CN110728681A - 一种Mura缺陷检测方法及装置 - Google Patents
一种Mura缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN110728681A CN110728681A CN201911314118.0A CN201911314118A CN110728681A CN 110728681 A CN110728681 A CN 110728681A CN 201911314118 A CN201911314118 A CN 201911314118A CN 110728681 A CN110728681 A CN 110728681A
- Authority
- CN
- China
- Prior art keywords
- image
- enhancement
- training sample
- mura
- defect 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000011282 treatment Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种Mura缺陷检测方法及装置。该方法包括对训练样本图像执行多种不同的图像增强处理,获得训练样本图像对应的多个训练样本增强图像;将所述训练样本增强图像输入到卷积神经网络模型进行训练,输出分类模型;对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像;将所述测试样本增强图像输入到所述分类模型,输出缺陷检测结果。本发明以同时对多种Mura缺陷进行有效的检测。
Description
技术领域
本发明属于面板缺陷检测技术领域,更具体地,涉及一种Mura缺陷检测方法及装置。
背景技术
在自动光学检测(Automatic Optic Inspection,AOI)缺陷检测中,Mura缺陷检测至关重要,直接影响了最终显示面板质量和成品的等级输出结果。传统的Mura检测方法有两种:一种是通过人眼观察检测Mura缺陷,然而人眼检测的过程存在很强的主观性,同时随着工作时间的延长,人也会出现疲劳,导致检测效率降低;另一种是针对特定Mura缺陷设计检测算法来检测Mura缺陷,传统算法检测时,针对每一种Mura都需要设计不同的检测算法,算法没有通用性,并且由于Mura种类繁多、形态多样且不规则,而且比较微弱,例如很多Mura在图像中只有1到2个灰阶,传统算法难以实现有效的检测。
针对传统的Mura缺陷检测方法存在的问题,现有技术中提出了采用深度学习算法进行Mura缺陷检测的方法,通过对训练样本进行深度学习获得分类模型来检测Mura缺陷,但是同样由于Mura种类繁多、形态多样且不规则,而且比较微弱,训练好的分类模型不能同时对多种Mura缺陷进行有效的检测,检测效果不稳定、通用性不强。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种Mura缺陷检测方法及装置,通过对训练样本图像和测试样本图像进行图像增强,可以同时对多种Mura缺陷进行有效的检测,检测效果稳定、通用性强。
为实现上述目的,按照本发明的第一方面,提供了一种Mura缺陷检测方法,包括:
对训练样本图像执行多种不同的图像增强处理,多种所述图像增强处理中至少存在一种图像增强处理能够对训练样本图像能够进行有效的图像增强,获得训练样本图像对应的多个训练样本增强图像;
将所述训练样本增强图像输入到卷积神经网络进行训练,输出分类模型;
对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像;
将所述测试样本增强图像输入到所述分类模型,输出缺陷检测结果。
优选地,将所述训练样本增强图像输入到卷积神经网络前,对所述训练样本增强图像进行筛选,保留有效的训练样本增强图像。
优选地,对所述训练样本或者测试样本进行图像增强前进行图像预处理,对经过图像预处理后的图像进行多种不同的图像增强处理,所述图像预处理包括:
提取输入图像的ROI区域,获得ROI区域图像;
对所述ROI区域图像进行图像亮度归一化处理,获得亮度归一化图像;
对所述亮度归一化图像进行图像平滑处理,获得预处理后的图像。
优选地,所述多种不同的图像增强处理包括:
对图像利用不同的方式进行图像缩放,获得缩放后的图像;
对所述缩放后的图像进行傅里叶变换后,进行滤波,获得滤波图像;
对所述滤波图像进行傅里叶逆变换后,进行灰度线性增强处理,输出增强后的图像。
优选地,所述对图像利用不同的方式进行图像缩放至少包括:
对图像采用x方向的缩放,则所述滤波是采用高斯滤波和yy方向的导数滤波器组合的滤波器进行滤波;
对图像采用y方向的缩放,则所述滤波是采用高斯滤波和xx方向的导数滤波器组合的滤波器进行滤波;
所述x方向、y方向分别是图像增强处理的坐标系的x轴方向和y轴方向。
优选地,所述训练样本图像包括预先标记正常标签的正常样本图像和预先标记不同缺陷标签的Mura缺陷样本图像。
