CN108846841A - 显示屏质量检测方法、装置、电子设备及存储介质 - Google Patents

显示屏质量检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN108846841A
CN108846841A CN201810710537.5A CN201810710537A CN108846841A CN 108846841 A CN108846841 A CN 108846841A CN 201810710537 A CN201810710537 A CN 201810710537A CN 108846841 A CN108846841 A CN 108846841A
Authority
CN
China
Prior art keywords
defects
display screen
defect
display image
defects detection
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
CN201810710537.5A
Other languages
English (en)
Inventor
文亚伟
冷家冰
刘明浩
徐玉林
郭江亮
李旭
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810710537.5A priority Critical patent/CN108846841A/zh
Publication of CN108846841A publication Critical patent/CN108846841A/zh
Priority to PCT/CN2019/083164 priority patent/WO2020007096A1/zh
Priority to JP2019563779A priority patent/JP6921241B2/ja
Priority to KR1020197034323A priority patent/KR102229594B1/ko
Priority to US16/939,277 priority patent/US11488294B2/en
Pending legal-status Critical Current

Links

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
    • G06T7/0008—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • 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

Abstract

本发明提供一种显示屏质量检测方法、装置、电子设备及存储介质，该方法包括：接收部署在显示屏生产线上的控制台发送的质量检测请求，该质量检测请求中包含显示屏生产线上的图像采集设备采集的显示屏图像，将该显示屏图像输入到缺陷检测模型中得到缺陷检测结果，该缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的，根据缺陷检测结果确定显示屏图像对应的显示屏上的缺陷、缺陷对应的缺陷类别、以及缺陷对应的位置。该技术方案的缺陷检测准确度高、系统性能好，业务扩展能力高。

Description

显示屏质量检测方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种显示屏质量检测方法、装置、电子设备及存储介质。
背景技术
信息显示技术在人们生活中的作用与日俱增，显示屏也因其体积小、重量轻、功率低、分辨率高、亮度高和无几何变形诸多特点被广泛应用。但在显示屏的生产过程中，由于各种原因可能导致生产的显示屏存在显示缺陷，例如，点缺陷、线缺陷和面缺陷等。因而，显示屏质量检测是生产过程中的重要环节。
现有技术中，显示屏质量检测主要采用人工检测或机器辅助的人工检测方法。具体的，人工检测方法是指依赖行业专家肉眼观察从生产环境中采集到的图片给出判断；机器辅助的人工检测方法是指首先利用固化有行业专家经验的质检系统对待检测显示屏图像进行检测，其次再由行业专家对疑似存在缺陷的图片进行检测判断。
然而，不管是人工检测方法，还是机器辅助的人工检测方法均受人的主观影响因素较大，检测准确度低、系统性能差，业务扩展能力低。
发明内容
本发明提供一种显示屏质量检测方法、装置、电子设备及存储介质，以克服现有显示屏缺陷检测方法中由于受人的主观影响因素较大，致使检测准确度低、系统性能差、业务扩展能力低的问题。
本发明的第一方面提供一种显示屏质量检测方法，包括：
接收部署在显示屏生产线上的控制台发送的质量检测请求，所述质量检测请求中包含所述显示屏生产线上的图像采集设备采集的显示屏图像；
将所述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，其中，所述缺陷检测模型是对历史缺陷显示屏图像进行物体检测算法训练得到的；
根据所述缺陷检测结果确定所述显示屏图像对应的显示屏上的缺陷、所述缺陷对应的缺陷类别、以及所述缺陷对应的位置。
可选的，所述缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的，包括：
所述缺陷检测模型是对所述历史缺陷显示屏图像的候选区域损失、区域类别损失、区域边界损失进行组合训练，以使所述候选区域损失、所述区域类别损失和所述区域边界损失的总损失值满足预设损失阈值的结果；
其中，所述候选区域损失指所述历史缺陷显示屏图像中选定缺陷区域与实际缺陷区域之间的损失值，所述区域类别损失指所述选定缺陷区域中预测缺陷类别与实际缺陷类别之间的损失值，所述区域边界损失指所述选定缺陷区域中预测缺陷边界与实际缺陷边界之间的损失。
可选的，所述将所述显示图像输入到缺陷检测模型中得到缺陷检测结果之前，还包括：
对所述显示屏图像进行图像预处理，其中，所述图像预处理包括下述处理中的一项或多项：
裁边、剪切、旋转、缩小、放大。
可选的，所述将所述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，包括：
根据负载均衡策略，确定承载处理资源的检测模型服务器；
将所述显示屏图像输入到运行在所述检测模型服务器上的所述缺陷检测模型中得到缺陷检测结果。
可选的，所述方法还包括：
根据生产阶段信息以及所述缺陷检测结果，确定所述显示屏图像对应的显示屏的质量好坏；所述生产阶段信息用于指示所述显示屏对应的生产厂家、生产环境、以及所述显示屏的类型。
可选的，所述根据生产阶段信息以及所述缺陷检测结果，确定所述显示屏图像对应的显示屏的质量好坏之后，还包括：
若确定所述显示屏为坏屏，则执行以下一项或多项操作：
通过控制器向生产管理者发送报警信息；
通过控制器将所述缺陷检测结果作为日志存储到生产数据库中；
通过控制器向所述控制台发送生产控制指令以便消除缺陷；
将所述显示屏图像和所述缺陷检测结果输入到所述缺陷检测模型中以便优化所述缺陷检测模型。
本发明的第二方面提供一种显示屏质量检测装置，其特征在于，包括：
接收模块，用于接收部署在显示屏生产线上的控制台发送的质量检测请求，所述质量检测请求中包含所述显示屏生产线上的图像采集设备采集的显示屏图像；
处理模块，用于将所述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，其中，所述缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的；
确定模块，用于根据所述缺陷检测结果确定所述显示屏图像对应的显示屏上的缺陷、所述缺陷对应的缺陷类别、以及所述缺陷对应的位置。
可选的，所述缺陷检测模型是采用深度卷积神经网络结构和实例分割算法对历史缺陷显示屏图像进行训练得到的，包括：
所述缺陷检测模型是对所述历史缺陷显示屏图像的候选区域损失、区域类别损失和区域边界损失进行组合训练，以使所述候选区域损失、所述区域类别损失和所述区域边界损失的总损失值满足预设损失阈值的结果；
其中，所述候选区域损失指所述历史缺陷显示屏图像中选定缺陷区域与实际缺陷区域之间的损失值，所述区域类别损失指所述选定缺陷区域中预测缺陷类别与实际缺陷类别之间的损失值，所述区域边界损失指所述选定缺陷区域中预测缺陷边界与实际缺陷边界之间的损失。
可选的，所述处理模块，还用于在将所述显示图像输入到缺陷检测模型中得到缺陷检测结果之前，对所述显示屏图像进行图像预处理；
其中，所述图像预处理包括下述处理中的一项或多项：
裁边、剪切、旋转、缩小、放大。
可选的，所述处理模块，具体用于根据负载均衡策略，确定承载处理资源的检测模型服务器，将所述显示屏图像输入到运行在所述检测模型服务器上的所述缺陷检测模型中得到缺陷检测结果。
可选的，所述确定模块，还用于根据生产阶段信息以及所述缺陷检测结果，确定所述显示屏图像对应的显示屏的质量好坏；所述生产阶段信息用于指示所述显示屏对应的生产厂家、生产环境、以及所述显示屏的类型。
可选的，所述处理模块，还用于在所述确定模块根据所述缺陷检测结果确定所述显示屏图像对应的显示屏的质量好坏之后，若确定所述显示屏为坏屏，则执行以下一项或多项操作：
通过控制器向生产管理者发送报警信息；
通过控制器将所述缺陷检测结果作为日志存储到生产数据库中；
通过控制器向所述控制台发送生产控制指令以便消除缺陷；
将所述显示屏图像和所述缺陷检测结果输入到所述缺陷检测模型中以便优化所述缺陷检测模型。
本发明第三方面提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面以及第一方面各种可能实现方式中任一项所述的方法。
本发明第四方面提供一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如第一方面以及第一方面各种可能实现方式中任一项所述的方法。
本发明提供一种显示屏质量检测方法、装置、电子设备及存储介质，该方法包括：接收部署在显示屏生产线上的控制台发送的质量检测请求，该质量检测请求中包含显示屏生产线上的图像采集设备采集的显示屏图像，将该显示屏图像输入到缺陷检测模型中得到缺陷检测结果，该缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的，根据缺陷检测结果确定显示屏图像对应的显示屏上的缺陷、缺陷对应的缺陷类别、以及缺陷对应的位置。该技术方案的缺陷检测准确度高、系统性能好，业务扩展能力高。
附图说明
图1为本发明实施例提供的显示屏质量检测系统的结构示意图；
图2为本发明实施例提供的显示屏质量检测方法实施例一的流程示意图；
图3为本发明实施例提供的显示屏质量检测方法实施例二的流程示意图；
图4为本发明实施例提供的显示屏质量检测方法实施例三的流程示意图；
图5为本发明实施例提供的显示屏质量检测方法实施例三的流程示意图；
图6为本发明实施例提供的显示屏质量检测装置实施例的结构示意图一；
图7为本发明实施例提供的显示屏质量检测装置实施例的结构示意图二。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的实施例，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一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的显示屏质量检测方法应用于显示屏质量检测系统中，图1为本发明实施例提供的显示屏质量检测系统的结构示意图。如图1所示，该显示屏质量检测系统包括：部署在显示屏生产线上的图像采集设备11、控制台12、服务器组13、控制器14、数据库15和训练器16等多个不同的设备。
其中，图像采集设备11采集显示屏生产线上的显示屏图像，控制台12接收图像采集设备11采集的显示屏图像，并将该显示屏图像发送给服务器组13中的检测模型服务器130，检测模型服务器130将接收到的显示屏图像输入到本身运行的缺陷检测模型中得到缺陷检测结果，控制器14接收检测模型服务器130的缺陷检测结果，并结合生产阶段信息给出业务响应，控制器14还可以将缺陷检测结果作为日志存储到数据库15中。此外，图像采集设备11采集到的显示屏图像还可以直接存储到数据库15中，作为缺陷检测模型训练的原始数据。训练器16提取数据库中的历史缺陷显示屏图像后，采用深度卷积神经网络结构和实例分割算法对历史缺陷显示屏图像进行训练得到缺陷检测模型。
可选的，上述数据库15可以包括生产数据库151和训练数据库152，生产数据库151可以接收并保存控制器14发送的缺陷检测结果以及图像采集设备11采集到的显示屏图像，训练数据库152可以存储从生产数据库151提取的历史缺陷显示屏图像和对应的原始显示屏图像，以使训练器16训练得到检测准确率高的缺陷检测模型。
可选的，本发明实施例中的训练器16可以是由硬件和/或软件功能实现的训练引擎，其作为缺陷检测模型的训练工具。
本发明实施例的显示屏质量检测系统中还可以包括处理器、存储器等其他实体模块，本实施例不限于此。
下面首先针对本发明实施例所适用的应用场景进行简要说明。
现阶段，3C产业(3C产业是指结合电脑、通讯、和消费性电子三大科技产品整合应用的资讯家电产业)的整体智能自动化程度较低，通过对手机屏等显示屏行业的调研分析可知，大部分生产厂家对手机屏采用的检测方式可以分为两种，即：人工检测方法和机器辅助的人工检测方法。
其中，人工检测方法是指依赖于行业专家肉眼观察从生产环境中采集到的图像进行判断，该方法受人的主观影响因素较大、检测效率较低，且对人眼的伤害较大，此外，由于显示屏的生成车间一般为无尘环境，工作人员进去前需要进行清洁准备，穿戴无尘衣服，其还可能对工作人员的健康和安全会产生不利影响。
机器辅助的人工检测方法也可以称为基于液晶模组检测设备检测方法，具体原理为：首先由具有一定判断能力的质检系统过滤掉不存在缺陷的图像，再由行业专家对疑似存在缺陷的图像进行检测判断。在机器辅助的人工检测方法中，质检系统多为专家系统和特征工程系统发展而来，是指专家将经验固化在质检系统中，使其具有一定的自动化能力。因此，机器辅助的人工检测方法不仅准确率低，系统性能差，无法覆盖厂商所有的检测标准，而且这种方法还效率低，容易漏判误判，检测后的图像数据很难进行二次利用挖掘。此外，在上述质检系统中，特征和判定规则都是基于行业专家的经验固化到机器中的，难以随业务的发展迭代，导致随着生产工艺的发展，质检系统的检测精度越来越低，甚至可能降低到完全不可用的状态。进一步的，质检系统的特征都由第三方供应商预先固化在硬件中，升级时不仅需要对生产线进行重大改造，而且价格昂贵，其在安全性、规范化、可扩展性等方面都存在着明显不足，不利于显示屏生产线的优化升级，业务扩展能力低。
综上所述，人工检测方法和机器辅助的人工检测方法均存在如下缺点：不仅效率低下、容易出现误判，而且这两种方法产生的工业数据不易存储、管理和二次挖掘再利用。
本发明实施例基于人工智能技术在计算机视觉中的最新发展，研发一种自动化、高精度的显示屏质量检测方法，利用图像采集设备在显示屏生产线上实时采集的显示屏图像，实时对显示屏的表面质量进行检测判断，如果检测到当前图像采集设备采集到的显示屏存在质量问题，则确定出该质量问题在图片中所在的位置及其所属的类别以及类别实例。
值得说明的是，本发明实施例可以应用于任何可以利用人眼、计算机视觉进行显示屏检测的场景，本实施例中的显示屏可以包括如下的任意一种：等离子屏幕、液晶显示(liquid crystal display，LCD)屏幕、发光二极管(light emitting diode，LED)屏幕、有机发光二极管(organic light-emitting diode，OLED)屏幕等。本发明实施例并不局限于上述的几种屏幕，其还可能包括其他显示屏幕，此处不再赘述。
可选的，本发明实施例中所述的质量问题可以包括，但是不局限于包括点缺陷、线缺陷、面缺陷和mura等不同类别的缺陷问题。此处不进行一一介绍。可选的，mura是指由于显示屏亮度不均匀，造成的各种痕迹现象。
下面，通过具体实施例对本发明的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本发明实施例中，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图2为本发明实施例提供的显示屏质量检测方法实施例一的流程示意图。如图2所示，在本发明实施例中，该显示屏质量检测方法可以包括如下步骤：
步骤21：接收部署在显示屏生产线上的控制台发送的质量检测请求，该质量检测请求中包含显示屏生产线上的图像采集设备采集的显示屏图像。
可选的，在本发明实施例中，显示屏生产线上部署有图像采集设备、控制台、服务器组、控制器、数据库等多个不同的设备。图像采集设备可以是高精度图像采集摄像头，在显示屏的生产过程中，通过调整图像采集设备的角度、光线、滤镜、倍镜、聚焦等，可以采集到多张处于显示屏生产线上的显示屏对应的显示屏图像。
当显示屏生产线上的图像采集设备采集到显示屏图像之后，部署在显示屏生产线上的控制台则可以向显示屏生产线上部署有缺陷检测模型的服务器组发送质量检测请求，该质量检测请求中包含上述图像采集设备采集的显示屏图像，以使服务器组中接收到该质量检测请求的服务器对接收到的显示屏图像进行处理。
步骤22：将上述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，其中，该缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的。
可选的，接收到质量检测请求的服务器将质量检测请求中的显示屏图像输入到服务器上运行着的缺陷检测模型中，由缺陷检测模型执行缺陷检测，进而得到缺陷检测结果。
值得说明的是，服务器上运行的缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的。即，显示屏生产线上的显示屏图像作为缺陷检测模型的输入，利用深度卷积神经网络结构和物体检测算法提取显示屏图像中的特征(即，显示屏图像中存在的缺陷)作为缺陷检测模型的输出，进而对缺陷检测模型进行训练。
具体的，物体检测是指机器可以自动从图像中用目标检测方法确定出显示屏中不同于其他位置处的物体，以及该物体对应的区域框；区域框是指物体在显示屏上的位置所在的区域的范围。值得说明的是，物体检测可以区分出显示屏的哪些位置上具有缺陷，且该缺陷具体属于某一类缺陷。因而，在本发明实施例中，缺陷检测模型是基于采用深度卷积神经网络结构和物体检测算法对大量历史缺陷显示屏图像进行训练得到，即首先确定出历史缺陷显示屏图像中存在的不同缺陷，再从方位或区域的角度出发分隔出图像中的缺陷，以及缺陷对应的具体类别，并在显示屏图像中标注出来，最后对其进行分类统计、组合训练得到。
作为一种示例，本发明实施例中的缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的，可以解释如下：
缺陷检测模型是对历史缺陷显示屏图像的候选区域损失、区域类别损失和区域边界损失进行组合训练，以使该候选区域损失、该区域类别损失和该区域边界损失的总损失值满足预设损失阈值的结果。
其中，候选区域损失指历史缺陷显示屏图像中选定缺陷区域与实际缺陷区域之间的损失值，区域类别损失指选定缺陷区域中预测缺陷类别与实际缺陷类别之间的损失值，区域边界损失指选定缺陷区域中预测缺陷边界与实际缺陷边界之间的损失。
在本发明实施例中，缺陷检测模型以深度卷积神经网络(Deep convolutionalneural networks，Deep CNNs)结构为基础，深度卷积神经网络的结构主要是由卷积层、池化层、全连接层等组成，对于深度卷积神经网络的粒度和层次选择可以根据实际情况确定，本发明实施例并不对其进行限定。卷积层的卷积操作是指利用权值不同的卷积核对显示屏图像或者经过至少一次卷积处理后得到的图像特征图进行扫描卷积，从中提取出各种类别的特征，并重新得到一个图像特征图的过程。其中，卷积核就是权矩阵，即卷积时使用到的权用一个矩阵表示，该矩阵与对应的图像区域大小相同，其行、列都是奇数，是一个权矩阵。池化层的池化操作则是指对卷积层输出的特征图进行降维操作，保留特征图中的主要特征。在CNN网络中，全连接层将卷积层产生的特征图映射成一个固定长度(一般为输入图像数据集中的图像类别数)的特征向量，这个特征向量包含了输入图像所有特征的组合信息，即将图像中含有最具有特点的图像特征保留了下来以此完成图像分类任务。
本发明实施例可以利用这种具有卷积、池化、全连接操作的深度神经网络模型，对显示屏生产线上由图像采集设备采集到的显示屏图像的变形、模糊、光照变化等特征具有较高的鲁棒性，对于分类任务具有更高的可泛化性。
可选的，在本实施例中，物体检测算法可以是采用Faster RCNN算法，Faster RCNN算法首先利用卷积神经网络结构的卷积操作，得到其特征图，然后再计算显示屏图像的选定缺陷区域内是否包含特定缺陷，如果包含缺陷，一方面，可以计算选定缺陷区域与实际缺陷区域之间的损失值(候选区域损失)，另一方面，可以利用卷积神经网络进行特征提取，然后预测选定缺陷区域中的缺陷类别和缺陷边界，进而计算出选定缺陷区域中预测缺陷类别与实际缺陷类别之间的损失值(区域类别损失)以及选定缺陷区域中预测缺陷边界与实际缺陷边界之间的损失值(区域边界损失)。如果显示屏图像的选定缺陷区域内不包含特定缺陷，则不进行分类。
具体的，本实施例中还可以采用Faster RCNN算法和候选区域网络(RegionProposal Network)结合的方式；该候选区域网络是获取显示屏图像的原图中的区域中是否包含有特定的物体(缺陷)，如果包含原图的某个区域中包含有物体，则将原图与FasterRCNN算法提取的特征图相对应，在特征图上的该区域处预测该物体的类型以及该区域在显示屏上的位置。
综上可知，缺陷检测模型是对历史缺陷显示屏图像的候选区域损失、区域类别损失和区域边界损失进行组合训练的结果，可以得到包含候选区域损失、区域类别损失和区域边界损失的损失函数，该损失函数在缺陷检测模型的训练阶段用于评估深度卷积神经网络输出结果与实际值的差异，然后用损失函数的值更新每个神经元之间的权重值。深度卷积神经网络的训练目的就是最小化损失函数值。
当缺陷检测模型的输出结果与显示屏图像中标记的缺陷结果之间的误差值小于预设损失阈值时，停止训练。该预设损失阈值是指符合显示屏业务要求的值。
值得说明的是，在本发明实施例中，对于不同的生产场景和显示屏图像的特点，训练上述缺陷检测模型所需要的深度卷积神经网络的深度、每层的神经元数量以及卷积层、池化层的组织方式均可能不同，其可以根据实际情况进行确定，本实施例并不对其进行限定。
步骤23：根据缺陷检测结果确定显示屏图像对应的显示屏上的缺陷、缺陷对应的缺陷类别、以及缺陷对应的位置。
可选的，在本发明的实施例中，当根据缺陷检测模型得出缺陷检测结果之后，可以依据该缺陷检测结果确定上述显示屏图像对应的显示屏的缺陷、缺陷对应的缺陷类别、以及缺陷对应的位置。
在本实施例中，当显示屏图像中存在缺陷时，该缺陷检测模型可以得出的缺陷检测结果中可以包括缺陷类别(显示屏上共存在几类缺陷)、缺陷位置(每个缺陷的具体位置)。也就是说，本发明实施例的缺陷检测模型可以检测出显示屏图像中存在几类缺陷类型，以及每类缺陷的具体个数。
相应的，图3为本发明实施例提供的显示屏质量检测方法实施例二的流程示意图，如图3所示，本实施例中，在该步骤23(根据缺陷检测结果确定显示屏图像对应的显示屏上的缺陷、缺陷对应的缺陷类别、以及缺陷对应的位置)之后，还可以包括步骤24：
根据生产阶段信息以及上述缺陷检测结果，确定显示屏图像对应的显示屏的质量好坏；生产阶段信息用于指示显示屏对应的生产厂家、生产环境、以及显示屏的类型。
具体的，显示屏的生产厂家不同、显示屏的生产环境、以及显示屏的类型不同等多种不同的生产阶段信息均可能在显示屏质量检测过程中得到不同的缺陷检测结果。例如，对于液晶显示屏，其一般要经过薄膜晶体管加工、彩色滤光器加工、单元装配和模块装配等生产阶段。对于LED屏，其一般要经过贴片、插件、波峰焊、后焊、测试、模组组装等阶段。对于不同种类的显示屏，所其经历的生产阶段不同，因而，对上述得到的缺陷检测结果进行分析时，需要结合各显示屏的生产阶段信息进行来确定显示屏的质量好坏。
本发明实施例提供的显示屏质量检测方法，通过接收部署在显示屏生产线上的控制台发送的质量检测请求，该质量检测请求中包含显示屏生产线上的图像采集设备采集的显示屏图像，将显示屏图像输入到缺陷检测模型中得到缺陷检测结果，并根据该缺陷检测结果确定显示屏上的缺陷、缺陷对应的缺陷类别、以及缺陷对应的位置和/或显示屏的质量好坏。由于上述缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的，因而，利用该缺陷检测模型得到的缺陷检测结果的分类精度高，智能化能力强，系统性能有所提高，业务可扩展能力高。
可选的，图4为本发明实施例提供的显示屏质量检测方法实施例三的流程示意图。本发明实施例是在图2所示实施例的基础上对显示屏质量检测方法的进一步说明。如图4所示，本实施例提供的显示屏质量检测方法，在上述步骤22(将上述显示屏图像输入到缺陷检测模型中得到缺陷检测结果)之前，该方法还可以包括如下步骤：
步骤31：对上述显示屏图像进行图像预处理，其中，该图像预处理包括下述处理中的一项或多项：裁边、剪切、旋转、缩小、放大。
可选的，在本发明的实施例中，通常情况下，部署在显示屏生产线上的图像采集设备一般是高精度摄像头，因而，利用该图像采集设备采集到的显示屏图像可能尺寸较大、或者像素较高、或者位置不合适等。因而，当接收到控制台发送的包含在质量检测请求中的显示屏图像之后，需要根据实际情况对显示屏图像进行预处理。
例如，若显示屏图像的边缘区域较大，此时，可以对显示屏图像进行裁边处理，保留显示屏图像的有用部分，或者，若显示屏图像的尺寸较大，此时，可以对显示屏图像进行剪切、缩小处理，以使送入缺陷检测模型的显示屏图像可以完全被检测，提高显示屏凸显的检测精度。再或者，若需要着重检测显示屏图像中的某一区域，可以对显示屏图像中的该区域进行放大等处理，以使预处理后的显示屏图像符合检测标准。
本发明实施例的显示屏质量检测方法，通过在将显示屏图像输入到缺陷检测模型中得到缺陷检测结果之前，对上述显示屏图像进行裁边、或/和剪切或/和、或/和旋转、或/和缩小、或/和放大等图像预处理，可以使送入到缺陷检测模型的显示屏图像符合检测标准，为后续显示屏图像中的缺陷检测奠定了基础，提高了显示屏质量的检测准确度。
可选的，在上述实施例的基础上，图5为本发明实施例提供的显示屏质量检测方法实施例三的流程示意图。如图5所示，在本实施例中，上述步骤22(将上述显示屏图像输入到缺陷检测模型中得到缺陷检测结果)可以通过如下步骤实现：
步骤41：根据负载均衡策略，确定承载处理资源的检测模型服务器。
可选的，在本发明的实施例中，显示屏生产线上部署有一个服务器组，该服务器组中的服务器数量可以为多个，每个服务器上均运行着缺陷检测模型。可选的，每个服务器上运行的缺陷检测模型均是相同的，因此，每个服务器均可接收控制台发送的质量检测请求，进而可以利用自身承载的缺陷检测模型对显示屏图像进行质量检测。
作为一种示例，由于部署在显示屏生产线上的图像采集设备实时采集显示屏图像，因而，控制台也可以实时向服务器组中的任一服务器发送质量检测请求。
可选的，由于服务器组中每个服务器上运行的缺陷检测模型是相同的，因而，为了提高服务器上的缺陷检测模型的检测效率，保证缺陷检测模型的负载均衡，可以根据预先设置的负载均衡策略，从服务器组中确定一个承载处理资源的检测模型服务器，即根据显示屏生产线上缺陷检测模型的部署情况实时进行负载均衡和调度。
步骤42：将上述显示屏图像输入到运行在上述检测模型服务器上的缺陷检测模型中得到缺陷检测结果。
可选的，在本发明实施例中，当从服务器组中确定出承载处理资源的检测模型服务器之后，便可以将上述显示屏图像输入到该检测模型服务器上运行的缺陷检测模型中，利用该缺陷检测模型对显示屏图像的缺陷进行检测，进而得到缺陷检测结果。可选的，该缺陷检测模型是由训练模块采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的。
本发明实施例提供的显示屏质量检测方法，通过根据负载均衡策略，确定承载处理资源的检测模型服务器，并且将上述显示屏图像输入到运行在上述检测模型服务器上的缺陷检测模型中得到缺陷检测结果，能够实现服务器上的负载均衡，提高显示屏图像的检测效率，提升显示屏质量检测系统的性能。
可选的，在本发明实施例提供的显示屏质量检测方法中，在上述步骤23(根据上述缺陷检测结果确定显示屏图像对应的显示屏的质量好坏)之后，还可以包括如下步骤：
若确定上述显示屏为坏屏，则执行以下一项或多项操作：
通过控制器向生产管理者发送报警信息；
通过控制器将上述缺陷检测结果作为日志存储到生产数据库中；
通过控制器向控制台发送生产控制指令以便消除缺陷；
将上述显示屏图像和上述缺陷检测结果输入到上述缺陷检测模型中以便优化上述缺陷检测模型。
可选的，在本发明实施例中，测试人员可以根据显示屏的生产场景和生产阶段信息，预先设置当确定显示屏为坏屏时的解决方案，比如，通过控制器向生产管理者发送报警信息，和/或，通过控制器将上述缺陷检测结果作为日志存储到生产数据库中，和/或，通过控制器向控制台发送生产控制指令以便消除缺陷，和/或，将上述显示屏图像和上述缺陷检测结果输入到上述缺陷检测模型中以便优化上述缺陷检测模型等。
具体的，作为一种示例，当根据上述缺陷检测结果确定出显示屏图像对应的显示屏是坏屏，即显示屏中存在缺陷时，可以发出报警信息，以使生产管理者及时定位缺陷的类别和位置，并且给出解决方案。
作为另一种示例，当根据上述缺陷检测结果确定显示屏中存在缺陷时，可以通过控制器将上述缺陷检测结果作为日志存储到生产数据库中，即将显示屏的缺陷类别，和/或，缺陷实例，和/或，缺陷位置作为日志存储到生产数据库中，进而可以将其筛选到训练数据库中，由训练模块(可以是训练引擎等软件程序)根据存在缺陷的显示屏图像更新上述缺陷检测模型。
作为再一种示例，当根据上述缺陷检测结果确定显示屏中存在缺陷时，还可以通过控制器向控制台发送生产控制指令以便消除缺陷。即，承载缺陷检测模型的检测模型服务器可以通过控制器确定出缺陷出现的原因，进而根据相应的调整生产流程，也即，检测模型服务器通过控制器向控制台发送生产控制指令以消除显示屏上出现的缺陷，以减少坏屏出现的概率；或者，当根据上述缺陷检测结果确定显示屏中存在缺陷时，还可以通过控制器向业务响应装置发送指令，减少坏屏的流出，如通过控制器向机械臂发送抓取指令，将包含有缺陷的显示屏抓取。
作为又一种示例，当根据上述缺陷检测结果确定显示屏中存在缺陷时，也可以直接将上述显示屏图像和上述缺陷检测结果输入到上述缺陷检测模型中以便优化上述缺陷检测模型，即直接将坏屏对应的显示屏图像作为缺陷检测模型的输入，坏屏的缺陷检测结果作为缺陷检测模型的输出，以优化该缺陷检测模型，进而提高缺陷检测模型的检测准确度。
值得说明的是，本发明实施例并不限定在确定显示屏为坏屏时检测模型服务器可执行的上述一项或多项操作，其可根据实际情况进行确定，此处不再赘述。
可选的，对于显示屏生产线上部署的图像采集设备、控制台、服务器组、控制器、数据库等多个不同的设备，也可以将显示屏质量检测方法对应的操作步骤分散到上述多个不同的设备来执行。例如，图像采集设备采集显示屏图像，控制台根据负载均衡策略，将图像采集设备采集到的显示屏图像发送给服务器组中的检测模型服务器，由检测模型服务器上运行的缺陷检测模型对显示屏图像进行预设的预处理之后进行缺陷检测，并给出缺陷检测结果。检测模型服务器可以将缺陷检测结果发送给控制器，一方面由控制器结合实际业务场景，并根据业务需求，根据上述缺陷检测结果做出符合实际业务场景要求的响应，如报警、存储日志、控制生产控制指令等，另一方面，控制器还可以将缺陷检测结果及上述响应的处理行为作为日志存储到生产数据库中，以使训练模块根据训练数据库中的显示屏图像和缺陷检测结果更新上述得到的缺陷检测模型，该训练数据库中存储的是从生产数据库中筛选的具有缺陷的显示屏图像和对应的缺陷检测结果等数据。
值得说明的是，对于每一次优化的缺陷检测模型可通过小流量上线的方式逐步取代正在服务器上运行的缺陷检测模型，以达到缺陷检测模型随业务场景和生产阶段信息动态扩展泛化的目的。当本发明实施例中显示屏质量检测方法在显示屏生产线上运行一段时间后，可以人工通过生产数据库中的信息，复查上述缺陷检测和缺陷定位的准确率，然后更新上述训练数据库，重新训练缺陷检测模型，以提高缺陷检测准确率。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图6为本发明实施例提供的显示屏质量检测装置实施例的结构示意图一。如图6所示，本发明实施例提供的显示屏质量检测装置可以包括：接收模块51、处理模块52和确定模块53。
其中，该接收模块51，用于接收部署在显示屏生产线上的控制台发送的质量检测请求，所述质量检测请求中包含所述显示屏生产线上的图像采集设备采集的显示屏图像；
处理模块52，用于将所述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，其中，所述缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的；
确定模块53，用于根据所述缺陷检测结果确定所述显示屏图像对应的显示屏上的缺陷、所述缺陷对应的缺陷类别、以及所述缺陷对应的位置。
可选的，所述缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的，包括：
所述缺陷检测模型是对所述历史缺陷显示屏图像的候选区域损失、区域类别损失和区域边界损失进行组合训练，以使所述候选区域损失、所述区域类别损失和所述区域边界损失的总损失值满足预设损失阈值的结果；
其中，所述候选区域损失指所述历史缺陷显示屏图像中选定缺陷区域与实际缺陷区域之间的损失值，所述区域类别损失指所述选定缺陷区域中预测缺陷类别与实际缺陷类别之间的损失值，所述区域边界损失指所述选定缺陷区域中预测缺陷边界与实际缺陷边界之间的损失。
可选的，在本发明的一种可能实现方式中，所述处理模块52，还用于在将所述显示图像输入到缺陷检测模型中得到缺陷检测结果之前，对所述显示屏图像进行图像预处理。
其中，所述图像预处理包括下述处理中的一项或多项：
裁边、剪切、旋转、缩小、放大。
可选的，在本发明的另一种可能实现方式中，所述处理模块52，具体用于根据负载均衡策略，确定承载处理资源的检测模型服务器，将所述显示屏图像输入到运行在所述检测模型服务器上的所述缺陷检测模型中得到缺陷检测结果。
可选的，在本发明的再一种可能实现方式中，所述确定模块53，还用于根据生产阶段信息以及所述缺陷检测结果，确定所述显示屏图像对应的显示屏的质量好坏；所述生产阶段信息用于指示所述显示屏对应的生产厂家、生产环境、以及所述显示屏的类型。
可选的，在本发明的又一种可能实现方式中，所述处理模块52，还用于在所述确定模块53根据所述缺陷检测结果确定所述显示屏图像对应的显示屏的质量好坏之后，若确定所述显示屏为坏屏，则执行以下一项或多项操作：
通过控制器向生产管理者发送报警信息；
通过控制器将所述缺陷检测结果作为日志存储到生产数据库中；
通过控制器向所述控制台发送生产控制指令以便消除缺陷；
将所述显示屏图像和所述缺陷检测结果输入到所述缺陷检测模型中以便优化所述缺陷检测模型。
本实施例的显示屏质量检测装置可用于执行图2至图5所示方法实施例的实现方案，具体实现方式和技术效果类似，这里不再赘述。
图7为本发明实施例提供的显示屏质量检测装置实施例的结构示意图二，如图7所示，本发明实施例还提供一种电子设备，包括：存储器61和至少一个处理器62。
存储器61，用于存储程序指令。
处理器62，用于在程序指令被执行时实现如上述图2至图5所示方法实施例所示的显示屏质量检测方法中的各个步骤，具体实现原理可参见上述实施例，本实施例此处不再赘述。
该电子设备还可以包括及输入/输出接口63。
输入/输出接口63可以包括独立的输出接口和输入接口，也可以为集成输入和输出的集成接口。其中，输出接口用于输出数据，输入接口用于获取输入的数据，上述输出的数据为上述方法实施例中输出的统称，输入的数据为上述方法实施例中输入的统称。
本发明还提供一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如图2至图5所示方法实施例的方法。
本发明还提供一种程序产品，该程序产品包括计算机程序，该计算机程序存储在存储介质中。显示屏质量检测装置的至少一个处理器可以从存储介质读取该计算机程序，至少一个处理器执行该计算机程序使得显示屏质量检测装置执行图2至图5所示方法实施例的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.一种显示屏质量检测方法，其特征在于，包括：
接收部署在显示屏生产线上的控制台发送的质量检测请求，所述质量检测请求中包含所述显示屏生产线上的图像采集设备采集的显示屏图像；
将所述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，其中，所述缺陷检测模型是对历史缺陷显示屏图像进行物体检测算法训练得到的；
根据所述缺陷检测结果确定所述显示屏图像对应的显示屏上的缺陷、所述缺陷对应的缺陷类别、以及所述缺陷对应的位置。
2.根据权利要求1所述的方法，其特征在于，所述缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的，包括：
所述缺陷检测模型是对所述历史缺陷显示屏图像的候选区域损失、区域类别损失、区域边界损失进行组合训练，以使所述候选区域损失、所述区域类别损失和所述区域边界损失的总损失值满足预设损失阈值的结果；
其中，所述候选区域损失指所述历史缺陷显示屏图像中选定缺陷区域与实际缺陷区域之间的损失值，所述区域类别损失指所述选定缺陷区域中预测缺陷类别与实际缺陷类别之间的损失值，所述区域边界损失指所述选定缺陷区域中预测缺陷边界与实际缺陷边界之间的损失。
3.根据权利要求2所述的方法，其特征在于，所述将所述显示图像输入到缺陷检测模型中得到缺陷检测结果之前，还包括：
对所述显示屏图像进行图像预处理，其中，所述图像预处理包括下述处理中的一项或多项：
裁边、剪切、旋转、缩小、放大。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，包括：
根据负载均衡策略，确定承载处理资源的检测模型服务器；
将所述显示屏图像输入到运行在所述检测模型服务器上的所述缺陷检测模型中得到缺陷检测结果。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
根据生产阶段信息以及所述缺陷检测结果，确定所述显示屏图像对应的显示屏的质量好坏；所述生产阶段信息用于指示所述显示屏对应的生产厂家、生产环境、以及所述显示屏的类型。
6.根据权利要求4所述的方法，其特征在于，所述根据生产阶段信息以及所述缺陷检测结果，确定所述显示屏图像对应的显示屏的质量好坏之后，还包括：
若确定所述显示屏为坏屏，则执行以下一项或多项操作：
通过控制器向生产管理者发送报警信息；
通过所述控制器将所述缺陷检测结果作为日志存储到生产数据库中；
通过所述控制器向所述控制台发送生产控制指令以便消除缺陷；
将所述显示屏图像和所述缺陷检测结果输入到所述缺陷检测模型中以便优化所述缺陷检测模型。
7.一种显示屏质量检测装置，其特征在于，包括：
接收模块，用于接收部署在显示屏生产线上的控制台发送的质量检测请求，所述质量检测请求中包含所述显示屏生产线上的图像采集设备采集的显示屏图像；
处理模块，用于将所述显示屏图像输入到缺陷检测模型中得到缺陷检测结果，其中，所述缺陷检测模型是采用深度卷积神经网络结构和物体检测算法对历史缺陷显示屏图像进行训练得到的；
确定模块，用于根据所述缺陷检测结果确定所述显示屏图像对应的显示屏上的缺陷、所述缺陷对应的缺陷类别、以及所述缺陷对应的位置。
8.根据权利要求7所述的装置，其特征在于，
所述缺陷检测模型是采用深度卷积神经网络结构和实例分割算法对历史缺陷显示屏图像进行训练得到的，包括：
所述缺陷检测模型是对所述历史缺陷显示屏图像的候选区域损失、区域类别损失和区域边界损失进行组合训练，以使所述候选区域损失、所述区域类别损失和所述区域边界损失的总损失值满足预设损失阈值的结果；
其中，所述候选区域损失指所述历史缺陷显示屏图像中选定缺陷区域与实际缺陷区域之间的损失值，所述区域类别损失指所述选定缺陷区域中预测缺陷类别与实际缺陷类别之间的损失值，所述区域边界损失指所述选定缺陷区域中预测缺陷边界与实际缺陷边界之间的损失。
9.根据权利要求7所述的装置，其特征在于，
所述处理模块，还用于在将所述显示图像输入到缺陷检测模型中得到缺陷检测结果之前，对所述显示屏图像进行图像预处理；
其中，所述图像预处理包括下述处理中的一项或多项：
裁边、剪切、旋转、缩小、放大。
10.根据权利要求7-9任一项所述的装置，其特征在于，
所述处理模块，具体用于根据负载均衡策略，确定承载处理资源的检测模型服务器，将所述显示屏图像输入到运行在所述检测模型服务器上的所述缺陷检测模型中得到缺陷检测结果。
11.根据权利要求7-9任一项所述的装置，其特征在于，所述确定模块，还用于根据生产阶段信息以及所述缺陷检测结果，确定所述显示屏图像对应的显示屏的质量好坏；所述生产阶段信息用于指示所述显示屏对应的生产厂家、生产环境、以及所述显示屏的类型。
12.根据权利要求11所述的装置，其特征在于，
所述处理模块，还用于在所述确定模块根据所述缺陷检测结果确定所述显示屏图像对应的显示屏的质量好坏之后，若确定所述显示屏为坏屏，则执行以下一项或多项操作：
通过控制器向生产管理者发送报警信息；
通过控制器将所述缺陷检测结果作为日志存储到生产数据库中；
通过控制器向所述控制台发送生产控制指令以便消除缺陷；
将所述显示屏图像和所述缺陷检测结果输入到所述缺陷检测模型中以便优化所述缺陷检测模型。
13.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，执行权利要求1-7任一项所述的方法。
14.一种存储介质，其特征在于，所述存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现权利要求1-7任一项所述的方法。
CN201810710537.5A 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 Pending CN108846841A (zh)

Priority Applications (5)

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
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
JP2019563779A JP6921241B2 (ja) 2018-07-02 2019-04-18 ディスプレイスクリーン品質検査方法、装置、電子機器及び記憶媒体
KR1020197034323A KR102229594B1 (ko) 2018-07-02 2019-04-18 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체
US16/939,277 US11488294B2 (en) 2018-07-02 2020-07-27 Method for detecting display screen quality, apparatus, electronic device and storage medium

Applications Claiming Priority (1)

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

Publications (1)

Publication Number Publication Date
CN108846841A true CN108846841A (zh) 2018-11-20

Family

ID=64200206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810710537.5A Pending 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

Country Status (5)

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

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109887450A (zh) * 2019-03-01 2019-06-14 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
CN109934814A (zh) * 2019-03-15 2019-06-25 英业达科技有限公司 表面缺陷侦测系统及其方法
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
CN110533027A (zh) * 2019-07-22 2019-12-03 浙江省北大信息技术高等研究院 一种基于移动设备的文本检测和识别方法与系统
WO2020007096A1 (zh) * 2018-07-02 2020-01-09 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
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
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系统
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
CN111275660A (zh) * 2018-12-05 2020-06-12 合肥欣奕华智能机器有限公司 一种平板显示器缺陷检测方法及装置
CN111693534A (zh) * 2020-06-12 2020-09-22 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
WO2021082918A1 (zh) * 2019-10-28 2021-05-06 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
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
CN113176275A (zh) * 2021-03-19 2021-07-27 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、装置及系统
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
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
US11587233B2 (en) 2019-10-17 2023-02-21 International Business Machines Corporation Display panel defect enhancement
CN115937184A (zh) * 2022-12-28 2023-04-07 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
US11676257B2 (en) 2018-11-30 2023-06-13 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for detecting defect of meal box, server, and storage medium
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

Families Citing this family (20)

* 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
US11216931B2 (en) * 2018-09-25 2022-01-04 Xi'an Novastar Tech Co., Ltd. Display device failure detection method, device and system
KR102206753B1 (ko) * 2019-01-24 2021-01-22 주식회사 수아랩 결함 검사 장치
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
KR102390058B1 (ko) * 2020-04-24 2022-04-22 경기대학교 산학협력단 Led 패널 결함 검출을 위한 데이터 생성 장치 및 방법
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系统
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系统、计算机可读存储介质
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系统
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系统
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系统及方法
WO2023095416A1 (ja) * 2021-11-25 2023-06-01 株式会社ジャパンディスプレイ 表示装置の検査方法及び情報処理装置
KR102494867B1 (ko) * 2022-05-05 2023-02-06 주식회사 리드텍 머신러닝에 기반하여 블랙 스크린을 감지하는 비디오 월 시스템 및 그 동작방법
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854194A (zh) * 2012-09-11 2013-01-02 中南大学 基于线阵ccd的物件表面缺陷检测方法及装置
CN106952250A (zh) * 2017-02-28 2017-07-14 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
CN107292870A (zh) * 2017-06-07 2017-10-24 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系统
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
CN108108768A (zh) * 2017-12-29 2018-06-01 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
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
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
CN108230318A (zh) * 2018-01-09 2018-06-29 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

Family Cites Families (28)

* 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
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
JP6419859B2 (ja) * 2014-06-30 2018-11-07 アマゾン・テクノロジーズ・インコーポレーテッド 機械学習モデル評価のための対話型インターフェース
CN105044127A (zh) * 2015-07-31 2015-11-11 深圳市星火辉煌系统工程有限公司 一种oled微型显示器缺陷检测装置及检测方法
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
US11210777B2 (en) * 2016-04-28 2021-12-28 Blancco Technology Group IP Oy System and method for detection of mobile device fault conditions
JP7009389B2 (ja) * 2016-05-09 2022-01-25 グラバンゴ コーポレイション 環境内のコンピュータビジョン駆動型アプリケーションのためのシステムおよび方法
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
US11379688B2 (en) * 2017-03-16 2022-07-05 Packsize Llc Systems and methods for keypoint detection with convolutional neural networks
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
KR101838664B1 (ko) * 2017-11-28 2018-03-14 서울전선 주식회사 케이블 표면 검사 장치
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
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
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
CN108921840A (zh) * 2018-07-02 2018-11-30 北京百度网讯科技有限公司 显示屏外围电路检测方法、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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854194A (zh) * 2012-09-11 2013-01-02 中南大学 基于线阵ccd的物件表面缺陷检测方法及装置
CN106952250A (zh) * 2017-02-28 2017-07-14 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
CN107292870A (zh) * 2017-06-07 2017-10-24 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系统
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
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
CN108108768A (zh) * 2017-12-29 2018-06-01 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
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
CN108230318A (zh) * 2018-01-09 2018-06-29 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAIMING HE等: "Mask R-CNN", 《ARXIV:1703.06870V1》 *
公安部第三研究所编著: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017, 东南大学出版社 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11488294B2 (en) 2018-07-02 2022-11-01 Beijing Baidu Netcom Science Technology Co., Ltd. Method for detecting display screen quality, apparatus, electronic device and storage medium
WO2020007096A1 (zh) * 2018-07-02 2020-01-09 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
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
US11676257B2 (en) 2018-11-30 2023-06-13 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for detecting defect of meal box, server, and storage medium
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
CN111275660A (zh) * 2018-12-05 2020-06-12 合肥欣奕华智能机器有限公司 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
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
CN109887450A (zh) * 2019-03-01 2019-06-14 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
CN109934814A (zh) * 2019-03-15 2019-06-25 英业达科技有限公司 表面缺陷侦测系统及其方法
CN109934814B (zh) * 2019-03-15 2022-02-01 英业达科技有限公司 表面缺陷侦测系统及其方法
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
CN110533027A (zh) * 2019-07-22 2019-12-03 浙江省北大信息技术高等研究院 一种基于移动设备的文本检测和识别方法与系统
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系统
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
WO2021082918A1 (zh) * 2019-10-28 2021-05-06 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系统
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
US11900589B2 (en) 2020-05-29 2024-02-13 Boe Technology Group Co., Ltd. Detection device of display panel and detection method thereof, electronic device and readable medium
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
US11763552B2 (en) 2020-06-12 2023-09-19 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for detecting surface defect, method for training model, apparatus, device, and media
CN111693534A (zh) * 2020-06-12 2020-09-22 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
JP7476345B2 (ja) 2020-07-02 2024-04-30 ソニーグループ株式会社 輪郭精度評価を用いた画像セグメンテーション訓練
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
CN113176275A (zh) * 2021-03-19 2021-07-27 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、装置及系统
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
CN115937184A (zh) * 2022-12-28 2023-04-07 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

Also Published As

Publication number Publication date
JP2020528996A (ja) 2020-10-01
US20200357109A1 (en) 2020-11-12
WO2020007096A1 (zh) 2020-01-09
JP6921241B2 (ja) 2021-08-18
KR102229594B1 (ko) 2021-03-17
US11488294B2 (en) 2022-11-01
KR20200004824A (ko) 2020-01-14

Similar Documents

Publication Publication Date Title
CN108846841A (zh) 显示屏质量检测方法、装置、电子设备及存储介质
CN108961238A (zh) 显示屏质量检测方法、装置、电子设备及存储介质
CN109084955A (zh) 显示屏质量检测方法、装置、电子设备及存储介质
CN109064446A (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
CN109085174A (zh) 显示屏外围电路检测方法、装置、电子设备及存储介质
CN108257121B (zh) 产品缺陷检测模型更新的方法、装置、存储介质及终端设备
CN108961239A (zh) 连铸坯质量检测方法、装置、电子设备及存储介质
CN108564104A (zh) 产品缺陷检测方法、装置、系统、服务器及存储介质
CN108830285A (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN108921840A (zh) 显示屏外围电路检测方法、装置、电子设备及存储介质
CN112613569B (zh) 图像识别方法、图像分类模型的训练方法及装置
CN109087281A (zh) 显示屏外围电路检测方法、装置、电子设备及存储介质
CN110264444A (zh) 基于弱分割的损伤检测方法及装置
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
JP7446060B2 (ja) 情報処理装置、プログラム及び情報処理方法
Song et al. Deformable YOLOX: detection and rust warning method of transmission line connection fittings based on image processing technology
JP2019075078A (ja) 工事現場画像判定装置及び工事現場画像判定プログラム
JP2021162892A (ja) 評価装置、評価方法及び記憶媒体
CN114360064B (zh) 基于深度学习的办公场所人员行为轻量级目标检测方法
CN114724140A (zh) 一种基于yolo v3的草莓成熟度检测方法、装置
CN115984158A (zh) 缺陷分析方法、装置、电子设备及计算机可读存储介质
CN109087282A (zh) 显示屏外围电路检测方法、装置、电子设备及存储介质
CN115376275B (zh) 一种基于图像处理的施工安全告警方法及系统
CN117912101A (zh) 一种工业场景下危险行为的检测方法、设备及介质

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