及设备
CN110992278A (zh) * 2019-11-22 2020-04-10 成都数之联科技有限公司 一种用于解决样本不均衡问题的数据增强方法及***
KR102390058B1 (ko) * 2020-04-24 2022-04-22 경기대학교 산학협력단 Led 패널 결함 검출을 위한 데이터 생성 장치 및 방법
WO2021237682A1 (zh) * 2020-05-29 2021-12-02 京东方科技集团股份有限公司 显示面板的检测装置、检测方法、电子装置、可读介质
CN111693534B (zh) 2020-06-12 2023-09-15 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN111709931B (zh) * 2020-06-16 2023-05-23 四川赛康智能科技股份有限公司 一种耐张线夹缺陷检测识别报告自动获取方法及***
US11790533B2 (en) * 2020-07-02 2023-10-17 Sony Group Corporation Machine learning based image segmentation training with contour accuracy evaluation
CN111798447B (zh) * 2020-07-18 2023-03-10 太原理工大学 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法
CN112465758B (zh) * 2020-11-19 2023-04-25 河南省科学院应用物理研究所有限公司 一种铝基覆铜板质量的诊断方法
CN113313638A (zh) * 2020-12-23 2021-08-27 深圳市杰恩世智能科技有限公司 一种外观缺陷检测方法
CN112712504B (zh) * 2020-12-30 2023-08-15 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及***、计算机可读存储介质
CN112836724A (zh) * 2021-01-08 2021-05-25 重庆创通联智物联网有限公司 物体缺陷识别模型训练方法、装置、电子设备和存储介质
CN112734742B (zh) * 2021-01-19 2021-11-16 上海微亿智造科技有限公司 用于提高工业质检准确率的方法和***
CN113176275B (zh) * 2021-03-19 2022-02-01 哈工大机器人(中山)无人装备与人工智能研究院 一种用于显示面板复检的方法、装置及***
CN115147326A (zh) * 2021-03-29 2022-10-04 北京小米移动软件有限公司 色偏检测方法及装置、存储介质
CN113569737A (zh) * 2021-07-28 2021-10-29 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质
CN113592832A (zh) * 2021-08-05 2021-11-02 深圳职业技术学院 一种工业品缺陷检测方法和装置
CN113706477B (zh) * 2021-08-10 2024-02-13 南京旭锐软件科技有限公司 缺陷类别识别方法、装置、设备及介质
CN113838015B (zh) * 2021-09-15 2023-09-22 上海电器科学研究所（集团）有限公司 一种基于网络协同的电器产品外观缺陷检测方法
CN113824827A (zh) * 2021-09-20 2021-12-21 苏州凯仕弘科技有限公司 一种手机屏幕视觉检测***
CN113780900B (zh) * 2021-11-09 2022-04-12 深圳市裕展精密科技有限公司 基于边缘计算的焊接检测***及方法
KR20240093896A (ko) * 2021-11-25 2024-06-24 가부시키가이샤 재팬 디스프레이 표시 장치의 검사 방법 및 정보 처리 장치
KR102494867B1 (ko) * 2022-05-05 2023-02-06 주식회사 리드텍 머신러닝에 기반하여 블랙 스크린을 감지하는 비디오 월 시스템 및 그 동작방법
CN114677377A (zh) * 2022-05-30 2022-06-28 成都数之联科技股份有限公司 显示屏缺陷检测方法、训练方法、装置、设备及介质
CN114862832A (zh) * 2022-05-31 2022-08-05 北京中祥英科技有限公司 缺陷检测模型的优化方法、装置、设备及存储介质
CN116128740B (zh) * 2022-10-10 2024-05-14 深圳康荣电子有限公司 一种用于液晶显示屏的智能图像处理方法及***
CN115937184B (zh) * 2022-12-28 2024-07-05 中轻长泰(长沙)智能科技股份有限公司 一种物品装配检测方法、装置及终端设备
CN116912205B (zh) * 2023-07-13 2024-03-08 上海频准激光科技有限公司 一种基于神经网络模型的光纤熔接质量预测方法
CN117764908B (zh) * 2023-08-17 2024-06-07 上海感图网络科技有限公司 Ng图像的缺陷信息显示方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101688458B1 (ko) 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법
JP2017524183A (ja) * 2014-06-30 2017-08-24 アマゾン・テクノロジーズ・インコーポレーテッド 機械学習サービス
KR101838664B1 (ko) * 2017-11-28 2018-03-14 서울전선 주식회사 케이블 표면 검사 장치
CN107944551A (zh) * 2017-12-15 2018-04-20 福州大学 一种用于电润湿显示屏缺陷识别方法

