CN108074240B - 识别方法、识别装置、计算机可读存储介质及程序产品 - Google Patents
识别方法、识别装置、计算机可读存储介质及程序产品 Download PDFInfo
- Publication number
- CN108074240B CN108074240B CN201711498968.1A CN201711498968A CN108074240B CN 108074240 B CN108074240 B CN 108074240B CN 201711498968 A CN201711498968 A CN 201711498968A CN 108074240 B CN108074240 B CN 108074240B
- Authority
- CN
- China
- Prior art keywords
- defect
- database
- information
- parameters
- identification method
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种识别方法、识别装置、计算机可读存储介质及计算机程序产品。用于识别显示面板的缺陷,所述识别方法包括:采集图片,获取所述图片的特征信息;将所述特征信息与缺陷数据库中的多个缺陷参数进行比对;判断所述特征信息是否可以由多个相关的所述缺陷参数来表征,若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息。本发明有助于提高显示面板缺陷识别的效率以及准确度。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种识别方法、识别装置、计算机可读存储介质及程序产品。
背景技术
随着对显示技术的不断研究,人们对显示面板的质量和显示效果的要求也越来越高。在显示面板的生产过程中,需要对已经生产完成的显示面板进行缺陷检测,以提高显示面板的优良率。现有技术中,通常采用人工对显示面板的缺陷进行识别,识别效率较低。
发明内容
本发明提供一种识别方法,用于识别显示面板的缺陷,所述识别方法包括:
采集图片,获取所述图片的特征信息;
将所述特征信息与缺陷数据库中的多个缺陷参数进行比对;
判断所述特征信息是否可以由多个相关的所述缺陷参数来表征,若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息。
本发明提供的识别方法,首先采集图片,获取图片的特征信息,然后将特征信息与缺陷数据库中的多个缺陷参数进行比对,判断特征信息是否可以由多个相关的缺陷参数来表征,如果特征信息可以由多个相关的缺陷参数中的至少一个缺陷参数来表征,那么说明该特征信息为缺陷信息。相较于人工识别显示面板缺陷的方式,本技术方案可以提高显示面板缺陷识别的效率。进一步的,通过缺陷数据库中多个缺陷参数中的至少一个缺陷参数来表征特征信息,将缺陷数据库中的一个或多个缺陷参数综合分析,进而判定特征信息是否为缺陷信息,可以提高显示面板缺陷识别的准确度。
本发明还提供一种识别装置,所述识别装置包括存储器及处理器,所述存储器存储有识别程序,所述处理器读取所述识别程序,以执行如上所述的识别方法。
本发明还提供一种计算机可读存储介质,其存储了识别程序,其中,所述识别程序被执行的时候执行:如上所述的识别方法。
本发明还提供一种计算机程序产品,所述计算机程序产品包括存储了所述识别方法的计算机程序的非瞬时性计算机可读存储介质,所述识别方法的计算机程序被执行的时候执行:如上所述的识别方法。
附图说明
为了更清楚地阐述本发明的构造特征和功效,下面结合附图与具体实施例来对其进行详细说明,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种识别方法的流程图。
图2是本发明中步骤S200对应的流程图。
图3是本发明中步骤S200之前的步骤对应的流程图。
图4是本发明提供的一种识别方法的局部流程图。
图5是本发明中步骤S320之后的步骤对应的流程图。
图6是本发明中步骤S320之后的步骤对应的流程图。
图7是本发明提供的一种识别方法对应的局部流程图。
图8是本发明中步骤S400对应的流程图。
图9是本发明实施例提供的识别装置的一种可能的结构示意图。
具体实施例
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本说明书中用“~”表示的数值范围是指将“~”前后记载的数值分别作为最小值及最大值包括在内的范围。在附图中,结构相似或相同的用相同的标号表示。
以下对本发明中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)移动终端(Mobile Terminal,MT),又称之为移动通信终端,是指可以在移动中使用的计算机设备,是一种向用户提供语音和/或数据连通性的设备,例如,具有无限连接功能的手持式设备、车载设备等。常见的移动终端包括:智能手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、可穿戴设备,例如智能手表、智能手环、计步器等。
(2)机器学习(Machine Learning,ML),是专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
(3)深度学习(Deep Learning,DL),深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。
(4)神经网络(Neural Networks,NNs),也称为人工神经网络(Artificial NeuralNetworks,ANNs),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
请参阅图1,图1是本发明提供的一种识别方法的流程图。所述识别方法用于识别显示显示面板的缺陷,包括但不限于步骤S100、S200和S300,关于步骤S100、S200和S300的详细描述如下。
S100:采集图片,获取所述图片的特征信息。
所述图片是拍摄所述显示面板而获得的图片。可选的,图片可以是机台上的专用设备拍摄而得到的,该专用设备具有放大功能,放大到一定程度后,拍出来的图片,才能呈现相应液晶面板上的缺陷,且所述图片的数量不限定为一张,优选的,所述图片的数量为多张。
可选的,图片的特征信息可以是包含显示面板裂纹信息的图片,也可以是包含显示面板斑点信息的图片,也可以是包含显示面板条纹信息的图片,还可以是包含显示面板其他可供辨认或者是识别的特征,上述图片仅是举例,而非穷举,上述图片包含的内容不限于上述列举的信息或特征。
S200:将所述特征信息与缺陷数据库中的多个缺陷参数进行比对。
其中,缺陷数据库中的多个缺陷参数是事先就存储在移动终端设备中的参数,缺陷参数是根据大数据统计汇总后获取的。所述缺陷参数为表征所述显示面板的一种缺陷的参数,所述缺陷可以为但不仅限于为显示面板中的斑点、裂纹、条纹等等。
可选的,在一种实施方式中,将所述特征信息与缺陷数据库中的一个缺陷参数进行比对,从而判定所述特征信息是否为缺陷参数。在另一种实施方式中,将所述特征信息与缺陷数据库中的多个缺陷参数进行比对,以判定所述特征信息是否为缺陷参数。当所述特征信息与缺陷数据库中的一个缺陷参数完全吻合时,可以认为该特征信息就是缺陷信息。当所述特征信息与缺陷数据库中的一个缺陷参数不完全吻合,但是能用缺陷数据库中的多个缺陷参数综合来表征时,也认为该特征信息就是缺陷信息。
其中,所述缺陷数据库可以是经过机器学习后得到的数据库,也可以是经过神经网络算法训练后得到的数据库,还可以是经过深度学习后得到的数据库,所述缺陷数据库具备学习和训练的功能,其中,训练包括正向训练和反向训练,所述缺陷数据库是一个动态变化的数据库。获取训练样本集合是训练神经网络的第一步,也是十分重要和关键的一步,获取到的训练样本的集合可以用于构成缺陷数据库中的新的元素。它包括训练数据的收集、分析、选择和预处理等。首先要在大量的待识别数据中确定出最主要的输入模式,即对待识别数据进行相关性分析,找出其中最主要的特征信息作为输入。在确定了主要特征信息后,要对其进行预处理,将数据变化到一定的范围,如[0,1]等,并剔除不符合要求的数据,对数据的预处理分析的目的是使得到的数据便于神经网络学习和训练。
其次,利用获取的训练样本对缺陷数据库进行反复训练,直至得到合适的映射结果。需要特别说明的是,并非训练的次数越多,结果就越能正确反映输入输出的映射关系。这是由于所收集到的样本数据都包含有测量误差,训练次数过多,缺陷数据库将测量误差也储存了下来,反而影响了它的准确判断能力。在训练过程中,缺陷数据库初始权值的选择可采用随机法产生。为避免产生局部极值,可选取多组初始权值,然后通过检验测量误差来选用一组较为理想的初始权值。
当一个新的待识别特征被输入到缺陷数据库中进行比对判定时,首先缺陷数据库会学习待识别特征上的特征信息,对于可以直接识别的特征信息,用于反馈给缺陷数据库,以更新缺陷数据库,这个过程就是学习的过程。其次,判断待识别特征是否可以用缺陷数据库中的一个或者多个缺陷参数来表征,若待识别特征可以用缺陷数据库中的一个或者多个缺陷参数来表征,则表明该待识别特征是一个新的缺陷信息,这是一个正向训练的过程。进一步的,将该待识别特征反馈给缺陷数据库,进而重新调整缺陷数据库中的缺陷参数的权重,达到优化数据库的目的,这是一个反向训练的过程。经过深度学习、正向训练以及反向训练,达到对缺陷数据库的闭环控制,从而可以保证缺陷数据库判定结果的准确度。
其中,在所述步骤“S200:将所述特征信息与缺陷数据库中的多个缺陷参数进行比对”之前,所述识别方法还包括但不限于步骤S110和S120,关于步骤S110和S120的详细描述如下,参见图2,图2是本发明中步骤S200之前的步骤对应的流程图。
S110:提取所述特征信息包含的M个待识别特征,根据M个所述待识别特征中的每一个所述待识别特征与所述缺陷数据库中的N个所述缺陷参数的关联程度,以得到M个所述待识别特征与所述缺陷数据库中的N个所述缺陷参数的关联信息,其中,M、N均为正整数。
举例而言,提取所述特征信息中的一个待识别特征A,若待识别特征A与缺陷数据库中的三个缺陷参数a、b和c具有关联关系,且关联程度可以用表达式A=αa+βb+γc来表征,其中α∈[0,1],β∈[0,1],γ∈[0,1]且满足条件α+β+γ=1,则表明待识别特征A是缺陷信息,具体的缺陷程度可以用A=αa+βb+γc来表征,从而将该缺陷程度的表达式作为关联信息。
在一种实施方式中,当显示面板对应的待识别图片中被判定为缺陷信息的特征信息的个数大于预设个数,则所述显示面板被判断为缺陷显示面板,需要对这一批显示面板进行修复。
在另一种实施方式中,当显示面板对应的图片中被判定为缺陷信息的特征信息的个数小于或等于预设个数,认为该显示面板的缺陷程度较小,可以正常使用,无需进行修复工作。
S120:将所述关联信息反馈给所述缺陷数据库,以更新所述缺陷数据库。
具体的,由于待识别特征A可以用表达式A=αa+βb+γc来表征,说明待识别特征A是缺陷信息,因此将待识别特征A反馈给所述缺陷数据库,由于待识别特征A是通过缺陷数据库中的多个缺陷参数计算出来的,因此可以将待识别特征A看做是一个新的缺陷参数,将待识别特征A反馈给所述缺陷数据库,就可以实现缺陷数据库中缺陷参数的重新调整,进而优化缺陷数据库,与此同时,可以不断扩大数据库的数据量,使得缺陷数据库的判定更加准确。
所述步骤“S200:将所述特征信息与缺陷数据库中的多个缺陷参数进行比对”包括但不限于步骤S210,关于步骤S210的详细描述如下,参见图3,图3是本发明中步骤S200对应的流程图。
S210:将所述待识别特征与所述缺陷数据库中的所述缺陷参数进行比对。
可选的,这里的比对可以是“一对一”的比对,也可以是“一对多”的比对,也可以是“多对一”的比对,还可以是“多对多”的比对,本发明对于所述待识别特征与所述缺陷数据库中的所述缺陷参数进行比对的方式不做限定,任意的比对方式只要不违背本发明的初衷,都认为是合理的比对方式。
S300:判断所述特征信息是否可以由多个相关的所述缺陷参数来表征,若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息。
可选的,在一种实施方式中,可以先提取所述待识别特征中的一个,将一个所述待识别特征与所述缺陷数据库中的至少一个所述缺陷参数进行比对,若一个所述待识别特征与缺陷数据库中的至少一个所述缺陷参数完全吻合或者是一个所述待识别特征可以用缺陷数据库中的至少一个所述缺陷参数来表征,则可以认定这个所述待识别特征为缺陷信息。
可选的,在另一种实施方式中,可以先提取所述待识别特征中的全部待识别特征,将全部待识别特征与所述缺陷数据库中的至少一个所述缺陷参数进行比对,若全部待识别特征与缺陷数据库中的至少一个所述缺陷参数完全吻合或者是全部待识别特征可以用缺陷数据库中的至少一个所述缺陷参数来表征,则可以认定全部的所述待识别特征均为缺陷信息。
其中,所述步骤“若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息”包括但不限于S310和S320,关于步骤S310和S320的详细描述如下,参见图4,图4是本发明提供的一种识别方法的局部流程图。
S310:根据所述特征信息与多个相关的所述缺陷参数的关联程度,对多个相关的所述缺陷参数分配权重参数。
举例而言,具体的,对于一张显示面板的待识别图片,具有一个特征信息B,缺陷数据库中的缺陷参数有三个,分别为裂纹信息、条纹信息和斑点信息。若特征信息B有50%的概率是裂纹信息,30%的概率是条纹信息,20%的概率是斑点信息,则可以认为特征信息B对于缺陷数据库中的缺陷参数:裂纹信息、条纹信息和斑点信息的权重参数依次为0.5、0.3和0.2。其中,权重参数表示特征信息与缺陷数据库中的缺陷参数的相关程度,权重参数越大,说明特征信息与缺陷数据库中的缺陷参数的相关程度越高;权重参数越小,说明特征信息与缺陷数据库中的缺陷参数的相关程度越低。
S320:根据所述权重参数确定所述特征信息的缺陷等级,其中,所述缺陷等级的数值越大,表明缺陷越严重。
具体的,如前所述,权重参数越大,说明特征信息与缺陷数据库中的缺陷参数的相关程度越高;权重参数越小,说明特征信息与缺陷数据库中的缺陷参数的相关程度越低。根据所述权重参数确定所述特征信息的缺陷等级,其中,所述缺陷等级的数值越大,表明缺陷越严重。权重参数越大,说明该权重参数对应的缺陷参数的缺陷程度越严重,因此相应的缺陷等级的数值也越大,表明缺陷越严重。反之,所述缺陷等级的数值越小,表明缺陷越少。权重参数越小,说明该权重参数对应的缺陷参数的缺陷程度越轻,因此相应的缺陷等级的数值也越小,缺陷越少。
其中,在一种实施方式中,在所述步骤“S320:根据所述权重参数确定所述特征信息的缺陷等级”之后,所述识别方法还包括但不限于步骤S330和S340,关于步骤S330和S340的详细描述如下,参见图5,图5是本发明中步骤S320之后的步骤对应的流程图。
S330:在确定所述缺陷等级大于或者等于预设阈值的情况下,对所述缺陷等级对应的所述缺陷特征进行补充判定,以获得所述补充判定的结果。
具体的,如前所述,缺陷等级的数值越大,表明缺陷越严重;缺陷等级的数值越小,表明缺陷越少。在确定所述缺陷等级大于或者等于预设阈值的情况下,说明缺陷较为严重,此时需要对所述缺陷等级对应的所述缺陷特征进行补充判定,从而获取补充判定的结果。
更进一步的,所述预设阈值是人为的设定值,当缺陷等级大于或者等于这个设定值时,说明缺陷较为严重。为了保证识别结果的可靠性,此时对所述缺陷等级对应的所述缺陷特征进行补充判定,这里的补充判定可以是人工的后续判定过程,也可以是机器的二次判定。是为了防止在判定出错或者是判定结果置信度较低的情况下,对判定结果产生误差,因此,本技术方案有助于提高判定结果的准确度。
S340:根据所述补充判定的结果更新所述缺陷数据库中的所述缺陷参数。
具体的,将补充判定的结果反馈给缺陷数据库,缺陷数据库根据补充判定的结果,进而对缺陷数据库中的所述缺陷参数进行相适应性的调整,从而有助于优化数据库的性能,使得数据库的检测结果更加准确,更具有说服力。另一方面,由于将补充判定的结果反馈给缺陷数据库,从而可以使得数据库中的数据量不断增大,从而可以判定更加复杂的图片特征,扩大了缺陷数据库的使用范围。
其中,在另一种实施方式中,在所述步骤“S320:根据所述权重参数确定所述特征信息的缺陷等级”之后,所述识别方法还包括但不限于步骤S350,关于步骤S350的详细描述如下,参见图6,图6是本发明中步骤S320之后的步骤对应的流程图。
S350:在确定所述缺陷等级小于预设阈值的情况下,将所述特征信息反馈给所述缺陷数据库,以更新所述缺陷数据库中的所述缺陷参数。
具体的,在确定所述缺陷等级小于预设阈值的情况下,说明缺陷较轻,此时就不需要对所述缺陷等级对应的所述缺陷特征进行补充判定了,认为此时的判定结果的置信度较高,可以直接采用,于是可以直接将所述特征信息反馈给所述缺陷数据库,从而使得缺陷数据库可以根据所述特征信息来相适应性的调整缺陷参数,从而达到更新所述缺陷数据库中的所述缺陷参数的目的,进而优化数据库的性能,使得数据库的检测结果更加准确,更具有说服力。另一方面,由于将所述特征信息反馈给缺陷数据库,从而可以使得数据库中的数据量不断增大,从而可以判定更加复杂的图片特征,扩大了缺陷数据库的使用范围。
在所述步骤“若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息”之后,所述识别方法还包括但不限于步骤S400,关于步骤S400的详细描述如下,参见图7,图7是本发明提供的一种识别方法对应的局部流程图。
S400:将所述缺陷信息反馈给所述缺陷数据库,以更新所述缺陷数据库中的所述缺陷参数。
具体的,将所述缺陷信息反馈给所述缺陷数据库,一方面,可以使得缺陷数据库可以根据所述缺陷信息来相适应性的调整缺陷参数,从而达到更新所述缺陷数据库中的所述缺陷参数的目的,进而优化数据库的性能,使得数据库的检测结果更加准确,更具有说服力。另一方面,由于将所述缺陷信息反馈给缺陷数据库,从而可以使得数据库中的数据量不断增大,从而可以判定更加复杂的图片特征,扩大了缺陷数据库的使用范围。
其中,所述步骤“S400:将所述缺陷信息反馈给所述缺陷数据库,以更新所述缺陷数据库中的所述缺陷参数”包括但不限于步骤S410和S420,关于步骤S410和S420的详细描述如下,参见图8,图8是本发明中步骤S400对应的流程图。
S410:将所述缺陷信息反馈给所述缺陷数据库。
可选的,将所述缺陷信息反馈给所述缺陷数据库的方式可以为:将所述缺陷信息直接储存到缺陷数据库中。
S420:所述缺陷数据库根据所述缺陷信息所包含的缺陷特征与所述缺陷参数的关联程度,重新调整所述缺陷数据库中的所述缺陷参数。
具体的,缺陷数据库根据缺陷信息所包含的缺陷特征与缺陷参数的关联程度,重新调整缺陷数据库中的缺陷参数,可以使得缺陷数据库可以根据所述缺陷信息来相适应性的调整缺陷参数,从而达到更新所述缺陷数据库中的所述缺陷参数的目的,进而优化数据库的性能,使得数据库的检测结果更加准确,更具有说服力。
在另一种实施方式中,对于缺陷等级的判定采用人工基于缺陷数据库的判定结果来进行划分。因为深度学习的输出,只有学习时的N个标签中的一个,和判定是这个标签的最高置信度,置信度高于或等于人工设定的预设阈值,说明这张图机器的判定可信度高,不需要人员再做补充判定,以节省人工的工作量。置信度低于人工设定的预设阈值时,则说明缺陷数据库的判定不准,说明当前识别的图片跟训练特殊缺陷数据库的关系性不大,这样的图片需要人工进行再做判定,并且把人工判定的结果再次去训练缺陷数据库,以增加此类缺陷的识别能力,同时,工作人员也定期抽检部分图片,全部由人工判定后再拿去训练缺陷数据库。缺陷等级是对N个标签的再次分类,比如:A,B,C标签,则是OK等级,C,D,E标签是NG等级,或者A,B,C的总数量达到一定值了,就是OK等级。
本发明提供的识别方法,首先采集图片,获取图片的特征信息,然后将特征信息与缺陷数据库中的多个缺陷参数进行比对,判断特征信息是否可以由多个相关的缺陷参数来表征,如果特征信息可以由多个相关的缺陷参数中的至少一个缺陷参数来表征,那么说明该特征信息为缺陷信息。相较于人工识别显示面板缺陷的方式,本技术方案可以提高显示面板缺陷识别的效率。进一步的,通过缺陷数据库中多个缺陷参数中的至少一个缺陷参数来表征特征信息,将缺陷数据库中的一个或多个缺陷参数综合分析,进而判定特征信息是否为缺陷信息,可以提高显示面板缺陷识别的准确度。
本发明还提供一种识别装置,所述识别装置包括存储器及处理器,所述存储器存储有识别程序,所述处理器读取所述识别程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,所述计算机包括终端设备。
请参见图9所示,图9是本发明实施例提供的识别装置的一种可能的结构示意图。识别装置300包括:处理器312、通信接口313、存储器311。处理器312用于对识别装置300的动作进行控制管理,例如,处理器312用于支持识别装置300执行如图1所描述的识别方法的过程。所述处理器312可以是中央处理器(Central Processing Unit,CPU),所述处理器312也可以是图形处理器(Graphics Processing Unit,GPU),优选的,所述处理器312采用中央处理器和图形处理器相结合的方式进行工作。可选的,识别装置300还可以包括总线314。其中,通信接口313、处理器312以及存储器311可以通过总线314相互连接;总线314可以是外设部件互连标准总线或扩展工业标准结构总线等。所述总线314可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本发明还提供一种计算机可读存储介质,其存储了识别程序,其中,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,所述计算机包括终端设备。
本发明还提供一种计算机程序产品,所述计算机程序产品包括存储了所述识别方法的计算机程序的非瞬时性计算机可读存储介质,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,该计算机程序产品可以为一个软件安装包,所述计算机包括终端设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种识别方法,用于识别显示面板的缺陷,其特征在于,所述识别方法包括:
采集图片,获取所述图片的特征信息;
提取所述特征信息包含的M个待识别特征,根据M个所述待识别特征中的每一个所述待识别特征与缺陷数据库中的N个缺陷参数的关联程度,以得到M个所述待识别特征与所述缺陷数据库中的N个所述缺陷参数的关联信息,其中,M、N均为正整数;
将所述关联信息反馈给所述缺陷数据库,以更新所述缺陷数据库;
将所述待识别特征与所述缺陷数据库中的所述缺陷参数进行比对;
判断所述特征信息是否可以由多个相关的所述缺陷参数来表征,若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息。
2.如权利要求1所述的识别方法,其特征在于,在所述“若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息”之后,所述识别方法还包括:
将所述缺陷信息反馈给所述缺陷数据库,以更新所述缺陷数据库中的所述缺陷参数。
3.如权利要求2所述的识别方法,其特征在于,所述“将所述缺陷信息反馈给所述缺陷数据库,以更新所述缺陷数据库中的所述缺陷参数”包括:
将所述缺陷信息反馈给所述缺陷数据库;
所述缺陷数据库根据所述缺陷信息所包含的缺陷特征与所述缺陷参数的关联程度,重新调整所述缺陷数据库中的所述缺陷参数。
4.如权利要求1所述的识别方法,其特征在于,所述“若所述特征信息可以由多个相关的所述缺陷参数来表征,则判定所述特征信息为缺陷信息”包括:
根据所述特征信息与多个相关的所述缺陷参数的关联程度,对多个相关的所述缺陷参数分配权重参数;
根据所述权重参数确定所述特征信息的缺陷等级,其中,所述缺陷等级的数值越大,表明缺陷越严重。
5.如权利要求4所述的识别方法,其特征在于,在所述“根据所述权重参数确定所述特征信息的缺陷等级”之后,所述识别方法还包括:
在确定所述缺陷等级大于或者等于预设阈值的情况下,对所述缺陷等级对应的所述缺陷特征进行补充判定,以获得所述补充判定的结果;
根据所述补充判定的结果更新所述缺陷数据库中的所述缺陷参数。
6.如权利要求5所述的识别方法,其特征在于,在所述“根据所述权重参数确定所述特征信息的缺陷等级”之后,所述识别方法还包括:
在确定所述缺陷等级小于预设阈值的情况下,将所述特征信息反馈给所述缺陷数据库,以更新所述缺陷数据库中的所述缺陷参数。
7.一种识别装置,其特征在于,所述识别装置包括存储器及处理器,所述存储器存储有识别程序,所述处理器读取所述识别程序,以执行如权利要求1~6任意一项所述的识别方法。
8.一种计算机可读存储介质,其特征在于,其存储了识别程序,其中,所述识别程序被执行的时候执行:如权利要求1~6任意一项所述的识别方法。
9.一种计算机设备,所述计算机设备包括存储了识别方法的计算机程序的非瞬时性计算机可读存储介质,所述识别方法的计算机程序被执行的时候执行:如权利要求1~6任意一项所述的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498968.1A CN108074240B (zh) | 2017-12-29 | 2017-12-29 | 识别方法、识别装置、计算机可读存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498968.1A CN108074240B (zh) | 2017-12-29 | 2017-12-29 | 识别方法、识别装置、计算机可读存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108074240A CN108074240A (zh) | 2018-05-25 |
CN108074240B true CN108074240B (zh) | 2021-09-28 |
Family
ID=62156170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711498968.1A Active CN108074240B (zh) | 2017-12-29 | 2017-12-29 | 识别方法、识别装置、计算机可读存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074240B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833287A (zh) * | 2019-04-11 | 2020-10-27 | 陕西坤同半导体科技有限公司 | 一种应用深度学习判断显示面板缺陷的系统及其判断方法 |
CN111223078B (zh) * | 2019-12-31 | 2023-09-26 | 富联裕展科技(河南)有限公司 | 瑕疵等级判定的方法及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
-
2017
- 2017-12-29 CN CN201711498968.1A patent/CN108074240B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108074240A (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
TWI689871B (zh) | 梯度提升決策樹(gbdt)模型的特徵解釋方法和裝置 | |
JP2023061956A (ja) | 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法 | |
US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
CN107958030B (zh) | 视频封面推荐模型优化方法及装置 | |
TWI532013B (zh) | Image quality analysis method and system | |
CN107391760A (zh) | 用户兴趣识别方法、装置及计算机可读存储介质 | |
WO2020192442A1 (zh) | 利用少数标注图像生成分类器的方法 | |
CN108764176A (zh) | 一种动作序列识别方法、系统及设备和存储介质 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
CN111080624B (zh) | 精子运动状态的分类方法、装置、介质及电子设备 | |
CN108074240B (zh) | 识别方法、识别装置、计算机可读存储介质及程序产品 | |
CN114596497A (zh) | 目标检测模型的训练方法、目标检测方法、装置及设备 | |
CN110275820B (zh) | 页面兼容性测试方法、系统及设备 | |
CN112614570B (zh) | 样本集标注、病理图像分类、分类模型构建方法及装置 | |
CN112767038B (zh) | 基于美学特征的海报ctr预测方法及装置 | |
CN110363245B (zh) | 在线课堂的精彩图片筛选方法、装置及系统 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN111291259B (zh) | 一种数据筛选方法、装置、电子设备和存储介质 | |
CN116433920A (zh) | 一种基于深度特征引导的图像生成方法、装置及存储介质 | |
JP2021015549A (ja) | 情報処理方法および情報処理装置 | |
CN114580517A (zh) | 一种图像识别模型的确定方法及装置 | |
CN113516328B (zh) | 数据处理方法、服务提供方法、装置、设备和存储介质 | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
CN104680123A (zh) | 对象识别装置、对象识别方法和程序 |
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 | ||
CB02 | Change of applicant information |
Address after: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Applicant after: TCL Huaxing Photoelectric Technology Co.,Ltd. Address before: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Applicant before: Shenzhen China Star Optoelectronics Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |