CN116958098A - 一种基于yolov7针对液晶面板的缺陷检测方法 - Google Patents
一种基于yolov7针对液晶面板的缺陷检测方法 Download PDFInfo
- Publication number
- CN116958098A CN116958098A CN202310932057.4A CN202310932057A CN116958098A CN 116958098 A CN116958098 A CN 116958098A CN 202310932057 A CN202310932057 A CN 202310932057A CN 116958098 A CN116958098 A CN 116958098A
- Authority
- CN
- China
- Prior art keywords
- detection
- defect
- liquid crystal
- image
- crystal panel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 230000007547 defect Effects 0.000 title claims abstract description 91
- 239000004973 liquid crystal related substance Substances 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000001629 suppression Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000009776 industrial production Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及产品缺陷检测技术领域,尤其涉及一种一种基于YOLOV7针对液晶面板的缺陷检测方法,包括将液晶面板的图像依次进行数据预处理、特征提取、目标检测、背景抑制、缺陷分类和结果输出六个步骤;本发明能够有效的改善缺陷的检测精度,而且还提高了对不同缺陷类型的识别能力,同时,还引入了一些先进的分类器算法,进一步提高缺陷的识别能力;另外本发明可以有效地抑制背景干扰,提高检测精度;本发明显著提高缺陷检测的精度和准确性,从而提高生产效率和降低成本;提高产品质量和客户满意度;降低人工成本,传统的缺陷检测通常需要大量的人工操作和检查,本发明的方法可以实现自动化检测,从而减少人工成本和提高检测效率。
Description
技术领域
本发明涉及产品缺陷检测技术领域,尤其涉及一种一种基于YOLOV7针对液晶面板的缺陷检测方法。
背景技术
缺陷检测是工业生产中非常重要的一环,其目的是及早发现产品中的缺陷,提高生产效率和产品质量。目前,缺陷检测主要依靠视觉检测技术,但是由于复杂的工作环境和不同的缺陷类型。
目前,液晶面板的缺陷检测技术对于数据以及硬件的要求很严格,基于深度学习的缺陷检测技术已经取得了很大的进展,其中以YOLOV7为代表的目标检测算法在工业生产中得到了广泛应用。然而,现有技术仍存在以下缺点:(1)对小目标的检测精度不高:由于工业生产中的缺陷往往非常微小,因此对小目标的检测精度要求很高。但是,现有技术在处理小目标时存在较大的误差,导致检测精度下降。(2)对不同缺陷类型的识别能力较弱:不同的缺陷类型具有不同的特征,传统的检测算法无法充分利用这些特征来识别不同的缺陷类型,导致识别能力较弱。(3)对复杂背景的适应能力不足:工业生产中的背景往往非常复杂,包括各种杂乱的线条、色块等。传统的检测算法难以适应这种复杂的背景,导致检测精度下降。传统的视觉检测技术已经无法满足现有需求,因此需要更高精度的检测技术来解决这些问题。
发明内容
本发明所要解决的技术问题是提供一种针对不同缺陷类型有较强的识别能力、对复杂背景有较强的适应能力、有效提高检测精度和准确性、提高生产效率和产品质量、降低人工成本的一种基于YOLOV7针对液晶面板的缺陷检测方法。
为解决上述技术问题,本发明的技术方案是:一种基于YOLOV7针对液晶面板的缺陷检测方法,包括将液晶面板的图像依次进行数据预处理、特征提取、目标检测、背景抑制、缺陷分类和结果输出六个步骤。
作为优选的技术方案,所述特征提取就是将图像中的信息转化为可供机器学习使用的特征向量,使用一种基于深度学习的特征提取方法,可以自动学习图像中的特征,并将其转化为特征向量,可以充分利用不同缺陷类型的特征进行识别,从而提高缺陷的识别能力。
作为优选的技术方案,所述目标检测就是采用分层检测的方法,将图像进行多次缩小,每次缩小得到一个尺度的图像,从而得到多个尺度的图像,然后分别对这些图像进行目标检测,得到多个检测结果,最后将这些检测结果进行合并,得到最终的检测结果;分层检测的方法可以有效地提高对小目标的检测精度,从而实现更加准确的缺陷检测,从而提高对小目标的检测精度。
作为优选的技术方案,所述背景抑制就是首先对图像中的背景进行建模,得到背景的统计特征,然后将背景与目标进行分离,得到一个仅包含目标的图像,最后对这个仅包含目标的图像进行检测,从而可以有效地抑制背景干扰,提高检测精度。
作为优选的技术方案,所述缺陷分类就是使用分类器算法对提取出来的特征进行训练,得到一个用于分类的神经网络模型,然后将这个神经网络模型应用到测试图像中,实现缺陷的分类。
作为优选的技术方案,为了进一步提高缺陷分类的准确性,使用SVM算法,可以对分类结果进行二次判别,从而提高缺陷分类的准确性。