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08247962A (ja) * 1995-03-10 1996-09-27 Sumitomo Chem Co Ltd カラーフィルタの欠陥検出方法及び欠陥検出装置並びにパネルディスプレイの欠陥検出方法及び欠陥検出装置
US6122397A (en) * 1997-07-03 2000-09-19 Tri Path Imaging, Inc. Method and apparatus for maskless semiconductor and liquid crystal display inspection
JP4155496B2 (ja) * 2002-04-25 2008-09-24 大日本スクリーン製造株式会社 分類支援装置、分類装置およびプログラム
JP2005088303A (ja) * 2003-09-16 2005-04-07 Fuji Photo Film Co Ltd 画像記録装置及び方法
KR101286534B1 (ko) * 2008-02-29 2013-07-16 엘지디스플레이 주식회사 액정표시장치의 검사장치 및 검사방법
JP2010159979A (ja) * 2009-01-06 2010-07-22 Hitachi Ltd 外観検査方法及び外観検査システム
US8995747B2 (en) * 2010-07-29 2015-03-31 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection and classification
CN102854194B (zh) * 2012-09-11 2014-11-05 中南大学 基于线阵ccd的物件表面缺陷检测方法及装置
US9541494B2 (en) * 2013-12-18 2017-01-10 Tektronix, Inc. Apparatus and method to measure display quality
CN103913468B (zh) * 2014-03-31 2016-05-04 湖南大学 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
CN105044127A (zh) * 2015-07-31 2015-11-11 深圳市星火辉煌***工程有限公司 一种oled微型显示器缺陷检测装置及检测方法
US11210777B2 (en) * 2016-04-28 2021-12-28 Blancco Technology Group IP Oy System and method for detection of mobile device fault conditions
US10339595B2 (en) * 2016-05-09 2019-07-02 Grabango Co. System and method for computer vision driven applications within an environment
KR101813223B1 (ko) * 2016-05-11 2018-01-30 한국과학기술원 영상 표면의 결함을 검출 및 분류하는 방법 및 장치
CN106228532B (zh) * 2016-07-05 2019-02-01 中科院成都信息技术股份有限公司 一种lcd屏幕亚像素级缺陷检测方法
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
JP6948128B2 (ja) * 2017-01-13 2021-10-13 キヤノン株式会社 映像監視装置及びその制御方法及びシステム
JP6809250B2 (ja) * 2017-01-23 2021-01-06 株式会社リコー 情報処理装置、情報処理方法およびプログラム
CN106952250B (zh) * 2017-02-28 2021-05-07 北京科技大学 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置
US11379688B2 (en) * 2017-03-16 2022-07-05 Packsize Llc Systems and methods for keypoint detection with convolutional neural networks
WO2018208791A1 (en) * 2017-05-08 2018-11-15 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
CN107292870B (zh) * 2017-06-07 2020-11-20 复旦大学 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与***
CN107561738B (zh) * 2017-08-30 2020-06-12 湖南理工学院 基于fcn的tft-lcd表面缺陷快速检测方法
JP6992475B2 (ja) * 2017-12-14 2022-01-13 オムロン株式会社 情報処理装置、識別システム、設定方法及びプログラム
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN108108768B (zh) * 2017-12-29 2020-09-25 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置
CN108230318B (zh) * 2018-01-09 2019-04-16 北京百度网讯科技有限公司 钢包缺陷检测分类方法、装置、设备及计算机可读介质
CN108230317A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质
US11763188B2 (en) * 2018-05-03 2023-09-19 International Business Machines Corporation Layered stochastic anonymization of data
CN108961238A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN108846841A (zh) * 2018-07-02 2018-11-20 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN108921840A (zh) * 2018-07-02 2018-11-30 北京百度网讯科技有限公司 显示屏***电路检测方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017524183A (ja) * 2014-06-30 2017-08-24 アマゾン・テクノロジーズ・インコーポレーテッド 機械学習サービス
KR101688458B1 (ko) 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법
KR101838664B1 (ko) * 2017-11-28 2018-03-14 서울전선 주식회사 케이블 표면 검사 장치
CN107944551A (zh) * 2017-12-15 2018-04-20 福州大学 一种用于电润湿显示屏缺陷识别方法

Also Published As

Publication number Publication date
JP6921241B2 (ja) 2021-08-18
KR20200004824A (ko) 2020-01-14
WO2020007096A1 (zh) 2020-01-09
CN108846841A (zh) 2018-11-20
JP2020528996A (ja) 2020-10-01
US11488294B2 (en) 2022-11-01
US20200357109A1 (en) 2020-11-12

Similar Documents

Publication Publication Date Title
KR102229594B1 (ko) 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체
US11380232B2 (en) Display screen quality detection method, apparatus, electronic device and storage medium
KR102320371B1 (ko) 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체
CN109084955A (zh) 显示屏质量检测方法、装置、电子设备及存储介质
CN108921839A (zh) 连铸坯质量检测方法、装置、电子设备及存储介质
KR102321768B1 (ko) 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체
CN109064446A (zh) 显示屏质量检测方法、装置、电子设备及存储介质
CN111814850A (zh) 缺陷检测模型训练方法、缺陷检测方法及相关装置
CN111401419A (zh) 基于改进RetinaNet的员工着装规范检测方法
CN108961239A (zh) 连铸坯质量检测方法、装置、电子设备及存储介质
CN112560816A (zh) 一种基于YOLOv4的设备指示灯识别方法及***
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN115797357B (zh) 一种基于改进YOLOv7的输电通道隐患检测方法
CN115131283A (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN109087281A (zh) 显示屏***电路检测方法、装置、电子设备及存储介质
CN116385430A (zh) 一种机器视觉瑕疵检测方法、装置、介质及设备
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN117611549A (zh) 一种芯片焊接质量实时监测方法、***、设备及存储介质
CN109087282A (zh) 显示屏***电路检测方法、装置、电子设备及存储介质
CN118096684A (zh) 一种输电线路缺陷检测方法、装置、设备及存储介质
CN118212207A (zh) 一种金属板材表面缺陷检测方法及***
CN117953209A (zh) 一种基于热图提示的缺陷检测方法及装置
CN116993660A (zh) 一种基于改进EfficientDet的PCB板缺陷检测方法
CN114332051A (zh) 一种基于图像推理的输配电线路设备资产普查方法
CN118015454A (zh) 一种复合绝缘子检测方法及装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant