CN109683360B - 液晶面板缺陷检测方法及装置 - Google Patents

液晶面板缺陷检测方法及装置 Download PDF

Info

Publication number
CN109683360B
CN109683360B CN201910114638.0A CN201910114638A CN109683360B CN 109683360 B CN109683360 B CN 109683360B CN 201910114638 A CN201910114638 A CN 201910114638A CN 109683360 B CN109683360 B CN 109683360B
Authority
CN
China
Prior art keywords
network
defect
image
defects
training
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.)
Expired - Fee Related
Application number
CN201910114638.0A
Other languages
English (en)
Other versions
CN109683360A (zh
Inventor
忻超
石瑞
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.)
Jiaxing Qingfei Photoelectric Technology Co ltd
Original Assignee
Ningbo Qting Vision 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 Ningbo Qting Vision Technology Co ltd filed Critical Ningbo Qting Vision Technology Co ltd
Priority to CN201910114638.0A priority Critical patent/CN109683360B/zh
Publication of CN109683360A publication Critical patent/CN109683360A/zh
Application granted granted Critical
Publication of CN109683360B publication Critical patent/CN109683360B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Nonlinear Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Optics & Photonics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本发明公开了一种液晶面板缺陷检测方法和装置，该方法通过建立训练数据集、采用多尺度聚焦框进行分块以得到不同大小的聚焦框图、搭建深度检测网络并进行残缺位置的预测，以及在迭代若干次后计算准确率并选取一个测试数据中较高准确率的网络，将其作为预训练网络，减小学习率进行再次训练微调网络，选取一个最高准确率的网络作为最后的网络模型以用于实际检测。本发明的检测方法和装置通过采用多尺度聚焦框随机分块来训练深度学习网络，在提高小目标检测准确率的同时不会降低大目标的检测准确率；并且在训练阶段采用随机分块，同时增加训练集的数据量等方式，提高了缺陷检测方法的准确率，实现了对于液晶面板复杂且不规则缺陷的识别和定位。