作为优选的技术方案,所述分类器算法包括卷积神经网络(CNN)和支持向量机(SVM)。
由于采用了上述技术方案,一种基于YOLOV7针对液晶面板的缺陷检测方法,包括将液晶面板的图像依次进行数据预处理、特征提取、目标检测、背景抑制、缺陷分类和结果输出六个步骤;本发明的有益效果是:通过对液晶面板的图像进行上述六步处理之后,能够有效的改善缺陷的检测精度,尤其是提高了现有技术不能检测的小目标的检测精度,使得在检测过程中,即使目标非常小,也能够被正确检测出来。而且还提高了对不同缺陷类型的识别能力,可以充分利用不同缺陷类型的特征进行识别。同时,还引入了一些先进的分类器算法,例如卷积神经网络(CNN)和支持向量机(SVM),以进一步提高缺陷的识别能力。另外本发明还增强了对复杂背景的适应能力,提出了一种新的背景抑制算法,可以有效地抑制背景干扰,提高检测精度。该算法通过对背景进行建模,可以将背景与目标分离开来,从而减少背景对检测结果的干扰。通过这些改进,本发明可以显著提高缺陷检测的精度和准确性,从而提高生产效率,通过及早发现产品中的缺陷,可以避免因为缺陷造成的产品返工和废品产生,从而提高生产效率和降低成本;提高产品质量,通过提高缺陷检测的精度和准确性,可以提高产品质量和客户满意度;降低人工成本,传统的缺陷检测通常需要大量的人工操作和检查,而本发明的方法可以实现自动化检测,从而减少人工成本和提高检测效率。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围。其中:
图1是本发明一种基于YOLOV7针对液晶面板的缺陷检测方法的流程图。
具体实施方式
下面结合附图和实施例,进一步阐述本发明。在下面的详细描述中,只通过说明的方式描述了本发明的某些示范性实施例。毋庸置疑,本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利要求的保护范围。
如图1所示,一种基于YOLOV7针对液晶面板的缺陷检测方法,包括将液晶面板的图像依次进行数据预处理、特征提取、目标检测、背景抑制、缺陷分类和结果输出六个步骤;通过对液晶面板的图像进行上述六步处理之后,能够有效的改善缺陷的检测精度,尤其是提高了现有技术不能检测的小目标的检测精度,使得在检测过程中,即使目标非常小,也能够被正确检测出来。而且还提高了对不同缺陷类型的识别能力,可以充分利用不同缺陷类型的特征进行识别。同时,还引入了一些先进的分类器算法,例如卷积神经网络(CNN)和支持向量机(SVM),以进一步提高缺陷的识别能力。另外本发明还增强了对复杂背景的适应能力,提出了一种新的背景抑制算法,可以有效地抑制背景干扰,提高检测精度。该算法通过对背景进行建模,可以将背景与目标分离开来,从而减少背景对检测结果的干扰。通过这些改进,本发明可以显著提高缺陷检测的精度和准确性,从而提高生产效率,通过及早发现产品中的缺陷,可以避免因为缺陷造成的产品返工和废品产生,从而提高生产效率和降低成本;提高产品质量,通过提高缺陷检测的精度和准确性,可以提高产品质量和客户满意度;降低人工成本,传统的缺陷检测通常需要大量的人工操作和检查,而本发明的方法可以实现自动化检测,从而减少人工成本和提高检测效率。。
所述特征提取就是将图像中的信息转化为可供机器学习使用的特征向量,使用一种基于深度学习的特征提取方法,可以自动学习图像中的特征,并将其转化为特征向量,可以充分利用不同缺陷类型的特征进行识别,从而提高缺陷的识别能力。
所述目标检测就是采用分层检测的方法,将图像进行多次缩小,每次缩小得到一个尺度的图像,从而得到多个尺度的图像,然后分别对这些图像进行目标检测,得到多个检测结果,最后将这些检测结果进行合并,得到最终的检测结果;分层检测的方法可以有效地提高对小目标的检测精度,从而实现更加准确的缺陷检测,从而提高对小目标的检测精度。
所述背景抑制就是首先对图像中的背景进行建模,得到背景的统计特征,然后将背景与目标进行分离,得到一个仅包含目标的图像,最后对这个仅包含目标的图像进行检测,从而可以有效地抑制背景干扰,提高检测精度。
所述缺陷分类就是使用分类器算法对提取出来的特征进行训练,得到一个用于分类的神经网络模型,然后将这个神经网络模型应用到测试图像中,实现缺陷的分类。
为了进一步提高缺陷分类的准确性,使用SVM算法,可以对分类结果进行二次判别,从而提高缺陷分类的准确性。
所述分类器算法包括卷积神经网络(CNN)和支持向量机(SVM)。
本发明的具体流程如下,如图1所示:
(1)数据预处理:首先对采集到的液晶面板的图像数据进行预处理,包括图像去噪、增强等处理。
(2)特征提取:使用基于深度学习的特征提取方法,自动学习图像中的特征,并将其转化为特征向量,这个步骤是整个检测流程的关键所在,可以有效地提取出缺陷地特征。
(3)目标检测:基于YOLOV7的目标检测算法可以对图像中的缺陷进行检测和定位,分层检测方法可以有效地提高对小目标地检测精度,从而实现更加准确地缺陷检测。
(4)背景抑制:对于背景中存在地噪声和干扰,使用背景抑制算法进行处理,以提高缺陷的检测精度。
(5)缺陷分类:通过使用先进的分类器算法,包括卷积神经网络和支持向量机等,对检测到的缺陷进行分类,从而进一步提高缺陷检测的准确性。
(6)结果输出:将检测结果输出到显示屏上,以供操作员进行观察和判断,同时,将结果保存到数据库中,以便进行后续的分析和处理。
本发明改进了对小目标的检测能力:
本发明提出了一种新的小目标检测算法,可以有效提高对小目标的检测精度。该算法通过对目标进行分层检测,使得在检测过程中,即使目标非常小,也能够被正确检测出来。
本发明提高了对不同缺陷类型的识别能力:
本发明使用了一种新的特征提取方法,可以充分利用不同缺陷类型的特征进行识别。同时,还引入了一些先进的分类器算法,例如卷积神经网络(CNN)和支持向量机(SVM),以进一步提高缺陷的识别能力。
本发明增强了对复杂背景的适应能力:
本发明提出了一种新的背景抑制算法,可以有效地抑制背景干扰,提高检测精度。该算法通过对背景进行建模,可以将背景与目标分离开来,从而减少背景对检测结果的干扰。
通过上述这些改进,本发明的技术可以显著提高缺陷检测的精度和准确性,从而带来以下有益效果:
(1)提高生产效率:
通过及早发现产品中的缺陷,可以避免因为缺陷造成的产品返工和废品产生,从而提高生产效率和降低成本。
(2)提高产品质量:
通过提高缺陷检测的精度和准确性,可以提高产品质量和客户满意度。
(3)降低人工成本:传统的缺陷检测通常需要大量的人工操作和检查,而我们的技术可以实现自动化检测,从而减少人工成本和提高检测效率。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (7)
1.一种基于YOLOV7针对液晶面板的缺陷检测方法,其特征在于:包括将液晶面板的图像依次进行数据预处理、特征提取、目标检测、背景抑制、缺陷分类和结果输出六个步骤。
2.如权利要求1所述的一种基于YOLOV7针对液晶面板的缺陷检测方法,其特征在于:所述特征提取就是将图像中的信息转化为可供机器学习使用的特征向量,使用一种基于深度学习的特征提取方法,可以自动学习图像中的特征,并将其转化为特征向量,可以充分利用不同缺陷类型的特征进行识别,从而提高缺陷的识别能力。
3.如权利要求1所述的一种基于YOLOV7针对液晶面板的缺陷检测方法,其特征在于:所述目标检测就是采用分层检测的方法,将图像进行多次缩小,每次缩小得到一个尺度的图像,从而得到多个尺度的图像,然后分别对这些图像进行目标检测,得到多个检测结果,最后将这些检测结果进行合并,得到最终的检测结果;分层检测的方法可以有效地提高对小目标的检测精度,从而实现更加准确的缺陷检测,从而提高对小目标的检测精度。
4.如权利要求1所述的一种基于YOLOV7针对液晶面板的缺陷检测方法,其特征在于:所述背景抑制就是首先对图像中的背景进行建模,得到背景的统计特征,然后将背景与目标进行分离,得到一个仅包含目标的图像,最后对这个仅包含目标的图像进行检测,从而可以有效地抑制背景干扰,提高检测精度。
5.如权利要求2所述的一种基于YOLOV7针对液晶面板的缺陷检测方法,其特征在于:所述缺陷分类就是使用分类器算法对提取出来的特征进行训练,得到一个用于分类的神经网络模型,然后将这个神经网络模型应用到测试图像中,实现缺陷的分类。
6.如权利要求5所述的一种基于YOLOV7针对液晶面板的缺陷检测方法,其特征在于:为了进一步提高缺陷分类的准确性,使用SVM算法,可以对分类结果进行二次判别,从而提高缺陷分类的准确性。
7.如权利要求5所述的一种基于YOLOV7针对液晶面板的缺陷检测方法,其特征在于:所述分类器算法包括卷积神经网络(CNN)和支持向量机(SVM)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310932057.4A CN116958098A (zh) | 2023-07-27 | 2023-07-27 | 一种基于yolov7针对液晶面板的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310932057.4A CN116958098A (zh) | 2023-07-27 | 2023-07-27 | 一种基于yolov7针对液晶面板的缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958098A true CN116958098A (zh) | 2023-10-27 |
Family
ID=88454373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310932057.4A Pending CN116958098A (zh) | 2023-07-27 | 2023-07-27 | 一种基于yolov7针对液晶面板的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958098A (zh) |
-
2023
- 2023-07-27 CN CN202310932057.4A patent/CN116958098A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN113083804A (zh) | 激光智能除锈方法、系统及可存读介质 | |
CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN113870267B (zh) | 缺陷检测方法、装置、计算机设备及可读存储介质 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN110781913A (zh) | 一种拉链布带缺陷检测方法 | |
CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 |
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 |