CN114037700A - 面板缺陷检测方法、装置、电子设备及存储介质 - Google Patents
面板缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114037700A CN114037700A CN202111651999.2A CN202111651999A CN114037700A CN 114037700 A CN114037700 A CN 114037700A CN 202111651999 A CN202111651999 A CN 202111651999A CN 114037700 A CN114037700 A CN 114037700A
- Authority
- CN
- China
- Prior art keywords
- panel
- defect
- short
- line
- 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.)
- Pending
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本发明涉及图像检测技术领域,揭露了一种面板缺陷检测方法,包括:接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测得到面板缺陷坐标,根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图,定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线,判断所述上下窄线与面板缺陷图中缺陷是否存在相交,当所述上下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。本发明还提出一种面板缺陷检测装置、电子设备以及存储介质。本发明可解决短路面板缺陷检测率较低的问题。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种面板缺陷检测方法、装置、电子设备及存储介质。
背景技术
关于电路板等工业制造过程中,因工艺波动、机台差异等因素会产生各种各样形态的电路板缺陷,其中,电路板缺陷最严重的缺陷包括短路缺陷。
目前,关于短路缺陷的监测主要使用人力识别,但人力识别会耗费过多资源,在工业2.0时代,越来越多的电路板制造商开始采用人工智能ADC(自动缺陷分类系统)来取代人力进行缺陷识别,目前人工智能ADC的检测模型在短路缺陷检测上依然无法达到较高准确率。
发明内容
本发明提供一种面板缺陷检测方法、装置、电子设备及存储介质,其主要目的在于解决短路面板缺陷检测率较低的问题。
为实现上述目的,本发明提供的一种面板缺陷检测方法,包括:
接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标;
根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图;
定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线;
判断所述上窄线及下窄线与面板缺陷图中缺陷是否存在相交,当所述上窄线及下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
基于背景技术所述目前检测模型在短路缺陷检测无法达到较高准确率的问题,本发明实施例先接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标,因为面板缺陷坐标里可能包括断线的面板,为后续断线检测提供前置基础,然后根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图,并进一步定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找、所述金属线的上窄线及下窄线,因为上窄线及下窄线原则上互相不交,若相交的话,可能会引发短路,因此所述上下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。可见本发明的面板缺陷检测包括坐标检测、窄线检测及断线检测,通过细致的多次检测,可提高断线检测准确率。因此本发明提出的基于短路面板的缺陷检测方法、装置、电子设备及计算可以解决短路面板缺陷检测率较低的问题。
可选地,所述根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到面板缺陷图,包括:
根据所述面板缺陷坐标生成缺陷矩形框,并定位所述缺陷矩形框的框中心;
按照预设长度及宽度的裁剪比例,以所述框中心为裁剪中心执行裁剪,得到所述面板缺陷图。
本发明较佳实施例中,以面板缺陷坐标为中心生成缺陷矩形框,并进一步缺陷矩形框确定裁剪区域,可缩小对缺陷面板的检测面积,节约后续面板短路检测的资源消耗。
可选地,定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线,包括:
接收用户在所述面板缺陷图中确定的所述金属线;
对所述面板缺陷图执行二值化,得到二值缺陷图;
创建所述二值缺陷图的卷积核,利用所述卷积核对所述二值缺陷图执行开操作,得到优化缺陷图;
基于霍夫直线检测法,对所述金属线执行边缘检测,得到所述金属线的上窄线及下窄线。
本发明实施例先通过包括二值化、卷积操作等数字图像处理方法预处理面板缺陷图,去除部分噪音干扰,同时基于霍夫直线检测法,对所述金属线执行边缘检测,得到所述金属线的上窄线及下窄线,由于上窄线及下窄线是判断面板缺陷的关键信息,因此可进一步精确面板的缺陷位置,提高缺陷准确率。
可选地,创建所述二值缺陷图的卷积核,包括:
根据下列计算公式,创建所述二值缺陷图的卷积核:
其中,kernerSizevertical表示所述卷积核,h为所述二值缺陷图的高,w为所述二值缺陷图的宽。
本发明实施例通过特定的卷积核,可去除部分面板缺陷图噪音,防止后续面板缺陷检测因噪音干扰降低检测准确率。
可选地,所述判断所述面板缺陷图是否存在断线,包括:
对所述面板缺陷图执行包括阈值分割及去噪处理,得到缺陷轮廓待提取图;
使用轮廓检测方法,对缺陷轮廓待提取图执行轮廓提取,得到一组或多组轮廓线;
依次计算每组轮廓线所在的轮廓区域面积,并提取轮廓区域面积大于预设阈值的轮廓线,得到一组或多组断线待确认线;
判断所述断线待确认线是否存在断点,若所述断线待确认线存在断点,则所述面板缺陷图存在断线,若所述断线待确认线不存在断点,则所述面板缺陷图不存在断线。
本发明实施例中,为了防止出现面板短路的错误检测,进一步提高检测效率,先对面板缺陷图执行包括阈值分割及去噪处理,得到缺陷轮廓待提取图,然后根据缺陷轮廓待提取图,提取轮廓区域面积大于预设阈值的轮廓线,得到一组或多组断线待确认线。需解释的是,断线待确认线中包括断线和非断线,但多数方案并未进一步对断线和非断线进行区分,因此本发明实施例为进一步提高对面板断线检测准确率,先判断所述断线待确认线是否存在断点,若所述断线待确认线存在断点,则所述面板缺陷图存在断线,若所述断线待确认线不存在断点,则所述面板缺陷图不存在断线,从而提高对面板断线的检测准确率。
可选地,所述依次计算每组轮廓线所在的轮廓区域面积,包括:
采用如下计算方法,计算每组轮廓线所在的轮廓区域面积:
本发明实施例中,通过指定的轮廓区域面积计算公式,可提高对轮廓区域面积的计算准确度。
可选地,所述预训练完成的缺陷检测模型,包括:
接收用户输入的卷积层数量,生成与所述卷积层数量相同数量的卷积层,根据所述卷积层构建待训练的缺陷检测模型;
接收面板图片训练集,利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型。
已证实的是卷积神经网络在图像领域中具有优异的检测功能,因此本发明实施例基于卷积层数量,利用卷积层构建得到缺陷检测模型,并为了提高缺陷检测模型的检测准确率,利用面板图片训练集优化待训练的所述缺陷检测模型的模型参数,使得缺陷检测模型对面板缺陷的检测效果达到最优。
可选地,所述生成与所述卷积层数量相同数量的卷积层,根据所述卷积层构建待训练的缺陷检测模型,包括:
生成与所述述卷积层数量相同数量的待调整卷积层;
按照预先设置的卷积核大小,调整所述待调整卷积层的卷积核尺寸,同时设置所述待调整卷积层的卷积步长至用户要求;
在已调整卷积核尺寸及卷积步长的卷积层后添加全连接神经网络及激活函数,得到待训练的所述缺陷检测模型。
卷积神经网络的检测效果受卷积核和卷积步长影响较大,因此本发明实施例为提高缺陷检测模型的检测效果,根据按照预先设置的卷积核大小,调整所述待调整卷积层的卷积核尺寸,同时设置所述待调整卷积层的卷积步长至用户要求,从而使得缺陷检测模型在应用至面板缺陷检测中具有优秀表现。
可选地,所述利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型,之前还包括:
从所述面板图片训练集中提取每张面板图片的标签,其中每张面板图片的标签包括正常面板或缺陷面板;
接收用户根据缺陷面板的标签而输入的面板缺陷坐标,得到与所述面板图片训练集对应的面板图片标签集。
训练集对神经网络的模型表现影响至关重要,优秀的训练集可提高神经网络的鲁棒性,因此本发明实施例中,为进一步提高缺陷检测模型的准确率,先接收面板图片训练集,然后通过用户标定的方式,构建了与所述面板图片训练集对应的面板图片标签集,通过面板图片训练集与面板图片标签集结合的方式提高模型参数优化过程。
可选地,所述利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型,包括:
接收用户根据待训练的所述缺陷检测模型输入的训练学习率及批尺寸,将所述面板图片训练集输入至待训练的所述缺陷检测模型;
根据所述训练学习率及所述批尺寸,利用所述卷积层对所述面板图片训练集执行特征提取,得到面板图片特征集;
将所述面板图片特征集输入至所述全连接神经网络执行维度转变,得到单维图片特征集;
利用所述激活函数激活所述单维图片特征集,得到预测面板标签集;
计算所述预测面板标签集与所述面板图片训练集的误差值;
判断所述误差值是否大于指定阈值,若所述误差值大于所述指定阈值,调整所述训练学习率、所述批尺寸及待训练的所述缺陷检测模型的内部参数,并返回上述卷积层特征提取步骤;
直至所述误差值小于或等于所述指定阈值,得到预训练完成的所述缺陷检测模型。
神经网络训练过程是用户干预及调节的过程,本发明实施为提高模型训练的训练效果,接收用户根据待训练的所述缺陷检测模型输入的训练学习率及批尺寸,通过训练学习率及批尺寸依次优化缺陷检测模型的内部参数,从而完善训练过程,提高后续缺陷检测模型对缺陷面板的检测准确率。
为了解决上述问题,本发明还提供一种基于短路面板的缺陷检测装置,所述装置包括:
缺陷坐标检测模块,用于接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标;
裁剪模块,用于根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图;
窄线寻找模块,用于定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线;
窄线相交判断模块,用于判断所述上窄线及下窄线与面板缺陷图中缺陷是否存在相交;
断线检测模块,用于当所述上窄线及下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于短路面板的缺陷检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于短路面板的缺陷检测方法。
附图说明
图1为本发明一实施例提供的基于短路面板的缺陷检测方法的流程示意图;
图2为图1中其中一个步骤的缺陷面板断线及未断线图;
图3为图1中另一个步骤的缺陷面板的断线检测图;
图4为本发明一实施例提供的基于短路面板的缺陷检测装置的功能模块图;
图5为本发明一实施例提供的实现所述基于短路面板的缺陷检测方法的电子设备的结构示意图。
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。
本申请实施例提供一种基于短路面板的缺陷检测方法。所述基于短路面板的缺陷检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于短路面板的缺陷检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于短路面板的缺陷检测方法的流程示意图。在本实施例中,所述基于短路面板的缺陷检测方法包括:
S1、接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标。
需解释的是,电路面板是一切电力设备的基础,因此检测面板是否异常极其重要。本发明实施例采用预训练完成的缺陷检测模型,先对面板短路图执行缺陷检测,得到面板缺陷坐标。
详细地,所述预训练完成的缺陷检测模型,包括:
接收用户输入的卷积层数量,生成与所述卷积层数量相同数量的卷积层,根据所述卷积层构建待训练的缺陷检测模型;
接收面板图片训练集,利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型。
应了解的是,卷积层是深度神经网络的基础构建层,通过卷积层与卷积层之间的互相衔接即可构成本发明所述缺陷检测模型。
详细地,所述生成与所述卷积层数量相同数量的卷积层,根据所述卷积层构建待训练的缺陷检测模型,包括:
生成与所述述卷积层数量相同数量的待调整卷积层;
按照预先设置的卷积核大小,调整所述待调整卷积层的卷积核尺寸,同时设置所述待调整卷积层的卷积步长至用户要求;
在已调整卷积核尺寸及卷积步长的卷积层后添加全连接神经网络及激活函数,得到待训练的所述缺陷检测模型。
示例性的,本发明可生成9层待调整卷积层,并依次设计前3层的卷积核大小为3*3,中间3层的卷积核大小为4*4,后3层的卷积层大小为5*5,每个卷积层的步长均设计为1。
进一步地,所述面板图片训练集包括可正常工作的面板,还包括缺陷面板及缺陷面板的坐标,通过正常工作面板和缺陷面板,可帮助缺陷检测模型迭代训练内部的模型参数达到最优,其中缺陷面板包括断线缺陷面板和未断线缺陷面板,具体可参阅图2所示,图2中断线缺陷面板(a)和断线缺陷面板(b)为断线缺陷面板的两种示例情形,未断线缺陷面板(c)和未断线缺陷面板(d)为未断线缺陷面板的两种示例情形。
故利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型,之前还包括:
从所述面板图片训练集中提取每张面板图片的标签,其中每张面板图片的标签包括正常面板或缺陷面板;
接收用户根据缺陷面板的标签而输入的面板缺陷坐标,得到与所述面板图片训练集对应的面板图片标签集。
进一步地,当得到面板图片训练集和待训练的所述缺陷检测模型后,所述利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型,包括:
接收用户根据待训练的所述缺陷检测模型输入的训练学习率及批尺寸,将所述面板图片训练集输入至待训练的所述缺陷检测模型;
根据所述训练学习率及所述批尺寸,利用所述卷积层对所述面板图片训练集执行特征提取,得到面板图片特征集;
将所述面板图片特征集输入至所述全连接神经网络执行维度转变,得到单维图片特征集;
利用所述激活函数激活所述单维图片特征集,得到预测面板标签集;
计算所述预测面板标签集与所述面板图片训练集的误差值;
判断所述误差值是否大于指定阈值,若所述误差值大于所述指定阈值,调整所述训练学习率、所述批尺寸及待训练的所述缺陷检测模型的内部参数,并返回上述卷积层特征提取步骤;
直至所述误差值小于或等于所述指定阈值,得到预训练完成的所述缺陷检测模型。
本发明实施例中,所述训练学习率及所述批尺寸可分别设定为0.001和32,所述激活函数可设置为relu函数,直至满足训练要求,得到缺陷检测模型后,利用缺陷检测模型检测面板短路图,当面板短路图是缺陷面板时,会对应输出面板的缺陷坐标。
S2、根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图。
需解释的是,由于上述缺陷检测模型检测面板短路图所得到的缺陷坐标范围过大,需以面板缺陷坐标为基础,进一步执行裁剪。详细地,所述根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到面板缺陷图,包括:
根据所述面板缺陷坐标生成缺陷矩形框,并定位所述缺陷矩形框的框中心;
按照预设长度及宽度的裁剪比例,以所述框中心为裁剪中心执行裁剪,得到所述面板缺陷图。
本发明实施例中,所述裁剪比例设定为10%,基以缺陷矩形框的框中心上下左右裁剪10%。
S3、定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线。
详细地,所述定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线,包括:
接收用户在所述面板缺陷图中确定的所述金属线;
对所述面板缺陷图执行二值化,得到二值缺陷图;
创建所述二值缺陷图的卷积核,利用所述卷积核对所述二值缺陷图执行开操作,得到优化缺陷图;
基于霍夫直线检测法,对所述金属线执行边缘检测,得到所述金属线的上窄线及下窄线。
进一步地,所述创建所述二值缺陷图的卷积核,包括:
根据下列计算公式,创建所述二值缺陷图的卷积核:
其中,kernerSizevertical表示所述卷积核,h为所述二值缺陷图的高,w为所述二值缺陷图的宽。
S4、判断所述上下窄线与面板缺陷图中缺陷是否存在相交,当所述上下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
详细地,所述判断所述面板缺陷图是否存在断线,包括:
对所述面板缺陷图执行包括阈值分割及去噪处理,得到缺陷轮廓待提取图;
使用轮廓检测方法,对缺陷轮廓待提取图执行轮廓提取,得到一组或多组轮廓线;
依次计算每组轮廓线所在的轮廓区域面积,并提取轮廓区域面积大于预设阈值的轮廓线,得到一组或多组断线待确认线;
判断所述断线待确认线是否存在断点,若所述断线待确认线存在断点,则所述面板缺陷图存在断线,若所述断线待确认线不存在断点,则所述面板缺陷图不存在断线。
进一步地,所述依次计算每组轮廓线所在的轮廓区域面积,包括:
采用如下计算方法,计算每组轮廓线所在的轮廓区域面积:
其中,其中,P(x,y)、Q(x,y)为所述轮廓线内任意一点,及表示一阶偏导。可见通过计算得到轮廓区域面积后,依次判断轮廓区域面积是否大于预设阈值,并提取出大于预设阈值所在轮廓区域面积的轮廓线,得到上述断线待确认线,且进一步地,当断线待确认线存在断点,则表明面板缺陷图存在断线,得到断线检测结果,断线检测结果请参阅图3所示。
基于背景技术所述目前检测模型在短路缺陷检测无法达到较高准确率的问题,本发明实施例先接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标,因为面板缺陷坐标里可能包括断线的面板,为后续断线检测提供前置基础,然后根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图,并进一步定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找、所述金属线的上窄线及下窄线,因为上窄线及下窄线原则上互相不交,若相交的话,可能会引发短路,因此所述上下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。可见本发明的面板缺陷检测包括坐标检测、窄线检测及断线检测,通过细致的多次检测,可提高断线检测准确率。因此本发明提出的基于短路面板的缺陷检测方法、装置、电子设备及计算可以解决短路面板缺陷检测率较低的问题。
如图4所示,是本发明一实施例提供的基于短路面板的缺陷检测装置的功能模块图。
本发明所述基于短路面板的缺陷检测装置100可以安装于电子设备中。根据实现的功能,所述基于短路面板的缺陷检测装置100可以包括缺陷坐标检测模块101、裁剪模块102、窄线寻找模块103、窄线相交判断模块104及断线检测模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
所述缺陷坐标检测模块101,用于接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标;
所述裁剪模块102,用于根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图;
所述窄线寻找模块103,用于定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线;
所述窄线相交判断模块104,用于判断所述上下窄线与面板缺陷图中缺陷是否存在相交;
所述断线检测模块105,用于当所述上下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
详细地,本发明实施例中所述基于短路面板的缺陷检测装置100中的所述各模块在使用时采用与上述的图1中所述的基于短路面板的缺陷检测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于短路面板的缺陷检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于短路面板的缺陷检测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于短路面板的缺陷检测程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于短路面板的缺陷检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于短路面板的缺陷检测程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标;
根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图;
定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线;
判断所述上下窄线与面板缺陷图中缺陷是否存在相交,当所述上下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标;
根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图;
定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线;
判断所述上下窄线与面板缺陷图中缺陷是否存在相交,当所述上下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (13)
1.一种基于短路面板的缺陷检测方法,其特征在于,所述方法包括:
接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标;
根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图;
定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线;
判断所述上窄线及下窄线与面板缺陷图中缺陷是否存在相交,当所述上窄线及下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
2.如权利要求1所述的基于短路面板的缺陷检测方法,其特征在于,所述根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到面板缺陷图,包括:
根据所述面板缺陷坐标生成缺陷矩形框,并定位所述缺陷矩形框的框中心;
按照预设长度及宽度的裁剪比例,以所述框中心为裁剪中心执行裁剪,得到所述面板缺陷图。
3.如权利要求2所述的基于短路面板的缺陷检测方法,其特征在于,所述定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线,包括:
接收用户在所述面板缺陷图中确定的所述金属线;
对所述面板缺陷图执行二值化,得到二值缺陷图;
创建所述二值缺陷图的卷积核,利用所述卷积核对所述二值缺陷图执行开操作,得到优化缺陷图;
基于霍夫直线检测法,对所述金属线执行边缘检测,得到所述金属线的上窄线及下窄线。
5.如权利要求1所述的基于短路面板的缺陷检测方法,其特征在于,所述判断所述面板缺陷图是否存在断线,包括:
对所述面板缺陷图执行包括阈值分割及去噪处理,得到缺陷轮廓待提取图;
使用轮廓检测方法,对缺陷轮廓待提取图执行轮廓提取,得到一组或多组轮廓线;
依次计算每组轮廓线所在的轮廓区域面积,并提取轮廓区域面积大于预设阈值的轮廓线,得到一组或多组断线待确认线;
判断所述断线待确认线是否存在断点,若所述断线待确认线存在断点,则所述面板缺陷图存在断线,若所述断线待确认线不存在断点,则所述面板缺陷图不存在断线。
7.如权利要求1所述的基于短路面板的缺陷检测方法,其特征在于,所述预训练完成的缺陷检测模型,包括:
接收用户输入的卷积层数量,生成与所述卷积层数量相同数量的卷积层,根据所述卷积层构建待训练的缺陷检测模型;
接收面板图片训练集,利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型。
8.如权利要求7所述的基于短路面板的缺陷检测方法,其特征在于,所述生成与所述卷积层数量相同数量的卷积层,根据所述卷积层构建待训练的缺陷检测模型,包括:
生成与所述述卷积层数量相同数量的待调整卷积层;
按照预先设置的卷积核大小,调整所述待调整卷积层的卷积核尺寸,同时设置所述待调整卷积层的卷积步长至用户要求;
在已调整卷积核尺寸及卷积步长的卷积层后添加全连接神经网络及激活函数,得到待训练的所述缺陷检测模型。
9.如权利要求8所述的基于短路面板的缺陷检测方法,其特征在于,所述利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型,之前还包括:
从所述面板图片训练集中提取每张面板图片的标签,其中每张面板图片的标签包括正常面板或缺陷面板;
接收用户根据缺陷面板的标签而输入的面板缺陷坐标,得到与所述面板图片训练集对应的面板图片标签集。
10.如权利要求9所述的基于短路面板的缺陷检测方法,其特征在于,所述利用所述面板图片训练集训练待训练的所述缺陷检测模型,得到预训练完成的所述缺陷检测模型,包括:
接收用户根据待训练的所述缺陷检测模型输入的训练学习率及批尺寸,将所述面板图片训练集输入至待训练的所述缺陷检测模型;
根据所述训练学习率及所述批尺寸,利用所述卷积层对所述面板图片训练集执行特征提取,得到面板图片特征集;
将所述面板图片特征集输入至所述全连接神经网络执行维度转变,得到单维图片特征集;
利用所述激活函数激活所述单维图片特征集,得到预测面板标签集;
计算所述预测面板标签集与所述面板图片训练集的误差值;
判断所述误差值是否大于指定阈值,若所述误差值大于所述指定阈值,调整所述训练学习率、所述批尺寸及待训练的所述缺陷检测模型的内部参数,并返回上述卷积层特征提取步骤;
直至所述误差值小于或等于所述指定阈值,得到预训练完成的所述缺陷检测模型。
11.一种基于短路面板的缺陷检测装置,其特征在于,所述装置包括:
缺陷坐标检测模块,用于接收面板短路图,根据预训练完成的缺陷检测模型,对所述面板短路图执行缺陷检测,得到面板缺陷坐标;
裁剪模块,用于根据所述面板缺陷坐标对所述面板短路图执行裁剪,得到包括缺陷的面板缺陷图;
窄线寻找模块,用于定位所述面板缺陷图中缺陷所属的金属线,并基于数字图像处理技术寻找到所述金属线的上窄线及下窄线;
窄线相交判断模块,用于判断所述上窄线及下窄线与面板缺陷图中缺陷是否存在相交;
断线检测模块,用于当所述上窄线及下窄线与面板缺陷图中缺陷存在相交,判断所述面板缺陷图是否存在断线,得到所述面板缺陷图的断线检测结果。
12.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至10中任意一项所述的基于短路面板的缺陷检测方法。
13.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至10中任意一项所述的基于短路面板的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651999.2A CN114037700A (zh) | 2021-12-31 | 2021-12-31 | 面板缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651999.2A CN114037700A (zh) | 2021-12-31 | 2021-12-31 | 面板缺陷检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037700A true CN114037700A (zh) | 2022-02-11 |
Family
ID=80141065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111651999.2A Pending CN114037700A (zh) | 2021-12-31 | 2021-12-31 | 面板缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063618A (zh) * | 2022-08-17 | 2022-09-16 | 成都数之联科技股份有限公司 | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 |
-
2021
- 2021-12-31 CN CN202111651999.2A patent/CN114037700A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063618A (zh) * | 2022-08-17 | 2022-09-16 | 成都数之联科技股份有限公司 | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 |
CN115063618B (zh) * | 2022-08-17 | 2022-11-11 | 成都数之联科技股份有限公司 | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN103093181A (zh) | 一种车牌图像定位的方法和装置 | |
CN112861648A (zh) | 文字识别方法、装置、电子设备及存储介质 | |
CN113780691A (zh) | 数据测试方法、装置、电子设备及存储介质 | |
CN113920117B (zh) | 一种面板缺陷区域检测方法、装置、电子设备及存储介质 | |
CN111309825A (zh) | 数据聚类的存储方法、装置及计算机可读存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN113781485A (zh) | 一种pcb缺陷类别的智能检测方法、装置、电子设备及介质 | |
CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
CN112137591A (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN114241499A (zh) | 表格图片识别方法、装置、设备和可读存储介质 | |
CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN114037700A (zh) | 面板缺陷检测方法、装置、电子设备及存储介质 | |
CN113434542A (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
CN112528903A (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
CN112486957A (zh) | 数据库迁移检测方法、装置、设备及存储介质 | |
CN111814743A (zh) | 笔迹识别方法、装置及计算机可读存储介质 | |
CN113705686A (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN115830606A (zh) | 文字瑕疵检测方法、计算机装置及存储介质 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112528984A (zh) | 图像信息抽取方法、装置、电子设备及存储介质 |
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 |