CN115578377A - 一种面板缺陷的检测方法、训练方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种面板缺陷的检测方法、训练方法、装置、设备及介质，旨在解决现有面板阵列制程中缺陷检测效率较低的技术问题，涉及面板图像处理技术领域，所述面板缺陷的检测方法，包括以下步骤：获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像；将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；计算所述目标输出图像和所述标准输出图像的Spearman相关系数；基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

Description

一种面板缺陷的检测方法、训练方法、装置、设备及介质

技术领域

本申请涉及面板图像处理技术领域，尤其涉及一种面板缺陷的检测方法、训练方法、装置、设备及介质。

背景技术

随着面板行业蓬勃发展，面板制造工艺愈加复杂化、细致化，阵列作为面板制造的重要制程，涉及生产工艺繁多，对环境要求极高，但在生产过程中，由于工艺波动、机台差异难免会产生各种缺陷。因缺陷繁杂，形态各异，目前AOI技术无法实现自动分类，故各工厂的缺陷检测主要还是采用人工检测的方式进行。

但人工检测存在极大不稳定性，进而造成在面板阵列制程中缺陷检测效率较低。

发明内容

本申请的主要目的是提供一种面板缺陷的检测方法、训练方法、装置、设备及介质，旨在解决现有面板阵列制程中缺陷检测效率较低的技术问题。

为解决上述技术问题，本申请实施例提出了：一种面板缺陷的检测方法，包括以下步骤：

获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像；

将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；

计算所述目标输出图像和所述标准输出图像的Spearman相关系数；

基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

作为本申请一些可选实施方式，所述将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像，包括：

将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；

将所述目标输出图像和所述标准输出图像进行灰度转换处理，分别获得目标输出灰度图像和标准输出灰度图像；

将所述目标输出灰度图像和所述标准输出灰度图像进行灰度直方计算，分别获得目标输出直方图像和标准输出直方图像。

在具体应用中，所述灰度直方图是反映一幅图像中各灰度级像素出现的频率与灰度级的关系，以灰度级为横坐标，频率为纵坐标，绘制频率同灰度级的关系图像就是一幅灰度图像的直方图。简单地说，就是把一幅图像中每一个像素出现的次数都先统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把像素与该像素出现的频率用图表示出来，就是灰度直方图；通过灰度直方图可以更精准地计算所述目标输出直方图像和所述标准输出直方图的相关系数计算。

作为本申请一些可选实施方式，在所述将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像之前，还包括：

获取若干样本图像；

分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集；

基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

在具体应用中，所述初始目标检测模型为Faster RCNN算法模型。在训练过程中，利用所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练；以使得所述目标检测模型对所述缺陷图像和所述标准图像中的缺陷位置和缺陷等级进行标注，并输出已裁切获得的目标输出图像和标准输出图像。所述输出图像相较于输入图像在于，所述目标检测模型通过对输入图像中的缺陷位置进行定位，从而对输入图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对输入图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。

作为本申请一些可选实施方式，所述分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集，包括：

基于所述样本图像，获得所述样本图像中的缺陷；

基于所述样本图像中的缺陷，获得所述缺陷的最小外接矩形；基于所述缺陷的最小外接矩形，获得所述缺陷的位置信息；

基于所述样本图像中的缺陷，获得所述缺陷的等级信息；

基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集。

在具体应用中，在对样本图像中的缺陷位置信息和缺陷等级信息进行标注后，判断所述样本图像是否具有缺陷；若所述样本图像具有缺陷，则将其划分为缺陷图像集；若所述样本图像不具有缺陷，则将其划分为标准图像集。

作为本申请一些可选实施方式，所述基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集，包括：

基于所述缺陷的位置信息，对所述样本图像进行区域拆分，获得目标检测区域；

将所述目标检测区域的缺陷进行等级标注，获得所述缺陷的等级信息；

将所述等级信息为无任何过刻蚀的样本图像作为标准图像，其余样本图像作为缺陷图像；

基于若干所述标准图像，获得标准图像集；基于若干所述缺陷图像，获得缺陷图像集。

在具体应用中，所述缺陷的位置信息为矩形的左上角和右上角的坐标信息。即对样本图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对样本图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。所述缺陷的等级信息包括无影响过刻蚀、可修复过刻蚀、不可修复过刻蚀。

作为本申请一些可选实施方式，所述目标检测区域包括面板上需进行过刻蚀加工处理的区域。

在具体应用中，所述面板极易出现过刻蚀缺陷的区域即为面板上需进行过刻蚀加工处理的区域。

作为本申请一些可选实施方式，所述等级信息包括：无任何过刻蚀、无影响过刻蚀、可修复过刻蚀和不可修复过刻蚀中至少一种。

在具体应用中，通过对上述等级信息进行标注，可以在后续对缺陷进行检测时，进行定量检测，以提高缺陷的检测效率。

作为本申请一些可选实施方式，所述基于所述Spearman相关系数，判断所述目标图像是否存在缺陷，包括：

基于所述Spearman相关系数，判断所述目标图像是否存在缺陷；

若所述Spearman相关系数小于0.05，则不相关，表示待检测面板不存在刻蚀缺陷；若所述Spearman相关系数大于等于0.05，则相关，表示待检测面板存在刻蚀缺陷。

在具体应用中，基于上述Spearman相关系数可以准确判断所述待检测面板上是否含有过刻蚀缺陷，不必进行二次人工判断。

为解决上述技术问题，本申请实施例还提出了：一种面板缺陷目标检测模型的训练方法，包括以下步骤：

获取若干样本图像；

分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集；

基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

作为本申请一些可选实施方式，所述分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集，包括：

基于所述样本图像，获得所述样本图像中的缺陷；

基于所述样本图像中的缺陷，获得所述缺陷的最小外接矩形；基于所述缺陷的最小外接矩形，获得所述缺陷的位置信息；

基于所述样本图像中的缺陷，获得所述缺陷的等级信息；其中，所述缺陷的等级信息包括：无任何过刻蚀、无影响过刻蚀、可修复过刻蚀和不可修复过刻蚀中至少一种；

基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集。

作为本申请一些可选实施方式，所述基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集，包括：

基于所述缺陷的位置信息，对所述样本图像进行区域拆分，获得目标检测区域；其中，所述目标检测区域包括面板上需进行过刻蚀加工处理的区域。

将所述目标检测区域的缺陷进行等级标注，获得所述缺陷的等级信息；

将所述等级信息为无任何过刻蚀的样本图像作为标准图像，其余样本图像作为缺陷图像；

基于若干所述标准图像，获得标准图像集；基于若干所述缺陷图像，获得缺陷图像集。

作为本申请一些可选实施方式，所述基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得目标检测模型，包括：

基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得目标检测模型；其中，所述目标检测模型为Faster RCNN算法模型。

为解决上述技术问题，本申请实施例还提出了：一种面板缺陷的检测装置，包括：

获取模块，用于获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像；

输出模块，用于将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；

判断模块，用于计算所述目标输出图像和所述标准输出图像的Spearman相关系数；基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

为解决上述技术问题，本申请实施例还提出了：一种面板缺陷目标检测模型的训练装置，包括：

第一获取模块，用于获取若干样本图像；

第二获取模块，用于分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集；

第三获取模块，用于基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

为解决上述技术问题，本申请实施例还提出了：一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的方法。

为解决上述技术问题，本申请实施例还提出了：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，处理器执行所述计算机程序，实现如上所述的方法。