优选地,所述输出缺陷检测结果具体是:
输出每个测试样本增强图像的属于正常样本和不同类型Mura缺陷样本的概率;
根据每个测试样本增强图像的输出结果确定所述测试样本图像的缺陷检测结果。
按照本发明的第二方面,提供了一种Mura缺陷检测装置,包括:
图像增强处理模块,用于对训练样本图像执行多种不同的图像增强处理,获得训练样本图像对应的多个训练样本增强图像,用于对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像;
训练模块,用于将所述训练样本增强图像输入到卷积神经网络模型进行训练,输出分类模型;
测试模块,用于将所述测试样本增强图像输入到所述分类模型,输出缺陷检测结果。
按照本发明的第三方面,提供了一种电子设备,包括处理器和存储器,其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现上述任一项所述的方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有有益效果:通过训练样本图像进行多种不同的图像增强,避免了单一增强方法对缺陷增强的不完善性,能同时对多种Mura缺陷进行有效的检测,检测时间短,检测效果稳定,通用性强;将基于深度学习方法,对大量的缺陷样本进行学习,降低复杂背景和Mura形态不一的干扰,提高了Mura检测的准确性;将训练样本增强图像输入到卷积神经网络前进行筛选,仅保留有效的训练样本增强图像进行训练,提高了检测准确率;将正常样本与Mura缺陷样本进行分类训练,卷积神经网络对缺陷的训练更有针对性,模型精度更高;检测方法适合在线检测,取代人员检测过程,从而降低人工成本和时间成本。
附图说明
图1是本发明实施例提供的一种Mura缺陷检测方法的流程图;
图2是本发明实施例提供的图像增强处理的流程图;
图3是本发明实施例提供的图像增强效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的一种Mura缺陷检测方法,包括:对训练样本图像分别执行多种不同的图像增强处理,可以获得每一个训练样本图像对应的多个训练样本增强图像;将所有训练样本增强图像输入到卷积神经网络模型进行训练,输出分类模型;对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像;将该多个测试样本增强图像输入到所述分类模型,输出缺陷检测结果。因为Mura一般较微弱,如果不进行图像增强,正常样本与Mura样本的差异会较小,增强后Mura样本与正常样本的差异性会变大。但是单一的图像增强方法不能适应所有的Mura,例如水平Mura和垂直Mura需要用到的增强的缩放方式以及滤波方式就不一样,还例如,还可以针对不同的Mura缺陷,在不同的图像增强处理中,灵活调整其他参数,例如在不同图像增强处理中,设置不同的灰度增强倍数。通过对一个图像进行多种不同的图像增强,无论该图像属于何种Mura缺陷,至少存在一种图像增强对该图像是适用的,可以对该图像进行有效增强,这样,当同时输入多种Mura缺陷样本时,能够对多种Mura缺陷样本都进行有效的增强,从而获得对各类Mura缺陷检测精度高的分类模型,检测时间短,检测效果稳定,通用性强。
结合图1,具体说明本发明实施例的一种Mura缺陷检测方法,本发明实施例中,训练样本包括预先标记正常标签的正常样本图像和预先标记不同缺陷标签的Mura缺陷样本图像,通过将正常样本与Mura缺陷样本进行分类训练,卷积神经网络对缺陷的训练更有针对性,模型精度更高。
本发明实施例的一种Mura缺陷检测方法包括:
S1,对多种Mura缺陷样本和正常样本(OK样本)进行多种不同的图像增强处理,获得每个Mura缺陷样本和正常样本对应的多个训练样本增强图像。例如如果要用户需要同时检测水平Mura和垂直Mura缺陷,则预先设计好针对水平Mura和垂直Mura的不同的图像增强方式,然后对所有样本都进行这两种增强处理,每张样本得到两张增强图。有几种图像增强方式就有几种增强图像。
S2,对Mura缺陷增强样本进行整理,保留有效的Mura缺陷增强样本和OK增强样本。S1中得到的增强图像中部分样本在训练时是无效的,例如水平Mura缺陷用水平Mura的增强方式得到的是有效增强样本,用垂直Mura的增强方式得到的增强图中并没有缺陷凸显,是无效样本。垂直Mura缺陷用水平Mura的增强方式得到的是无效样本,用垂直Mura的增强方式得到的是有效增强样本。OK样本不管用哪种增强方式得到的都是有效样本。因此通过对Mura增强样本进行筛选,去除无效样本,可以使分类模型检测准确率更高。然而筛选步骤并不是必须的,用户可以根据需要选择进行筛选或者不进行筛选。可以人工进行筛选或采取其他任何可能的方法实现。
S3,将Mura增强样本和OK增强样本输入到卷积神经网络进行模型训练,进行训练,输出分类模型。若经过步骤S2的筛选,则将有效的Mura缺陷增强样本和OK增强样本输入到卷积神经网络进行训练。在一个实施例中,卷积神经网络模型采用GoogLeNet,将Mura增强样本和OK增强样本归一化为512×512的图像,作为输入神经元进入卷积神经网网络,最终输出分类模型。传统检测方法中,Mura即使增强也不易分割,本发明用深度学习方法可以避免复杂背景的干扰,输入图片可以得到该图片属于正常样本和Mura样本的概率,从而能快速准确地进行缺陷检测。通过深度学习方法,我们可以对面板的多种Mura缺陷进行准确的识别,能成功规避传统算法的局限,同时极大地降低了人力成本。
S4,对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像。测试样本进入模型前也进行了同样的增强处理,使测试样本与训练样本的增强方式保持一致,因此测试样本增强后也会得到多个测试样本增强图像。
S5,测试样本增强图像进入S3步骤的分类模型后会输出属于OK样本和不同Mura样本的概率,通过置信度卡控,最终输出检测结果。每个测试样本增强图像都会用分类模型进行分类,得到每个测试样本图像属于不同Mura缺陷类别和OK类别的概率值,概率大小范围为0~1,某一Mura类别值越大表示属于该类Mura的概率越大。如果预先设置置信度为0.8,概率大于0.8的就判断为属于该Mura类别,否则不属于该类别,通过该置信度值的改变就可以卡控输出的结果。根据每个测试样本增强图像的输出结果确定测试样本上是否有Mura缺陷以及Mura缺陷类型的缺陷检测结果。例如,如果测试样本是正常样本,那么每个测试样本增强图像的缺陷检测结果都会显示为正常样本,最终确定该测试样本为正常样本。假设测试样本是水平Mura,那么对该测试样本采用水平Mura增强方式获得的测试样本增强图像,会被判断为水平Mura缺陷,那么对该测试样本采用垂直Mura增强方式获得的测试样本增强图像,增强不明显,则可能被判断正常样本,最终根据两个判断结果可以确定该测试样本为水平Mura样本。
如图2所示,对训练样本或者测试样本进行图像增强前进行图像预处理,对经过图像预处理后的图像进行多种不同的图像增强处理,图像预处理包括:
S11,提取输入图像ROI(region of interest)区域,获得ROI区域图像。在LCD检测中相机拍摄屏幕得到的图像存在无效的区域,需要提取屏幕的真实区域,真实区域即ROI区域。
S12,对上述ROI区域图像进行图像亮度归一化处理,获得亮度归一化图像。图像亮度归一化的目的是把每一张图像的基准亮度归一化到同一个值,一般为128,便于比较。
S13,对上述亮度归一化图像进行图像平滑处理,获得预处理后的图像。图像平滑的目的是对图像进行纹理去噪。
对经过图像预处理后的图像进行多种不同的图像增强处理,该多种不同的图像增强处理包括:
S14,对图像利用不同的方式进行图像缩放,获得缩放后的图像。图像缩放是为了扩大不同Mura的效果,使Mura表现形态更紧密。不同图像增强处理的缩放方向可以不同,例如在一种图像增强(称为A方法)中,采用x方向1/4尺度的缩放,那么对水平Mura样本的增强效果更为明显,在另一种图像增强(称为B方法)中,采用y方向1/2尺度的缩放,那么对垂直Mura样本的增强效果更为明显。x方向、y方向分别是指图像增强处理的坐标系的x轴方向和y轴方向。
S15,对上述缩放图像进行傅里叶变换后,进行滤波,获得滤波图像。把缩放后的图像用傅里叶变换从时域转到频域,在频域进行滤波处理,采用高斯滤波和导数滤波组合的滤波器进行滤波,这样处理可以过滤图像中的纹理,凸显Mura的形态。不同图像增强处理采用的滤波器不同。例如,在图像增强A方法中,采用高斯滤波和yy方向的导数滤波器组合的滤波器进行滤波,那么对于水平Mura的增强效果更为明显,在图像增强B方法中,采用高斯滤波和xx方向的导数滤波器组合的滤波器进行滤波,那么对于垂直Mura的增强效果更为明显。
S16,对上述滤波图像进行傅里叶逆变换后,进行灰度线性增强处理,输出增强后的图像。再用傅里叶逆变换把图像从频域转到时域,最后对图像进行线性增强,使Mura与背景灰度差异增大。
图3是采用上述不同的图像增强处理获得的样本增强图像,图(a)是正常样本增强图像,图(b)是垂直Mura采用图像增强B方法的增强图像,图(c)采用是水平Mura采用图像增强A方法的增强图像。
上述图像增强方式对于微弱的Mura有较好的效果,且可采用不同的参数进行多种不同的图像处理,可以对不同形态的Mura都进行有效的增强,适用于各种不同的Mura。
本发明实施例的一种Mura缺陷检测装置,包括:
图像增强处理模块,用于对训练样本图像执行多种不同的图像增强处理,获得训练样本图像对应的多个训练样本增强图像,用于对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像;
训练模块,用于将训练样本增强图像输入到卷积神经网络模型进行训练,输出分类模型;
测试模块,用于将测试样本增强图像输入到所述分类模型,输出缺陷检测结果。
在一个实施例中,Mura缺陷检测装置,还包括:筛选模块,用于将所述训练样本增强图像输入到卷积神经网络模型前,对训练样本增强图像进行筛选保留有效的训练样本增强图像。
Mura缺陷检测装置的实现原理和技术效果和上述Mura缺陷检测方法类似,此处不再赘述。
为了实现上述实施例,本发明实施例还提出一种电子设备,包括:处理器和存储器。其中,存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。
存储器中存储有计算机程序,计算机程序被处理器执行时可以实现上述任一方法实施例的技术方案。存储器中存储有Mura缺陷检测方法的计算机程序,包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理。
处理器可以是一种集成电路芯片,具有信号的处理能力。处理器在接收到执行指令后,执行程序。可选的,上述存储器内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通信,从而提供其他软件组件的运行环境。
本实施例提供的电子设备,可以用于执行上述任一Mura缺陷检测方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种Mura缺陷检测方法,其特征在于,包括:
对训练样本图像执行多种不同的图像增强处理,多种所述图像增强处理中至少存在一种图像增强处理能够对训练样本图像能够进行有效的图像增强,获得训练样本图像对应的多个训练样本增强图像;
将所述训练样本增强图像输入到卷积神经网络进行训练,输出分类模型;
对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像;
将所述测试样本增强图像输入到所述分类模型,输出缺陷检测结果。
2.如权利要求1所述的一种Mura缺陷检测方法,其特征在于,将所述训练样本增强图像输入到卷积神经网络前,对所述训练样本增强图像进行筛选,保留有效的训练样本增强图像。
3.如权利要求1所述的一种Mura缺陷检测方法,其特征在于,对所述训练样本或者测试样本进行图像增强前进行图像预处理,对经过图像预处理后的图像进行多种不同的图像增强处理,所述图像预处理包括:
提取输入图像的ROI区域,获得ROI区域图像;
对所述ROI区域图像进行图像亮度归一化处理,获得亮度归一化图像;
对所述亮度归一化图像进行图像平滑处理,获得预处理后的图像。
4.如权利要求1至3任意一项所述的一种Mura缺陷检测方法,其特征在于,所述多种不同的图像增强处理包括:
对图像利用不同的方式进行图像缩放,获得缩放后的图像;
对所述缩放后的图像进行傅里叶变换后,进行滤波,获得滤波图像;
对所述滤波图像进行傅里叶逆变换后,进行灰度线性增强处理,输出增强后的图像。
5.如权利要求4所述的一种Mura缺陷检测方法,其特征在于,所述对图像利用不同的方式进行图像缩放至少包括:
对图像采用x方向的缩放,则所述滤波是采用高斯滤波和yy方向的导数滤波器组合的滤波器进行滤波;
对图像采用y方向的缩放,则所述滤波是采用高斯滤波和xx方向的导数滤波器组合的滤波器进行滤波;
所述x方向、y方向分别是图像增强处理的坐标系的x轴方向和y轴方向。
6.如权利要求1至3任一项所述的一种Mura缺陷检测方法,其特征在于,所述训练样本图像包括预先标记正常标签的正常样本图像和预先标记不同缺陷标签的Mura缺陷样本图像。
7.如权利要求1至3任一项所述的一种Mura缺陷检测方法,其特征在于,所述输出缺陷检测结果具体是:
输出每个测试样本增强图像的属于正常样本和不同类型Mura缺陷样本的概率;
根据每个测试样本增强图像的输出结果确定所述测试样本图像的缺陷检测结果。
8.一种Mura缺陷检测装置,其特征在于,包括:
图像增强处理模块,用于对训练样本图像执行多种不同的图像增强处理,获得训练样本图像对应的多个训练样本增强图像,用于对待检测的测试样本图像执行与训练样本图像相同的多种图像增强处理,获得多个测试样本增强图像;
训练模块,用于将所述训练样本增强图像输入到卷积神经网络模型进行训练,输出分类模型;
测试模块,用于将所述测试样本增强图像输入到所述分类模型,输出缺陷检测结果。
9.如权利要求8所述的一种Mura缺陷检测装置,其特征在于,包括:
筛选模块,用于将所述训练样本增强图像输入到卷积神经网络前,对训练样本增强图像进行筛选保留有效的训练样本增强图像。
10.一种电子设备,包括处理器和存储器,其特征在于,
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314118.0A CN110728681B (zh) | 2019-12-19 | 2019-12-19 | 一种Mura缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314118.0A CN110728681B (zh) | 2019-12-19 | 2019-12-19 | 一种Mura缺陷检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728681A true CN110728681A (zh) | 2020-01-24 |