Description

液晶面板缺陷检测方法及装置
技术领域
本发明涉及液晶面板的缺陷检测技术领域，具体涉及一种基于多尺度聚焦框的深度学习液晶面板的缺陷识别、定位和检测方法，以及检测装置。
背景技术
液晶面板是电子产品(如电视,手机)的关键部件，占据着整机2/3的成本。随着当前科技的不断发展，液晶面板的产品功能日益复杂和性能提高，但液晶面板生产过程中难免会有面板缺失、瑕疵、划痕等不规则缺陷，导致人工视觉检测过程极度困难，且误检率较高，效率低下。近年来随着电子行业竞争加剧和工艺质检要求的提高，计算机视觉得到广泛的应用，但液晶面板领域因其缺陷具有不规则，像素级缺陷和多分类要求等特点，传统的算法无法完全代替人工实现高精度质检，而本发明的基于多尺度聚焦框的神经网络深度学习算法具有更好的自适应性，可以很好的解决液晶面板的像素级质量缺陷检测需求，达到更好的检测效果，实现真正的智能制造。
发明内容
有鉴于此，本发明提供一种基于多尺度聚焦框深度学习的液晶面板缺陷检测、识别和定位方法，其能够解决现有的液晶面板复杂且不规则缺陷的识别和定位问题。
作为本发明的第一方面，提供了一种液晶面板缺陷检测方法，其特征在于包括以下步骤：
步骤一：准备若干液晶面板图像，先人工对图像进行打标签，以标记出缺陷的位置和所属的种类，然后将已打标签标记出缺陷位置和缺陷种类的液晶面板图像归入数据集中，从而建立用于训练的液晶面板图像数据集。
步骤二：选取不同尺度的聚焦框在液晶面板图像原图上进行打框以得到不同大小的聚焦框图，并按框内缺陷物体的面积占聚焦框面积的百分比将各聚焦框图分别作为正样本、负样本或背景，从而通过采用多尺度聚焦框对液晶面板图像原图按随机分块的思想进行训练，以增加训练数据，使得优化后的检测方法对于大缺陷和小缺陷都能很好地检测。
例如，假设图片的长和宽度分别记为H和W，采用尺度H/1.2、W/1.2；H/3、W/3；H/6、W/6；H/10、W/10四种比例(当然也可以是其他比例数值或比例数量)的框在原图片上进行打框，若框内缺陷物体的面积小于聚焦框面积的10％，就把它当作负样本处理，该框为无效聚焦框，若超过聚焦框框面积的10％，就当作正样本处理，该框为有效聚焦框；若聚焦框内没有缺陷物体，就把这个聚焦框当作背景放入到神经网络中进行训练。
步骤三，搭建一个用于检测多尺度缺陷的深度检测网络，采用多层的CNN(卷积神经网络)残差网络对图像进行特征提取，搭建残缺区域位置回归网络，以对缺陷位置进行识别、分类和定位。缺陷种类的判断可以通过现有或者是改进型的分类器完成。
步骤四，对调节网络的训练学习率进行微调，边训练边计算训练数据的准确率，迭代若干次后对测试数据进行测试以计算准确率，选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。
实际测试环境下，选取上述优化好的网络模型进行液晶面板缺陷检测，将不同类型缺陷的液晶面板图片输入到网络中；对于每一待检测的原图，采用多尺度聚焦框在原图像上进行多尺度聚焦框滑动，得到一系列的聚焦框图，同一图片的所有聚焦框图形成用于检测的数据集，按训练得到的网络(使用多进程、多GPU的方式)对各聚焦框图进行检测，检测出缺陷的位置和种类，并根据聚焦框在原图上的位置进行坐标变换，即可求出缺陷在原图上的对应位置。
作为优选，由于训练数据集中面板图像的缺陷数据较少会出现过拟合现象，因而本发明还包括采用数据增强技术对数据集进行进一步增强；增强过程具体包括数量均衡、颜色增强和方向增强。
数量均衡的过程包括：对每一缺陷种类的数值取最大值，并将所有缺陷种类的数值均置为所述最大值，对于原有缺陷种类数值不足的种类，从其现有图像中随机扩充以使得所有缺陷种类数值相等；例如，最大值为100，某一类的实际数值为90，从现有90张图像中随机选出10张并重新编号，形成与最大值相同数量的新类别。
所述颜色增强包括：对图像的颜色进行数据增强，对每一张图片的亮度，对比度和饱和度进行随机变化，还可以对图像增加高斯噪声。
所述方向增强包括，对步骤二中的聚焦框进行水平、垂直翻转，随机旋转。
上述步骤二中的多尺度聚焦也可以看成是一种数据增强技术，可以定义为多尺度聚焦框数据增强模块，采用多尺度的聚焦框在原图上进行裁剪，裁剪出不同尺度的图片，用聚焦框的图片进行训练。
同时，对于本发明的检测方法而言，各个数据增强技术是可以根据需要进行相应组合的；例如，先进行数量均衡，再作多尺度聚焦框数据增强，最后对聚集框进行方向增强；也可以是先进行多尺度聚焦框数据增强，再做数量均衡；又或者先颜色增强，再多尺度聚焦框数据增强，最后数量均衡。各个数据增强技术中，数量均衡是为平衡各缺陷的训练效果，多尺度聚焦框数据增强除避免过拟合外还可以提升训练得到的网络对于大缺陷和小缺陷的兼容性，而颜色增强和方向增强则在前两者基础上进一步提升检测的准确度使用。
作为优选，搭建的深度检测网络的特征提取网络采用若干层的残差网络(可以是30层、50层，或是其他依需要的数据)，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间。将缺陷区域输入到特征图中，并且采用softmax分类器对n种缺陷进行分类，以确保在实际缺陷检测过程中，聚焦框内不会出现过检的情况。
SoftMax分类器的工作过程为：
对于m个已标记样本的训练集{(x(1),y(1)),…,(x(m),y(m))}，其中类别标记为y(i)∈{0,1}。在逻辑回归中，逻辑回归的假设函数公式为：
Figure BDA0001969668150000031
首先对该二维向量进行归一化，使得每一个分量对应到0-1之间，然后根据训练的类别标签选出对应的那个分量，然后计算它的对数，然后取相反数，最终的结果就是该训练样本的误差值。然后进行误差回传，更新网络的权重，从而使得全连接的输出置信度尽可能的逼近1。
作为优选，建立数据集时还将没有缺陷的液晶面板图片也加入到训练数据集中，以校正网络模型，防止在实际测试阶段出现过检情况；同时，搭建的网络也需要具备对没有缺陷的图片进行正确的识别的能力，分类中增加一类别以对应无缺陷；即对没有残缺的图像也需要进行处理，并将其归入无缺陷所对应的类别。
作为本发明的第二方面，提供了一种液晶面板缺陷检测装置，其特征在于包括：
数据集建立模块，用于将已打标签标记出缺陷位置和缺陷种类的液晶面板图像归入数据集中，从而建立用于训练的液晶面板图像数据集。
多尺度聚焦模块，用于选取不同尺度的聚焦框在液晶面板图像原图上进行打框以得到不同大小的聚焦框图，并按框内缺陷物体的面积占聚焦框面积的百分比将各聚焦框图分别作为正样本、负样本或背景，从而通过采用多尺度聚焦框对液晶面板图像原图按随机分块的思想对网络进行训练，以增加训练数据，使得优化后的检测方法对于大缺陷和小缺陷都能很好地检测。
深度检测网络，用于采用多层的CNN残差网络对图像进行特征提取，搭建残缺区域位置回归网络，并对缺陷进行识别、分类和定位。缺陷种类的判断可以通过现有或者是改进型的分类器完成。
调节模块，用于对调节网络的训练学习率进行微调，边训练边计算训练数据的准确率，迭代若干次后对测试数据进行测试以计算准确率，选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。
实际测试环境下，选取上述优化好的网络模型进行液晶面板缺陷检测，将不同类型缺陷的液晶面板图片输入到网络中；对于每一待检测的原图，采用多尺度聚焦框在原图像上进行多尺度聚焦框滑动，得到一系列的聚焦框图，同一图片的所有聚焦框图形成用于检测的数据集，按训练得到的网络(使用多进程、多GPU的方式)对各聚焦框图进行检测，检测出缺陷的位置和种类，并根据聚焦框在原图上的位置进行坐标变换，即可求出缺陷在原图上的对应位置。
作为优选，所述装置还包括采用数据增强技术用于对数据集进行进一步增强的数据增强模块，其包括数量均衡模块、颜色增强模块和方向增强模块。
数量均衡模块，用于对每一缺陷种类的数量值取最大值，并将所有缺陷种类的数量值均置为所述最大值，相关缺陷种类缺少的图像从现有图像中随机扩充获得。
颜色增强模块，用于对图像的颜色进行数据增强，对每一张图片的亮度，对比度和饱和度进行随机变化，还对图像增加高斯噪声。
方向增强模块，用于对聚焦框进行水平、垂直翻转或随机旋转。
作为优选，所述特征提取网络采用若干层的残差网络(可以是30层、50层，或是其他依需要的数据)，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间。将缺陷区域输入到特征图中，并且采用softmax分类器对n种缺陷进行分类，以确保在实际缺陷检测过程中，聚焦框内不会出现过检的情况。
SoftMax的工作过程为：
对于m个已标记样本的训练集{(x(1),y(1)),…,(x(m),y(m))}，其中类别标记为y(i)∈{0,1}。在逻辑回归中，逻辑回归的假设函数公式为：
Figure BDA0001969668150000041
首先对该二维向量进行归一化，使得每一个分量对应到0-1之间，然后根据训练的类别标签选出对应的那个分量，然后计算它的对数，然后取相反数，最终的结果就是该训练样本的误差值。然后进行误差回传，更新网络的权重，从而使得全连接的输出置信度尽可能的逼近1。
作为优选，数据集建立模块建立数据集时还将没有缺陷的液晶面板图片也加入到训练数据集中，以校正网络模型，防止在实际测试阶段出现过检情况；同时，搭建的网络也需要具备对没有缺陷的图片进行正确的识别的能力。同时，分类模块还包括无缺陷类。
本发明的检测方法和装置通过采用多尺度聚焦框随机分块来训练深度学习网络，从而提高小目标的检测准确率，同时不会降低大目标的检测准确率；在训练阶段采用随机分块，同时增加了训练集的数据量，提高了缺陷检测方法的准确率。
附图说明
图1是本发明的缺陷检测方法流程示意图；
图2是本发明的检测流程示意图；
图3是Softmax分类器示意图；
图4是聚焦框工作示意图；
图5是某一实施例的数据均衡图片索引示意图；
图6是某一实施例的待测液晶面板图像；
图7是对图6图像的处理过程示意图；
图8是利用本发明的检测方法对某一面板图像进行检测的流程参考图。
具体实施方式
为了使本领域技术人员更好地理解本发明，从而对本发明要求保护的范围作出更清楚地限定，下面就本发明的某些具体实施例对本发明进行详细描述。需要说明的是，以下仅是本发明构思的某些具体实施方式仅是本发明的一部分实施例，其中对于相关结构的具体的直接的描述仅是为方便理解本发明，各具体特征并不当然、直接地限定本发明的实施范围。本领域技术人员在本发明构思的指导下所作的常规选择和替换，均应视为在本发明要求保护的范围内。
液晶面板缺陷检测方法，包括以下步骤：
准备若干液晶面板图像，图像可以是，先人工对图像进行打标签，以标记出缺陷的位置和所属的种类，然后将已打标签标记出缺陷位置和缺陷种类的液晶面板图像归入数据集中，从而建立用于训练的液晶面板图像数据集。
同时，建立数据集时还将没有缺陷的液晶面板图片也加入到训练数据集中，以校正网络模型，防止在实际测试阶段出现过检情况；同时，搭建的网络也需要具备对没有缺陷的图片进行正确的识别的能力，分类中增加一类别以对应无缺陷；即对没有残缺的图像也需要进行处理，并将其归入无缺陷所对应的类别。
更佳地，由于训练数据集中面板图像的缺陷数据较少会出现过拟合现象，因而本发明还包括采用数据增强技术对数据集进行进一步增强，增强过程具体包括数量均衡、颜色增强和方向增强，并以增强后的数据集进行后续处理操作。
数量均衡的过程包括：对每一缺陷种类的数值取最大值，并将所有缺陷种类的数值均置为所述最大值，对于原有缺陷种类数值不足的种类，从其现有图像中随机扩充以使得所有缺陷种类数值相等；例如，最大值为100，某一类的实际数值为90，从现有90张图像中随机选出10张并重新编号，形成与最大值相同数量的新类别。
所述颜色增强包括：对图像的颜色进行数据增强，对每一张图片的亮度，对比度和饱和度进行随机变化，还可以对图像增加高斯噪声。
所述方向增强包括，对原图或聚焦框进行水平、垂直翻转，随机旋转。
选取不同尺度的聚焦框在液晶面板图像原图上进行打框以得到不同大小的聚焦框图，并按框内缺陷物体的面积占聚焦框面积的百分比将各聚焦框图分别作为正样本、负样本或背景，从而通过采用多尺度聚焦框对液晶面板图像原图按随机分块的思想进行训练，以增加训练数据，使得优化后的检测方法对于大缺陷和小缺陷都能很好地检测。
例如，假设图片的长和宽度分别记为H和W，采用尺度H/1.2、W/1.2；H/3、W/3；H/6、W/6；H/10、W/10四种比例(当然也可以是其他比例数值或比例数量)的框在原图片上进行打框，若框内缺陷物体的面积小于聚焦框面积的10％，就把它当作负样本处理，该框为无效聚焦框，若超过聚焦框框面积的10％，就当作正样本处理，该框为有效聚焦框；若聚焦框内没有缺陷物体，就把这个聚焦框当作背景放入到神经网络中进行训练。
搭建一个用于检测多尺度缺陷的深度检测网络，采用多层的CNN(卷积神经网络)残差网络对图像进行特征提取，搭建残缺区域位置回归网络，以对缺陷位置进行识别、分类和定位，缺陷种类的判断可以通过现有或者是改进型的分类器完成。搭建的深度检测网络的特征提取网络采用若干层的残差网络(层数可以依需要设置，例如：30、50或其他数据)，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间。将缺陷区域输入到特征图中，并且采用softmax分类器对n种缺陷进行分类。
对调节网络的训练学习率进行微调，边训练边计算训练数据的准确率，迭代若干次后对测试数据进行测试以计算准确率，选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。
实际测试环境下，选取上述优化好的网络模型进行液晶面板缺陷检测，将不同类型缺陷的液晶面板图片输入到网络中；对于每一待检测的原图，采用多尺度聚焦框在原图像上进行多尺度聚焦框滑动，得到一系列的聚焦框图，同一图片的所有聚焦框图形成用于检测的数据集，按训练得到的网络(使用多进程、多GPU的方式)对各聚焦框图进行检测，检测出缺陷的位置和种类，并根据聚焦框在原图上的位置进行坐标变换，即可求出缺陷在原图上的对应位置。
在某些实施例中，对于缺陷的分类采用softmax分类器来实现，以确保在实际缺陷检测过程中，聚焦框内不会出现过检的情况。
SoftMax分类器的工作过程为：
对于m个已标记样本的训练集{(x(1),y(1)),…,(x(m),y(m))}，其中类别标记为y(i)∈{0,1}。在逻辑回归中，逻辑回归的假设函数公式为：
Figure BDA0001969668150000071
首先对该二维向量进行归一化，使得每一个分量对应到0-1之间，然后根据训练的类别标签选出对应的那个分量，然后计算它的对数，然后取相反数，最终的结果就是该训练样本的误差值。然后进行误差回传，更新网络的权重，从而使得全连接的输出置信度尽可能的逼近1。
根据上述检测方法的液晶面板缺陷检测装置，包括：
数据集建立模块，用于将已打标签标记出缺陷位置和缺陷种类的液晶面板图像归入数据集中，从而建立用于训练的液晶面板图像数据集。
更佳地，所述装置还包括采用数据增强技术用于对数据集进行进一步增强的数据增强模块，其包括数量均衡模块、颜色增强模块和方向增强模块。
数量均衡模块，用于对每一缺陷种类的数量值取最大值，并将所有缺陷种类的数量值均置为所述最大值，相关缺陷种类缺少的图像从现有图像中随机扩充获得。
颜色增强模块，用于对图像的颜色进行数据增强，对每一张图片的亮度，对比度和饱和度进行随机变化，还对图像增加高斯噪声，并以变化后的图像代替原图像。
方向增强模块，用于对聚焦框进行水平、垂直翻转或随机旋转。
多尺度聚焦模块，用于选取不同尺度的聚焦框在液晶面板图像原图上进行打框以得到不同大小的聚焦框图，并按框内缺陷物体的面积占聚焦框面积的百分比将各聚焦框图分别作为正样本、负样本或背景，从而通过采用多尺度聚焦框对液晶面板图像原图按随机分块的思想对网络进行训练，以增加训练数据，使得优化后的检测方法对于大缺陷和小缺陷都能很好地检测。
深度检测网络，用于采用多层的CNN残差网络对图像进行特征提取，搭建残缺区域位置回归网络，并对缺陷进行识别、分类和定位。所述特征提取网络采用若干层的残差网络，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间。将缺陷区域输入到特征图中，并且采用softmax分类器对n种缺陷进行分类。
所述用于缺陷分类的分类模块可以为softmax分类器，以确保在实际缺陷检测过程中，聚焦框内不会出现过检的情况。
SoftMax的工作过程为：
对于m个已标记样本的训练集{(x(1),y(1)),…,(x(m),y(m))}，其中类别标记为y(i)∈{0,1}。在逻辑回归中，逻辑回归的假设函数公式为：
Figure BDA0001969668150000081
首先对该二维向量进行归一化，使得每一个分量对应到0-1之间，然后根据训练的类别标签选出对应的那个分量，然后计算它的对数，然后取相反数，最终的结果就是该训练样本的误差值。然后进行误差回传，更新网络的权重，从而使得全连接的输出置信度尽可能的逼近1。
调节模块，用于对调节网络的训练学习率进行微调，边训练边计算训练数据的准确率，迭代若干次后对测试数据进行测试以计算准确率，选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。
实际测试环境下，选取上述优化好的网络模型进行液晶面板缺陷检测，将不同类型缺陷的液晶面板图片输入到网络中；对于每一待检测的原图，采用多尺度聚焦框在原图像上进行多尺度聚焦框滑动，得到一系列的聚焦框图，同一图片的所有聚焦框图形成用于检测的数据集，按训练得到的网络(使用多进程、多GPU的方式)对各聚焦框图进行检测，检测出缺陷的位置和种类，并根据聚焦框在原图上的位置进行坐标变换，即可求出缺陷在原图上的对应位置。
在某些实施例中，数据集建立模块建立数据集时还将没有缺陷的液晶面板图片也加入到训练数据集中，以校正网络模型，防止在实际测试阶段出现过检情况；同时，搭建的网络也需要具备对没有缺陷的图片进行正确的识别的能力。同时，分类模块还包括无缺陷类。
实施例
基于多尺度聚焦框的深度学习液晶面板缺陷检测方法，其具体包括以下步骤：
步骤一：分别采集带有缺陷和不带有缺陷的液晶面板图像，缺陷种类可以是多种多样的，缺陷大小/面积也可以是多种多样的，由人工对各液晶面板进行打标签，以标记出缺陷的位置和所属的种类；同时，也需要对没有缺陷的图片进行打标签。
将上述打好标签的包括缺陷和不包括缺陷的图像建立为训练数据集，建立数据集时将有缺陷和没有缺陷的液晶面板图片均加入到训练数据集中，以校正网络模型，防止在实际测试阶段出现过检情况。训练数据集按下面的向量表示：
假设原图的宽为w,高为h，有n种缺陷种类(即n为缺陷种类)，对图片里面的每个缺陷区域画矩形框，可以得到数据集，每一张矩形框所对应的向量为：
[ImageID,ImageWidth,ImageHeight,DefectsID,DefectsWidth,DefectsHeight],DefectsID∈[1,n]
没有缺陷的图片所对应的向量为：
[ImageID,ImageWidth,ImageHeight,DefectsID],DefectsID＝0
步骤二：数据增强，由于每一类缺陷中图片数量可能不平衡，需要根据缺陷的标签对数据进行均衡。数据均衡过程如下：每一类缺陷数量分别为n1,n2…nn,求出最大类别数nmax＝[n0,n1…nn]，每一类需要扩充数量分别为nmax-n1,nmax-n2…nmax-nn，然后每一类的图片中随机选择图片，知道每一类的缺陷图片数量都相等，都为nmax。然后产生最大类别数nmax的随机数组，数组中每个元素对每类缺陷的个数取余，得到对应的图片索引(如图5所示)。经过数据均衡以后每类缺陷的图片数都为nmax，不足的图像需要从原图像集中随机扩充产生；例如，nmax＝100，n2＝90，那么，从n2中随机抽取10件(nmax-n2)并将其分别作为第91-100号图像。从而使得均衡后的所有类别中包括相同数量的图像。
除进行数量均衡外，还分别进行如下操作：
通过对聚焦框图片的亮度，对比度和饱和度进行随机变化，并且对聚焦框图片加入高斯噪声，以对聚焦框图片的颜色进行数据增强。
对聚焦框图片进行水平、垂直翻转，以进行方向增加。
采用多尺度聚焦框对原图按随机分块的思想进行训练，可以大量的增加训练数据，并且可以在大图中识别尺度大的缺陷和尺度小的缺陷。假设图片的长和宽度分别记为H和W，采用尺度H/1.2、W/1.2；H/3、W/3；H/6、W/6；H/10、W/10这四种比例的聚焦框在原图片上进行打框。若框内缺陷物体的面积小于聚焦框面积的10％，就把它当作负样本处理，该框为无效聚焦框；若超过聚焦框框面积的10％，就当作正样本处理，该框为有效聚焦框；若聚焦框内没有缺陷物体，就把这个聚焦框当作背景放入到cnn中进行训练。这样缺陷在聚焦框内的位置情况增加，缺陷在聚焦框内的比例情况增加，就可以避免因训练数据集中面板图像的缺陷数据较少而导致出现过拟合现象，同时，也可以使得训练得到的网线模型能提高小目标的检测准确率，并且还不会降低大目标的检测准确率。
图4示出了在某一图像或图像区域内进行聚焦框打框示意图，其中最外侧粗实线为图像区域，阴影部分为缺陷区域，实线框为有效聚焦框，而虚线框则为无效聚焦框。
步骤三：搭建一个用于检测多尺度缺陷的深度cnn检测网络，并且该网络需要对没有缺陷的图片进行正确的识别。采用多层的残差网络对图像进行特征提取，搭建残缺区域位置回归网络，进行残缺位置的预测；对没有残缺的图像也需要进行处理，只不过处理得到的残缺位置为空。提取出缺陷区域和非缺陷区域以后，将区域信息加入到聚焦框特征图中然后通过Softmax分类器进行非缺陷和n种缺陷的判断，即经由Softmax分类器实现对于缺陷的分类；类别中包括无缺陷这一类别，也就是说通过Softmax分类器可以同时实现缺陷的检测和分类。
搭建的深度检测网络的特征提取网络采用50层的残差网络，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间。将缺陷区域输入到特征图中，并且采用softmax分类器对n种缺陷进行分类。
对于缺陷和非缺陷区域的判断，可以利用softmax分类器来实现，这样可以确保在实际缺陷检测过程中，聚焦框内不会出现过检的情况；
SoftMaxw分类器的工作过程为，对于m个已标记样本的训练集{(x(1),y(1)),…,(x(m),y(m))}，其中类别标记为y(i)∈{0,1}。在逻辑回归中，逻辑回归的假设函数公式为：
Figure BDA0001969668150000111
Softmax分类器如图3所示。
首先对该二维向量进行归一化，使得每一个分量对应到0-1之间，然后根据训练的类别标签选出对应的那个分量，然后计算它的对数，然后取相反数，最终的结果就是该训练样本的误差值。然后进行误差回传，更新网络的权重，从而使得全连接的输出置信度尽可能的逼近1。
步骤四，对调节网络的训练学习率进行微调，边训练边计算训练数据的准确率，迭代若干次后对测试数据进行测试以计算准确率，选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。
如图8所示，实际测试环境下，选取上述优化好的网络模型对某一液晶面板的缺陷进行检测，从原图左上方开始，对于第一聚焦框生成进程1，选用四种不同尺度的聚焦框进行聚焦选取，完成后检测框右移、下移至原图右下角的第n聚焦框选择进程n；对于每一聚焦框选择进程获得的聚焦图像，分别采用上述优化检测方法对缺陷进行检测，检测时可以使用多进程、多GPU的方式对各聚焦框图进行检测，并根据聚焦框在原图上的位置进行坐标变换，即可求出缺陷在原图上的对应位置。

Claims (8)

1.一种液晶面板缺陷检测方法，包括：
步骤一，将已打标签标记出缺陷位置和缺陷种类的液晶面板图像归入数据集中，从而建立用于训练的液晶面板图像数据集；建立数据集时还将没有缺陷的液晶面板图片也加入到训练数据集中，以校正网络模型，防止在实际测试阶段出现过检情况；
步骤二，选取不同尺度的聚焦框在液晶面板图像原图上进行打框以得到不同大小的聚焦框图，聚焦框内缺陷的面积小于聚焦框面积的10％的聚焦框图作为负样本处理，聚焦框内缺陷的面积超过聚焦框框面积的10％的聚焦框图作为正样本处理，若聚焦框内没有缺陷则将该聚焦框图作为背景，从而通过采用多尺度聚焦框对液晶面板图像原图按随机分块的思想进行训练，以增加训练数据，使得优化后的检测方法对于大缺陷和小缺陷都能很好地检测；训练数据集按下面的向量表示：
假设原图的宽为w,高为h，有n种缺陷种类，对原图中每个缺陷区域画矩形框作为聚焦框以得到数据集，每一张矩形框所对应的向量为：
[ImageID,ImageWidth,ImageHeight,DefectsID,DefectsWidth,DefectsHeight],DefectsID∈[1,n]
没有缺陷的聚焦框所对应的向量为：
[ImageID,ImageWidth,ImageHeight,DefectsID],DefectsID＝0；
步骤三，搭建用于检测多尺度缺陷的深度检测网络，采用多层的CNN残差网络对图像进行特征提取，并对缺陷进行识别、分类和定位；特征提取网络采用若干层的残差网络，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间；将缺陷区域输入到特征图中，并且采用softmax分类器对缺陷进行分类，类别中包括无缺陷这一类别，以通过softmax分类器同时实现缺陷的检测和分类；
步骤四，对网络训练参数进行微调，迭代若干次后对测试数据进行测试以计算准确率选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。
2.根据权利要求1所述的检测方法，其特征在于，在步骤二之前，还包括对数据集进行数据增强的步骤，其包括数量均衡、颜色增强和方向增强；
数量均衡的过程包括：对每一缺陷种类的数值取最大值，并将所有缺陷种类的数值均置为所述最大值，对于原有缺陷种类数值不足的种类，从其现有图像中随机扩充以使得所有缺陷种类数值相等；
颜色增强的过程包括：对图像的颜色进行数据增强，对每一张图片的亮度，对比度和饱和度进行随机变化，还对图像增加高斯噪声；
方向增强的过程包括，对聚焦框进行水平、垂直翻转或随机旋转。
3.根据权利要求1或2所述的检测方法，其特征在于，所述softmax分类器的工作过程为：
对于m个已标记样本的训练集{(x(1),y(1)),…,(x(m),y(m))}，其中类别标记为y(i)∈{0,1}，在逻辑回归中，逻辑回归的假设函数公式为：
Figure FDA0003251821330000021
先对二维向量进行归一化，使得每一个分量对应到0-1之间，然后根据训练的类别标签选出对应分量，计算出其对数后取相反数，所得的最终结果为训练样本的误差值；然后进行误差回传，更新网络的权重，使得全连接的输出置信度逼近1。
4.根据权利要求1或2所述的检测方法，其特征在于，在步骤二中，假定原图的宽为w，高为h，聚焦框在原图上按宽为w/p，高为h/p进行打框，p为1.2、3、6或10；
对于打框获得的每一聚焦图像分别进行缺陷检测，使用多进程或多GPU的方式对各聚焦框图进行检测，并根据聚焦框在原图上的位置进行坐标变换，求出缺陷在原图上的对应位置。
5.一种用于实现权利要求1-4任一项所述的液晶面板缺陷检测方法的检测装置，包括：
数据集建立模块，用于将已打标签标记出缺陷位置和缺陷种类的液晶面板图像归入数据集中，从而建立用于训练的液晶面板图像数据集；
多尺度聚焦模块，用于选取不同尺度的聚焦框在液晶面板图像原图上进行打框以得到不同大小的聚焦框图，并按框内缺陷物体的面积占聚焦框面积的百分比将各聚焦框图分别作为正样本、负样本或背景，从而通过采用多尺度聚焦框对液晶面板图像原图按随机分块的思想对网络进行训练，以增加训练数据，使得优化后的检测方法对于大缺陷和小缺陷都能很好地检测；
深度检测网络，用于采用多层的CNN残差网络对图像进行特征提取，搭建残缺区域位置回归网络，并对缺陷进行识别、分类和定位；
训练参数调节模块，用于对网络训练参数进行微调，迭代若干次后对测试数据进行测试以计算准确率，选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。
6.权利要求5所述的检测装置，其特征在于，所述装置还包括用于对数据集进行数据增强的数据增强模块，其包括数量均衡模块、颜色增强模块和方向增强模块；
数量均衡模块，用于对每一缺陷种类的数量值取最大值，并将所有缺陷种类的数量值均置为所述最大值，相关缺陷种类缺少的图像从现有图像中随机扩充获得；
颜色增强模块，用于对图像的颜色进行数据增强，对每一张图片的亮度，对比度和饱和度进行随机变化，还对图像增加高斯噪声；
方向增强模块，用于对聚焦框进行水平、垂直翻转或随机旋转。
7.权利要求5所述的检测装置，其特征在于，所述特征提取网络采用若干层的残差网络，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间；将缺陷区域输入到特征图中，并且采用softmax分类器对缺陷进行分类，以确保在实际缺陷检测过程中，聚焦框内不会出现过检的情况。
8.权利要求5所述的检测装置，其特征在于，数据集还包括没有缺陷的液晶面板图片，以校正网络模型，防止在实际测试阶段出现过检情况；同时，分类模块还包括无缺陷类。
CN201910114638.0A 2019-02-14 2019-02-14 液晶面板缺陷检测方法及装置 Expired - Fee Related CN109683360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910114638.0A CN109683360B (zh) 2019-02-14 2019-02-14 液晶面板缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910114638.0A CN109683360B (zh) 2019-02-14 2019-02-14 液晶面板缺陷检测方法及装置

Publications (2)

Publication Number Publication Date
CN109683360A CN109683360A (zh) 2019-04-26
CN109683360B true CN109683360B (zh) 2022-02-22

Family

ID=66195783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910114638.0A Expired - Fee Related CN109683360B (zh) 2019-02-14 2019-02-14 液晶面板缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN109683360B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110684A (zh) * 2019-05-14 2019-08-09 深圳供电局有限公司 输电线设备的外来物识别方法、装置及计算机设备
CN110503623A (zh) * 2019-05-24 2019-11-26 深圳供电局有限公司 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法
CN110717378A (zh) * 2019-08-26 2020-01-21 苏州感知线智能科技有限公司 基于神经网络算法的导电粒子的检测方法及装置
CN110837717B (zh) * 2019-11-06 2022-09-06 成都数之联科技股份有限公司 一种基于Map图的玻璃面板多元缺陷根因分析方法
CN111105391B (zh) * 2019-11-20 2023-05-02 复旦大学 一种基于深度神经网络增广训练的表面缺陷检测方法
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
CN112949666B (zh) * 2019-11-26 2024-04-26 北矿机电科技有限责任公司 一种剥锌机故障阴极板图像识别方法
CN111161233A (zh) * 2019-12-25 2020-05-15 武汉科技大学 一种用于冲孔皮革缺陷检测方法及系统
CN111105411B (zh) * 2019-12-30 2023-06-23 创新奇智(青岛)科技有限公司 一种磁瓦表面缺陷检测方法
CN111144513B (zh) * 2020-01-02 2022-09-20 大连理工大学 一种结合生成对抗网络与传统图像处理技术的工业产品喷涂缺陷数据增强方法
CN111325744A (zh) * 2020-03-06 2020-06-23 成都数之联科技有限公司 一种面板缺陷检测中的样本处理方法
CN111768380A (zh) * 2020-06-29 2020-10-13 上海仪电（集团）有限公司中央研究院 一种工业零配件表面缺陷检测方法
CN112767345B (zh) * 2021-01-16 2024-04-05 北京工业大学 一种dd6单晶高温合金共晶缺陷检测和分割方法
CN115797349B (zh) * 2023-02-07 2023-07-07 广东奥普特科技股份有限公司 一种缺陷检测方法、装置和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104951784A (zh) * 2015-06-03 2015-09-30 杨英仓 一种车辆无牌及车牌遮挡实时检测方法
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
CN107563999A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种基于卷积神经网络的芯片缺陷识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104951784A (zh) * 2015-06-03 2015-09-30 杨英仓 一种车辆无牌及车牌遮挡实时检测方法
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
CN107563999A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种基于卷积神经网络的芯片缺陷识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于区域神经网络的TFT_LCD电路缺陷检测方法;何俊杰等;《计算机与现代化》;20180731(第7期);33-38 *
目标检测技术之Faster R-CNN详解;Bing;《论智微信公众号》;20180125;8-12 *

Also Published As

Publication number Publication date
CN109683360A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109683360B (zh) 液晶面板缺陷检测方法及装置
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN111553929B (zh) 基于融合网络的手机屏幕缺陷分割方法、装置及设备
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
CN111932511B (zh) 一种基于深度学习的电子元器件质量检测方法与系统
CN111612784A (zh) 一种基于分类优先yolo网络的钢板表面缺陷检测方法
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN113393438B (zh) 一种基于卷积神经网络的树脂镜片缺陷检测方法
CN111209858A (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
CN112819748A (zh) 一种带钢表面缺陷识别模型的训练方法及装置
CN113012153A (zh) 一种铝型材瑕疵检测方法
CN114255212A (zh) 一种基于cnn的fpc表面缺陷检测方法及其系统
CN116205876A (zh) 基于多尺度标准化流的无监督笔记本外观缺陷检测方法
CN110633739B (zh) 基于并行模块深度学习的偏光片缺陷图像实时分类方法
CN116958052A (zh) 一种基于yolo和注意力机制的印刷电路板缺陷检测方法
CN118154603A (zh) 基于级联多层特征融合网络的显示屏缺陷检测方法及系统
CN113592859B (zh) 一种基于深度学习的用于显示面板缺陷的分类方法
CN114663382A (zh) 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法
CN112633327B (zh) 分阶段金属表面缺陷检测方法、系统、介质、设备及应用
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及系统
CN116542962A (zh) 一种基于改进Yolov5m模型光伏电池缺陷检测方法
CN116503340A (zh) 一种micro oled面板缺陷检测方法、装置以及设备

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221110

Address after: 314200 Room 134, Building 6, No. 2 Chuangye Road, Xindai Town, Pinghu City, Jiaxing City, Zhejiang Province

Patentee after: Jiaxing Qingfei Photoelectric Technology Co.,Ltd.

Address before: 315100 room 702, building a, Kexin building, No. 655, bachelor Road, Yinzhou District, Ningbo City, Zhejiang Province

Patentee before: NINGBO QTING VISION TECHNOLOGY Co.,Ltd.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220222