[發(fā)明專利]一種用于電潤濕顯示屏缺陷識別方法

在審

• 申請?zhí)枺?/td>: 201711347034.8
• 申請日: 2017-12-15
• 公開（公告）號: CN107944551A
• 公開（公告）日: 2018-04-20
• 發(fā)明（設(shè)計）人: 林志賢;林珊玲;郭太良;何慧敏;單升起;錢明勇;曾素云
• 申請（專利權(quán)）人: 福州大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 福州元創(chuàng)專利商標(biāo)代理有限公司35100
• 代理人: 蔡學(xué)俊,丘鴻超

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)、圖像處理技術(shù)領(lǐng)域，具體涉及一種加入批量歸一化算法的卷積神經(jīng)網(wǎng)絡(luò)的用于電潤濕顯示屏缺陷識別方法。

背景技術(shù)

電潤濕，是指通過改變液滴與絕緣基板之間電壓，來改變液滴在基板上的潤濕性，即改變接觸角，使液滴發(fā)生形變、位移的現(xiàn)象。所謂電潤濕顯示技術(shù)就是利用油與水界面固有的自然力以及利用這些力量而開發(fā)出的方法。作為一種反射式顯示技術(shù)，電潤濕顯示器的反射效率超過百分之五十，亮度比LCD高兩倍，在強(qiáng)陽光下仍可觀看。同時，電潤濕顯示器無需偏光片、無需極化，沒有視角范圍限制，所有可視角度皆表現(xiàn)穩(wěn)定。

電潤濕顯示技術(shù)具有極好的應(yīng)用前景。但由于生產(chǎn)技術(shù)問題，目前生產(chǎn)出來的電潤濕顯示屏存在一定缺陷，主要有像素壞點(diǎn)、像素墻損壞、油墨泄露、油墨分裂導(dǎo)致顯示器灰度降低等。為提高生產(chǎn)效率，研究一種高效準(zhǔn)確的電潤濕顯示屏缺陷自動識別方法很有必要。目前圖像識別大都基于機(jī)器學(xué)習(xí)，通過人工設(shè)計算法提取圖像的紋理、形狀等特征，再結(jié)合分類器進(jìn)行識別。傳統(tǒng)方法存在人工提取特征繁瑣、易受光照等環(huán)境因素影響，魯棒性不高。

鑒于上述原因，本發(fā)明提出一種加入批量歸一化算法的卷積神經(jīng)網(wǎng)絡(luò)的電潤濕顯示屏缺陷識別方法。近年來，深度學(xué)習(xí)在圖像識別、語音識別等多個領(lǐng)域表現(xiàn)優(yōu)異，為人工智能開辟了新紀(jì)元。卷積神經(jīng)網(wǎng)絡(luò)可以以原始二維圖像作為輸入數(shù)據(jù)，具有自主選取特征并進(jìn)行學(xué)習(xí)與識別的能力，避免了人工提取特征的繁瑣與片面。此外，卷積神經(jīng)網(wǎng)絡(luò)具有良好的容錯能力，自適應(yīng)能力強(qiáng)，對各種形式的扭曲都具有良好的魯棒性，非常適合于處理電潤濕顯示屏缺陷識別問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種用于電潤濕顯示屏缺陷識別方法，在卷積層之后加入批量歸一化算法，不僅提高識別準(zhǔn)確率，而且加快卷積神經(jīng)網(wǎng)絡(luò)收斂，提高網(wǎng)絡(luò)訓(xùn)練速度。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種用于電潤濕顯示屏缺陷識別方法，采用加入批量歸一化算法的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)；所述卷積神經(jīng)網(wǎng)絡(luò)包括四層卷積層、三層池化層、三層批量歸一化層、兩層全連接層、兩層Dropout層以及輸出層；通過在所述卷積層后加入批量歸一化層，使得每層卷積層具有相同的數(shù)據(jù)分布，提高網(wǎng)絡(luò)的泛化能力，加快網(wǎng)絡(luò)收斂，從而提高模型訓(xùn)練速度及識別精度；該方法具體包括以下步驟：

步驟S1、將輸入圖像歸一化至網(wǎng)絡(luò)所需統(tǒng)一尺寸大??；

步驟S2、進(jìn)行卷積：用一個可訓(xùn)練的濾波器卷積輸入圖像，得到卷積層的特征圖；

步驟S3、進(jìn)行降采樣：對卷積層的特征圖中的每個n×n領(lǐng)域求最大值得到池化層的一個值，進(jìn)而使得降采樣的特征圖在各個維度都比卷積層的特征度縮小n倍；

步驟S4、進(jìn)行歸一化：通過批量歸一化算法將輸入數(shù)據(jù)歸一化成均值為0，標(biāo)準(zhǔn)差為1的數(shù)據(jù)分布狀態(tài)，同時引入學(xué)習(xí)參數(shù)，使得數(shù)據(jù)歸一化過程中不影響從上一層網(wǎng)絡(luò)學(xué)習(xí)到的數(shù)據(jù)特征；批量歸一化算法的歸一化及前向傳播公式為：

其中，μ_B為均值，δ_B²為方差，y_i為輸出數(shù)據(jù)；

步驟S5、進(jìn)行全連接：將第三層池化層的特征圖展開成一個向量，乘上加權(quán)值并通過激活函數(shù)得到輸出層神經(jīng)元的輸出值；

步驟S6、求出輸出值與標(biāo)簽值的均方誤差，網(wǎng)絡(luò)采用批量隨機(jī)梯度下降法進(jìn)行網(wǎng)絡(luò)迭代運(yùn)算，當(dāng)網(wǎng)絡(luò)迭代次數(shù)滿足要求時終止卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

在本發(fā)明一實(shí)施例中，所述四層卷積層均采用ReLU非線性非飽和函數(shù)作為激活函數(shù)進(jìn)行映射得到輸出值，所述兩層全連接層采用tanh作為激活函數(shù)進(jìn)行映射得到輸出值，加速網(wǎng)絡(luò)收斂。

在本發(fā)明一實(shí)施例中，所述三層池化層均采用最大值采樣，即對輸入的上一層卷積層的特征圖的n×n區(qū)域求最大值后作為該層的一個點(diǎn)。

在本發(fā)明一實(shí)施例中，在所述兩層全連接層中加入預(yù)定比例的隨機(jī)隱退Dropout技術(shù)，凍結(jié)神經(jīng)元，使其輸出為0，從而減少過擬合現(xiàn)象。

在本發(fā)明一實(shí)施例中，訓(xùn)練網(wǎng)絡(luò)時，輸入訓(xùn)練數(shù)據(jù)集，先前向傳播計算損失誤差，再反向傳播損失更新模型參數(shù)，訓(xùn)練多次后獲得所需的卷積神經(jīng)網(wǎng)絡(luò)模型。

在本發(fā)明一實(shí)施例中，模型測試時，先輸入待測圖像，提取特征向量并做相似度計算，最后輸出缺陷識別結(jié)果。