基于小样本深度学习的液晶屏缺陷检测方法、系统及装置制造方法及图纸

本发明专利技术公开了基于小样本深度学习的液晶屏缺陷检测方法，方法包括：对缺陷图像进行分类标注，得到缺陷样本集；根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。本发明专利技术通过对已标注的缺陷样本集学习，获得缺陷特征检测模型，并通过缺陷特征检测模型进行缺陷识别，进而利用需检测图像进行增量学习从而调整模型参数，有效了提升LED TV屏的智能检测的准确度。本发明专利技术可广泛应用于LED TV检测中。

【技术实现步骤摘要】
基于小样本深度学习的液晶屏缺陷检测方法、系统及装置
本专利技术涉及TV检测
，尤其涉及基于小样本深度学习的液晶屏缺陷检测方法、系统及装置。
技术介绍
当前，液晶显示已广泛应用于电子生产与消费领域，液晶屏的质量直接关乎电子产品的整体品质。因此，在液晶屏的生产过程中，由工艺及环境导致液晶屏显示的诸如包括亮点、漏光、白点、异物、斑纹、BLOB(几何形态)、MURA、黑点、颜色不均、划伤、气泡、褶皱等缺陷问题。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种能提高缺陷识别率的基于小样本深度学习的液晶屏缺陷检测方法、系统及装置。本专利技术所采取的技术方案是：基于小样本深度学习的液晶屏缺陷检测方法，包括以下步骤：对缺陷图像进行分类标注，得到缺陷样本集；根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所述的根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型，这一步骤具体包括：建立神经网络模型，所述神经网络模型的分类器包括有全连接层和线性化单元；根据缺陷样本集和神经网络模型，通过迁移学习算法进行处理，得到缺陷特征检测模型。作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所述的增量学习具体包括：对需检测图像进行预训练；计算适应性误差函数，参数更新误差函数和代价函数，并对神经网络模型进行参数调整，得到缺陷特征模型。作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所述适应性误差函数的具体计算公式为：其中，W为权重矩阵，取值为：θ表示神经网络模型的原始参数，Δθ表示参数θ的增量，μ为学习效率，表示神经网络模型参数由θ更新为θ+Δθ后的重构误差，T表示训练样本。作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所述参数更新误差函数的具体计算公式为：作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所述代价函数的具体计算公式为：P(x,θ+Δθ)＝Eadp+Epers。本专利技术所采用的另一个技术方案是：基于小样本深度学习的液晶屏缺陷检测系统，包括：分类标注单元，用于对缺陷图像进行分类标注，得到缺陷样本集；模型生成单元，用于根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；检测学习单元，用于根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。作为所述的基于小样本深度学习的液晶屏缺陷检测系统的进一步改进，所述的模型建立单元具体包括：模型建立单元，用于建立神经网络模型，所述神经网络模型的分类器包括有全连接层和线性化单元；模型学习单元，用于根据缺陷样本集和神经网络模型，通过迁移学习算法进行处理，得到缺陷特征检测模型。作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所述的检测学习单元包括：预训练单元，用于对需检测图像进行预训练；计算单元，用于计算适应性误差函数，参数更新误差函数和代价函数，并对神经网络模型进行参数调整，得到缺陷特征模型。本专利技术所采用的再一个技术方案是：基于小样本深度学习的液晶屏缺陷检测装置，包括：存储器，用于存放程序；处理器，用于执行所述程序，所述程序使得所述处理器执行所述的基于小样本深度学习的液晶屏缺陷检测方法。本专利技术的有益效果是：本专利技术基于小样本深度学习的液晶屏缺陷检测方法、系统及装置通过对已标注的缺陷样本集学习，获得缺陷特征检测模型，并通过缺陷特征检测模型进行缺陷识别，进而利用需检测图像进行增量学习从而调整模型参数，有效了提升LEDTV屏的智能检测的准确度。附图说明图1是本专利技术基于小样本深度学习的液晶屏缺陷检测方法的步骤流程图；图2是本专利技术基于小样本深度学习的液晶屏缺陷检测系统的模块方框图；图3是本专利技术实施例的融合迁移学习与FCNet学习的误差率示意图；图4是本专利技术实施例的测试数据集实验结果示意图；图5是本专利技术实施例的测试数据集连续性实验结果示意图。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步说明：参考图1，本专利技术基于小样本深度学习的液晶屏缺陷检测方法，包括以下步骤：对缺陷图像进行分类标注，得到缺陷样本集；根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。本实施例中，要实现基于机器视觉的智能屏检，必需完成液晶屏的点灯和外观检测过程，在像素级层面对LED-TV的液晶屏出现的亮点、漏光、白点、异物、斑纹、MURA、黑点、颜色不均、划伤、气泡、褶皱等完成缺陷的检测，因此从宏观、微观的角度，依据缺陷的形状，可以讲缺陷划分为点缺陷(像素缺陷)、线缺陷和面缺陷这三类。而且，本专利技术通过迁移学习，获得更利于分类的特征表达模型。由此，基于深度学习的特征提取和分类方法为转移学习任务提供了其他特征提取和分类方法无法比拟的优势。当前，由于训练的数据量有限，可能会由于训练不足导致性能不可靠甚至影响深度学习的模型。迁移学习正好具有改善分类性能和减少数据标记所需的人力、无力的潜力。实现迁移学习的方法很多，包括样本、特征、模型和关系的迁移。通常，构成深度学习的网络框架层数越多，取得的分类效果越好，考虑到更深的网络需要更多的训练数据，否则待优化的损失函数不能收敛。然而在LEDTV缺陷检测中，已有标注的样本数量有限，要获取更多的样本需要通过增量取，存在着一定的困难。为了在有限的样本图像数据集中提高待分类任务的分类性能，引用包含3个全连接层的FCNet分类器，如图2所示。图中FCNet的输入数据集中每幅样本采用模型迁移学习方法提取的4096维全连接层的特征的集合[9]，为了避免过拟合，在FCNet全连接层采用了DropOut策略[10]，为解决梯度下降消失的问题，可以在全连接的层之后引入修正的线性化单元(RectifiedLinearUnits，ReLU)层[10]。FCNet模型的损失函数定义为：其中，N为训练样本数，yn是第n个样本的真实标签。在全连接网络FCNet反向传播调节神经元之间的连接权重过程中，可采用随机梯度下降(StochasticGradientDecent，SGD)的方法，采用公式(2)计算偏导为0时的W,b，最终为公式(1)寻找到最优解。由此，给定被检测样本xj，由公式(3)可得到其分类情况。[p,C]＝max(WTxj+b)(3)其中,W,b是在训练过程中得到的参数，p表示样本xj属于类别C的概率。进一步作为优选的实施方式，所述的根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型，这一步骤具体包括：建立神经网络模型，所述神经网络模型的分类器包括有全连接层和线性化单元；根据缺陷样本集和神经网络模型，通过迁移学习算法进行处理，得到缺陷特征检测模型。进一步作为优选的实施方式，所述的增量学习具体包括：对需检测图像进行预训练；计算适应性误差函数，参数更新误差函数和代价函数，并对神经网络模型进行参数调整，得到缺陷特征模型。进一步作为优选的实施方式，所述适应性误差函数的具体计算公式为：其中，W为权重矩阵，取值为本文档来自技高网...

【技术保护点】
1.基于小样本深度学习的液晶屏缺陷检测方法，其特征在于，包括以下步骤：对缺陷图像进行分类标注，得到缺陷样本集；根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。

【技术特征摘要】
1.基于小样本深度学习的液晶屏缺陷检测方法，其特征在于，包括以下步骤：对缺陷图像进行分类标注，得到缺陷样本集；根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。2.根据权利要求1所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述的根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型，这一步骤具体包括：建立神经网络模型，所述神经网络模型的分类器包括有全连接层和线性化单元；根据缺陷样本集和神经网络模型，通过迁移学习算法进行处理，得到缺陷特征检测模型。3.根据权利要求1所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述的增量学习具体包括：对需检测图像进行预训练；计算适应性误差函数，参数更新误差函数和代价函数，并对神经网络模型进行参数调整，得到缺陷特征模型。4.根据权利要求3所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述适应性误差函数的具体计算公式为：其中，W为权重矩阵，取值为：θ表示神经网络模型的原始参数，Δθ表示参数θ的增量，μ为学习效率，表示神经网络模型参数由θ更新为θ+Δθ后的重构误差，T表示训练样本。5.根据权利要求4所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述参数更新误差函数的具体计算公式为：6.根据权利...

【专利技术属性】
技术研发人员：曾志，
申请(专利权)人：惠州学院，
类型：发明
国别省市：广东,44