CN112070762A - 液晶面板的mura缺陷检测方法、装置、存储介质及终端 - Google Patents

Abstract

本发明涉及液晶面板检测领域，具体涉及一种液晶面板的mura缺陷检测方法、装置、存储介质及终端，所述方法包括：采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本；搭建卷积神经网络U‑Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U‑Net分割模型，得到mura检测模型；根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。本发明能够快速地收集训练样本，提高模型的抗干扰能力以及快速准确地检测液晶面板的mura缺陷类型。

Description

液晶面板的mura缺陷检测方法、装置、存储介质及终端

技术领域

本发明涉及液晶面板检测领域，具体涉及一种液晶面板的mura缺陷检测方法、装置、存储介质及终端。

背景技术

近年来，由于液晶屏广泛应用于个人电脑、桌面显示器、液晶电视、手持设备如手机、移动设备如车载显示等产品，液晶屏分辨率不断提高，产品质量要求也越来越高，对于屏幕面板的检测需求也日益增加，而目前对于屏幕面板的检测，一部分是依靠人工进行检测，检测结果受人主观判别影响较大；一部分是通过机器视觉法，利用图像分析算法识别对屏幕面板进行缺陷检测，而目前，基于机器视觉的液晶屏幕面板的检测方法存在样本收集困难，检测过程的抗干扰能力不佳，以及无法快速、准确地分辨不同种类的缺陷等问题。

发明内容

为克服以上技术问题，特别是现有技术样本收集困难，检测过程的抗干扰能力不佳，以及无法快速、准确地分辨不同种类的缺陷问题，特提出以下技术方案：

第一方面，本发明提供了一种液晶面板的mura缺陷检测方法，包括：

采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本；

搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型；

根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。

进一步的，所述根据所述mura检测模型对液晶面板进行检测，包括：

将所述mura检测模型融合进检测程序中，基于所述检测程序获取液晶面板的检测图像数据，根据所述mura检测模型对所述液晶面板的检测图像数据进行检测。

进一步的，所述对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据，包括：

获取不同缺陷类型的特征信息，根据所述特征信息生成对应缺陷类型的干扰数据；所述干扰数据包括基于液晶面板的色度值、亮度值、灰度值、角度值、异常形状、异常形状的面积值而组合的缺陷类型对应的干扰数据；

对所述良品图像数据加入不同缺陷类型的干扰数据，生成具有相应缺陷类型的缺陷图像数据。

具体的，所述获取不同缺陷类型的特征信息，根据所述特征信息生成对应缺陷类型的干扰数据，包括：

获取不同缺陷类型的特征信息及预设检测标准对应的干扰强度，根据所述特征信息及所述干扰强度生成对应缺陷类型在所述干扰强度下的干扰数据。

进一步的，所述得到mura检测模型之后，还包括：

基于对所述良品图像数据加入不同干扰强度的干扰数据而生成的缺陷图像数据，对所述mura检测模型进行优化，得到不同检测标准的mura检测模型。

进一步的，所述对所述良品图像数据加入若干种不同缺陷类型的干扰数据，包括：

对所述良品图像数据加入基于液晶面板的色度值、亮度值、灰度值、角度值、异常形状、异常形状的面积值的一项或多项组合而得到的一个区域的干扰数据；或，

对所述良品图像数据加入多个区域的干扰数据。

进一步的，所述确定所述液晶面板的mura缺陷类型之后，还包括：

输出所述mura缺陷类型及所述mura缺陷类型的参数值，所述参数值包括mura缺陷类型的色度值、亮度值、面积值、灰度值及角度值。

第二方面，本发明还提供一种液晶面板的mura缺陷检测装置，包括：

采集模块：用于采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本；

训练模块：用于搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型；

检测模块：用于根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。

第三方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的液晶面板的mura缺陷检测方法。

第四方面，本发明还提供了一种终端，所述终端包括一个或多个处理器、存储器、一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行上述的液晶面板的mura缺陷检测方法。

本发明与现有技术相比，具有以下有益效果：

本发明提出了一种缺陷识别范围广、缺陷识别抗干扰能力强的液晶面板的mura缺陷检测方法，通过采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据，再搭建卷积神经网络U-Net分割模型，将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本训练所述卷积神经网络U-Net分割模型，由于所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，便可预知缺陷图像数据中存在的缺陷，从而能够对所述模型进行有效的训练，并且，在所述缺陷图像数据的基础上能够精准地还原得到良品图像数据，提高模型的抗噪能力和还原原始信号的能力，从而得到mura检测模型，再利用所述mura检测模型对液晶面板进行检测，可以直接输入液晶面板的原始图像，然后分割出所述原始图像中出现缺陷的区域，识别出所述原始图像中出现缺陷的区域对应的缺陷类型，完成对不同mura缺陷类型的检测，快速、高效地识别出液晶面板出现的缺陷类型。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明液晶面板的mura缺陷检测方法的一实施例流程示意图；

图2为本发明对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据的一实施例流程示意图；

图3为本发明液晶面板的mura缺陷检测装置的一实施例示意图；

图4为本发明终端的一实施例结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

在一种实施例中，本发明提供一种液晶面板mura缺陷检测方法，如图1所示，所述方法包括以下步骤：

S100：采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本。

本发明旨在构建能够快速、有效识别液晶面板的检测模型，并基于所述检测模型对液晶面板进行检测，识别出液晶面板存在的mura缺陷，在构建检测模型之前，首先采集液晶面板的良品图像数据，所述液晶面板包括LCD液晶面板及OLED液晶面板，所述良品图像数据定义为所述液晶面板没有出现缺陷而所拍摄到的图像，即为无缺陷样本，然后对所述良品图像数据加入若干种不同缺陷类型的干扰数据，即本发明定义了液晶面板可能出现的不同缺陷类型对应的缺陷数据，将该些缺陷数据定义为干扰数据，将所述干扰数据加入到良品图像数据中，从而生成缺陷图像数据，通过人工地将干扰数据加入到良品图像数据中，可以成倍地增加样本数量，降低样本的获取难度，本实施例中将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本。

S200：搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型。

本发明中，通过搭建卷积神经网络，卷积神经网络（Convolutional NeuralNetwork，CNN）是一种前馈型的神经网络，应用于图像分析和图像处理领域，卷积神经网络可以直接输入原始图像（即所采集到的液晶面板图像）进行后续的识别、检测工作，再基于搭建的卷积神经网络的U-Net分割模型，可以对输入的图像进行特征的识别、分割，本发明中利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，由于所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，本发明中便可预知每一缺陷图像数据中存在的缺陷（即干扰数据），从而能够对所述模型进行有效的训练，以得到mura检测模型，mura缺陷是液晶面板中常见的视觉缺陷，表现为低对比度、非均匀亮度区域，边缘模糊，通常大于一个像素，会给观察者带来视觉不适，进一步的，由于本发明的所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，在所述缺陷图像数据的基础上通过训练模型可以还原得到良品图像，即还原得到良品图像数据，便可提高训练模型的抗噪能力和还原原始信号的能力，从而能够得到较为精确的mura检测模型。

S300：根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。

在得到所述mura检测模型后，便可根据所述mura检测模型对实际的液晶面板进行检测，具体的，所述mura检测模型是基于卷积神经网络的，可以直接输入液晶面板的原始图像，然后将所述原始图像通过已训练完成的mura检测模型运算，便可分割出所述原始图像中出现缺陷的区域，同时识别所述原始图像中出现缺陷的区域对应的“干扰数据”，即识别出所述原始图像中出现缺陷的区域对应的缺陷类型，完成对液晶面板多尺度的mura检测，可以快速、高效地识别出液晶面板出现的缺陷类型。

本实施例提出了一种缺陷识别范围广、缺陷识别抗干扰能力强的液晶面板的mura缺陷检测方法，通过采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据，再搭建卷积神经网络U-Net分割模型，将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本训练所述卷积神经网络U-Net分割模型，由于所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，便可预知缺陷图像数据中存在的缺陷，从而能够对所述模型进行有效的训练，并且，在所述缺陷图像数据的基础上能够精准地还原得到良品图像数据，提高模型的抗噪能力和还原原始信号的能力，从而得到mura检测模型，再利用所述mura检测模型对液晶面板进行检测，可以直接输入液晶面板的原始图像，然后分割出所述原始图像中出现缺陷的区域，识别出所述原始图像中出现缺陷的区域对应的缺陷类型，完成对不同mura缺陷类型的检测，快速、高效地识别出液晶面板出现的缺陷类型。

本发明的一种实施例，所述根据所述mura检测模型对液晶面板进行检测，包括：

将所述mura检测模型融合进检测程序中，基于所述检测程序获取液晶面板的检测图像数据，根据所述mura检测模型对所述液晶面板的检测图像数据进行检测。

本实施例中，在得到mura检测模型后，将所述mura检测模型融合进检测程序中，mura检测模型只负责对输入的图像进行识别，然后输出检测结果，而检测程序负责获取液晶面板的检测图像数据，即通过拍摄获取到每一块液晶面板的原始图像，然后将所述液晶面板的检测图像数据作为mura检测模型的输入，mura检测模型对输入的检测图像进行分割、识别，从而分割出所述检测图像中出现缺陷的区域，以及识别出所述检测图像中出现缺陷的区域对应的缺陷类型，然后输出识别的结果，通过将mura检测模型与监测程序独立运行，方便对mura检测模型或检测程序进行单独的维护，提供mura检测模型的鲁棒性。

本发明的一种实施例，所述对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据，包括：

S101：获取不同缺陷类型的特征信息，根据所述特征信息生成对应缺陷类型的干扰数据；所述干扰数据包括基于液晶面板的色度值、亮度值、灰度值、角度值、异常形状、异常形状的面积值而组合的缺陷类型对应的干扰数据；

S102：对所述良品图像数据加入不同缺陷类型的干扰数据，生成具有相应缺陷类型的缺陷图像数据。

本实施例中，在对所述良品图像加入若干种不同缺陷类型的干扰数据时，获取不同缺陷类型的特征信息，所述特征信息便是不同缺陷类型对于良品亮度的干扰，根据所述特征信息生成对应缺陷类型的干扰数据，所述干扰数据包括基于液晶面板的色度值、亮度值、灰度值、角度值、异常形状、异常形状的面积值而组合的缺陷类型对应的干扰数据，本发明实施例中，所加入的干扰数据包括上述干扰数据的一项或多项，例如，所述干扰数据包括面积形状为三角形、面积值为20，灰度值为[50,50,50]的干扰数据，同时，本发明实施例中，对一副良品图像所加入的干扰数据可以是一项或多项，例如，对良品图像PNG1加入的干扰数据1为面积形状为三角形、面积值为20，灰度值为[50,50,50]的干扰数据，干扰数据2为曲线形、面积值为10，灰度值为[20,50,20]、角度值为30的干扰数据。对所述良品图像加入所述干扰数据后，生成的便是具有相应缺陷类型的缺陷图像数据，从而能够构建大量的具有不同缺陷类型的样本，以便后续对mura检测模型进行训练和优化。

本发明的一种实施例，所述获取不同缺陷类型的特征信息，根据所述特征信息生成对应缺陷类型的干扰数据，包括：

获取不同缺陷类型的特征信息及预设检测标准对应的干扰强度，根据所述特征信息及所述干扰强度生成对应缺陷类型在所述干扰强度下的干扰数据。

本实施例中，在上述实施例的获取不同缺陷类型的特征信息之后，由于在实际检测的过程中，不同厂商要求的标准不同，为了适应不同的检测标准，在获取样本时，通过获取预设检测标准对应的干扰强度，然后根据所述特征信息及所述干扰强度生成对应缺陷类型在所述干扰强度下的干扰数据，即生成不同精度的干扰数据，当把该些干扰数据加入良品图像数据后，便可得到具有不同干扰强度的缺陷图像数据，后续在训练mura检测模型时，基于不同的干扰强度，训练得到的mura模型便可识别对应精度的检测图像，从而满足不同的检测标准。

本发明的一种实施例，所述得到mura检测模型之后，还包括：

基于对所述良品图像数据加入不同干扰强度的干扰数据而生成的缺陷图像数据，对所述mura检测模型进行优化，得到不同检测标准的mura检测模型。

本实施例中，在得到mura检测模型之后，所述mura检测模型为基础的普适性检测模型，而为了适应不同的检测标准，本实施例中，基于对所述良品图像数据加入不同干扰强度的干扰数据而生成的缺陷图像数据对所述mura检测模型进行优化，从而能够优化mura检测模型在不同干扰强度下的抗干扰能力，从而得到不同检测标准的mura检测模型，适应不同的检测需求，同时，由于不同的检测标准所需花费的时间不同，当检测标准精度要求越高时，所需花费的检测时间越长，但检测标准精度要求越低时，所需花费的检测时间越短，通过优化得到不同检测标准的mura检测模型，可以提高在不同监测标准下的检测效率。

本发明的一种实施例，所述确定所述液晶面板的mura缺陷类型之后，还包括：

输出所述mura缺陷类型及所述mura缺陷类型的参数值，所述参数值包括mura缺陷类型的色度值、亮度值、面积值、灰度值及角度值。

本实施例中，mura检测模型识别液晶面板后，确定所述液晶面板的mura缺陷类型，然后输出所述mura缺陷类型及所述mura缺陷类型的参数值，所述参数值包括mura缺陷类型的色度值、亮度值、面积值、灰度值及角度值，具体的，输出的液晶面板的缺陷包括液晶面板上存在的一处缺陷，以及该缺陷的具体类型及具体的参数值，若液晶面板上存在的多处缺陷，亦能够同时输出液晶面板的多处缺陷的具体类型及具体的参数值，通过输出所述参数值，能够直观地知晓液晶面板中每一缺陷的参数，便于后续对液晶面板所出现的缺陷进行统计分析，为优化液晶面板的生产线提供数据基础，同时，满足不同厂家对于缺陷分析的需求，提高mura模型检测的适用场景。

如图3所示，在另一种实施例中，本发明提供了一种液晶面板的mura缺陷检测装置，包括：

采集模块100：用于采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本；

训练模块200：用于搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型；

检测模块300：用于根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。

本实施例中，采集模块100采集液晶面板的良品图像数据，所述液晶面板包括LCD液晶面板及OLED液晶面板，所述良品图像数据定义为所述液晶面板没有出现缺陷而所拍摄到的图像，即为无缺陷样本，然后对所述良品图像数据加入若干种不同缺陷类型的干扰数据，即本发明定义了液晶面板可能出现的不同缺陷类型对应的缺陷数据，将该些缺陷数据定义为干扰数据，将所述干扰数据加入到良品图像数据中，从而生成缺陷图像数据，通过人工地将干扰数据加入到良品图像数据中，可以成倍地增加样本数量，降低样本的获取难度，本实施例中将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本。

进一步的，训练模块200搭建卷积神经网络，再基于搭建的卷积神经网络的U-Net分割模型，可以对输入的图像进行特征的识别、分割，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，由于所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，本发明中便可预知每一缺陷图像数据中存在的缺陷（即干扰数据），从而能够对所述模型进行有效的训练，以得到mura检测模型，进一步的，由于本发明的所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，在所述缺陷图像数据的基础上通过训练模型可以还原得到良品图像，即还原得到良品图像数据，便可提高训练模型的抗噪能力和还原原始信号的能力，从而能够得到较为精确的mura检测模型。

进一步的，检测模块300根据所述mura检测模型对实际的液晶面板进行检测，可以直接输入液晶面板的原始图像，然后将所述原始图像通过已训练完成的mura检测模型运算，便可分割出所述原始图像中出现缺陷的区域，同时识别所述原始图像中出现缺陷的区域对应的“干扰数据”，即识别出所述原始图像中出现缺陷的区域对应的缺陷类型，完成对液晶面板多尺度的mura检测，可以快速、高效地识别出液晶面板出现的缺陷类型。

在另一种实施例中，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例所述的液晶面板的mura缺陷检测方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、CD-ROM、和磁光盘）、ROM（Read-Only Memory，只读存储器）、RAM（Random AcceSSMemory，随即存储器）、EPROM（EraSable Programmable Read-Only Memory，可擦写可编程只读存储器）、EEPROM（Electrically EraSable Programmable Read-Only Memory，电可擦可编程只读存储器）、闪存、磁性卡片或光线卡片。

本发明实施例提供的一种计算机可读存储介质可实现采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本；搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型；根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。通过提出了一种缺陷识别范围广、缺陷识别抗干扰能力强的液晶面板的mura缺陷检测方法，通过采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据，再搭建卷积神经网络U-Net分割模型，将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本训练所述卷积神经网络U-Net分割模型，由于所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，便可预知缺陷图像数据中存在的缺陷，从而能够对所述模型进行有效的训练，并且，在所述缺陷图像数据的基础上能够精准地还原得到良品图像数据，提高模型的抗噪能力和还原原始信号的能力，从而得到mura检测模型，再利用所述mura检测模型对液晶面板进行检测，可以直接输入液晶面板的原始图像，然后分割出所述原始图像中出现缺陷的区域，识别出所述原始图像中出现缺陷的区域对应的缺陷类型，完成对不同mura缺陷类型的检测，快速、高效地识别出液晶面板出现的缺陷类型。

本发明实施例提供的计算机可读存储介质可以实现上述液晶面板的mura缺陷检测方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。

此外，在又一种实施例中，本发明还提供一种终端，如图4所示，所述控制终端包括处理器403、存储器405、输入单元407以及显示单元409等器件。本领域技术人员可以理解，图4示出的结构器件并不构成对所有控制终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件。所述存储器405可用于存储计算机程序401以及各功能模块，所述处理器403运行存储在存储器405的计算机程序401，从而执行设备的各种功能应用以及数据处理。

在一种实施方式中，所述终端包括一个或多个处理器403，以及一个或多个存储器405，一个或多个计算机程序401，其中所述一个或多个计算机程序401被存储在存储器405中并被配置为由所述一个或多个处理器403执行，所述一个或多个计算机程序401配置用于执行以上实施例所述的液晶面板的mura缺陷检测方法。图4中所示的一个或多个处理器403能够执行、实现图3中所示的采集模块100、训练模块200、检测模块300的功能。

本申请实施例提供的一种终端，可实现采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本；搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型；根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。通过提出了一种缺陷识别范围广、缺陷识别抗干扰能力强的液晶面板的mura缺陷检测方法，通过采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据，再搭建卷积神经网络U-Net分割模型，将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本训练所述卷积神经网络U-Net分割模型，由于所述缺陷图像数据是由良品图像数据通过添加干扰数据而得到的，便可预知缺陷图像数据中存在的缺陷，从而能够对所述模型进行有效的训练，并且，在所述缺陷图像数据的基础上能够精准地还原得到良品图像数据，提高模型的抗噪能力和还原原始信号的能力，从而得到mura检测模型，再利用所述mura检测模型对液晶面板进行检测，可以直接输入液晶面板的原始图像，然后分割出所述原始图像中出现缺陷的区域，识别出所述原始图像中出现缺陷的区域对应的缺陷类型，完成对不同mura缺陷类型的检测，快速、高效地识别出液晶面板出现的缺陷类型。

本申请实施例提供的终端可以实现上述提供的液晶面板的mura缺陷检测方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种液晶面板的mura缺陷检测方法，其特征在于，包括如下步骤：

采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本； 搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型； 根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述mura检测模型对液晶面板进行检测，包括：将所述mura检测模型融合进检测程序中，基于所述检测程序获取液晶面板的检测图像数据，根据所述mura检测模型对所述液晶面板的检测图像数据进行检测。

3.根据权利要求1所述的方法，其特征在于，所述对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据，包括：获取不同缺陷类型的特征信息，根据所述特征信息生成对应缺陷类型的干扰数据；所述干扰数据包括基于液晶面板的色度值、亮度值、灰度值、角度值、异常形状、异常形状的面积值而组合的缺陷类型对应的干扰数据； 对所述良品图像数据加入不同缺陷类型的干扰数据，生成具有相应缺陷类型的缺陷图像数据。

4.根据权利要求3所述的方法，其特征在于，所述获取不同缺陷类型的特征信息，根据所述特征信息生成对应缺陷类型的干扰数据，包括：获取不同缺陷类型的特征信息及预设检测标准对应的干扰强度，根据所述特征信息及所述干扰强度生成对应缺陷类型在所述干扰强度下的干扰数据。

5.根据权利要求4所述的方法，其特征在于，所述得到mura检测模型之后，还包括：基于对所述良品图像数据加入不同干扰强度的干扰数据而生成的缺陷图像数据，对所述mura检测模型进行优化，得到不同检测标准的mura检测模型。

6.根据权利要求3所述的方法，其特征在于，所述对所述良品图像数据加入若干种不同缺陷类型的干扰数据，包括：对所述良品图像数据加入基于液晶面板的色度值、亮度值、灰度值、角度值、异常形状、异常形状的面积值的一项或多项组合而得到的一个区域的干扰数据；或对所述良品图像数据加入多个区域的干扰数据。

7.根据权利要求1所述的方法，其特征在于，所述确定所述液晶面板的mura缺陷类型之后，还包括：输出所述mura缺陷类型及所述mura缺陷类型的参数值，所述参数值包括mura缺陷类型的色度值、亮度值、面积值、灰度值及角度值。

8.一种液晶面板的mura缺陷检测装置，其特征在于，包括：采集模块：用于采集液晶面板的良品图像数据，对所述良品图像数据加入若干种不同缺陷类型的干扰数据，生成缺陷图像数据；将所述缺陷图像数据、良品图像数据及干扰数据作为训练样本及验证样本；

训练模块：用于搭建卷积神经网络U-Net分割模型，利用所述训练样本及验证样本训练所述卷积神经网络U-Net分割模型，得到mura检测模型；检测模块：用于根据所述mura检测模型对液晶面板进行检测，确定所述液晶面板的mura缺陷类型。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至7任一项所述的液晶面板的mura缺陷检测方法。

10.一种终端，其特征在于，包括：一个或多个处理器；存储器；一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行根据权利要求1至7任一项所述的液晶面板的mura缺陷检测方法。

Images