与现有技术相比，本申请实施例所述面板缺陷的检测方法，通过获取含有缺陷的待检测面板AOI图像作为目标图像，获取不含有缺陷的待检测面板AOI图像作为标准图像；所述目标图标与所述标准图像的区域相同，区别仅在于是否包含缺陷位置。将所述目标图像和所述标准图像分别输入至训练获得的目标检测模型，以输出目标输出图像和标准输出图像；所述目标检测模型通过识别获得含有缺陷位置的目标输出图像，以及与所述目标输出图像位置相对应的标准输出图像。将所述目标输出图像和所述标准输出图像的Spearman相关系数进行计算，判断所述目标输出图像和所述标准输出图像的Spearman相关系数值，并基于所述Spearman相关系数值对所述目标输出图像和所述标准输出图像的相关性进行分析，若相关则表示所述待检测面板存在过刻蚀缺陷；若不相关，则表示所述待检测面板不存在过刻蚀缺陷；以此判断所述目标图像是否存在缺陷。通过上述方法，能对面板所含缺陷进行准确检测和定位，并通过利用所述目标输出图像和所述标准输出图像的Spearman相关系数的计算，对所述面板的缺陷进行准确判断，从而提高了缺陷检测效率。

附图说明

图1是本申请的实施例涉及的硬件运行环境的电子设备结构示意图；

图2是本申请的实施例提供的一种面板缺陷的检测方法的流程示意图；

图3是本申请的实施例所述一种面板缺陷目标检测模型的训练方法的流程示意图；

图4是本申请的实施例提供的一种面板缺陷的检测装置的功能模块示意图；

图5是本申请的实施例提供的一种面板缺陷目标检测模型的训练装置的功能模块示意图。

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申请，并不用于限定本申请。

本申请实施例的主要解决方案是：提供一种面板缺陷的检测方法、训练方法、装置、设备及介质，旨在解决现有面板阵列制程中缺陷检测效率较低的技术问题。其中，所述面板缺陷的检测方法，是通过获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像；将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；计算所述目标输出图像和所述标准输出图像的Spearman相关系数；基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

随着面板行业蓬勃发展，面板制造工艺愈加复杂化、细致化，阵列作为面板制造的重要制程，涉及生产工艺繁多，对环境要求极高，但在生产过程中，由于工艺波动、机台差异难免会产生各种缺陷。因缺陷繁杂，形态各异，目前AOI技术（Automated OpticalInspection，自动光学检测）无法实现自动分类，故各工厂的缺陷检测主要还是采用人工检测的方式进行。但人工检测存在较大的不稳定性，不同检测工人的标准有差异，并且由于长时间工作，工人的疲劳状态也会影响人工检测的结果，从而造成在面板阵列制程中缺陷检测效率较低等技术问题。如果对面板上过刻蚀的缺陷无法精准检测，极易在将面板产品投入实际应用时出现线路相连或短路等故障，极易导致整块面板报废。因此，如果在生产制造面板产品时，能精准识别出面板的过刻蚀等缺陷，可以有效降低后期实际应用时的产品故障。

参照图1，图1是本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。

如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，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），可选用户接口1003还可以包括标准的有线接口、无线接口。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可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），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中示出的结构并不构成对电子设备的限定，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。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。

在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的面板缺陷的检测装置和面板缺陷目标检测模型的训练装置，并执行本申请实施例提供的面板缺陷的检测方法和面板缺陷目标检测模型的训练方法。

参照图2，本申请的实施例提供了一种面板缺陷的检测方法，包括以下步骤：

步骤S10、获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像。

在具体应用中，所述待检测面板是指需要检测是否具有缺陷的面板；所述目标图像是指所述待检测面板的实际拍摄AOI图像，对应地，所述标准图像是指所述待检测面板对应的无缺陷标准面板的实际拍摄AOI图像。所述目标图标与所述标准图像的区域相同，区别仅在于是否包含缺陷位置；也就是说，所述待检测面板的目标图像和所述待检测面板的标准图像一一对应，为同一面板产品的AOI图像。

步骤S20、将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像。

在具体应用中，将所述目标图像和所述标准图像分别输入至训练获得的目标检测模型，以输出目标输出图像和标准输出图像；所述目标检测模型通过识别获得含有缺陷位置的目标输出图像，以及与所述目标输出图像位置相对应的标准输出图像。所述输出图像相较于输入图像在于，所述目标检测模型通过对输入图像中的缺陷位置进行定位，从而对输入图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对输入图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。

在具体应用中，步骤S20所述将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像，包括：

步骤S21、将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像。

在具体应用中，将所述目标图像和所述标准图像分别输入至训练获得的目标检测模型，以输出目标输出图像和标准输出图像；所述目标检测模型通过识别获得含有缺陷位置的目标输出图像，以及与所述目标输出图像位置相对应的标准输出图像。所述输出图像相较于输入图像在于，所述目标检测模型通过对输入图像中的缺陷位置进行定位，从而对输入图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对输入图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。

步骤S22、将所述目标输出图像和所述标准输出图像进行灰度转换处理，分别获得目标输出灰度图像和标准输出灰度图像。

在具体应用中，所述灰度变换是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法。目的是为了改善画质，使图像的显示效果更加清晰。图像的灰度变换处理是图像增强处理技术中的一种非常基础、直接的空间域图像处理方法，也是图像数字化软件和图像显示软件的一个重要组成部分。通过灰度处理，可获得缺陷区域更直观的目标输出灰度图像和标准输出灰度图像。

步骤S23、将所述目标输出灰度图像和所述标准输出灰度图像进行灰度直方计算，分别获得目标输出直方图像和标准输出直方图像。

在具体应用中，所述灰度直方图是反映一幅图像中各灰度级像素出现的频率与灰度级的关系，以灰度级为横坐标，频率为纵坐标，绘制频率同灰度级的关系图像就是一幅灰度图像的直方图。简单地说，就是把一幅图像中每一个像素出现的次数都先统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把像素与该像素出现的频率用图表示出来，就是灰度直方图；通过灰度直方图可以更精准的计算所述目标输出直方图像和所述标准输出直方图的相关系数计算。

在具体应用中，将获取的AOI图像先进行灰度化处理，即将彩色图像中的三通道（R通道、G通道、B通道）变为一个通道（R通道=G通道=B通道）来存放灰度值（0~255），以获得灰度处理后的目标输出灰度图像和标准输出灰度图像。然后点击灰度直方图的图标在这里插入图片描述弹出灰度直方图的窗口，即对图像进行二值化处理，所谓的二值化就是选择一个像素值范围后，若图像中的像素值在这个范围里的就变成255，范围外的就变成0，然后运行一遍，获得目标输出直方图像和标准输出直方图像。

作为本申请一些可选实施方式，在步骤S20所述将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像之前，还包括：

步骤S01、获取若干样本图像。

在具体应用中，所述样本图像包括若干面板产品的AOI图像，所述样本图像中包含不同的缺陷信息或不包含缺陷信息。

步骤S02、分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集。

在具体应用中，所述标注方法是指对所述样本图像中的缺陷位置进行最小外接矩形的标注，所述缺陷位置的坐标为矩形的左上角和右上角的坐标进行标注。所述缺陷等级包括无影响过刻蚀、可修复过刻蚀、不可修复过刻蚀。

在对样本图像中的缺陷位置和缺陷等级进行标注后，判断所述样本图像是否具有缺陷；若所述样本图像具有缺陷，则将其划分为缺陷图像集；若所述样本图像不具有缺陷，则将其划分为标准图像集。

步骤S03、基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

在具体应用中，所述初始目标检测模型为Faster RCNN算法模型。在训练过程中，利用所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练；以使得所述目标检测模型对所述缺陷图像和所述标准图像中的缺陷位置和缺陷等级进行标注，并输出已裁切获得的目标输出图像和标准输出图像。所述输出图像相较于输入图像在于，所述目标检测模型通过对输入图像中的缺陷位置进行定位，从而对输入图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对输入图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。

作为本申请一些可选实施方式，步骤S02所述分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集，包括：

步骤S021、基于所述样本图像，获得所述样本图像中的缺陷。

在具体应用中，所述样本图像中的缺陷是指过刻蚀缺陷，如果对面板上如过刻蚀的缺陷无法精准检测，极易在将面板产品投入实际应用时出现线路相连或短路等故障，极易导致整块面板报废。因此，如果在生产制造面板产品时，能精准识别出面板地过刻蚀等缺陷，可以有效降低后期实际应用时的产品故障。

步骤S022、基于所述样本图像中的缺陷，获得所述缺陷的最小外接矩形；基于所述缺陷的最小外接矩形，获得所述缺陷的位置信息。

在具体应用中，所述缺陷的位置信息为矩形的左上角和右上角的坐标信息。即对样本图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对样本图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。

步骤S023、基于所述样本图像中的缺陷，获得所述缺陷的等级信息。

在具体应用中，所述缺陷的等级信息包括无影响过刻蚀、可修复过刻蚀、不可修复过刻蚀。

步骤S024、基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集。

在具体应用中，在对样本图像中的缺陷位置信息和缺陷等级信息进行标注后，判断所述样本图像是否具有缺陷；若所述样本图像具有缺陷，则将其划分为缺陷图像集；若所述样本图像不具有缺陷，则将其划分为标准图像集。

作为本申请一些可选实施方式，步骤S024所述基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集，包括：

步骤S0241、基于所述缺陷的位置信息，对所述样本图像进行区域拆分，获得目标检测区域。

在具体应用中，所述区域拆分是指根据面板设计进行拆分，如通过Data线、TFT区域、Gate线和Pixel区。根据产品工艺，部分区域没有进行刻蚀，故不会出现过刻蚀，这部分区域面积占比较大，分离后可以极大提升模型检测速度。过刻蚀出现时一般不明显很难区分，因此需要缩小检测范围减小其他背景干扰。

步骤S0242、将所述目标检测区域的缺陷进行等级标注，获得所述缺陷的等级信息。

在具体应用中，所述缺陷的等级信息包括无影响过刻蚀、可修复过刻蚀、不可修复过刻蚀。

步骤S0243、将所述等级信息为无任何过刻蚀的样本图像作为标准图像，其余样本图像作为缺陷图像。

在具体应用中，在对样本图像中的缺陷位置信息和缺陷等级信息进行标注后，判断所述样本图像是否具有缺陷；若所述样本图像具有缺陷，则将其划分为缺陷图像；若所述样本图像不具有任何过刻蚀缺陷，则将其划分为标准图像。

步骤S0244、基于若干所述标准图像，获得标准图像集；基于若干所述缺陷图像，获得缺陷图像集。

在具体应用中，所述目标检测区域包括面板上需进行过刻蚀加工处理的区域。

步骤S30、计算所述目标输出图像和所述标准输出图像的Spearman相关系数。

在具体应用中，步骤S30所述基于所述Spearman相关系数，判断所述目标图像是否存在缺陷，包括：

基于所述Spearman相关系数，判断所述目标图像是否存在缺陷；若所述Spearman相关系数小于0.05，则不相关，表示待检测面板不存在刻蚀缺陷；若所述Spearman相关系数大于等于0.05，则相关，表示待检测面板存在刻蚀缺陷。

步骤S40、基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

与现有技术相比，本申请实施例所述面板缺陷的检测方法，通过获取含有缺陷的待检测面板AOI图像作为目标图像，获取不含有缺陷的待检测面板AOI图像作为标准图像；所述目标图标与所述标准图像的区域相同，区别仅在于是否包含缺陷位置。将所述目标图像和所述标准图像分别输入至训练获得的目标检测模型，以输出目标输出图像和标准输出图像；所述目标检测模型通过识别获得含有缺陷位置的目标输出图像，以及与所述目标输出图像位置相对应的标准输出图像。将所述目标输出图像和所述标准输出图像的Spearman相关系数进行计算，判断所述目标输出图像和所述标准输出图像的Spearman相关系数值，并基于所述Spearman相关系数值对所述目标输出图像和所述标准输出图像的相关性进行分析，若相关则表示所述待检测面板存在过刻蚀缺陷；若不相关，则表示所述待检测面板不存在过刻蚀缺陷；以此判断所述目标图像是否存在缺陷。通过上述方法，能对面板所含缺陷进行准确检测和定位，并通过利用所述目标输出图像和所述标准输出图像的Spearman相关系数的计算，对所述面板的缺陷进行准确判断，从而提高了缺陷检测效率。

基于同样的发明思路，如图3所示，本申请实施例还提出了：一种面板缺陷目标检测模型的训练方法，包括以下步骤：

步骤SS10、获取若干样本图像。

在具体应用中，所述样本图像包括若干面板产品的AOI图像，所述样本图像中包含不同的缺陷信息或不包含缺陷信息。

步骤SS20、分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集。

在具体应用中，所述标注方法是指对所述样本图像中的缺陷位置进行最小外接矩形的标注，所述缺陷位置的坐标为矩形的左上角和右上角的坐标进行标注。所述缺陷等级包括无影响过刻蚀、可修复过刻蚀、不可修复过刻蚀。

在对样本图像中的缺陷位置和缺陷等级进行标注后，判断所述样本图像是否具有缺陷；若所述样本图像具有缺陷，则将其划分为缺陷图像集；若所述样本图像不具有缺陷，则将其划分为标准图像集。

步骤SS30、基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

在具体应用中，所述基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得目标检测模型，包括：基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得目标检测模型；其中，所述目标检测模型为Faster RCNN算法模型。在训练过程中，利用所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练；以使得所述目标检测模型对所述缺陷图像和所述标准图像中的缺陷位置和缺陷等级进行标注，并输出已裁切获得的目标输出图像和标准输出图像。所述输出图像相较于输入图像在于，所述目标检测模型通过对输入图像中的缺陷位置进行定位，从而对输入图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对输入图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。

作为本申请一些可选实施方式，步骤SS20所述分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集，包括：

步骤SS21、基于所述样本图像，获得所述样本图像中的缺陷。

在具体应用中，所述样本图像中的缺陷是指过刻蚀缺陷，如果对面板上如过刻蚀的缺陷无法精准检测，极易在将面板产品投入实际应用时出现线路相连或短路等故障，极易导致整块面板报废。因此，如果在生产制造面板产品时，能精准识别出面板的过刻蚀等缺陷，可以有效降低后期实际应用时的产品故障。

步骤SS22、基于所述样本图像中的缺陷，获得所述缺陷的最小外接矩形；基于所述缺陷的最小外接矩形，获得所述缺陷的位置信息。

在具体应用中，所述缺陷的位置信息为矩形的左上角和右上角的坐标信息。即对样本图像的缺陷进行识别和矩形标注，再根据缺陷标注信息对样本图像进行裁切，获得缺陷的最小外接矩形，并以此矩形所包含的图像作为输出图像；从而在后续相关性分析过程中，避免过多干扰因素。

步骤SS23、基于所述样本图像中的缺陷，获得所述缺陷的等级信息。

在具体应用中，所述缺陷的等级信息包括：无任何过刻蚀、无影响过刻蚀、可修复过刻蚀和不可修复过刻蚀中至少一种。

步骤SS24、基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集。

在具体应用中，在对样本图像中的缺陷位置信息和缺陷等级信息进行标注后，判断所述样本图像是否具有缺陷；若所述样本图像具有缺陷，则将其划分为缺陷图像集；若所述样本图像不具有缺陷，则将其划分为标准图像集。

作为本申请一些可选实施方式，步骤SS24所述基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集，包括：

步骤SS241、基于所述缺陷的位置信息，对所述样本图像进行区域拆分，获得目标检测区域。

在具体应用中，所述区域拆分是指根据面板设计进行拆分，如通过Data线、TFT区域、Gate线和Pixel区。根据产品工艺，部分区域没有进行刻蚀，故不会出现过刻蚀，这部分区域面积占比较大，分离后可以极大提升模型检测速度。过刻蚀出现时一般不明显很难区分，因此需要缩小检测范围减小其他背景干扰。

步骤SS242、将所述目标检测区域的缺陷进行等级标注，获得所述缺陷的等级信息。

在具体应用中，所述缺陷的等级信息包括无影响过刻蚀、可修复过刻蚀、不可修复过刻蚀。

步骤SS243、将所述等级信息为无任何过刻蚀的样本图像作为标准图像，其余样本图像作为缺陷图像。

在具体应用中，在对样本图像中的缺陷位置信息和缺陷等级信息进行标注后，判断所述样本图像是否具有缺陷；若所述样本图像具有缺陷，则将其划分为缺陷图像；若所述样本图像不具有任何过刻蚀缺陷，则将其划分为标准图像。

步骤SS244、基于若干所述标准图像，获得标准图像集；基于若干所述缺陷图像，获得缺陷图像集。

在具体应用中，所述目标检测区域包括面板上需进行过刻蚀加工处理的区域；所述目标检测模型为Faster RCNN算法模型。

基于同样的发明思路，如图4所示，本申请实施例还提出了：一种面板缺陷的检测装置，包括：

获取模块，用于获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像；

输出模块，用于将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；

判断模块，用于计算所述目标输出图像和所述标准输出图像的Spearman相关系数；基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

需要说明的是，本实施例中面板缺陷的检测装置中各模块是与前述实施例中的面板缺陷的检测方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述面板缺陷的检测方法的实施方式，这里不再赘述。

基于同样的发明思路，如图5所示，本申请实施例还提出了：一种面板缺陷目标检测模型的训练装置，包括：

第一获取模块，用于获取若干样本图像；

第二获取模块，用于分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集；

第三获取模块，用于基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

需要说明的是，本实施例中面板缺陷目标检测模型的训练装置中各模块是与前述实施例中的面板缺陷目标检测模型的训练方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述面板缺陷目标检测模型的训练方法的实施方式，这里不再赘述。

此外，在一种实施例中，本申请的实施例还提供一种计算机程序产品，所述计算机程序产品在被处理器时，实现前述的方法。

此外，在一种实施例中，本申请的实施例还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

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。

上述本申请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，本申请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一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (16)

1.一种面板缺陷的检测方法，其特征在于，包括以下步骤：

获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像；

将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；

计算所述目标输出图像和所述标准输出图像的Spearman相关系数；

基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

2.根据权利要求1所述面板缺陷的检测方法，其特征在于，所述将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像，包括：

将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；

将所述目标输出图像和所述标准输出图像进行灰度转换处理，分别获得目标输出灰度图像和标准输出灰度图像；

将所述目标输出灰度图像和所述标准输出灰度图像进行灰度直方计算，分别获得目标输出直方图像和标准输出直方图像。

3.根据权利要求2所述面板缺陷的检测方法，其特征在于，在所述将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像之前，还包括：

获取若干样本图像；

分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集；

基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

4.根据权利要求3所述面板缺陷的检测方法，其特征在于，所述分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集，包括：

基于所述样本图像，获得所述样本图像中的缺陷；

基于所述样本图像中的缺陷，获得所述缺陷的最小外接矩形；基于所述缺陷的最小外接矩形，获得所述缺陷的位置信息；

基于所述样本图像中的缺陷，获得所述缺陷的等级信息；

基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集。

5.根据权利要求4所述面板缺陷的检测方法，其特征在于，所述基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集，包括：

基于所述缺陷的位置信息，对所述样本图像进行区域拆分，获得目标检测区域；

将所述目标检测区域的缺陷进行等级标注，获得所述缺陷的等级信息；

将所述等级信息为无任何过刻蚀的样本图像作为标准图像，其余样本图像作为缺陷图像；

基于若干所述标准图像，获得标准图像集；基于若干所述缺陷图像，获得缺陷图像集。

6.根据权利要求5所述面板缺陷的检测方法，其特征在于，所述目标检测区域包括面板上需进行过刻蚀加工处理的区域。

7.根据权利要求5所述面板缺陷的检测方法，其特征在于，所述等级信息包括：无任何过刻蚀、无影响过刻蚀、可修复过刻蚀和不可修复过刻蚀中至少一种。

8.根据权利要求1所述面板缺陷的检测方法，其特征在于，所述基于所述Spearman相关系数，判断所述目标图像是否存在缺陷，包括：

基于所述Spearman相关系数，判断所述目标图像是否存在缺陷；

若所述Spearman相关系数小于0.05，则不相关，表示待检测面板不存在刻蚀缺陷；若所述Spearman相关系数大于等于0.05，则相关，表示待检测面板存在刻蚀缺陷。

9.一种面板缺陷目标检测模型的训练方法，其特征在于，包括以下步骤：

获取若干样本图像；

分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集；

基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得目标检测模型。

10.根据权利要求9所述面板缺陷目标检测模型的训练方法，其特征在于，所述分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集，包括：

基于所述样本图像，获得所述样本图像中的缺陷；

基于所述样本图像中的缺陷，获得所述缺陷的最小外接矩形；基于所述缺陷的最小外接矩形，获得所述缺陷的位置信息；

基于所述样本图像中的缺陷，获得所述缺陷的等级信息；其中，所述缺陷的等级信息包括：无任何过刻蚀、无影响过刻蚀、可修复过刻蚀和不可修复过刻蚀中至少一种；

基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集。

11.根据权利要求10所述面板缺陷目标检测模型的训练方法，其特征在于，所述基于所述缺陷的位置信息和所述缺陷的等级信息，获得缺陷图像集和标准图像集，包括：

基于所述缺陷的位置信息，对所述样本图像进行区域拆分，获得目标检测区域；其中，所述目标检测区域包括面板上需进行过刻蚀加工处理的区域；

将所述目标检测区域的缺陷进行等级标注，获得所述缺陷的等级信息；

将所述等级信息为无任何过刻蚀的样本图像作为标准图像，其余样本图像作为缺陷图像；

基于若干所述标准图像，获得标准图像集；基于若干所述缺陷图像，获得缺陷图像集。

12.根据权利要求9所述面板缺陷目标检测模型的训练方法，其特征在于，所述基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得目标检测模型，包括：

基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得目标检测模型；其中，所述目标检测模型为Faster RCNN算法模型。

13.一种面板缺陷的检测装置，其特征在于，包括：

获取模块，用于获取待检测面板的目标图像和所述待检测面板对应的标准图像；所述标准图像为无缺陷图像；

输出模块，用于将所述目标图像和标准图像分别输入训练获得的目标检测模型，以输出目标输出图像和标准输出图像；

判断模块，用于计算所述目标输出图像和所述标准输出图像的Spearman相关系数；基于所述Spearman相关系数，判断所述目标图像是否存在缺陷。

14.一种面板缺陷目标检测模型的训练装置，其特征在于，包括：

第一获取模块，用于获取若干样本图像；

第二获取模块，用于分别对若干所述样本图像的缺陷位置和缺陷等级进行标注，获得缺陷图像集和标准图像集；

第三获取模块，用于基于所述缺陷图像集和所述标准图像集，对初始目标检测模型进行训练，获得所述目标检测模型。

15.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-12中任一项所述的方法。

16.一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，处理器执行所述计算机程序，实现如权利要求1-12中任一项所述的方法。

Images