[發(fā)明專利]一種顯示面板缺陷分類的方法及相關裝置

有效

• 申請?zhí)枺?/td>: 202110088544.8
• 申請日: 2021-01-22
• 公開（公告）號: CN112884712B
• 公開（公告）日: 2021-11-30
• 發(fā)明（設計）人: 張耀;周娟生;張濱;徐大鵬
• 申請（專利權）人: 深圳精智達技術股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G02F1/13;G09G3/00
• 代理公司: 深圳騰文知識產權代理有限公司 44680
• 代理人: 王娟

1.一種顯示面板缺陷分類的方法，其特征在于，包括：

獲取顯示面板圖像；

將所述顯示面板圖像輸入訓練完成的目標卷積神經網絡模型中，所述目標卷積神經網絡模型為添加了特征篩選網絡層的卷積神經網絡模型，特征篩選網絡層包含全連接層、池化層、卷積層和softmax層；

通過所述目標卷積神經網絡模型獲取所述顯示面板圖像的缺陷特征；

通過所述特征篩選網絡層的第一全連接層對所述顯示面板圖像的所述缺陷特征進行權重計算；

通過所述特征篩選網絡層的第一卷積層篩除權重未達到閾值的所述缺陷特征；

通過所述特征篩選網絡層的第一池化層剔除所述目標卷積神經網絡模型中預設數(shù)量的神經元，以使得經過篩除后的缺陷特征再次進行過濾；

通過所述特征篩選網絡層的第二全連接層對過濾后保留下的所述缺陷特征進行權重計算；

通過所述特征篩選網絡層的第二卷積層篩除權重未達到閾值的所述缺陷特征；

通過所述特征篩選網絡層的第二池化層剔除所述目標卷積神經網絡模型中預設數(shù)量的神經元，以使得經過篩除后的缺陷特征再次進行過濾；

通過所述特征篩選網絡層的第三全連接層對過濾后保留下的所述缺陷特征進行組合，以生成特征組合圖像；

通過所述特征篩選網絡層的softmax層對所述特征組合圖像進行計算，得到所述特征組合圖像對應的所述顯示面板圖像歸屬各個缺陷類型的概率值；

根據(jù)所述概率值集合確定所述顯示面板圖像的缺陷類型。

2.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)所述概率值集合確定所述顯示面板圖像的缺陷類型，包括：

判斷所述概率值集合中的最大概率值是否達到預設閾值；

若是，則確定所述顯示面板圖像存在與所述最大概率值對應的缺陷類型。

3.根據(jù)權利要求2所述的方法，其特征在于，在所述判斷所述概率值集合中的最大概率值是否達到預設閾值之后，所述方法還包括：

若否，則獲取常規(guī)缺陷檢測信息，并將所述常規(guī)缺陷檢測信息作為檢測結果輸出，所述常規(guī)缺陷檢測信息為通過非目標卷積神經網絡模型方式檢測所述顯示面板圖像得到的缺陷檢測結果。

4.根據(jù)權利要求1至3中任一項所述的方法，其特征在于，在所述獲取顯示面板圖像之前，所述方法還包括：

獲取訓練樣本集和原始卷積神經網絡模型，所述訓練樣本集中包含至少2張存在缺陷類型的顯示面板圖像；

在所述原始卷積神經網絡模型尾部添加特征篩選網絡層，以生成預訓練卷積神經網絡模型，所述特征篩選網絡層包含池化層、卷積層、全連接層和softmax層；

從所述訓練樣本集中選取訓練樣本；

將所述訓練樣本輸入所述預訓練卷積神經網絡模型中；

通過所述預訓練卷積神經網絡模型獲取所述訓練樣本的缺陷特征；

通過所述特征篩選網絡層的第一全連接層對所述訓練樣本的所述缺陷特征進行權重計算；

通過所述特征篩選網絡層的第一卷積層篩除權重未達到閾值的所述缺陷特征；

通過所述特征篩選網絡層的第一池化層剔除所述預訓練卷積神經網絡模型中預設數(shù)量的神經元，以使得經過篩除后的缺陷特征再次進行過濾；

通過所述特征篩選網絡層的第二全連接層對過濾后保留下的所述缺陷特征進行權重計算；

通過所述特征篩選網絡層的第二卷積層篩除權重未達到閾值的所述缺陷特征；

通過所述特征篩選網絡層的第二池化層剔除所述預訓練卷積神經網絡模型中預設數(shù)量的神經元，以使得經過篩除后的缺陷特征再次進行過濾；

通過所述特征篩選網絡層的第三全連接層對過濾后保留下的所述缺陷特征進行組合，以生成特征組合圖像；

通過所述特征篩選網絡層的softmax層對所述特征組合圖像進行計算，得到所述特征組合圖像對應的所述訓練樣本歸屬各個缺陷類型的概率值；

根據(jù)所述訓練樣本歸屬各個缺陷類型的概率值與所述預訓練卷積神經網絡模型的損失函數(shù)計算損失值；

判斷所述損失值是否大于閾值；

若所述損失值不大于閾值，則判斷所述訓練樣本集中是否存在未訓練的訓練樣本；

若所述訓練樣本集中不存在未訓練的訓練樣本，則確定所述預訓練卷積神經網絡模型為已完成訓練的目標卷積神經網絡模型。