[發明專利]一種用于顯示面板缺陷分類的學習方法

有效

• 申請號: 201710343201.5
• 申請日: 2017-05-16
• 公開（公告）號: CN107154041B
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 呂東東;張勝森;鄧標華
• 申請（專利權）人: 武漢精測電子集團股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06K9/66
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于顯示面板缺陷分類的學習方法，其特征在于，包括以下步驟：

1)從一已知缺陷類型的圖像中提取缺陷特征屬性向量d；

2)提供一缺陷特征屬性梯度系數集合G，該缺陷特征屬性梯度系數集合G包括該已知缺陷類型的特征屬性梯度范圍α_ij及與該特征屬性梯度范圍α_ij一一對應的梯度系數因子β_ij；將該缺陷特征屬性向量d分別代入到該特征屬性梯度范圍α_ij中，得到梯度系數因子向量β；

3)提供一缺陷特征屬性描述集合M，該缺陷特征屬性描述集合M包括多種缺陷類型的多個特征屬性描述向量m；將該梯度系數因子向量β分別與該多個特征屬性描述向量m進行卷積，生成一組卷積值；

4)若最大的卷積值對應的特征屬性描述向量的缺陷類型為該已知缺陷類型，則結束缺陷類型識別流程；

若最大的卷積值對應的特征屬性描述向量的缺陷類型不為該已知缺陷類型，則修改該已知缺陷類型的特征屬性梯度范圍α_ij及與該特征屬性梯度范圍α_ij一一對應的梯度系數因子β_ij，重復步驟1至4，直至最大的卷積值對應的特征屬性描述向量的缺陷類型為該已知缺陷類型，獲得新的該已知缺陷類型的特征屬性梯度范圍及與該特征屬性梯度范圍一一對應的梯度系數因子。

2.根據權利要求1所述的學習方法，其特征在于，采用以下公式進行卷積計算：

其中，m_i是特征屬性描述向量m(m₁,m₂,…m_n)(0＜m_i＜1)中的元素，為描述缺陷特征信息的加權因子，特征屬性描述向量m轉換成矩陣參與卷積計算；β_i是梯度系數因子向量β(β₁,β₂,…β_n)(0＜β_i＜1)中的元素，梯度系數因子向量β轉換成列向量參與卷積計算，n為正整數。

3.根據權利要求1或2所述的學習方法，其特征在于，缺陷特征包括畫面名稱、和/或面積、和/或長、和/或寬、和/或長寬比、和/或中心灰度、和/或對比度、和/或坐標。

4.根據權利要求3所述的學習方法，其特征在于，該特征屬性描述向量m是對面積、和/或長、和/或寬、和/或長寬比、和/或中心灰度、和/或對比度、和/或坐標的數值歸一化的集合。

5.根據權利要求1所述的學習方法，其特征在于，步驟4中所述修改該已知缺陷類型的特征屬性梯度范圍具體為縮小該已知缺陷類型的特征屬性梯度范圍。

6.一種用于顯示面板缺陷分類的學習方法，其特征在于，包括以下步驟：

1)從一已知缺陷類型的圖像中提取缺陷特征屬性向量d；

2)提供一缺陷特征屬性梯度系數集合G，該缺陷特征屬性梯度系數集合G包括該已知缺陷類型的特征屬性梯度范圍α_ij及與該特征屬性梯度范圍α_ij一一對應的梯度系數因子β_ij；將該缺陷特征屬性向量d分別代入到該特征屬性梯度范圍α_ij中，得到梯度系數因子向量β；

3)提供一缺陷特征屬性描述集合M，該缺陷特征屬性描述集合M包括多種缺陷類型的多個特征屬性描述向量m，該缺陷特征屬性描述集合M還包括一該已知缺陷類型的特征屬性描述向量m1；將該梯度系數因子向量β分別與該多個特征屬性描述向量m、該已知缺陷類型的特征屬性描述向量m1進行卷積，生成一組卷積值；

4)若最大的卷積值對應的特征屬性描述向量的缺陷類型為該已知缺陷類型，則結束缺陷類型識別流程；

若最大的卷積值對應的特征屬性描述向量的缺陷類型不為該已知缺陷類型，則修改該特征屬性描述向量m1，重復步驟1至4，直至最大的卷積值對應的特征屬性描述向量的缺陷類型為該已知缺陷類型，獲得新的該已知缺陷類型的特征屬性描述向量m2。