CN114359127A - 面板强度检测方法、面板强度检测装置及存储介质 - Google Patents

Abstract

本公开是关于一种面板强度检测方法、面板强度检测装置及计算机可读存储介质。面板强度检测方法包括：获取面板切割后的截面图像。调用预先训练的强度检测模型，将截面图像输入至强度检测模型，得到面板的强度检测结果。通过本公开提供的面板强度检测方法，可以通过采集的面板的截面图像检测面板的强度，进而加快检测速率的同时，能够避免在检测的过程中损伤面板，从而降低检测成本。

Description

面板强度检测方法、面板强度检测装置及存储介质

技术领域

本公开涉及终端技术领域，尤其涉及一种面板强度检测方法、面板强度检测装置及计算机可读存储介质。

背景技术

面板是终端屏幕生产中极为重要的部件，面板的强度性能对后续制程工艺以及终端屏幕的强度具有至关重要的影响。强度合格的面板能够在后续制程工艺中或者用户使用的过程中减少破碎或者损坏的发生。

相关技术中，面板的强度检测是采用四点弯折法进行测试。在测量过程中，需要将面板放置在弯曲试验的夹具中，通过改变夹具的弯曲度测试该面板的强度。但是用该方法进行检测，检测过程极为繁琐，进而导致测试效率低。且在检测的过程中，容易对面板造成不可逆的破坏，导致检测成本增高，从而使检测数量有限，无法进行大规模的检测。

发明内容

为克服相关技术中存在的问题，本公开提供一种面板强度检测方法、面板强度检测装置及计算机可读存储介质。

根据本公开实施例的第一方面，提供一种面板强度检测方法，包括：获取面板切割后的截面图像。调用预先训练的强度检测模型，将所述截面图像输入至所述强度检测模型，得到所述面板的强度检测结果。

在一实施例中，所述强度检测模型采用下述方式训练得到：分别获取多个面板切割后的截面图像，并基于切割后的截面图像得到多个图像样本。采用四点弯折法，分别确定所述多个面板对应的强度检测结果。对得到的图像样本分别标记对应的强度检测结果，并基于标记了强度检测结果的图像样本，训练得到强度检测模型，所述强度检测模型的输入为截面图像，输出为强度检测结果。

在另一实施例中，所述分别获取多个面板切割后的截面图像，包括：针对具有相同材料的多个面板中的每一面板，分别获取切割后的截面图像。

在又一实施例中，所述基于标记了强度检测结果的图像样本，训练得到强度检测模型，包括：按照第一比例，在所述标记了强度检测结果的图像样本中随机抽取截面图像作为训练样本集。将所述训练样本集输入至卷积神经网络模型进行训练得到初始强度检测模型。将所述标记了强度检测结果的图像样本中，除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始强度检测模型进行验证，得到所述强度检测模型。

根据本公开实施例的第二方面，提供一种所述面板强度检测方法，包括：获取面板切割后的截面图像。对所述截面图像进行图像解析，得到所述截面图像的特征参数。根据所述特征参数，得到所述面板的强度检测结果。

在一实施例中，所述特征参数包括以下至少之一：所述截面图像中所述面板切割后的裂纹分布信息、所述面板切割后崩缺信息或者切割所述面板的刀纹分布信息和裂片效果信息。

在另一实施例中，所述根据所述特征参数，得到所述面板的强度检测结果，包括根据预设对应关系，得到所述特征参数对应的所述强度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的强度检测结果之间的对应关系。

在又一实施例中，所述多个预设的特征参数包括第一特征参数，所述强度检测结果包括第一强度检测结果，通过以下方式确定所述预设对应关系：获取第一面板切割后的截面图像所对应的第一特征参数。采用四点弯折法，确定所述第一面板对应的强度检测结果，作为所述第一强度检测结果。建立所述第一特征参数和所述第一强度检测结果之间的对应关系。

根据本公开实施例的第三方面，提供一种面板强度检测装置，包括：获取单元，用于获取面板切割后的截面图像。检测单元，用于调用预先训练的强度检测模型，将所述截面图像输入至所述强度检测模型，得到所述面板的强度检测结果。

在一实施例中，所述强度检测模型采用下述方式训练得到：分别获取多个面板切割后的截面图像，并基于切割后的截面图像得到多个图像样本。采用四点弯折法，分别确定所述多个面板对应的强度检测结果。对得到的图像样本分别标记对应的强度检测结果，并基于标记了强度检测结果的图像样本，训练得到强度检测模型，所述强度检测模型的输入为截面图像，输出为强度检测结果，所述强度检测结果包括：强度合格或者强度不合格。

在另一实施例中，所述强度检测模型采用下述方式分别获取多个面板切割后的截面图像：针对具有相同材料的多个面板中的每一面板，分别获取切割后的截面图像。

在又一实施例中，所述强度检测模型采用下述方式基于标记了强度检测结果的图像样本，训练得到强度检测模型：按照第一比例，在所述标记了强度检测结果的图像样本中随机抽取截面图像作为训练样本集。将所述训练样本集输入至卷积神经网络模型进行训练得到初始强度检测模型。将所述标记了强度检测结果的图像样本中，除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始强度检测模型进行验证，得到所述强度检测模型。

根据本公开实施例的第四方面，提供一种面板强度检测装置，包括：图像获取单元，用于获取面板切割后的截面图像。特征提取单元，用于对所述截面图像进行图像解析，得到所述截面图像的特征参数。强度检测单元，用于根据所述特征参数，得到所述面板的强度检测结果。

在一实施例中，所述特征参数包括以下至少之一：所述截面图像中所述面板切割后的裂纹分布信息、所述面板切割后崩缺信息或者切割所述面板的刀纹分布信息和裂片效果信息。

在另一实施例中，所述强度检测单元采用下述方式根据所述特征参数，得到所述面板的强度检测结果：根据预设对应关系，得到所述特征参数对应的所述强度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的强度检测结果之间的对应关系。

在又一实施例中，所述多个预设的特征参数包括第一特征参数，所述强度检测结果包括第一强度检测结果，所述预设对应关系通过以下方式确定：获取第一面板切割后的截面图像所对应的第一特征参数。采用四点弯折法，确定所述第一面板对应的强度检测结果，作为所述第一强度检测结果。建立所述第一特征参数和所述第一强度检测结果之间的对应关系。

根据本公开实施例的第五方面，提供一种面板强度检测装置，包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行上述任意一种所述的面板强度检测方法。

根据本公开实施例的第六方面，提供一种计算机可读存储介质，存储有指令，所述指令被处理器执行时，执行上述任意一种所述的面板强度检测方法。

本公开的实施例提供的技术方案可以包括以下有益效果：通过本公开提供的面板强度检测方法，可以通过采集的面板的截面图像检测面板的强度，进而加快检测速率的同时，能够避免在检测的过程中损伤面板，从而降低检测成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种测试示意图。

图2是根据一示例性实施例示出的一种面板强度检测方法的流程图。

图3是根据一示例性实施例示出的一种强度检测模型的训练方法流程图。

图4是根据一示例性实施例示出的一种神经网络结构示意图。

图5是根据一示例性实施例示出的另一种强度检测模型的训练方法流程图。

图6是根据一示例性实施例示出的另一种面板强度检测方法的流程图。

图7是根据一示例性实施例示出的一种面板强度检测装置的框图。

图8是根据一示例性实施例示出的另一种面板强度检测装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

相关技术中，面板强度的测试通常是采用四点弯折法(4PB)进行检测。如图1所示的测试示意图，在测试弯曲试验的夹具中的测试区中，将面板1放置在支撑该面板的两个支座2上，在该面板1上放置两根直径为3mm的圆柱形压杆3，通过圆柱形压杆3和支座2夹住该面板1。在测试的过程中，通过改变圆柱形压杆3下压支撑面板1的支座2的力度，判断确定面板的强度是否合格。其中，两根圆柱形压杆3在长度方向上，测试跨距范围在40mm-80mm之间；在宽度方向上，测试跨距范围在30mm-60mm之间。测试跨距的具体值可以取决于测试的面板型号。

通过该方法进行检测，需要将面板从生产线中转移放置在专业的测试夹具中，检测过程极为繁琐，测试效率低。且在检测的过程中，容易对面板造成不可逆的破坏，导致检测成本增高，从而使检测数量有限，无法进行大规模的检测。

有鉴于此，本公开提供一种面板强度检测方法，能够通过训练后得到的强度检测模型，根据获取的面板经过切割后得到的截面图像，确定该面板的强度，进而简化检测过程，提高检测效率。且通过截面图像进行检测，能够避免损坏面板，进而有利于进行大规模的检测，能够有效降低检测成本。

图2是根据一示例性实施例示出的一种面板强度检测方法的流程图，如图2所示，面板强度检测方法包括以下步骤S11至步骤S12。

在步骤S11中，获取面板切割后的截面图像。

在本公开实施例中，面板在不同的使用场景中，所需要的尺寸不同。故，在进行继续生产时，将面板根据需要的尺寸进行切割，进而得到合适的面板。使用场景可以包括：应用于手机、平板、笔记本、电视等屏幕中。在切割的过程中，由于切割失误，容易出现导致面板的切割面出现裂纹、面板边角崩缺或者面板形状发生异常等现象。为便于明确了解面板切割后的面板情况，获取面板切割后的切割面的截面图像。进而便于强度检测模型能够根据获取的截面图像，检测该面板的强度是否合格。在一示例中，面板切割后可以通过光学显微镜进行检测，进而通过光学显微镜中的CCD相机(charge couple device camera)采集面板的截面图像。

在步骤S12中，调用预先训练的强度检测模型，将截面图像输入至强度检测模型，得到面板的强度检测结果。

在本公开实施例中，强度检测模型可以根据输入的截面图像，确定该面板的强度检测结果。其中，强度检测结果包括：强度合格或强度不合格。进而在进行检测时，将获取的截面图像输入至强度检测模型中，由强度检测模型进行检测，确定该面板的强度检测结果。从而对面板实现无接触检测，避免对面板造成不可逆的损坏。且检测过程简单，有助于加快检测进程。

通过上述实施例，能够根据获取的面板的截面图像检测该面板的强度是否合格，进而实现无接触检测，以避免对面板造成不可逆的损伤，减少检测成本的损失。且检测过程简便，有助于提升检测速率，便于增大检测数量，进而使抽检后的检测结果更贴近实际产线中各面板的强度状况。

本公开实施例以下将对强度检测模型的训练过程进行说明。

图3是根据一示例性实施例示出的一种强度检测模型的训练方法流程图，如图3所示，强度检测模型的训练方法，包括以下步骤S21至步骤S23。

在步骤S21中，分别获取多个面板切割后的截面图像，并基于切割后的截面图像得到多个图像样本。

在本公开实施例中，为便于提高检测的准确度，可以根据各面板的切割面状态，确定切割面状态与强度是否合格之间的对应关系，进而基于该对应关系训练强度检测模型，使训练后的强度检测模型输出的强度检测结果更贴近面板的实际强度检测结果。因此，在训练前，针对各个面板的切割面获取各切割面对应的截面图像，进而根据截面图像得到用于训练强度检测模型的图像样本。

在一实施例中，可以将同一面板切割后得到的截面图像作为一个图像样本。即，针对同一面板，当该面板具有多个切割面时，各切割面对应的截面图像即为该图像样本的子集。不同面板对应的不同的图像样本。进而将该面板的图像样本输入强度检测模型时，则是将该面板的各截面图像作为一组输入数据输入至强度检测模型中。从而有助于强度检测模型在学习时，能够完善强度检测模型的参数，使强度检测模型能够更准确地区分强度检测结果。

在另一实施例中，为便于提高强度检测模型的准确度，使检测更具有针对性。在获取面板的截面图像时，先将面板根据材料进行分类，进而根据材料种类，分开获取各面板的截面图像。即，将各面板的切割后的截面图像根据面板的材料进行分别获取。

在步骤S22中，采用四点弯折法，分别确定多个面板对应的强度检测结果。

在本公开实施例中，采用四点弯折法，将各面板放置在测量弯曲试验的夹具中，采用指定的压力值检测该面板的强度是否合格。若该面板能够承受该压力值对应的压力，则该面板的强度检测结果为强度合格。若该面板不能承受该压力值对应的压力，则该面板的强度检测结果为强度不合格。进而根据测试弯曲试验的夹具的测试结果确定各面板的强度检测结果。

在步骤S23中，对得到的图像样本分别标记对应的强度检测结果，并基于标记了强度检测结果的图像样本，训练得到强度检测模型，强度检测模型的输入为截面图像，输出为强度检测结果。

在本公开实施例中，将确定的各面板的强度检测结果分别标记在各面板对应的截面图像中，进而得到带有标记结果的图像样本，从而在训练强度检测模型时，能够根据标记的强度检测结果训练或者调试强度检测模型，以便得到合格的强度检测模型。在训练的过程中，将截面图像作为强度检测模型的输入，将强度检测结果作为强度检测模型的输出。其中，强度检测结果包括：强度合格或者强度不合格。进而得到能够根据面板的切割面的截面图像进行强度检测的强度检测模型，使检测过程更方便，有助于提升检测效率。从而有助于避免对面板造成不可逆的损伤，降低抽检成本，有利于增大抽检比例，增大对产线中的面板进行强度检测的数量，以便对面板的强度进行更好的管控。

在一实施例中，为便于训练强度检测模型，预先获取具有足够数量的图像样本的训练样本集，进而使得到的强度检测模型更成熟，更准确。可以将带有标记的图像样本按照第一比例进行抽取，将一部分划分为训练样本集，另一部分作为测试样本集。在训练时，将训练样本集中的各图像样本输入至卷积神经网络模型中进行训练，调试卷积神经网络中的参数，优化卷积神经网络模型，进而得到初始强度检测模型。将测试样本集输入至该初始强度检测模型中，将输出的检测结果与实际标注的检测结果进行对比，验证初始强度检测模型是否训练完全，是否需要进行调试，从而最终得到合适的、准确度合格、成熟度高的、通过验证的强度检测模型。其中，第一比例可以包括：7:3或者8:2，在本公开中不进行限定。

在一示例中，强度检测模型可以采用任意一种能够进行图像处理和分类的神经网络模型进行训练，进而能够根据获得的图像样本进行分类，从而确定强度检测结果。

在另一示例中，基于深度神经网络具有的：强大的非线性拟合能力、强特征提取能力、容错能力强以及高纬度数据处理能力等特点，强度检测模型可以采用深度神经网络进行训练。深度神经网络的框架可以包括：残差网络101(Resnet101)、Alexnet，在本公开中不进行限定。如图4所示的神经网络结构示意图，在建立强度检测模型时，可以将该模型分为以下三个模块：输入模块、特征提取模块和决策模块。输入模块用于获取图像样本。特征提取模块主要由卷积层、激活层、池化层堆叠而成，用于对获取的图像样本进行特征提取，以便能够区分各个图像样本的特征。决策层模块主要包括全连接层和分类层，用于将特征提取模块提取的特征进行综合，进而确定该图像样本的分类，确定该图像样本对应的面板强度检测属于强度合格或者强度不合格。

在一实施例中，为保证强度检测模型能够正常运行，能够检测输入的截面图像对应的面板强度是否合格，在检测的过程中，将针对同一面板输入强度检测模型的截面图像的子截面图像数量，与在进行训练该强度检测模型时输入的图像样本中的截面图像数量保持相同。例如：在训练时，针对同一面板，将四个截面图像作为一组图像样本输入强度检测模型中进行训练。则在使用该训练后的强度检测模型进行检测时，也将同一面板的四个子截面图像作为一组截面图像输入强度检测模型中进行强度检测。

在一实施场景中，基于试产过程中的面板作为训练强度检测模型的训练对象。

如图5所示的另一种强度检测模型的训练方法流程图。如图5所示，强度检测模型的训练方法，包括以下步骤S31至步骤S35。

在步骤S31中，检查面板切割后的切割面，并获取该面板四个切割面的截面图像，得到该面板的图像样本。

在步骤S32中，采用四点弯折法，确定该面板的强度检测结果，并将该强度检测结果标记在对应的图像样本。

在步骤S33中，构建以Resnet101为框架的深度神经网络模型，并设置相应模型参数。

在步骤S34中，随机抽取70％的图像样本作为训练样本集，并将训练样本集输入至深度神经网络模型中进行训练以及优化，得到初始强度检测模型。

在步骤S35中，将剩余30％的图像样本作为测试样本集，将测试样本集输入至初始强度检测模型中进行验证，得到最终的强度检测模型。

通过上述实施例，能够在实际应用中，简化面板强度检测的过程，进而提高检测效率。且通过截面图像进行检测，有助于避免对面板进行不可逆的损坏，能够有效降低检测成本，进而有助于提高抽检数量，以便对面板的强度进行更好的管控。

基于相同的构思，本公开实施例还提供另一种面板强度检测方法。

图6是根据一示例性实施例示出的另一种面板强度检测方法的流程图，如图6所示，面板强度检测方法包括以下步骤S41至步骤S43。

在步骤S41中，获取面板切割后的截面图像。

在步骤S42中，对截面图像进行图像解析，得到截面图像的特征参数。

在本公开实施例中，根据获取的截面图像进行图像解析，确定该截面图像上的底层特征和上层结构，进而得到该截面图像的特征参数，以便强度检测模型能够通过该特征参数获取该截面图像的具体特征，从而确定该截面图像对应的面板强度是否合格。

在一实施例中，特征参数可以包括以下任意一种：截面图像中面板切割后的裂纹分布信息、面板切割后崩缺信息或者切割面板的刀纹分布信息和裂片效果信息。其中，裂纹分布信息可以表征该面板经过切割后产生裂纹的情况，裂纹分布信息可以包括以下任意一种或多种：在该截面图像上的裂纹是否贯穿整个截面图像、裂纹的尺寸、裂纹在该截面图像中的位置、裂纹的数量或者裂纹的形状。面板切割后崩缺信息可以表征为该面板经过切割后产生崩缺的严重程度，可以包括：该面板形成崩缺的位置以及面板发生崩缺后的形状。面板切割后崩缺信息或者切割面板的刀纹分布信息和裂片效果信息可以表征在切割过程中，切具在切割面板时对面板产生的影响。获取的特征参数越多，越能从截面图像中清晰地所反映出该面板在经过切割后的情况，从而有助于使得到的强度检测结果更贴近面板实际的强度检测结果。

在步骤S43中，根据特征参数，得到面板的强度检测结果。

在本公开实施例中，根据获取的特征参数，确定该特征参数对应的截面图像是否符合强度合格的要求，进而得到该面板的强度检测结果。其中，强度检测结果包括：强度合格或者强度不合格。

在一实施例中，可以根据表征多个预设的特征参数和多个预设的面板的强度检测结果之间的对应关系，得到特征参数对应的强度检测结果。进而在进行强度检测时，能够快速区分当前获取的特征参数对应的面板强度是否合格，从而提高检测效率。例如：通过特征参数区间与强度合格之间的对应关系，若得到的特征参数属于该特征参数区间，则表征该特征参数对应的面板强度与强度合格相对应，进而得到该面板强度合格的强度检测结果。若得到的特征参数不属于该特征参数区间，则表征该特征参数对应的面板强度与强度不合格相对应，进而得到该面板强度不合格的强度检测结果。其中，特征参数区间包括多个特征参数。

在另一实施例中，为保证预设对应关系的可靠性和准确性，可以结合四点弯折法进行确定。获取第一面板切割后的截面图像，并将该截面图像对应的特征参数作为第一特征参数。通过四点弯折法测试该第一面板的强度，进而得到第一面板对应的强度检测结果，作为第一强度检测结果。从而得到第一特征参数与第一强度检测结果之间的对应关系。例如：第一强度检测结果为强度合格，则第一特征参数与强度合格相对应。若第一强度检测结果为强度不合格，则第一特征参数与强度不合格相对应。从而根据获取的多个面板的特征参数和强度检测结果之间的对应关系，确定预设对应关系。

通过上述实施例，可以基于截面图像中的特征参数，确定截面图像对应的面板强度是否合格，进而基于无接触检测快速确定该面板的强度检测结果，方便快捷，且不损伤面板。

基于相同的构思，本公开实施例还提供一种面板强度检测装置。

可以理解的是，本公开实施例提供的面板强度检测装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。

图7是根据一示例性实施例示出的一种面板强度检测装置框图。参照图7，该面板强度检测装置100包括获取单元101，检测单元102。

获取单元101，用于获取面板切割后的截面图像。

检测单元102，用于调用预先训练的强度检测模型，将截面图像输入至强度检测模型得到面板的强度检测结果。

在一实施例中，强度检测模型采用下述方式训练得到：分别获取多个面板切割后的截面图像，并基于切割后的截面图像得到多个图像样本。采用四点弯折法，分别确定多个面板对应的强度检测结果。对得到的图像样本分别标记对应的强度检测结果，并基于标记了强度检测结果的图像样本，训练得到强度检测模型，强度检测模型的输入为截面图像，输出为强度检测结果。

在另一实施例中，强度检测模型采用下述方式分别获取多个面板切割后的截面图像：针对具有相同材料的多个面板中的每一面板，分别获取切割后的截面图像。

在又一实施例中，强度检测模型采用下述方式基于标记了强度检测结果的图像样本，训练得到强度检测模型：按照第一比例，在标记了强度检测结果的图像样本中随机抽取截面图像作为训练样本集。将训练样本集输入至卷积神经网络模型进行训练得到初始强度检测模型。将标记了强度检测结果的图像样本中，除训练样本集以外的其他图像样本作为测试样本集，对初始强度检测模型进行验证，得到强度检测模型。

基于相同的构思，本公开实施例还提供另一种面板强度检测装置。

图8是根据一示例性实施例示出的另一种面板强度检测装置框图。参照图8，该面板强度检测装置200包括图像获取单元201，特征提取单元202和强度检测单元203。

图像获取单元201，用于获取面板切割后的截面图像。

特征提取单元202，用于对截面图像进行图像解析，得到截面图像的特征参数。

强度检测单元203，用于根据特征参数，得到面板的强度检测结果。

在一实施例中，特征参数包括以下至少之一：截面图像中面板切割后的裂纹分布信息、面板切割后崩缺信息或者切割面板的刀纹分布信息和裂片效果信息。

在另一实施例中，强度检测单元203采用下述方式根据特征参数，得到面板的强度检测结果：根据预设对应关系，得到特征参数对应的强度检测结果，其中，预设对应关系用于表征多个预设的特征参数和多个预设的面板的强度检测结果之间的对应关系。

在又一实施例中，多个预设的特征参数包括第一特征参数，强度检测结果包括第一强度检测结果，预设对应关系通过以下方式确定：获取第一面板切割后的截面图像所对应的第一特征参数。采用四点弯折法，确定第一面板对应的强度检测结果，作为第一强度检测结果。建立第一特征参数和第一强度检测结果之间的对应关系。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

进一步的，在示例性实施例中，面板强度检测装置可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。例如，面板端子清洁度检测装置包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行上述任意一种实施例提供的面板强度检测方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由卷面板端子清洁度检测装置的处理器执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

进一步可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。

进一步可以理解的是，除非有特殊说明，“连接”包括两者之间不存在其他构件的直接连接，也包括两者之间存在其他元件的间接连接。

进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (18)

1.一种面板强度检测方法，其特征在于，所述面板强度检测方法包括：

获取面板切割后的截面图像；

调用预先训练的强度检测模型，将所述截面图像输入至所述强度检测模型，得到所述面板的强度检测结果。

2.根据权利要求1所述的面板强度检测方法，其特征在于，所述强度检测模型采用下述方式训练得到：

分别获取多个面板切割后的截面图像，并基于切割后的截面图像得到多个图像样本；

采用四点弯折法，分别确定所述多个面板对应的强度检测结果；

对得到的图像样本分别标记对应的强度检测结果，并基于标记了强度检测结果的图像样本，训练得到强度检测模型，所述强度检测模型的输入为截面图像，输出为强度检测结果。

3.根据权利要求2所述的面板强度检测方法，其特征在于，所述分别获取多个面板切割后的截面图像，包括：

针对具有相同材料的多个面板中的每一面板，分别获取切割后的截面图像。

4.根据权利要求2至3中任意一项所述的面板强度检测方法，其特征在于，所述基于标记了强度检测结果的图像样本，训练得到强度检测模型，包括：

按照第一比例，在所述标记了强度检测结果的图像样本中随机抽取截面图像作为训练样本集；

将所述训练样本集输入至卷积神经网络模型进行训练得到初始强度检测模型；

将所述标记了强度检测结果的图像样本中，除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始强度检测模型进行验证，得到所述强度检测模型。

5.一种面板强度检测方法，其特征在于，所述面板强度检测方法包括：

获取面板切割后的截面图像；

对所述截面图像进行图像解析，得到所述截面图像的特征参数；

根据所述特征参数，得到所述面板的强度检测结果。

6.根据权利要求5所述的面板强度检测方法，其特征在于，所述特征参数包括以下至少之一：所述截面图像中所述面板切割后的裂纹分布信息、所述面板切割后崩缺信息或者切割所述面板的刀纹分布信息和裂片效果信息。

7.根据权利要求5或6所述的面板强度检测方法，其特征在于，所述根据所述特征参数，得到所述面板的强度检测结果，包括：

根据预设对应关系，得到所述特征参数对应的所述强度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的强度检测结果之间的对应关系。

8.根据权利要求7所述的面板强度检测方法，其特征在于，所述多个预设的特征参数包括第一特征参数，所述强度检测结果包括第一强度检测结果，通过以下方式确定所述预设对应关系：

获取第一面板切割后的截面图像所对应的第一特征参数；

采用四点弯折法，确定所述第一面板对应的强度检测结果，作为所述第一强度检测结果；

建立所述第一特征参数和所述第一强度检测结果之间的对应关系。

9.一种面板强度检测装置，其特征在于，所述面板强度检测装置包括：

获取单元，用于获取面板切割后的截面图像；

检测单元，用于调用预先训练的强度检测模型，将所述截面图像输入至所述强度检测模型得到所述面板的强度检测结果。

10.根据权利要求9所述的面板强度检测装置，其特征在于，所述强度检测模型采用下述方式训练得到：

分别获取多个面板切割后的截面图像，并基于切割后的截面图像得到多个图像样本；

采用四点弯折法，分别确定所述多个面板对应的强度检测结果；

对得到的图像样本分别标记对应的强度检测结果，并基于标记了强度检测结果的图像样本，训练得到强度检测模型，所述强度检测模型的输入为截面图像，输出为强度检测结果。

11.根据权利要求10所述的面板强度检测装置，其特征在于，所述强度检测模型采用下述方式分别获取多个面板切割后的截面图像：

针对具有相同材料的多个面板中的每一面板，分别获取切割后的截面图像。

12.根据权利要求10至11中任意一项所述的面板强度检测装置，其特征在于，所述强度检测模型采用下述方式基于标记了强度检测结果的图像样本，训练得到强度检测模型：

按照第一比例，在所述标记了强度检测结果的图像样本中随机抽取截面图像作为训练样本集；

将所述训练样本集输入至卷积神经网络模型进行训练得到初始强度检测模型；

将所述标记了强度检测结果的图像样本中，除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始强度检测模型进行验证，得到所述强度检测模型。

13.一种面板强度检测装置，其特征在于，所述面板强度检测装置，包括：

图像获取单元，用于获取面板切割后的截面图像；

特征提取单元，用于对所述截面图像进行图像解析，得到所述截面图像的特征参数；

强度检测单元，用于根据所述特征参数，得到所述面板的强度检测结果。

14.根据权利要求13所述的面板强度检测装置，其特征在于，所述特征参数包括以下至少之一：所述截面图像中所述面板切割后的裂纹分布信息、所述面板切割后崩缺信息或者切割所述面板的刀纹分布信息和裂片效果信息。

15.根据权利要求13或14所述的面板强度检测装置，其特征在于，所述强度检测单元采用下述方式根据所述特征参数，得到所述面板的强度检测结果：

根据预设对应关系，得到所述特征参数对应的所述强度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的强度检测结果之间的对应关系。

16.根据权利要求15所述的面板强度检测装置，其特征在于，所述多个预设的特征参数包括第一特征参数，所述强度检测结果包括第一强度检测结果，所述预设对应关系通过以下方式确定：

获取第一面板切割后的截面图像所对应的第一特征参数；

采用四点弯折法，确定所述第一面板对应的强度检测结果，作为所述第一强度检测结果；

建立所述第一特征参数和所述第一强度检测结果之间的对应关系。

17.一种面板强度检测装置，其特征在于，所述面板强度检测装置包括：

存储器，用于存储指令；以及

处理器，用于调用所述存储器存储的指令执行如权利要求1-4中任意一项所述的面板强度检测方法或者权利要求5-8中任意一项所述的面板强度检测方法。

18.一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行如权利要求1-4中任意一项所述的面板强度检测方法或者权利要求5-8中任意一项所述的面板强度检测方法。

Images