CN209496214U - 一种液晶面板图像重复区域中提取最小非重复子集系统 - Google Patents
一种液晶面板图像重复区域中提取最小非重复子集系统 Download PDFInfo
- Publication number
- CN209496214U CN209496214U CN201920055749.4U CN201920055749U CN209496214U CN 209496214 U CN209496214 U CN 209496214U CN 201920055749 U CN201920055749 U CN 201920055749U CN 209496214 U CN209496214 U CN 209496214U
- Authority
- CN
- China
- Prior art keywords
- image
- module
- locally
- liquid crystal
- stored
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本实用新型公开了一种液晶面板图像重复区域中提取最小非重复子集系统，包括摄像头设备、图像设备抓取模块、图像本地储存模块、算法处理模块、图像信息储存数据库和基台反馈处理模块；摄像头设备与图像设备抓取模块通讯连接；图像设备抓取模块与图像本地储存模块通讯连接；图像本地储存模块用于储存从图像设备抓取模块输出的图片文件；图像本地储存模块与算法处理模块通讯连接；算法处理模块将从图像本地储存模块中获取图片，并进行分析处理；算法处理模块与图像信息储存数据库通讯连接；图像信息储存数据库与基台反馈处理模块通讯连接。本实用新型具有针对性、自动化部署、更少的训练时间、更高的准确率和拓展性的优点。
Description
技术领域
本实用新型涉及液晶面板技术领域，尤其涉及一种液晶面板图像重复区域中提取最小非重复子集系统。
背景技术
液晶面板是决定液晶显示器亮度、对比度、色彩、可视角度的材料，而液晶面板质量、技术的好坏关系到液晶显示器整体性能的高低。在生产过程中，技术人员通过观察液晶面板是否有缺陷来判断液晶面板的质量，并根据缺陷种类决定后续处理方法。工作人员的熟练程度和效率将决定产品的检出率和生产线的总体效率，考虑到一名新员工的培养成本，为了提高产品的检出率和生产线效率，并减少工人工作量和员工成本，本方案采用人工智能，根据液晶面板图像，使用深度学习进行图像级别的检测，定位缺陷，判断缺陷种类，最后根据检测结果，结合实际规则，输出处理方案，完成对液晶面板检测任务的自动化处理。
实用新型内容
为解决背景技术中存在的技术问题，本实用新型提出一种液晶面板图像重复区域中提取最小非重复子集系统，具有针对性、自动化部署、更少的训练时间、更高的准确率和拓展性的优点。
本实用新型提出的一种液晶面板图像重复区域中提取最小非重复子集系统，包括摄像头设备、图像设备抓取模块、图像本地储存模块、算法处理模块、图像信息储存数据库和基台反馈处理模块；摄像头设备与图像设备抓取模块通讯连接；摄像头设备用于采集图片；图像设备抓取模块用于获取摄像头设备所采集的图片文件；图像设备抓取模块与图像本地储存模块通讯连接；图像本地储存模块用于储存从图像设备抓取模块输出的图片文件；图像本地储存模块与算法处理模块通讯连接；算法处理模块将从图像本地储存模块中获取图片，并进行分析处理；算法处理模块与图像信息储存数据库通讯连接；图像信息储存数据库接收算法处理模块分析的结果，并将分析结果储存到数据库中；图像信息储存数据库与基台反馈处理模块通讯连接；图像信息储存数据库将数据中的处理结果反馈高基台反馈处理模块。
优选的，摄像头设备的型号为罗技Pro C920。
优选的，算法处理模块包括自动定位子模块、缺陷分类子模块和处理规则子模块。
优选的，算法处理模块以基于区域建议的二阶目标检测网络为基础架构。
本实用新型中，，图像设备抓取模块通过摄像头采集液晶面板的图像，图像设备抓取模块在将图像文件存储到图像本地储存模块中，图像本地储存模块将图像文件传输给算法处理模块进行分析处理，再将分析的结果储存到数据库中，最后将数据库中的处理结果反馈到基台反馈处理模块中，且本实用新型具有以下的优点：1、针对性：本方案从液晶面板图像的特殊之处出发，相比于普通图像，液晶面板图像上有许多重复区域，综合考虑重复图像相似性和图像结构性，使用深度学习完成对重复区域中最小非重复子集；2、自动化部署：方案环境采用Docker封装，使用Dockerfile生成镜像，实现更轻量级的虚拟化，方便快速部署，一次构建，多次交付；3、更少的训练时间：使用提取后的最小非重复区域作为训练集，减少了通用深度学习的计算量，加快了模型的训练过程。4、更高的准确率：结合通用深度学习的准确率优势，提高了相比于模式识别方案的准确率；5、拓展性：调节超参数，该方案可适应多种具有重复区域的背景。
附图说明
图1为本实用新型提出的一种液晶面板图像重复区域中提取最小非重复子集系统的流程框图。
具体实施方式
如图1所示，图1为本实用新型提出的一种液晶面板图像重复区域中提取最小非重复子集系统的流程框图。
参照图1，本实用新型提出的一种液晶面板图像重复区域中提取最小非重复子集系统，包括摄像头设备、图像设备抓取模块、图像本地储存模块、算法处理模块、图像信息储存数据库和基台反馈处理模块；
摄像头设备与图像设备抓取模块通讯连接；摄像头设备用于采集图片；图像设备抓取模块用于获取摄像头设备所采集的图片文件；
图像设备抓取模块与图像本地储存模块通讯连接；图像本地储存模块用于储存从图像设备抓取模块输出的图片文件；
图像本地储存模块与算法处理模块通讯连接；算法处理模块将从图像本地储存模块中获取图片，并进行分析处理；
算法处理模块与图像信息储存数据库通讯连接；图像信息储存数据库接收算法处理模块分析的结果，并将分析结果储存到数据库中；其中，算法处理模块工作的原理为：在候选区域提取前，网络将在原图上随机选取两块相同宽、相同高的区域，结合图像哈希感知和图像结构相似性，对二块区域进行评估，根据相似度构建损失函数，确定与最小重复区域的距离，再根据该距离，使用优化器回归最小重复区域的起始点坐标和终止点坐标，最后将得到的区域送入二阶网络内进行深度学习，减少了后续二阶网络计算量。其中二阶网络采用RPN网络生成建议区域，参考FocalLoss设计损失函数，解决正负样本比例严重失衡的问题，并采用FPN进行多尺度的目标检测，提高小目标的识别准确率，主网络采用残差网络ResNet的设计理论，增大网络深度，一定程度上解决深度学习的梯度消失问题，网络参数优化采用Adam，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。
图像信息储存数据库与基台反馈处理模块通讯连接；图像信息储存数据库将数据中的处理结果反馈高基台反馈处理模块。
本实施例的一种液晶面板图像重复区域中提取最小非重复子集系统的具体工作过程中，图像设备抓取模块通过摄像头采集液晶面板的图像，图像设备抓取模块在将图像文件存储到图像本地储存模块中，图像本地储存模块将图像文件传输给算法处理模块进行分析处理，再将分析的结果储存到数据库中，最后将数据库中的处理结果反馈到基台反馈处理模块中，且本实用新型具有以下的优点：1、针对性：本方案从液晶面板图像的特殊之处出发，相比于普通图像，液晶面板图像上有许多重复区域，综合考虑重复图像相似性和图像结构性，使用深度学习完成对重复区域中最小非重复子集；2、自动化部署：方案环境采用Docker封装，使用Dockerfile生成镜像，实现更轻量级的虚拟化，方便快速部署，一次构建，多次交付；3、更少的训练时间：使用提取后的最小非重复区域作为训练集，减少了通用深度学习的计算量，加快了模型的训练过程。4、更高的准确率：结合通用深度学习的准确率优势，提高了相比于模式识别方案的准确率；5、拓展性：调节超参数，该方案可适应多种具有重复区域的背景。
在具体实施方式中，摄像头设备的型号为罗技Pro C920。
进一步的，算法处理模块包括自动定位子模块、缺陷分类子模块和处理规则子模块，通过自动定位子模块、缺陷分类子模块和处理规则子模块对图像进行级别的检测，定位缺陷，判断缺陷种类，最后根据检测结果，结合实际规则，输出处理方案，完成对液晶面板检测任务的自动化处理。
进一步的，算法处理模块以基于区域建议的二阶目标检测网络为基础架构。
以上所述，仅为本实用新型较佳的具体实施方式，但本实用新型的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本实用新型揭露的技术范围内，根据本实用新型的技术方案及其实用新型构思加以等同替换或改变，都应涵盖在本实用新型的保护范围之内。
Claims (4)
1.一种液晶面板图像重复区域中提取最小非重复子集系统，其特征在于，包括摄像头设备、图像设备抓取模块、图像本地储存模块、算法处理模块、图像信息储存数据库和基台反馈处理模块；摄像头设备与图像设备抓取模块通讯连接；摄像头设备用于采集图片；图像设备抓取模块用于获取摄像头设备所采集的图片文件；图像设备抓取模块与图像本地储存模块通讯连接；图像本地储存模块用于储存从图像设备抓取模块输出的图片文件；图像本地储存模块与算法处理模块通讯连接；算法处理模块将从图像本地储存模块中获取图片，并进行分析处理；算法处理模块与图像信息储存数据库通讯连接；图像信息储存数据库接收算法处理模块分析的结果，并将分析结果储存到数据库中；图像信息储存数据库与基台反馈处理模块通讯连接；图像信息储存数据库将数据中的处理结果反馈高基台反馈处理模块。
2.根据权利要求1所述的一种液晶面板图像重复区域中提取最小非重复子集系统，其特征在于，摄像头设备的型号为罗技Pro C920。
3.根据权利要求1所述的一种液晶面板图像重复区域中提取最小非重复子集系统，其特征在于，算法处理模块包括自动定位子模块、缺陷分类子模块和处理规则子模块。
4.根据权利要求1所述的一种液晶面板图像重复区域中提取最小非重复子集系统，其特征在于，算法处理模块以基于区域建议的二阶目标检测网络为基础架构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201920055749.4U CN209496214U (zh) | 2019-01-14 | 2019-01-14 | 一种液晶面板图像重复区域中提取最小非重复子集系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201920055749.4U CN209496214U (zh) | 2019-01-14 | 2019-01-14 | 一种液晶面板图像重复区域中提取最小非重复子集系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN209496214U true CN209496214U (zh) | 2019-10-15 |
Family
ID=68154641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201920055749.4U Expired - Fee Related CN209496214U (zh) | 2019-01-14 | 2019-01-14 | 一种液晶面板图像重复区域中提取最小非重复子集系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN209496214U (zh) |
-
2019
- 2019-01-14 CN CN201920055749.4U patent/CN209496214U/zh not_active Expired - Fee Related
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295807B (zh) | 一种信息处理的方法及装置 | |
| CN109543679A (zh) | 一种基于深度卷积神经网络的死鱼识别方法及预警系统 | |
| CN111178197A (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| CN109117857B (zh) | 一种生物属性的识别方法、装置及设备 | |
| CN105869154A (zh) | 一种250ml医药大输液可见异物与气泡的分类识别检测方法 | |
| CN112862849B (zh) | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 | |
| CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
| CN110363218A (zh) | 一种胚胎无创评估方法及装置 | |
| CN209496214U (zh) | 一种液晶面板图像重复区域中提取最小非重复子集系统 | |
| CN109902800A (zh) | 基于拟反馈神经网络的多级骨干网络检测通用物体的方法 | |
| CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
| CN108717522A (zh) | 一种基于深度学习和相关滤波的人体目标跟踪方法 | |
| CN116883364A (zh) | 一种基于CNN和Transformer的苹果叶片病害识别方法 | |
| CN115273009A (zh) | 基于深度学习的道路裂纹检测方法及系统 | |
| CN116109826A (zh) | 一种道路裂缝检测方法 | |
| CN113139932B (zh) | 一种基于集成学习的深度学习缺陷图像识别方法及系统 | |
| CN114463741A (zh) | 一种基于深度学习的荔枝病虫害识别方法 | |
| CN207249688U (zh) | 一种基于人工智能文字识别技术的计算机阅卷装置 | |
| CN112801078A (zh) | 兴趣点poi的匹配方法、装置、电子设备及存储介质 | |
| CN109063700A (zh) | 一种基于lbp运算大数据检索平台 | |
| CN106384114B (zh) | 一种基于支持向量机的自适应图像二值化方法 | |
| CN109657677A (zh) | 一种输电线路杆塔的检测方法、装置、设备和存储介质 | |
| CN109359544A (zh) | 一种人像检索方法及装置 | |
| CN114863279B (zh) | 一种基于RS-DCNet的花期检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191015 Termination date: 20210114 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |