[發明專利]一種面板生產制造缺陷的自動分類方法及系統

在審

• 申請號: 201911318271.0
• 申請日: 2019-12-19
• 公開（公告）號: CN111160432A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 成都數之聯科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 熊曦

本發明公開了一種面板生產制造缺陷的自動分類方法及系統，包括：采集面板缺陷圖片及缺陷圖片對應的缺陷類別編碼信息；對缺陷圖片的缺陷位置打標，將打標后的缺陷圖片上傳至樣本庫；從樣本庫中抽取缺陷圖片作為學習樣本；利用學習樣本訓練深度學習目標檢測類算法模型，生成缺陷檢測模型；抽取待分類自動光學檢測圖片并輸入缺陷檢測模型，模型自動識別出AOI圖片中缺陷的位置，并輸出對應缺陷類別編碼的置信度水平；過濾置信度小于設定閾值的缺陷圖片。通過本方法及系統，可有效縮短檢測時間，提升檢測效率；節約企業成本；最終實現提升產品品質。

技術領域

本發明涉及智能制造與人工智能技術領域，具體地，涉及一種面板生產制造缺陷的自動分類方法及系統。

背景技術

現有面板制造生產過程通常包含Array、TFT、Cell和模組等流程，其中Array生產會逐層疊加生產最終生成陣列基板。在每個生產階段通過AOI設備對產品拍照，識別出其中可能有問題的位置，對應位置是否確實有缺陷及缺陷類別編碼則需要通過人工肉眼判斷的方式辨識。這種傳統分類方式效率低、成本高、容易受人工疲勞影響波動等。

現有的計算機面板制造缺陷識別分類技術通常采用人工提取圖像特征的方式，僅適用于識別特定缺陷，無法有效處理生產制造過程的缺陷多樣性問題。本發明提出了一種面板生產制造缺陷的自動分類方法及系統。

發明內容

本發明提供了一種面板生產制造缺陷的自動分類方法及系統，目的是解決傳統缺陷分類方式效率低、成本高、容易受人工疲勞影響波動的技術問題。

為實現上述發明目的，本發明提供了一種面板生產制造缺陷的自動分類方法，所述方法包括：

步驟1：從自動光學檢測(AOI)檢測站點采集面板缺陷圖片及缺陷圖片對應的缺陷類別編碼信息；

步驟2：對缺陷圖片的缺陷位置打標，將打標后的缺陷圖片上傳至樣本庫；

步驟3：基于指定的AOI檢測站點及若干個缺陷類別編碼，從樣本庫抽取對應的缺陷圖片作為學習樣本；利用學習樣本訓練深度學習目標檢測類算法模型，生成缺陷檢測模型；

步驟4：抽取待分類AOI圖片并輸入缺陷檢測模型，缺陷檢測模型自動識別出AOI圖片的缺陷位置，并輸出對應缺陷類別編碼的置信度水平；

步驟5：過濾置信度小于預設閾值的缺陷圖片。

其中，本發明中的面板生產制造缺陷的自動分類方法及系統，使用AOI設備的歷史檢測圖像數據構建缺陷學習樣本，并利用學習樣本訓練實現缺陷自動定位和分類的深度學習模型，最終將輸出的結果和現有的業務系統如制造執行系統MES等進行交互，從而實現缺陷圖片的自動分類。通過該方法及系統，可有效減少檢測時間，提升檢測效率；為企業節省人力成本；最終實現提升產品品質。

優選的，對缺陷圖片的缺陷位置打標，采用矩形框標注缺陷位置并給出對應缺陷的類別編碼信息；將打標后的缺陷圖片及標注文件上傳到樣本庫。

優選的，步驟1中采集的缺陷圖片以及步驟4中抽取的AOI圖片均是從缺陷文件系統DFS系統獲得。

優選的，所述步驟4還包括：對缺陷檢測模型執行上線操作。

優選的，在步驟5中，當一張缺陷圖片中存在多個缺陷時，根據設定的缺陷優先級順序，選擇優先級最高的缺陷類別編碼作為該缺陷圖片的缺陷類別編碼。

優選的，所述方法還包括步驟6：設定人工判定的置信度水平α，將缺陷類別編碼的置信度水平低于α的缺陷圖片自動轉為人工判定缺陷類別。

優選的，所述步驟3采用的深度學習目標檢測類算法為Yolo V3或SSD或Faster R-CNN算法模型。

優選的，缺陷檢測模型采用特征金字塔網絡FPN，同時將主干網絡(如殘差網絡)不同層的特征Map融合。