[發明專利]一種卷積神經網絡模型的訓練方法及裝置

有效

• 申請號: 202110345118.8
• 申請日: 2021-03-31
• 公開（公告）號: CN113011567B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 張耀;李強;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: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 深圳騰文知識產權代理有限公司 44680
• 代理人: 王娟

本申請實施例公開了一種卷積神經網絡模型的訓練方法及裝置，用于減少用于顯示面板良品檢測的卷積神經網絡模型的訓練時間。本申請實施例方法包括：獲取訓練樣本集和原始VGG?16卷積神經網絡模型；將原始VGG?16卷積神經網絡模型的卷積核數量刪減為一半，并刪減一個卷積層conv3?256、兩個卷積層conv3?512以及一個全連接層FC?1000；選取訓練樣本，并輸入預訓練卷積神經網絡模型中；獲取訓練樣本的特征，并對特征進行計算，以生成訓練樣本歸屬良品和非良品的模型概率分布；根據模型概率分布、真實概率分布與損失函數計算損失值，以生成損失值變化數據；判斷損失值變化數據在預設區間內的損失值是否收斂于0；若是，則確定預訓練卷積神經網絡模型為目標卷積神經網絡模型。

技術領域

本申請實施例涉及顯示面板領域，尤其涉及一種卷積神經網絡模型的訓練方法及裝置。

背景技術

隨著信息顯示技術的不斷發展，顯示面板(Organic ElectroluminescenceDisplay，OLED)憑借其自發光、可彎曲、視角廣泛、響應速度快、制程簡單等優勢，正逐步取代傳統的LCD，快速深入的應用到現代社會的各個領域。

在OLED生產制作的過程中，由于OLED制程工藝復雜、蒸鍍工藝難以實現非常良好的平整性，導致每個子像素的發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顯示中相較半導體發光二極管(Light Emitting Diode、LCD)更為嚴重。這就使得在OLED制作完成之后，需要對每個OLED的子像素進行補償，以達到顯示面板顯示標準。在對OLED的子像素進行補償之前，首先需要對OLED進行良品檢測，只有非良品的OLED才需要進行子像素進行補償。當前OLED的良品檢測在技術和方式有三類：機器視覺檢測、影像亮度色度計、人工檢測。

影像亮度色度計檢測：影像亮度色度計檢測是基于CCD的影像系統，經過校準之后，對光線、亮度和色彩的反應與CIE模型定義的標準大體一致，能近似獲得人眼感知效果。優點是具有缺陷固定情況下重復檢測效率高的優點，但是存在檢測靈活性差，成本高，時延大等缺點。人工檢測：當前人工檢測方式，眾所周知，人工檢測存在主觀性、隨意性、效率低，成本高、誤差大等缺點，由于缺陷Mura低對比度、邊緣模糊、形狀不固定等特性，導致人眼無法識別，所以人工檢測已經是瀕臨淘汰的最原始檢測方式。機器視覺檢測：機器視覺檢測包含圖像預處理系統、判別系統、深度學習平臺，圖片存儲系統，綜合運用了圖像預處理、缺陷檢測算法、機器學習、深度學習等AI技術。先通過工業相機獲取顯示面板圖像，再使用圖像預處理技術凸顯特征，通過訓練好的卷積神經網絡模型算法進行識別，從而達到代替人工檢測的目的。具備效率高，成本低，靈活性強的優點。所以，機器視覺檢測就成為了當前較為重點研究的良品檢測方式。

當前，存在一種使用VGG-16卷積神經網絡模型對OLED進行良品檢測的方式。使用VGG-16卷積神經網絡模型對OLED進行良品檢測之前，需要將多組顯示面板圖像輸入原始VGG-16卷積神經網絡模型中進行網絡的訓練。由于VGG-16卷積神經網絡模型的具有一定數量卷積層數與全連接層數，但只有良品與非良品兩種訓練輸出，VGG-16卷積神經網絡模型能力過剩，導致訓練過程中存在過擬合現象以及泛化現象，導致卷積神經網絡模型的訓練時間增加。

發明內容

本申請實施例第一方面提供了一種卷積神經網絡模型的訓練方法，其特征在于，包括：

獲取訓練樣本集和原始VGG-16卷積神經網絡模型，所述訓練樣本集中包含至少兩張顯示面板圖像；

將所述原始VGG-16卷積神經網絡模型的卷積層的卷積核數量刪減為一半，并將所述原始VGG-16卷積神經網絡模型的一個卷積層conv3-256、兩個卷積層conv3-512以及一個全連接層FC-1000刪減，以生成預訓練卷積神經網絡模型；

從所述訓練樣本集中選取訓練樣本，并將所述訓練樣本輸入所述預訓練卷積神經網絡模型中；