一种用于显示面板大面积缺陷分类的网络模型及方法技术

本发明专利技术属于显示面板自动化检测技术领域，公开了一种用于显示面板大面积缺陷分类的网络模型及方法，网络模型包括一层输入层、七层卷积层、两层全连接层及一层输出层；输入层采用大分辨率，七层卷积层中的第一至第五层采用大尺寸的卷积核；基于该网络模型提供的大面积缺陷分类方法，(1)将缺陷图像归一化为与网络模型输入层分辨率匹配的样本；(2)将样本分为训练集、验证集、测试集，对集合中的样本按照缺陷类型进行分类；(3)用训练集对网络模型进行训练，并用验证集进行验证得到分类模型；(4)利用分类模型对测试集中的样本进行分类；有效解决了现有方法不能进行大面积缺陷图像分类的问题，极大的提高了大面积缺陷图像分类识别的准确率。

A Network Model and Method for Large Area Defect Classification of Display Panel

The invention belongs to the field of automatic detection technology of display panel, and discloses a network model and method for classifying large area defects of display panel. The network model includes one input layer, seven convolution layers, two full connection layers and one output layer. The input layer adopts large resolution, and the first to fifth layers of seven convolution layers adopt large size convolution core. The method of large area defect classification provided by type A is: (1) normalizing defect image into samples matching the resolution of input layer of network model; (2) dividing samples into training set, verification set and test set, classifying the samples in the set according to defect type; (3) training the network model with training set and verifying the classification model with verification set; (4) using classification model to verify the classification model. Samples in test set are classified, which effectively solves the problem that existing methods can not classify large area defect images, and greatly improves the accuracy of classification and recognition of large area defect images.

【技术实现步骤摘要】
一种用于显示面板大面积缺陷分类的网络模型及方法
本专利技术属于显示面板自动化检测
，具体涉及一种用于显示面板大面积缺陷分类的网络模型及方法。
技术介绍
在显示面板制作的过程中，AOI缺陷检测直接影响着面板最终的质量和成品等级的划分。面板中的Mura缺陷往往是一种宏观上的大面积Mura缺陷，并且具有形状不规则、大小不均匀、对比度低的特点。通过人眼进行显示面板缺陷分类的方法，逐个人工分类，受到人眼感知能力以及主观因素的限制，很难快速准确的对显示面板上的大面积Mura缺陷进行准确的识别和分类，并且效率低下；随着人眼疲劳程度的增加，也会造成微弱缺陷的错误划分。现有技术还包括借助图像处理算法譬如基于深度学习中的卷积神经网络进行显示面板缺陷分类的方法，但一方面，现有的深度学习主要针对的是自然图像、小目标的分类识别，例如AlexNet、VGG、GoogLeNet、ResNet等模型分类网络输入层的图像分辨率特别的小，不适合大分辨率图像大面积缺陷的分类识别，而且现有分类网络的卷积核都是3*3或者5*5的卷积核，较小的卷积核能够提取物体的纹理细节，因此对于自然图像、纹理比较丰富的图像分类识别效果较好，但是这类卷积核并不适合提取大分辨率图像的、全局性质的、宏观上的大面积缺陷。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种用于显示面板大面积缺陷分类的网络模型，利用空洞卷积构建网络模型用于对大分辨率图像上全局性质的、大面积缺陷进行准确识别。为实现上述目的，按照本专利技术的一个方面，提供了一种用于显示面板大面积缺陷分类的网络模型，包括一层输入层，七层卷积层，两层全连接层，以及一层输出层；输入层采用大分辨率，七层卷积层中的第一层、第二层采用大尺寸的卷积核；大分辨率指不小于1024像素*1024像素，大尺寸是指不小于9像素*9像素。优选的，上述用于显示面板大面积缺陷分类的网络模型，七层卷积层中的第一至第五层采用空洞卷积核。优选的，上述用于显示面板大面积缺陷分类的网络模型，第一卷积层和第二卷层的卷积核采用尺寸为15像素*15像素大小的空洞卷积核；第三卷积层、第四卷积层、第五卷积层的卷积核采用尺寸为7像素*7像素的空洞卷积核。优选的，上述用于显示面板大面积缺陷分类的网络模型，第六卷积层、第七卷积层的卷积核为5像素*5像素或3像素*3像素。优选的，上述用于显示面板大面积缺陷分类的网络模型，输入层的分辨率为3701像素*3701像素。优选的，上述用于显示面板大面积缺陷分类的网络模型，两层全连接层中的第一层的节点个数为1024、第二层的节点数目根据分类的类别数目调整。为实现上述目的，按照本专利技术的另一个方面，基于上述网络模型提供了一种显示面板大面积缺陷分类方法，包括如下步骤：(1)将收集的缺陷图像归一化为与网络模型输入层分辨率匹配的图像作为样本；(2)将样本分为训练集、验证集、测试集，对这三个集合中的样本按照缺陷类型进行分类，设置类别标签；(3)采用训练集对网络模型进行训练，并采用验证集进行验证，得到分类模型；(4)利用分类模型对测试集中的样本进行分类。优选地，上述显示面板大面积缺陷分类方法，缺陷类型包括棋盘格Mura缺陷、灰阶网格Mura缺陷、水平白带Mura缺陷和垂直白带Mura缺陷。优选地，上述显示面板大面积缺陷分类方法，采用ID号作为与缺陷对应的类别标签，每一个ID号代表一种缺陷类别；得到的训练集包括一个图像数据集合和一个标签文本文件；图像数据集合中保存的是用来训练的缺陷图像样本，标签文件中包含每一张图像的具体存储路径和缺陷类别ID。优选地，上述显示面板大面积缺陷分类方法，将图片归一化为3701像素*3701像素。本专利技术提供的上述网络模型以及用于显示面板大面积缺陷分类的方法，通过扩大输入层的分辨率解决大面积图像输入的问题，使用大尺寸的卷积核解决主流分类网络模型算法感受视野较小的问题，使用空洞卷积解决在扩大输入层分辨率、使用大尺寸的卷积核带来的参数增加和模型难以训练的问题。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)采用本专利技术提供的显示面板大面积缺陷分类的网络模型，将深度学习(DeepLearning，DL)领域分类网络模型的输入层的输入图像分辨率提升至3701像素*3701像素这样的超大分辨率，这样就保证了6480*3840这样大分辨率的LCD图像中的大面积Mura缺陷不会因为图像压缩程度太大而丢失只在大分辨率图像上表现出来的宏观缺陷；(2)现有的分类网络模型基本都是针对自然图像中的动物或者物体进行的分类；没有针对面板检测这种特定的场景的基于深度学习的分类识别模型，本专利技术提供的显示面板大面积缺陷分类的网络模型，针对面板检测，首次在第一卷积层和第二卷积层使用了分辨率为15像素*15像素这样的大型卷积核；达到提取全局性质、宏观上的缺陷的目的；可对大面积、全局性质、主流分类网络无法分类的缺陷图像进行分类；(3)本专利技术提供的显示面板大面积缺陷分类的网络模型，引入了空洞卷积性质的卷积核，空洞卷积的卷积核中的权值参数是隔行甚至是隔数行排列的，由此减少实际需要训练的权值参数，在获得宏观缺陷的同时降低了网络模型训练的难度；(4)采用本专利技术提供的显示面板大面积缺陷分类的网络模型进行mura缺陷检测，由于改进在算法核软件层面，因此无需对当前的AOI结构进行修改，不需要增加任何的硬件成本，具有容易实现、成本低、实用性高的特点。附图说明图1是实施例提供的用于显示面板大面积缺陷分类的网络模型中第一卷积层和第二卷积层采用的空洞卷积核示意图；图2是施例提供的用于显示面板大面积缺陷分类的网络模型中第三、四、五卷积层采用的空洞卷积核示意图；图3是实施例提供的显示面板大面积缺陷分类方法的流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。实施例提供的显示面板大面积缺陷分类的网络模型，包括1层输入层，7层卷积层，两层全连接层，以及输出层；其中，第一卷积层C1和第二卷层C2的卷积核采用如图1所示意的尺寸为15像素*15像素大小的空洞卷积核，C3、C4、C5卷积层的卷积核采用图2所示的尺寸为7像素*7像素的空洞卷积核。实施例中，采用实施例提供的网络模型进行显示面板大面积缺陷分类的方法，其流程参照图3，具体包括如下步骤：(1)将收集到的所有缺陷图像归一化为与网络模型输入层分辨率匹配的图像，作为样本；实施例中，将产线上采集的Mura缺陷样本为6483像素*3840像素归一化为3701像素*3701像素分辨率的图像；这个分辨率是与最后全连接层的节点数目对应的；(2)将样本分为训练集、验证集、测试集；对每个集合中的样本进行类别标记；在一个实施例中，是采用随机分配将样本分为训练集、验证集、测试集；(3)对训练集、验证集、测试集分别按照缺陷类型进行分类，设置类别标签；在一些实施例中，缺陷分类包括棋盘格Mura缺陷、灰阶网格Mura缺陷、水平白带Mura缺陷、垂直白带Mura缺陷，与这四类缺本文档来自技高网...

【技术保护点】
1.一种用于显示面板大面积缺陷分类的网络模型，其特征在于，包括一层输入层、七层卷积层、两层全连接层、以及一层输出层；输入层采用大分辨率，七层卷积层中的第一层、第二层采用大尺寸的卷积核。

【技术特征摘要】
1.一种用于显示面板大面积缺陷分类的网络模型，其特征在于，包括一层输入层、七层卷积层、两层全连接层、以及一层输出层；输入层采用大分辨率，七层卷积层中的第一层、第二层采用大尺寸的卷积核。2.如权利要求1所述的用于显示面板大面积缺陷分类的网络模型，其特征在于，七层卷积层中的第一至第五层采用空洞卷积核。3.如权利要求2所述的用于显示面板大面积缺陷分类的网络模型，其特征在于，第一卷积层和第二卷层的卷积核采用尺寸为15像素*15像素空洞卷积核；第三卷积层、第四卷积层、第五卷积层的卷积核采用尺寸为7像素*7像素的空洞卷积核。4.如权利要求1或2所述的用于显示面板大面积缺陷分类的网络模型，其特征在于，第六卷积层、第七卷积层的卷积核为5像素*5像素或3像素*3像素。5.如权利要求1或2所述的用于显示面板大面积缺陷分类的网络模型，其特征在于，输入层的分辨率为3701像素*3701像素。6.如权利要求1或2所述的用于显示面板大面积缺陷分类的网络模型，其特征在于，两层全连接层中的第一层的节点个数为1024、第二层的节点数目根据分类的类别数目调整。...

【专利技术属性】
技术研发人员：马卫飞，张胜森，郑增强，余飞，吴川，
申请(专利权)人：武汉精立电子技术有限公司，
类型：发明
国别省市：湖北,42