CN104252056B - 一种基板的检测方法及装置 - Google Patents
一种基板的检测方法及装置 Download PDFInfo
- Publication number
- CN104252056B CN104252056B CN201410480018.6A CN201410480018A CN104252056B CN 104252056 B CN104252056 B CN 104252056B CN 201410480018 A CN201410480018 A CN 201410480018A CN 104252056 B CN104252056 B CN 104252056B
- Authority
- CN
- China
- Prior art keywords
- substrate
- image
- detected
- testing
- recognition result
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基板的检测方法及装置,该基板的检测方法,包括:采集待检测基板的用于检测的待测图像;根据所述待测图像获取待检测基板的与光学特性相关的至少一个识别参数的检测值;将所述至少一个识别参数的检测值对应输入到预先训练好的基于神经网络的识别模块的输入节点;获取所述识别模块根据所述输入节点的输入数据进行识别得到的待检测基板的第一识别结果后输出;所述神经网络利用从识别结果已知的基板采集的训练图像进行训练得到。本发明减少了人为主观因素带来的检测结果偏差,在提高检测准确度的同时减少了人员数量,降低了成本。
Description
技术领域
本发明涉及检测技术领域,特别是一种基板的检测方法及检测装置。
背景技术
薄膜晶体管液晶显示器TFT-LCD作为手机、Pad、笔记本电脑、显示器及电视机等产品的显示元件,在现今的生活中已变得不可或缺。
为了保证显示器的性能,在显示器生产和销售的过程中要进行各种各样的测试,其中就包括对显示面板的显示性能(如闪烁、Mura等)的测试。
目前,TFT-LCD行业中基板制作的过程中需要进行人眼检测,就是对当前工序完成后的基板进行人眼检测。
然而现有的人眼检测需要耗费大量的人力物力,说明如下。
一个成熟的基板生产工厂,宏观缺陷的不良率大约为万分之一这个级别,人眼宏观检测检测一张基板大约需要3分钟,那么为了从1万张基板检出不到十张存在宏观不良缺陷的彩膜基板,需要耗费大约3万分钟,即超过500个小时的检测时间。安排10个检测人员进行检测的话,也需要耗费超过50个小时。
而如果采用抽检的方式,则几乎没有可能从1万张基板中检查出几张存在不良缺陷的基板。
发明内容
本发明实施例的目的在于提供一种基板的检测方法及装置,减少人为主观因素带来的检测结果偏差,提高检测准确度的同时减少人员数量,降低成本。
为了实现上述目的,本发明实施例提供了一种基板的检测方法,包括:
采集待检测基板的用于检测的待测图像;
根据所述待测图像获取待检测基板的与光学特性相关的至少一个识别参数的检测值;
将所述至少一个识别参数的检测值对应输入到预先训练好的基于神经网络的识别模块的输入节点;
获取所述识别模块根据所述输入节点的输入数据进行识别得到的待检测基板的第一识别结果后输出;
所述神经网络利用从识别结果已知的基板采集的训练图像进行训练得到。
上述的基板检测方法,其中,所述至少一个识别参数为如下参数的任意组合:亮度参数、灰度参数和色度参数。
上述的基板检测方法,其中,所述采集待检测基板的用于检测的待测图像包括:
获取包括整个所述待检测基板的原始图像;
根据所述原始图像的灰度分布确定所述原始图像中的问题区域;
从所述原始图像中截取出所述待测图像;
所述待测图像的图像尺寸和所述训练图像的图像尺寸相同,且所述待测图像的部分或全部对应于所述问题区域。
上述的基板检测方法,其中,根据所述原始图像的灰度分布确定所述原始图像中的问题区域包括:
计算所述原始图像的平均灰度值;
确定所述原始图像中灰度值与所述平均灰度值的差值的绝对值超过预定数值的问题像素;
利用所有的问题像素定位所述问题区域。
上述的基板检测方法,其中,还包括:
获取真实识别结果已知的基板的评估图像;
获取所述神经网络依据所述评估图像得到的第二识别结果;
当所述第二识别结果与所述真实识别结果不同时,输出一提示进行神经网络修正的提示消息。
上述的基板检测方法,其中,采集待检测基板的用于检测的待测图像的过程中,所述待检测基板显示纯色画面或黑白相间画面。
为了更好的实现上述目的,本发明实施例还提供了一种基板的检测装置,包括:
采集模块,用于采集待检测基板的用于检测的待测图像;
参数获取模块,用于根据所述待测图像获取待检测基板的与光学特性相关的至少一个识别参数的检测值;
输入模块,用于将所述至少一个识别参数的检测值对应输入到识别模块的输入节点;
识别模块,用于利用预先训练好的神经网络对所述输入节点输入的检测值进行识别,得到待检测基板的第一识别结果;所述神经网络基于预订数量的,识别结果已知的基板的训练图像训练得到;
输出模块,用于获取所述第一识别结果后输出。
上述的基板检测装置,其中,所述至少一个识别参数为如下参数的任意组合:亮度参数、灰度参数和色度参数。
上述的基板检测装置,其中,所述采集模块包括:
原始图像采集单元,用于获取包括整个所述待检测基板的原始图像;
问题区域确定单元,用于根据所述原始图像的灰度分布确定所述原始图像中的问题区域;
图像截取单元,用于从所述原始图像中截取出所述待测图像;
所述待测图像的图像尺寸和所述训练图像的图像尺寸相同,且所述待测图像的部分或全部对应于所述问题区域。
上述的基板检测装置,其中,问题区域确定单元包括:
平均灰度计算子单元,用于计算所述原始图像的平均灰度值;
问题像素确定子单元,用于确定所述原始图像中灰度值与所述平均灰度值的差值的绝对值超过预定数值的问题像素;
问题区域定位子单元,用于利用所有的问题像素定位所述问题区域。
上述的基板检测装置,其中,还包括:
评估图像获取模块,用于获取真实识别结果已知的基板的评估图像;
识别模块,用于获取所述神经网络依据所述评估图像得到的第二识别结果;
提示模块,用于当所述第二识别结果与所述真实识别结果不同时,输出一提示进行神经网络修正的提示消息。
上述的基板检测装置,其中,采集待检测基板的用于检测的待测图像的过程中,所述待检测基板显示纯色画面或黑白相间画面。
本发明实施例具有以下的有益效果:
本发明实施例的检测方法及装置中,通过大量的识别结果已知的训练图像来训练用于基板检测的神经网络,进而利用该神经网络来对基板进行检测,由于不需要检测人员的参与,大大减少了人为主观因素带来的检测结果偏差,在提高了检测的准确度的同时减少了人员数量,降低了成本。
附图说明
图1表示本发明实施例中的基板的结构示意图;
图2表示神经网络的基本结构的示意图;
图3表示本发明实施例的检测方法的流程示意图;
图4表示本发明实施例的检测方法中涉及的问题区域的示意图;
图5表示本发明实施例的检测装置的结构示意图;
图6表示本发明实施例的检测方法的应用环境的示意图;
图7表示本发明实施例的检测方法的完整流程的示意图。
具体实施方式
本发明实施例的检测方法及装置中,通过大量的识别结果已知的训练图像来训练用于基板检测的神经网络,进而利用该神经网络来对基板进行检测,由于不需要检测人员的参与,大大减少了人为主观因素带来的检测结果偏差,在提高了检测的准确度的同时减少了人员数量,降低了成本。
在对本发明实施例进行进一步详细说明之前,先对本申请涉及到的几个概念进行说明,以便于更好的理解本发明实施例。
简单地说,液晶面板是两块对向设置的彩膜基板和阵列基板中间包裹一层液晶分子构成的。生产时,采用的玻璃基板有一个固定的尺寸,再通过切割形成各种尺寸的液晶面板。
因此,根据经济切割尺寸的不同,液晶生产线也被分成了不同的代数,如5代线最高阶段的基板尺寸是1200*1300mm,而8代线的基板尺寸是2160*2460mm。总体来说,面板代数越高,面板的尺寸越大,切割的屏幕数量越多,利用率和效益就越高。
如图1所示,本发明具体实施例中的基板指的是切割之前的整体玻璃板101,而面板指的是所述基板上的小的分块102,这些分块最终制作成为电子器件的显示部件。
神经网络是机器学习学科中的一个重要部分,主要用于分类。
人类从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答“人脑是如何工作的”这个问题的过程中,逐渐形成了一个多学科交叉技术领域,称之为“神经网络”。
人工神经网络首先要以一定的学习准则进行学习,然后才能工作。以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明,规定当“A”输入网络时,应该输出“1”,而当输入为“B”时,输出为“0”。
所以神经网络学习的准则应该是:如果神经网络作出错误的判决,则通过网络的学习,应使得网络减少下次犯同样错误的可能性。
BP神经网络是神经网络的一种,是按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。
一个2×3×1的神经网络即输入层有两个节点,隐层含三个节点,输出层有一个节点,结构如图1所示。
图1中,节点A、B形成输入层,节点C、D、E形成隐层,节点G形成输出层;x1、x2是神经网络的输入值,ωij为输入层与隐层的权值,ωjk为隐层与输出层的权值,y是网络的输出值,e为检测结果和真实结果之间的误差,用于调整神经网络中的权值ωij和ωjk,以缩小检测结果和真实结果之间的误差。
在本发明的具体实施例中,当上述的神经网络用于基板检测时,可以利用基板的图像中的识别参数作为输入,如基板图像的如下参数的任意组合:亮度参数、灰度参数和色度参数等。
当参数确定之后,即可使用识别结果已知的基板对该神经网络进行训练,说明如下。
在检测过程中,首先要对用于图像采集的相机位置进行标定,并使相机在采集过程中处于静止状态,以确保基板大小和采集图像的尺寸对应。
在相机标定结束后,通过相机对识别结果已知的基板进行图像采集,并获取该图像的识别参数的具体值,输入到神经网络的输入节点。
根据神经网络的输出节点输出的识别结果和真实结果进行比较,确定识别结果的误差,并依据该误差对神经网络中的权值ωij和ωjk进行调整。
通过大量的训练样本即可确定能够得到准确的识别结果的神经网络的权值ωij和ωjk。
对上述的过程进一步详细说明如下。
如在本发明实施例中,可以以预订尺寸(如30*30mm)的8位样本图像进行训练,通过人眼识别出不同的不良类型,记为n阶向量Pn,n=1、…、N,其中N大于或等于1,为不良的种类数量。
在本发明的具体实施例中,上述的神经网络可以用于各种不良的检测,如姆拉Mura现象的检测。
在进行基板测试时,为了确保检查精度,可以设定相机像素与基板像素之间的对应关系,如设定长宽各4.5个像素对应基板的一个像素。当然随着面板的分辨率的变化,也可以改变相机像素与基板像素之间的对应关系,如面板的分辨率更高时,则可以调低相机像素与基板像素的对应比例,如使用长宽各3个或2.5个像素对应基板的一个像素,本发明实施例并不限定相机像素与基板像素的对应比例。
在本发明的具体实施例中,在图像采集过程中,基板可以显示纯色画面或者黑白相间的画面。
在标定好相机,并控制基板显示特定的测试画面之后,即可利用相机对基板进行采集。
对采集得到的图像进行离散处理,得到一矩阵,矩阵中的每一个元素对应于基板的一个像素。
将图像数据离散为矩阵信息,矩阵中每个数据代表一个像素的数据。针对N种不良,每种不良选择预订数量的基板对应的图像(如40幅),其中部分用于训练(如30幅),部分用于验证(如10幅)。
根据理论依据,具有单隐层的神经网络可以实现全部的映射。因此本发明实施例中神经网络采用输入层,隐含层,输出层三层结构。
BP网络的传递函数有多种,如:
Logsig函数,其输入值可取任意值,输出值在0和1之间;
Tansig函数,其输入值可取任意值,输出值在-1到+1之间;
线性传递函数,输入与输出值可取任意值;
……
发明人经过潜心研究发现,传递函数使用tansig函数时要比其他函数的识别误差更小,由于本发明实施例用于基板的识别,识别精度是首要考虑因素,因此本发明实施例中,输入层和输出层均采用tansig函数。
确定上述的各种参数之后,在本发明的具体实施例中,即可利用上述的150幅图像(5种不良类型,每种不良类型30幅训练图像)对神经网络进行训练。
在神经网络的训练过程中,采用均方差作为误差衡量标准,根据预先设定的迭代次数进行迭代训练,最终实现均方差小于预订数值即可。
在训练完成之后,即可利用识别结果已知的剩余的50幅图像对神经网络进行验证,当准确率超过预订的门限即可,当准确率低于预订门限时,则继续增加训练数据进行进一步训练,直至准确率超过预订的门限。
至此得到了可以依据输入的预订尺寸的基板图像进行基板识别的神经网络。
本发明实施例的基板的检测方法,如图3所示,包括:
步骤301,采集待检测基板的用于检测的待测图像;
步骤302,根据所述待测图像获取待检测基板的与光学特性相关的至少一个识别参数的检测值;
步骤303,将所述至少一个识别参数的检测值对应输入到预先训练好的基于神经网络的识别模块的输入节点;
步骤304,获取所述识别模块根据所述输入节点的输入数据进行识别得到的待检测基板的第一识别结果后输出;
所述神经网络利用从识别结果已知的基板采集的训练图像进行训练得到。
上述的基板检测方法,其中,所述至少一个识别参数为如下参数的任意组合:亮度参数、灰度参数和色度参数。
在本发明的具体实施例中,如果对整个基板进行检测,则数据量较大,为了提高检测速度,在本发明具体实施例中,先确定问题区域,然后依据问题区域来进行后续的检测。
上述情况下,所述采集待检测基板的用于检测的待测图像包括:
获取包括整个所述待检测基板的原始图像;
根据所述原始图像的灰度分布确定所述原始图像中的问题区域;
从所述原始图像中截取出所述待测图像;
所述待测图像的图像尺寸和所述训练图像的图像尺寸相同,且所述待测图像的部分或全部对应于所述问题区域。
以图4所示的情况为例说明如下。
如图4所示,其中基板上存在问题区域X,对该区域X的确定过程如下所述。
首先,得到整个基板的原始图像;
然后,根据该原始图像的灰度分布确定原始图像中的问题区域。
通常情况下,出现Mura的区域的灰度较正常区域的灰度有明显不同,因此,本发明实施例中,先计算所述原始图像的平均灰度值,然后确定问题像素,即灰度值与所述平均灰度值的差值的绝对值超过预定数值的像素,最后根据所有的问题像素来定位所述问题区域,即:所有问题像素的集合形成问题区域。
在确定问题区域之后,即可从所述原始图像中截取出所述待测图像,其中:所述待测图像的图像尺寸和所述训练图像的图像尺寸相同,且所述待测图像的部分或全部对应于所述问题区域。
当问题区域较大时,则所述待测图像的全部都位于所述问题区域中,当问题区域较小时,则待测图像包括所有的问题区域即可。
也就是说,上述的基板检测方法中,根据所述原始图像的灰度分布确定所述原始图像中的问题区域包括:
计算所述原始图像的平均灰度值;
确定所述原始图像中灰度值与所述平均灰度值的差值的绝对值超过预定数值的问题像素;
利用所有的问题像素定位所述问题区域。
随着工艺流程的变化,或者产品生产材料的变化,都有可能出现新的形式的不良,因此,为了确保神经网络的识别准确度,本发明具体实施例中还设置一个神经网络检测环节,包括如下步骤:
获取真实识别结果已知的基板的评估图像;
获取所述神经网络依据所述评估图像得到的第二识别结果;
当所述第二识别结果与所述真实识别结果不同时,输出一提示进行神经网络修正的提示消息。
通过上述检测环节的设置,能够及时获知神经网络能否适应生产工艺、材料的变化,当发现神经网络不再准确时,可以继续对神经网络进行训练,确保了用于识别的神经网络的准确度。
上述的基板检测方法,其中,采集待检测基板的用于检测的待测图像的过程中,所述待检测基板显示纯色画面或黑白相间画面。
为了更好的实现上述目的,本发明实施例还提供了一种基板的检测装置,如图4所示包括:
采集模块,用于采集待检测基板的用于检测的待测图像;
参数获取模块,用于根据所述待测图像获取待检测基板的与光学特性相关的至少一个识别参数的检测值;
输入模块,用于将所述至少一个识别参数的检测值对应输入到识别模块的输入节点;
识别模块,用于利用预先训练好的神经网络对所述输入节点输入的检测值进行识别,得到待检测基板的第一识别结果;所述神经网络基于预订数量的,识别结果已知的基板的训练图像训练得到;
输出模块,用于获取所述第一识别结果后输出。
上述的基板检测装置,其中,所述至少一个识别参数为如下参数的任意组合:亮度参数、灰度参数和色度参数。
上述的基板检测装置,其中,所述采集模块包括:
原始图像采集单元,用于获取包括整个所述待检测基板的原始图像;
问题区域确定单元,用于根据所述原始图像的灰度分布确定所述原始图像中的问题区域;
图像截取单元,用于从所述原始图像中截取出所述待测图像;
所述待测图像的图像尺寸和所述训练图像的图像尺寸相同,且所述待测图像的部分或全部对应于所述问题区域。
上述的基板检测装置,其中,问题区域确定单元包括:
平均灰度计算子单元,用于计算所述原始图像的平均灰度值;
问题像素确定子单元,用于确定所述原始图像中灰度值与所述平均灰度值的差值的绝对值超过预定数值的问题像素;
问题区域定位子单元,用于利用所有的问题像素定位所述问题区域。
上述的基板检测装置,其中,还包括:
评估图像获取模块,用于获取真实识别结果已知的基板的评估图像;
识别模块,用于获取所述神经网络依据所述评估图像得到的第二识别结果;
提示模块,用于当所述第二识别结果与所述真实识别结果不同时,输出一提示进行神经网络修正的提示消息。
上述的基板检测装置,其中,采集待检测基板的用于检测的待测图像的过程中,所述待检测基板显示纯色画面或黑白相间画面。
如图6所示,为本发明实施例的装置的应用场景的示意图,其中,待检测基板61的上方设置有至少一个摄像头62,标定好摄像头62采集到的图像数据传输到执行本发明实施例的识别方法的计算机63,由计算机63按照本发明实施例的方法对待检测基板进行检测。
下面对本发明实施例的方法的完整过程结合图7进一步描述如下。
首先进行相机标定,并使相机在采集过程中处于静止状态,以确保基板大小和采集图像的尺寸对应。
在相机标定结束后,通过相机对识别结果已知的基板进行图像采集,并获取该图像的识别参数的具体值以及已知的识别结果。
针对N种不良(如对Mura而言,包括周边Mura、纵向Mura、水平Mura以及周边白空隙等),每种不良选择预订数量的基板对应的图像(如40幅),其中部分作为训练样本用于训练(如30幅),部分作为验证样本用于验证(如10幅)。
在得到训练样本后即可利用训练样本来训练神经网络,在神经网络的训练过程中,采用均方差作为误差衡量标准,根据预先设定的迭代次数进行迭代训练,最终实现均方差小于预订数值即可。
在训练完成之后,即可利用识别结果已知的验证样本对神经网络进行验证,当准确率超过预订的门限即可,当准确率低于预订阈值时,则继续增加训练数据进行进一步训练,直至准确率超过预订的门限,得到可用的神经网络。
得到可用的神经网络之后即可对待检测样本进行识别,确定其是否存在不良,当存在不良时确定其不良的种类。
当然,为了取保神经网络的准确度,还可以周期性的利用评估图像对神经网络进行评估,当针对评估图像的准确率低于预订阈值时,则需要增加训练数据进行进一步训练,直至准确率超过预订的门限,得到可用的神经网络,否则维持不变即可。
本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神范围,其均应涵盖在本发明的权利要求范围当中。
Claims (12)
1.一种基板的检测方法,其特征在于,包括:
采集待检测基板的用于检测的待测图像;
根据所述待测图像获取待检测基板的与光学特性相关的至少一个识别参数的检测值;
将所述至少一个识别参数的检测值对应输入到预先训练好的基于神经网络的识别模块的输入节点;
获取所述识别模块根据所述输入节点的输入数据进行识别得到的待检测基板的第一识别结果后输出;
所述神经网络利用从识别结果已知的基板采集的训练图像进行训练得到。
2.根据权利要求1所述的基板检测方法,其特征在于,所述至少一个识别参数为如下参数的任意组合:亮度参数、灰度参数和色度参数。
3.根据权利要求1所述的基板检测方法,其特征在于,所述采集待检测基板的用于检测的待测图像包括:
获取包括整个所述待检测基板的原始图像;
根据所述原始图像的灰度分布确定所述原始图像中的问题区域;
从所述原始图像中截取出所述待测图像;
所述待测图像的图像尺寸和所述训练图像的图像尺寸相同,且所述待测图像的部分或全部对应于所述问题区域。
4.根据权利要求3所述的基板检测方法,其特征在于,根据所述原始图像的灰度分布确定所述原始图像中的问题区域包括:
计算所述原始图像的平均灰度值;
确定所述原始图像中灰度值与所述平均灰度值的差值的绝对值超过预定数值的问题像素;
利用所有的问题像素定位所述问题区域。
5.根据权利要求1所述的基板检测方法,其特征在于,还包括:
获取真实识别结果已知的基板的评估图像;
获取所述神经网络依据所述评估图像得到的第二识别结果;
当所述第二识别结果与所述真实识别结果不同时,输出一提示进行神经网络修正的提示消息。
6.根据权利要求1所述的基板检测方法,其特征在于,采集待检测基板的用于检测的待测图像的过程中,所述待检测基板显示纯色画面或黑白相间画面。
7.一种基板的检测装置,其特征在于,包括:
采集模块,用于采集待检测基板的用于检测的待测图像;
参数获取模块,用于根据所述待测图像获取待检测基板的与光学特性相关的至少一个识别参数的检测值;
输入模块,用于将所述至少一个识别参数的检测值对应输入到识别模块的输入节点;
识别模块,用于利用预先训练好的神经网络对所述输入节点输入的检测值进行识别,得到待检测基板的第一识别结果;所述神经网络基于预订数量的,识别结果已知的基板的训练图像训练得到;
输出模块,用于获取所述第一识别结果后输出。
8.根据权利要求7所述的基板检测装置,其特征在于,所述至少一个识别参数为如下参数的任意组合:亮度参数、灰度参数和色度参数。
9.根据权利要求7所述的基板检测装置,其特征在于,所述采集模块包括:
原始图像采集单元,用于获取包括整个所述待检测基板的原始图像;
问题区域确定单元,用于根据所述原始图像的灰度分布确定所述原始图像中的问题区域;
图像截取单元,用于从所述原始图像中截取出所述待测图像;
所述待测图像的图像尺寸和所述训练图像的图像尺寸相同,且所述待测图像的部分或全部对应于所述问题区域。
10.根据权利要求9所述的基板检测装置,其特征在于,问题区域确定单元包括:
平均灰度计算子单元,用于计算所述原始图像的平均灰度值;
问题像素确定子单元,用于确定所述原始图像中灰度值与所述平均灰度值的差值的绝对值超过预定数值的问题像素;
问题区域定位子单元,用于利用所有的问题像素定位所述问题区域。
11.根据权利要求7所述的基板检测装置,其特征在于,还包括:
评估图像获取模块,用于获取真实识别结果已知的基板的评估图像;
识别模块,用于获取所述神经网络依据所述评估图像得到的第二识别结果;
提示模块,用于当所述第二识别结果与所述真实识别结果不同时,输出一提示进行神经网络修正的提示消息。
12.根据权利要求7所述的基板检测装置,其特征在于,采集待检测基板的用于检测的待测图像的过程中,所述待检测基板显示纯色画面或黑白相间画面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410480018.6A CN104252056B (zh) | 2014-09-18 | 2014-09-18 | 一种基板的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410480018.6A CN104252056B (zh) | 2014-09-18 | 2014-09-18 | 一种基板的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104252056A CN104252056A (zh) | 2014-12-31 |
CN104252056B true CN104252056B (zh) | 2017-07-04 |
Family
ID=52187109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410480018.6A Active CN104252056B (zh) | 2014-09-18 | 2014-09-18 | 一种基板的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104252056B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038843A (zh) * | 2017-11-29 | 2018-05-15 | 英特尔产品(成都)有限公司 | 一种用于缺陷检测的方法、装置和设备 |
CN108227250B (zh) * | 2017-12-25 | 2021-03-16 | 武汉华显光电技术有限公司 | Lcd质检方法、装置、cim系统及计算机存储介质 |
DE102018201909A1 (de) * | 2018-02-07 | 2019-08-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Objekterkennung |
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系统 |
CN108844966A (zh) * | 2018-07-09 | 2018-11-20 | 广东速美达自动化股份有限公司 | 一种屏幕检测方法及检测系统 |
CN110414492A (zh) * | 2019-08-29 | 2019-11-05 | 广东工业大学 | 一种晶体材料图像识别方法及装置 |
CN111598869B (zh) * | 2020-04-03 | 2021-08-20 | 高视科技(苏州)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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5684545A (en) * | 1995-07-07 | 1997-11-04 | New Mexico State University Technology Transfer Corp. | Adaptive optics wave measurement and correction system |
CN101666923A (zh) * | 2008-09-02 | 2010-03-10 | 北京京东方光电科技有限公司 | 液晶显示面板缺陷的处理方法、处理系统和维修设备 |
CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN103900795A (zh) * | 2014-02-20 | 2014-07-02 | 京东方科技集团股份有限公司 | 一种测试透明显示屏透明效果的设备及方法 |
-
2014
- 2014-09-18 CN CN201410480018.6A patent/CN104252056B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5684545A (en) * | 1995-07-07 | 1997-11-04 | New Mexico State University Technology Transfer Corp. | Adaptive optics wave measurement and correction system |
CN101666923A (zh) * | 2008-09-02 | 2010-03-10 | 北京京东方光电科技有限公司 | 液晶显示面板缺陷的处理方法、处理系统和维修设备 |
CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN103900795A (zh) * | 2014-02-20 | 2014-07-02 | 京东方科技集团股份有限公司 | 一种测试透明显示屏透明效果的设备及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104252056A (zh) | 2014-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104252056B (zh) | 一种基板的检测方法及装置 | |
CN108596226A (zh) | 一种基于深度学习的显示面板缺陷训练方法及系统 | |
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 | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN110232445B (zh) | 一种基于知识蒸馏的文物真伪鉴定方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN103076589A (zh) | 一种数字万用表自动检定装置及其检定方法 | |
US20180158185A1 (en) | Method and apparatus for determining illumination intensity for inspection, and method and apparatus for optical inspection | |
CN110567967B (zh) | 显示面板检测方法、系统、终端设备及计算机可读介质 | |
CN114945938A (zh) | 缺陷实际面积的检测方法、显示面板的检测方法及装置 | |
CN109191386A (zh) | 一种基于BPNN的快速Gamma校正方法及装置 | |
CN110765362B (zh) | 一种基于学习情况相似度的协同过滤个性化学习推荐方法 | |
Caglak | Does hands-on science practices make an impact on achievement in science? A meta-analysis | |
Naser et al. | A brief report on the promise of system 2 cues for impacting teacher decision-making in school discipline practices for Black male youth. | |
CN106095729A (zh) | 基于深度学习的光栅尺测量误差动态补偿方法 | |
CN107590622A (zh) | 一种住院医师规范化培训过程的360°评测系统及方法 | |
RU2657228C1 (ru) | Способ оценки соответствия компетенций обучаемого заданному уровню | |
US20230351910A1 (en) | Smoke opacity field certification testing method | |
CN108197424A (zh) | 大规模网络教育中网络学习行为幂律分布概率建模方法 | |
KR102570099B1 (ko) | 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치 | |
Salankar et al. | Impact on the personality of engineering students based on project‐based learning | |
US9219890B1 (en) | Optical surface analysis system and method | |
CN113240628A (zh) | 一种钢卷质量的判定方法、装置及系统 | |
CN105389594B (zh) | 信息处理方法及电子设备 | |
Shelton et al. | Importance of Academic Legacy on Student Success in First-and Second-Semester General Chemistry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |