[發(fā)明專利]一種顯示面板缺陷分類的方法及相關(guān)裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110088544.8
• 申請(qǐng)日: 2021-01-22
• 公開（公告）號(hào): CN112884712B
• 公開（公告）日: 2021-11-30
• 發(fā)明（設(shè)計(jì)）人: 張耀;周娟生;張濱;徐大鵬
• 申請(qǐng)（專利權(quán)）人: 深圳精智達(dá)技術(shù)股份有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62;G06N3/04;G02F1/13;G09G3/00
• 代理公司: 深圳騰文知識(shí)產(chǎn)權(quán)代理有限公司 44680
• 代理人: 王娟

本申請(qǐng)實(shí)施例公開了一種顯示面板缺陷分類的方法及相關(guān)裝置，用于減少誤檢率和漏檢率。本申請(qǐng)實(shí)施例方法包括：獲取顯示面板圖像；將所述顯示面板圖像輸入訓(xùn)練完成的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型中，所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型為添加了特征篩選網(wǎng)絡(luò)層的卷積神經(jīng)網(wǎng)絡(luò)模型，特征篩選網(wǎng)絡(luò)層包含全連接層、池化層、卷積層和softmax層；通過所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)層對(duì)所述缺陷特征進(jìn)行計(jì)算，得到所述顯示面板圖像歸屬各個(gè)缺陷類型的概率值集合；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。

技術(shù)領(lǐng)域

本申請(qǐng)實(shí)施例涉及顯示面板領(lǐng)域，尤其涉及一種顯示面板缺陷分類的方法及相關(guān)裝置。

背景技術(shù)

隨著信息顯示技術(shù)的不斷發(fā)展，顯示面板(OLED)憑借其自發(fā)光、可彎曲、視角廣泛、響應(yīng)速度快、制程簡(jiǎn)單等優(yōu)勢(shì)，正逐步取代傳統(tǒng)的LCD，快速深入的應(yīng)用到現(xiàn)代社會(huì)的各個(gè)領(lǐng)域。

在OLED生產(chǎn)制作的過程中，由于OLED制程工藝復(fù)雜、蒸鍍工藝難以實(shí)現(xiàn)非常良好的平整性，導(dǎo)致每個(gè)子像素的發(fā)光亮度在相同外部條件下差異較大，這是一種常見缺陷Mura，在OLED顯示中相較LCD更為嚴(yán)重。這就使得在OLED制作完成之后，需要對(duì)每個(gè)OLED的子像素進(jìn)行補(bǔ)償，以達(dá)到顯示面板顯示標(biāo)準(zhǔn)。但是，由于缺陷Mura存在多種缺陷類型，不同的缺陷類型的補(bǔ)償修復(fù)的方式不同。所以，在補(bǔ)償缺陷Mura之前，需要對(duì)OLED進(jìn)行缺陷Mura的檢測(cè)和分類、分級(jí)，從而進(jìn)行對(duì)應(yīng)缺陷，這需要準(zhǔn)確地檢測(cè)出缺陷Mura。的缺陷類型。現(xiàn)有技術(shù)中，通過拍攝OLED得到圖像，再對(duì)圖像進(jìn)行分析，判斷OLED是否存在缺陷Mura，確定缺陷Mura的缺陷類型。

但是，由于OLED通過相機(jī)拍攝得到的圖像與人眼從OLED上看到的圖像是有差異的，導(dǎo)致一些人眼能看到的Mura，在圖像上看不到或者非常模糊，導(dǎo)致在圖像上無法進(jìn)行缺陷Mura的檢測(cè)和區(qū)分，造成誤檢與漏檢。傳統(tǒng)的缺陷Mura檢測(cè)手段存在人為誤差，導(dǎo)致誤檢率和漏檢率的提高。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例第一方面提供了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(xùn)練完成的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型中，所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型為添加了特征篩選網(wǎng)絡(luò)層的卷積神經(jīng)網(wǎng)絡(luò)模型，特征篩選網(wǎng)絡(luò)層包含全連接層、池化層、卷積層和softmax層；

通過所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)層對(duì)所述缺陷特征進(jìn)行計(jì)算，得到所述顯示面板圖像歸屬各個(gè)缺陷類型的概率值集合；

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。

可選的，所述通過所述特征篩選網(wǎng)絡(luò)層對(duì)所述缺陷特征進(jìn)行計(jì)算，得到所述顯示面板圖像歸屬各個(gè)缺陷類型的概率值集合，包括：

通過所述特征篩選網(wǎng)絡(luò)層的第一全連接層對(duì)所述顯示面板圖像的所述缺陷特征進(jìn)行權(quán)重計(jì)算；

通過所述特征篩選網(wǎng)絡(luò)層的第一卷積層篩除權(quán)重未達(dá)到閾值的所述缺陷特征；

通過所述特征篩選網(wǎng)絡(luò)層的第一池化層剔除所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型中預(yù)設(shè)數(shù)量的神經(jīng)元，以使得經(jīng)過篩除后的缺陷特征再次進(jìn)行過濾；

通過所述特征篩選網(wǎng)絡(luò)層的第二全連接層對(duì)過濾后保留下的所述缺陷特征進(jìn)行權(quán)重計(jì)算；

通過所述特征篩選網(wǎng)絡(luò)層的第二卷積層篩除權(quán)重未達(dá)到閾值的所述缺陷特征；

通過所述特征篩選網(wǎng)絡(luò)層的第二池化層剔除所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型中預(yù)設(shè)數(shù)量的神經(jīng)元，以使得經(jīng)過篩除后的缺陷特征再次進(jìn)行過濾；

通過所述特征篩選網(wǎng)絡(luò)層的第三全連接層對(duì)過濾后保留下的所述缺陷特征進(jìn)行組合，以生成特征組合圖像；