CN110728681B CN110728681B (zh) | 2020-05-22 |
Family
ID=69226458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911314118.0A Active CN110728681B (zh) | 2019-12-19 | 2019-12-19 | 一种Mura缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728681B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462062A (zh) * | 2020-03-26 | 2020-07-28 | 佛山科学技术学院 | 一种马赛克瓷砖缺陷检测方法及装置 |
CN111598888A (zh) * | 2020-05-26 | 2020-08-28 | 苏州精濑光电有限公司 | 显示屏mura缺陷检测方法、装置、检测设备及存储介质 |
CN112819758A (zh) * | 2021-01-19 | 2021-05-18 | 武汉精测电子集团股份有限公司 | 训练数据集的生成方法及装置 |
CN115661159A (zh) * | 2022-12-29 | 2023-01-31 | 成都数联云算科技有限公司 | 一种面板缺陷增强检测方法及系统及装置及介质 |
CN116542980A (zh) * | 2023-07-06 | 2023-08-04 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、计算机设备、存储介质和程序产品 |
CN116797590A (zh) * | 2023-07-03 | 2023-09-22 | 深圳市拓有软件技术有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917935A (en) * | 1995-06-13 | 1999-06-29 | Photon Dynamics, Inc. | Mura detection apparatus and method |
CN101727666A (zh) * | 2008-11-03 | 2010-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断及胸片前后区分方法 |
US20150030248A1 (en) * | 2013-07-26 | 2015-01-29 | Li-Cor, Inc. | Adaptive noise filter |
CN105913453A (zh) * | 2016-04-01 | 2016-08-31 | 海信集团有限公司 | 一种目标跟踪方法和装置 |
CN106875373A (zh) * | 2016-12-14 | 2017-06-20 | 浙江大学 | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 |
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 |
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
CN110189290A (zh) * | 2019-04-08 | 2019-08-30 | 广东工业大学 | 基于深度学习的金属表面细微缺陷检测方法及装置 |
-
2019
- 2019-12-19 CN CN201911314118.0A patent/CN110728681B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917935A (en) * | 1995-06-13 | 1999-06-29 | Photon Dynamics, Inc. | Mura detection apparatus and method |
CN101727666A (zh) * | 2008-11-03 | 2010-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断及胸片前后区分方法 |
US20150030248A1 (en) * | 2013-07-26 | 2015-01-29 | Li-Cor, Inc. | Adaptive noise filter |
CN105913453A (zh) * | 2016-04-01 | 2016-08-31 | 海信集团有限公司 | 一种目标跟踪方法和装置 |
CN106875373A (zh) * | 2016-12-14 | 2017-06-20 | 浙江大学 | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 |
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 |
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
CN110189290A (zh) * | 2019-04-08 | 2019-08-30 | 广东工业大学 | 基于深度学习的金属表面细微缺陷检测方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462062A (zh) * | 2020-03-26 | 2020-07-28 | 佛山科学技术学院 | 一种马赛克瓷砖缺陷检测方法及装置 |
CN111462062B (zh) * | 2020-03-26 | 2023-08-22 | 佛山科学技术学院 | 一种马赛克瓷砖缺陷检测方法及装置 |
CN111598888A (zh) * | 2020-05-26 | 2020-08-28 | 苏州精濑光电有限公司 | 显示屏mura缺陷检测方法、装置、检测设备及存储介质 |
CN112819758A (zh) * | 2021-01-19 | 2021-05-18 | 武汉精测电子集团股份有限公司 | 训练数据集的生成方法及装置 |
CN115661159A (zh) * | 2022-12-29 | 2023-01-31 | 成都数联云算科技有限公司 | 一种面板缺陷增强检测方法及系统及装置及介质 |
CN116797590A (zh) * | 2023-07-03 | 2023-09-22 | 深圳市拓有软件技术有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
CN116542980A (zh) * | 2023-07-06 | 2023-08-04 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、计算机设备、存储介质和程序产品 |
CN116542980B (zh) * | 2023-07-06 | 2023-11-03 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、计算机设备、存储介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110728681B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728681B (zh) | 一种Mura缺陷检测方法及装置 | |
Hore et al. | Finding contours of hippocampus brain cell using microscopic image analysis | |
WO2019206209A1 (zh) | 基于机器学习的眼底图像检测方法、装置及系统 | |
US10643576B2 (en) | System and method for white spot Mura detection with improved preprocessing | |
CN109801286B (zh) | 一种lcd导光板的表面缺陷检测方法 | |
CN112734691A (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统 | |
CN110378887A (zh) | 屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
Peng et al. | Non-uniform illumination image enhancement for surface damage detection of wind turbine blades | |
CN117309892B (zh) | 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN113016023B (zh) | 信息处理方法以及计算机可读的非暂时性记录介质 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
Giap et al. | Wavelet Subband-Based Tensor for Smartphone Physical Button Inspection | |
Ma et al. | An algorithm for fabric defect detection based on adaptive canny operator | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 | |
JP2004296592A (ja) | 欠陥分類装置、欠陥分類方法およびプログラム | |
CN115496984A (zh) | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |