CN111815628A - 显示面板缺陷检测方法、装置、设备及可读存储介质 - Google Patents
显示面板缺陷检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111815628A CN111815628A CN202010854330.2A CN202010854330A CN111815628A CN 111815628 A CN111815628 A CN 111815628A CN 202010854330 A CN202010854330 A CN 202010854330A CN 111815628 A CN111815628 A CN 111815628A
- Authority
- CN
- China
- Prior art keywords
- panel
- downsampling
- image
- panel defect
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20081—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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种显示面板缺陷检测方法、装置、设备及可读存储介质。该方法包括:将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;显示所述面板缺陷分割结果。通过本发明,对每个下采样结果经过密集连接后生成数据,可减少浅层特征在网络加深过程中的信息丢失,然后将每个下采样结果经过密集连接后生成的数据进行特征融合,实现了在不影响普通目标分割效果的同时显著改善屏幕缺陷分割效果。
Description
技术领域
本发明涉及自动化缺陷检测技术领域,尤其涉及一种显示面板缺陷检测方法、装置、设备及可读存储介质。
背景技术
随着手机、笔记本等电子产品的普及及其快速的更新换代,对产线上的液晶屏幕和OLED屏幕有着极大的产量需求。在屏幕成型的整个过程中,由于原材料、生产工艺、意外等情况,屏幕上常常存在各种缺陷,例如破片、气泡、划伤、缺角、压痕等。这些存在缺陷的屏幕会影响其性能或降低用户体验,是不允许流入市场的,因此,需要对生产的屏幕进行缺陷检测。
基于深度学习的分割网络是对图片像素级的分类,若使用分割网络对屏幕进行缺陷分割,则可以得到比较精确的缺陷面积。而对于屏幕缺陷分割而言,是对小目标进行分割。但是,目前的学术界和业界研究的基于深度学习的分割网络通常是对无人驾驶和自然场景的分割,如Pascal Voc、MS COCO、Cityscapes、KITTI数据集,这些数据集分割目标通常较大,小目标很少。且现有的分割网络结构受限于较多的下采样层,对小目标分割效果很差。
针对屏幕缺陷的分割问题,目前采用比较多的方法为将图片样本进行放大,此时缺陷为放大后的缺陷,但将图片成倍放大后输入给神经网络,将使神经网络的参数量爆增,同时一定程度上也会影响到对普通目标的分割效果。
发明内容
本发明的主要目的在于提供一种显示面板缺陷检测方法、装置、设备及可读存储介质,旨在解决现有技术中对屏幕缺陷分割效果差的技术问题。
第一方面,本发明提供一种显示面板缺陷检测方法,所述显示面板缺陷检测方法包括:
将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;
显示所述面板缺陷分割结果。
可选的,所述对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果的步骤包括:
分别对每个下采样结果经过密集连接生成的数据进行加权处理,对加权处理后的数据进行求和处理,以求和处理得到的结果为面板缺陷分割结果,并输出所述面板缺陷分割结果。
可选的,每个下采样结果经过密集连接生成的数据对应的权值,根据其对应的下采样次数确定,下采样次数越少,权值越大。
可选的,在所述将待检测面板图像输入面板缺陷分割模型的步骤之前,还包括:
获取N张面板图像,对每张面板图像进行预处理,将预处理后的每张面板图像裁剪为M个像素大小为K*K的子图像,N、M均为正整数;
采用图像语义分割标注工具对每张子图像中的缺陷区域进行标注,得到N*M个标注子图像;
将每张子图像以及与其对应的标注子图像作为一图像对,得到N*M个图像对,将N*M个图像对中的部分作为训练集,其他的作为测试集;
通过所述训练集对深度学习语义分割模型进行训练,通过所述测试集对训练得到的深度学习语义分割模型进行验证,直至得到符合预设精度的深度学习语义分割模型,并以所述符合预设精度的深度学习语义分割模型作为面板缺陷分割模型。
可选的,所述缺陷区域的面积小于30个像素。
第二方面,本发明还提供一种显示面板缺陷检测装置,所述显示面板缺陷检测装置包括:
输入模块,用于将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;
显示模块,用于显示所述面板缺陷分割结果。
第三方面,本发明还提供一种显示面板缺陷检测设备,所述显示面板缺陷检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的显示面板缺陷检测程序,其中所述显示面板缺陷检测程序被所述处理器执行时,实现如上所述的显示面板缺陷检测方法的步骤。
第四方面,本发明还提供一种可读存储介质,所述可读存储介质上存储有显示面板缺陷检测程序,其中所述显示面板缺陷检测程序被处理器执行时,实现如上所述的显示面板缺陷检测方法的步骤。
本发明中,将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;显示所述面板缺陷分割结果。通过本发明,对每个下采样结果经过密集连接后生成数据,可减少浅层特征在网络加深过程中的信息丢失,然后将每个下采样结果经过密集连接后生成的数据进行特征融合,实现了在不影响普通目标分割效果的同时显著改善屏幕缺陷分割效果。
附图说明
图1为本发明显示面板缺陷检测设备的硬件结构示意图;
图2为本发明显示面板缺陷检测方法一实施例的流程示意图;
图3为一实施例中面板缺陷分割模型对待检测面板图像进行处理的场景示意图;
图4为一实施例中标注子图像的示意图;
图5为本发明显示面板缺陷检测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
第一方面,本发明实施例提供一种显示面板缺陷检测设备,该显示面板缺陷检测设备可以是个人计算机(personal computer,PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图1,图1为本发明显示面板缺陷检测设备的硬件结构示意图。本发明实施例中,显示面板缺陷检测设备可以包括处理器1001(例如中央处理器Central ProcessingUnit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WI-FI接口);存储器1005可以是高速随机存取存储器(random accessmemory,RAM),也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及显示面板缺陷检测程序。其中,处理器1001可以调用存储器1005中存储的显示面板缺陷检测程序,并执行本发明实施例提供的显示面板缺陷检测方法。
第二方面,本发明实施例提供了一种显示面板缺陷检测方法。
参照图2,图2为本发明显示面板缺陷检测方法一实施例的流程示意图。一实施例中,显示面板缺陷检测方法包括:
步骤S10,将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;
本实施例中,待检测面板图像的像素大小为K*K,其中K的值根据实际需要进行设置,例如设置为512。待检测面板图像可以是对待检测面板进行拍摄,得到原图像,然后对原图像进行裁剪,得到若干张像素大小为K*K的检测面板图像。将待检测面板图像输入面板缺陷分割模型,以供面板缺陷分割模型对待检测面板图像进行卷积处理。其中对待检测面板图像进行卷积处理,可以是对待检测面板图像进行两次3*3卷积,stride(步长)为1,padding(填充)为1,保持原有尺寸大小,卷积结果为X0,0。然后,对卷积结果进行不同次数的下采样处理,得到若干下采样结果。例如,对卷积结果分别进行一次下采样处理、两次下采样处理、三次下采样处理,其中,对卷积结果进行一次下采样处理后得到的下采样结果为X1,0,对卷积结果进行两次下采样处理后得到的下采样结果为X2,0,对卷积结果进行三次下采样处理后得到的下采样结果为X3,0。然后,对每个下采样结果经过密集连接生成的数据进行特征融合。即对X1,0经过密集连接生成的数据X0,1、对X2,0经过密集连接生成的数据X0,2、对X3,0经过密集连接生成的数据X0,3进行特征融合。特征融合得到的结果,即为面板缺陷分割结果,输出该面板缺陷分割结果。
参照图3,图3为一实施例中面板缺陷分割模型对待检测面板图像进行处理的场景示意图。如图3所示,面板缺陷分割模型中下采样模块均为max pooling(最大池化)层;上采样模块为双线性插值;跳跃连接为神经网络中常见的通道concatenation(叠加);卷积层为两次保持相同尺寸的3*3卷积。如X0,0经过两次保持相同尺寸的3*3卷积层后,通过下采样模型输出X1,0;X2,0通过上采样模块并与X1,0进行通道concatenation操作输出X1,1。
如图3所示,X0,1由X0,0经过一次下采样及密集连接生成;X0,2由X0,0经过两次下采样及密集连接生成;X0,3由X0,0经过三次下采样及密集连接生成,X0,1、X0,2和X0,3经过卷积层输出预先要求的尺寸与通道数。最后,通过特征融合模块对X0,1、X0,2和X0,3进行特征融合。
进一步地,一实施例中,所述对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果的步骤包括:
分别对每个下采样结果经过密集连接生成的数据进行加权处理,对加权处理后的数据进行求和处理,以求和处理得到的结果为面板缺陷分割结果,并输出所述面板缺陷分割结果。
本实施例中,分别对每个下采样结果经过密集连接生成的数据进行加权处理,然后对加权处理后的数据进行求和处理,以求和处理得到的结果为面板缺陷分割结果,并输出所述面板缺陷分割结果。其中,加权处理中每个数据对应的加权因子根据实际需要进行设置。
进一步地,一实施例中,每个下采样结果经过密集连接生成的数据对应的权值,根据其对应的下采样次数确定,下采样次数越少,权值越大。
本实施例中,由于采样次数少通常低级特征丢失的更少,因此对于下采样次数少的数据,设置大一些的权重,这样低级特征丢失更少,使得对小缺陷的分割效果更优。例如,X0,1由X0,0经过一次下采样及密集连接生成,则设置X0,1的权重为4/7;X0,2由X0,0经过两次下采样及密集连接生成,则设置X0,2的权重为2/7;X0,3由X0,0经过三次下采样及密集连接生成,则设置X0,3的权重为1/7。
步骤S20,显示所述面板缺陷分割结果。
本实施例中,面板缺陷分割模型输出面板缺陷分割结果后,本实施例显示面板缺陷检测方法的执行主体,对该面板缺陷分割结果进行显示。其中,面板缺陷分割结果包括缺陷的位置、形状、面积等。
本实施例中,将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;显示所述面板缺陷分割结果。通过本实施例,对每个下采样结果经过密集连接后生成数据,可减少浅层特征在网络加深过程中的信息丢失,然后将每个下采样结果经过密集连接后生成的数据进行特征融合,实现了在不影响普通目标分割效果的同时显著改善屏幕缺陷分割效果。
进一步地,一实施例中,步骤S10之前,还包括:
步骤S301,获取N张面板图像,对每张面板图像进行预处理,将预处理后的每张面板图像裁剪为M个像素大小为K*K的子图像,N、M均为正整数;
本实施例中,分别对N张显示面板进行拍摄,得到N张面板图像。然后对每张面板图像进行预处理(灰度化处理),将预处理后的每张面板图像裁剪为M个像素大小为K*K的子图像,N、M均为正整数。其中,K、N、M的值均根据实际需要进行设置。
步骤S302,采用图像语义分割标注工具对每张子图像中的缺陷区域进行标注,得到N*M个标注子图像;
本实施例中,使用labelme图像语义分割标注工具,用多边形框把每张子图像中的缺陷区域标示出来,然后保存,即完成对每张子图像的标注,得到N*M个标注子图像。参照图4,图4为一实施例中标注子图像的示意图。如图4所示,黑色区域为背景,白色区域为缺陷。
进一步地,一实施例中,所述缺陷区域的面积小于30个像素。
本实施例中,为了使后续训练出来的面板缺陷分割模型能高精度地对小缺陷进行分割,需要使用缺陷区域小的训练样本对深度学习语义分割模型进行训练,因此,本实施例中限定子图像中缺陷区域的面积小于30个像素。在此基础上,容易理解的是,还可以设置缺陷区域的面积小于20个像素、小于10个像素、小于50个像素等等。
步骤S303,将每张子图像以及与其对应的标注子图像作为一图像对,得到N*M个图像对,将N*M个图像对中的部分作为训练集,其他的作为测试集;
本实施例中,将每张子图像以及对其进行标注后得到的标注子图像作为一图像对,即可得到N*M个图像对,将N*M个图像对中的部分作为训练集,其他的作为测试集。例如,将N*M个图像对中的85%作为训练集,其他的15%作为测试集。
步骤S304,通过所述训练集对深度学习语义分割模型进行训练,通过所述测试集对训练得到的深度学习语义分割模型进行验证,直至得到符合预设精度的深度学习语义分割模型,并以所述符合预设精度的深度学习语义分割模型作为面板缺陷分割模型。
本实施例中,用训练集中的数据对深度学习语义分割模型进行训练,通过测试集对训练得到的深度学习语义分割模型进行验证,直到在测试集上的平均交并比mIOU(MeanIntersection over Union)准确度不再提升,认为当前的深度学习语义分割模型为符合预设精度的深度学习语义分割模型,则以符合预设精度的深度学习语义分割模型作为面板缺陷分割模型。
第三方面,本发明实施例还提供一种显示面板缺陷检测装置。
参照图5,图5为本发明显示面板缺陷检测装置一实施例的功能模块示意图。
本实施例中,所述显示面板缺陷检测装置包括:
输入模块10,用于将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;
显示模块20,用于显示所述面板缺陷分割结果。
进一步地,一实施例中,所述面板缺陷分割模型,用于:
分别对每个下采样结果经过密集连接生成的数据进行加权处理,对加权处理后的数据进行求和处理,以求和处理得到的结果为面板缺陷分割结果,并输出所述面板缺陷分割结果。
进一步地,一实施例中,每个下采样结果经过密集连接生成的数据的权值,根据其对应的下采样次数确定,下采样次数越少,对应的权值越大。
进一步地,一实施例中,所述显示面板缺陷检测装置还包括训练模块30,用于:
获取N张面板图像,对每张面板图像进行预处理,将预处理后的每张面板图像裁剪为M个像素大小为K*K的子图像,N、M均为正整数;
采用图像语义分割标注工具对每张子图像中的缺陷区域进行标注,得到N*M个标注子图像;
将每张子图像以及与其对应的标注子图像作为一图像对,得到N*M个图像对,将N*M个图像对中的部分作为训练集,其他的作为测试集;
通过所述训练集对深度学习语义分割模型进行训练,通过所述测试集对训练得到的深度学习语义分割模型进行验证,直至得到符合预设精度的深度学习语义分割模型,并以所述符合预设精度的深度学习语义分割模型作为面板缺陷分割模型。
进一步地,一实施例中,所述缺陷区域的面积小于30个像素。
上述显示面板缺陷检测装置中各个模块的功能实现与上述显示面板缺陷检测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
第四方面,本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有显示面板缺陷检测程序,其中所述显示面板缺陷检测程序被处理器执行时,实现如上述的显示面板缺陷检测方法的步骤。
其中,显示面板缺陷检测程序被执行时所实现的方法可参照本发明显示面板缺陷检测方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种显示面板缺陷检测方法,其特征在于,所述显示面板缺陷检测方法包括:
将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;
显示所述面板缺陷分割结果。
2.如权利要求1所述的显示面板缺陷检测方法,其特征在于,所述对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果的步骤包括:
分别对每个下采样结果经过密集连接生成的数据进行加权处理,对加权处理后的数据进行求和处理,以求和处理得到的结果为面板缺陷分割结果,并输出所述面板缺陷分割结果。
3.如权利要求2所述的显示面板缺陷检测方法,其特征在于,每个下采样结果经过密集连接生成的数据对应的权值,根据其对应的下采样次数确定,下采样次数越少,权值越大。
4.如权利要求1所述的显示面板缺陷检测方法,其特征在于,在所述将待检测面板图像输入面板缺陷分割模型的步骤之前,还包括:
获取N张面板图像,对每张面板图像进行预处理,将预处理后的每张面板图像裁剪为M个像素大小为K*K的子图像,N、M均为正整数;
采用图像语义分割标注工具对每张子图像中的缺陷区域进行标注,得到N*M个标注子图像;
将每张子图像以及与其对应的标注子图像作为一图像对,得到N*M个图像对,将N*M个图像对中的部分作为训练集,其他的作为测试集;
通过所述训练集对深度学习语义分割模型进行训练,通过所述测试集对训练得到的深度学习语义分割模型进行验证,直至得到符合预设精度的深度学习语义分割模型,并以所述符合预设精度的深度学习语义分割模型作为面板缺陷分割模型。
5.如权利要求4所述的显示面板缺陷检测方法,其特征在于,所述缺陷区域的面积小于30个像素。
6.一种显示面板缺陷检测装置,其特征在于,所述显示面板缺陷检测装置包括:
输入模块,用于将待检测面板图像输入面板缺陷分割模型,以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理,并对卷积结果进行不同次数的下采样,得到若干下采样结果,对每个下采样结果经过密集连接生成的数据进行特征融合,得到并输出面板缺陷分割结果,所述待检测面板图像的像素大小为K*K;
显示模块,用于显示所述面板缺陷分割结果。
7.如权利要求6所述的显示面板缺陷检测装置,其特征在于,其特征在于,所述面板缺陷分割模型,用于:
分别对每个下采样结果经过密集连接生成的数据进行加权处理,对加权处理后的数据进行求和处理,以求和处理得到的结果为面板缺陷分割结果,并输出所述面板缺陷分割结果。
8.如权利要求7所述的显示面板缺陷检测装置,其特征在于,每个下采样结果经过密集连接生成的数据的权值,根据其对应的下采样次数确定,下采样次数越少,对应的权值越大。
9.一种显示面板缺陷检测设备,其特征在于,所述显示面板缺陷检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的显示面板缺陷检测程序,其中所述显示面板缺陷检测程序被所述处理器执行时,实现如权利要求1至5中任一项所述的显示面板缺陷检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有显示面板缺陷检测程序,其中所述显示面板缺陷检测程序被处理器执行时,实现如权利要求1至5中任一项所述的显示面板缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010854330.2A CN111815628B (zh) | 2020-08-24 | 2020-08-24 | 显示面板缺陷检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010854330.2A CN111815628B (zh) | 2020-08-24 | 2020-08-24 | 显示面板缺陷检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815628A true CN111815628A (zh) | 2020-10-23 |
CN111815628B CN111815628B (zh) | 2021-02-19 |
Family
ID=72860309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010854330.2A Active CN111815628B (zh) | 2020-08-24 | 2020-08-24 | 显示面板缺陷检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815628B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052798A (zh) * | 2021-03-08 | 2021-06-29 | 广州绿怡信息科技有限公司 | 屏幕老化检测模型训练方法及屏幕老化检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN108564577A (zh) * | 2018-04-12 | 2018-09-21 | 重庆邮电大学 | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 |
CN109448006A (zh) * | 2018-11-01 | 2019-03-08 | 江西理工大学 | 一种注意力机制u型密集连接视网膜血管分割方法 |
CN109829918A (zh) * | 2019-01-02 | 2019-05-31 | 安徽工程大学 | 一种基于密集特征金字塔网络的肝脏图像分割方法 |
CN109829891A (zh) * | 2019-01-02 | 2019-05-31 | 浙江大学 | 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法 |
CN110033443A (zh) * | 2019-04-04 | 2019-07-19 | 武汉精立电子技术有限公司 | 一种特征提取网络及其显示面板缺陷检测方法 |
CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
US20190258225A1 (en) * | 2017-11-17 | 2019-08-22 | Kodak Alaris Inc. | Automated 360-degree dense point object inspection |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN110599455A (zh) * | 2019-08-13 | 2019-12-20 | 武汉精立电子技术有限公司 | 显示屏缺陷检测网络模型、方法、装置、电子设备及存储介质 |
CN110992320A (zh) * | 2019-11-22 | 2020-04-10 | 电子科技大学 | 一种基于双重交错的医学图像分割网络 |
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
-
2020
- 2020-08-24 CN CN202010854330.2A patent/CN111815628B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
US20190258225A1 (en) * | 2017-11-17 | 2019-08-22 | Kodak Alaris Inc. | Automated 360-degree dense point object inspection |
CN108564577A (zh) * | 2018-04-12 | 2018-09-21 | 重庆邮电大学 | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 |
CN109448006A (zh) * | 2018-11-01 | 2019-03-08 | 江西理工大学 | 一种注意力机制u型密集连接视网膜血管分割方法 |
CN109829918A (zh) * | 2019-01-02 | 2019-05-31 | 安徽工程大学 | 一种基于密集特征金字塔网络的肝脏图像分割方法 |
CN109829891A (zh) * | 2019-01-02 | 2019-05-31 | 浙江大学 | 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法 |
CN110033443A (zh) * | 2019-04-04 | 2019-07-19 | 武汉精立电子技术有限公司 | 一种特征提取网络及其显示面板缺陷检测方法 |
CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
CN110599455A (zh) * | 2019-08-13 | 2019-12-20 | 武汉精立电子技术有限公司 | 显示屏缺陷检测网络模型、方法、装置、电子设备及存储介质 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN110992320A (zh) * | 2019-11-22 | 2020-04-10 | 电子科技大学 | 一种基于双重交错的医学图像分割网络 |
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052798A (zh) * | 2021-03-08 | 2021-06-29 | 广州绿怡信息科技有限公司 | 屏幕老化检测模型训练方法及屏幕老化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815628B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104962B (zh) | 图像的语义分割方法、装置、电子设备及可读存储介质 | |
EP3526765B1 (en) | Iterative multiscale image generation using neural networks | |
CN113608805B (zh) | 掩膜预测方法、图像处理方法、显示方法及设备 | |
EP4322109A1 (en) | Green screen matting method and apparatus, and electronic device | |
CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
CN110796664A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN113486785A (zh) | 基于深度学习的视频换脸方法、装置、设备及存储介质 | |
CN110827301B (zh) | 用于处理图像的方法和装置 | |
CN111815628B (zh) | 显示面板缺陷检测方法、装置、设备及可读存储介质 | |
CN114005019B (zh) | 一种翻拍图像识别方法及其相关设备 | |
CN113469148B (zh) | 一种文本擦除方法及模型的训练方法、装置、存储介质 | |
CN114937270A (zh) | 古籍文字处理方法、装置及计算机可读存储介质 | |
CN111027635A (zh) | 图像处理模型的构建方法、装置、终端及可读存储介质 | |
CN112651399B (zh) | 检测倾斜图像中同行文字的方法及其相关设备 | |
CN112927163A (zh) | 图像数据增强方法、装置、电子设备及存储介质 | |
Sakurai et al. | Restoring aspect ratio distortion of natural images with convolutional neural network | |
CN115100492B (zh) | Yolov3网络训练、pcb表面缺陷检测方法及装置 | |
US20230060988A1 (en) | Image processing device and method | |
CN115860026A (zh) | 条码检测方法、装置、条码检测设备和可读存储介质 | |
EP4243399A1 (en) | Image generation method and apparatus, and electronic device | |
CN115619904A (zh) | 图像处理方法、装置及设备 | |
CN111428707B (zh) | 图形识别码的识别方法、装置、存储介质及电子设备 | |
CN111179166B (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
CN112749702B (zh) | 一种图像识别方法、装置、终端及存储介质 | |
CN112101376A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 |
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 |