一种显示面板外观缺陷检测网络及其缺陷检测方法技术

本发明专利技术公开了一种显示面板外观缺陷检测网络及其缺陷检测方法，包括至少两个特征提取模块、至少两个检测预测输出模块、上采样模块以及输出层，通过特征提取模块对待处理的图像进行特征提取，并输出对应位置和深度的特征映射图，通过上采样模块将不同分辨率的特征映射图，上采样至分辨率一致的特征映射图，通过检测预测输出模块，对接收的特征映射图进行层叠、卷积降维后，输出对应尺度的预测结果；通过输出层获得检测结果后进行输出。本发明专利技术不仅降低了深度学习模型对于训练样本数量的要求，且大幅降低了显示面板缺陷检测的过检率和漏检率，而且更加的鲁棒。

An Appearance Defect Detection Network for Display Panel and Its Defect Detection Method

【技术实现步骤摘要】
一种显示面板外观缺陷检测网络及其缺陷检测方法
本专利技术涉及缺陷检测
，具体涉及一种显示面板外观缺陷检测网络及其缺陷检测方法。
技术介绍
在显示面板制作的过程中，往往因为显示面板上的划伤、压痕、破片、灰尘、污渍等缺陷，最终导致显示面板质量和成品等级的输出结果。因此，在显示面板制作的过程中，对组成显示面板的各个组件以及最终组装成功显示面板的表面进行缺陷检测，这至关重要。目前，显示面板各组件及其显示面板的检测主要依靠人眼观察和借助传统的图像处理算法进行检测。基于人眼的缺陷检测不仅存在很强的主观因素；并且，人眼进行长时间的检测也会存在视觉疲劳；而基于传统图像处理算法的面板缺陷检测算法泛化能力差、待调参数冗余、智能化程度低、过检率和漏检率很高，这些因素叠加起来导致显示面板缺陷检测设备后期的维护成本非常高昂，因此，并不能进行大规模的应用。本申请专利技术人在实施本专利技术的过程中，发现现有技术的方法，至少存在如下技术问题：[1]根据缺陷样本中的缺陷特点，构建各种用于提取缺陷特征的特征提取器，基于特征提取器提取的特征向量，训练一个基于机器学习算法的分类器，然后，这个分类器配合滑动窗口算法完成缺陷的检测。该类算法的主要问题在于需要根据不同的缺陷设计不同的特征提取方法，一旦缺陷的形状、面积发生较大的变化，则无法进行有效的缺陷检测；并且，此类方法针对微弱的缺陷，也会造成漏检和过检；[2]基于传统的图像处理算法开发的缺陷检测算法，该类算法最大的问题就是泛化能力不强、需要调节的参数过多、检测过程需要人为干预，此类方法不仅会使得整个缺陷检测过程不能完全自动化，并且因为不可控因素众多，也会造成大量的过检和漏检；[3]由质检员进行逐个人工检测。这样不仅会带来大量的人力成本和时间成本，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大量漏检和过检。由此可知，现有技术中存在检测准确性不高的技术问题。
技术实现思路
有鉴于此，本专利技术提供了一种显示面板外观缺陷检测网络及其缺陷检测方法，用以解决或者至少部分解决现有技术中存在的检测准确性不高的技术问题。本专利技术提供了第一方面提供了一种显示面板外观缺陷检测网络，包括：至少两个特征提取模块、至少两个检测预测输出模块、上采样模块以及输出层，特征提取模块，用于对待处理的图像进行特征提取，并输出对应位置和深度的特征映射图；各个特征提取模块之间采用密集连接的方式进行连接，每个特征提取模块包括四个DBL模块，且四个DBL模块之间采用密集连接的方式进行连接；上采样模块，将不同分辨率的特征映射图，上采样至分辨率一致的特征映射图，输出至检测预测输出模块；检测预测输出模块，用于对接收的特征映射图进行层叠、卷积降维后，输出对应尺度的预测结果；输出层，用于根据检测预测输出模块输出的对应尺度的预测结果，获得检测结果，进行输出。在一种实施方式中，特征提取模块和检测预测输出模块的数量都为六个。在一种实施方式中，每个检测预测输出模块对应三个目标检测算法，其中，目标检测算法用以在特征映射图上进行目标检测框的预测。在一种实施方式中，检测预测输出模块包括：一个连接层和三个DBL模块，其中，连接层用于对接收的特征映射图进行层叠，DBL模块用于对层叠后的特征映射图进行卷积降维，获得不同尺度上的检测预测输出。在一种实施方式中，输出层具体用于：对检测预测输出中目标检测框的矩形框置信度阈值、类别概率阈值进行阈值过滤；对经过阈值过滤之后的结果进行非极大值抑制操作，获得整个检测网络最终的检测输出结果。在一种实施方式中，每个DBL模块包括一个卷积层、一个BatchNorm层和一个激活函数ReLU，卷积层、BatchNorm层和激活函数ReLU依次连接。基于同样的专利技术构思，本专利技术第二方面提供了一种缺陷检测方法，包括：将待处理的面板图像输入第一方面所述的缺陷检测网络，获得缺陷检测结果。本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：本专利技术提供的一种显示面板外观缺陷检测网络，包括至少两个特征提取模块、至少两个检测预测输出模块、上采样模块以及输出层，可以通过特征提取模块对待处理的图像进行特征提取，并输出对应位置和深度的特征映射图，且各个特征提取模块之间采用密集连接的方式进行短连接，每个特征提取模块包括四个DBL模块，且四个DBL模块之间采用密集连接的方式进行短连接；通过上采样模块，将不同分辨率的特征映射图，上采样至分辨率一致的特征映射图；通过检测预测输出模块对接收的特征映射图进行层叠、卷积降维后，输出对应尺度的预测结果；最后通过输出层获得检测结果，进行输出。由于本专利技术提供的显示面板外观缺陷检测网络中，每个特征提取模块的四个DBL模块之间采用密集连接的方式连接，不同的特征提取模块之间也采用密集连接的方式进行连接。也就是除了常规的依次连接外，还将本层卷积提取的特征通过短连接的这种方式密集的向后面非相邻的DBL模块传递，从而可以更好的利用DBL模块从样本中提取到的特征，并降低网络对于样本量的需求，进而可以提高检测网络的准确性。并且，本专利技术提供缺陷检测网络还进行多尺度连接预测，包括至少两个检测预测输出模块，不同的检测预测输出模块输入分别来自对应的特征提取模块，其中的特征提取模块分别输出网络的不同位置和不同的网络深度，从而，每一个检测预测输出模块可以得到一个尺度上的检测输出，解决了显示面板外观缺陷检测中遇到的小样本、大尺寸、检测缺陷尺度跨度大的问题，同时也解决了传统图像处理算法因为参数冗余、鲁棒性差而造成的显示设备后期维护成本过高而不能大规模应用的问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为缺陷图像的缺陷尺度跨度示意图；图2为一种具体示例中构建的检测网络DCDDNet的结构示意图；图3为现有技术中一种主流网络连接方式示意图；图4为本专利技术实施例提供的密集连接神经网络的连接方式示意图；图5本专利技术实施例提供检测网络DCDDNet的各组件结构示意图。具体实施方式本专利技术的主要目的是提出一种稳定的、泛化能力强的、可以对显示面板外观缺陷图像中的缺陷进行有效检测的深度学习检测网络模型；同时解决显示面板外观缺陷检测领域中的小样本训练数据集合、待检测图像分辨率过大、缺陷尺度跨度太大的而引起的主流深度学习检测网络模型不能很好的检测和实时检测的问题。该方法无需对当前的显示面板缺陷检测系统结构进行修改，不会增加任何的硬件成本，同时该方法简单有效，具有容易实现、成本低、实用性高的特点。为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本申请专利技术人通过大量的研究与实践发现，深度学习，特别是深度学习中的卷积神经网络，自2012年12月以来，陆续在图像识别、目标检测、图像语义分割、实例语义分本文档来自技高网...

【技术保护点】
1.一种显示面板外观缺陷检测网络，其特征在于，包括：至少两个特征提取模块、至少两个检测预测输出模块、上采样模块以及输出层，特征提取模块，用于对待处理的图像进行特征提取，并输出对应位置和深度的特征映射图；各个特征提取模块之间采用密集连接的方式进行连接，每个特征提取模块包括四个DBL模块，且四个DBL模块之间采用密集连接的方式进行连接；上采样模块，将不同分辨率的特征映射图，上采样至分辨率一致的特征映射图，输出至检测预测输出模块；检测预测输出模块，用于对接收的特征映射图进行层叠、卷积降维后，输出对应尺度的预测结果；输出层，用于根据检测预测输出模块输出的对应尺度的预测结果，获得检测结果，进行输出。

【技术特征摘要】
1.一种显示面板外观缺陷检测网络，其特征在于，包括：至少两个特征提取模块、至少两个检测预测输出模块、上采样模块以及输出层，特征提取模块，用于对待处理的图像进行特征提取，并输出对应位置和深度的特征映射图；各个特征提取模块之间采用密集连接的方式进行连接，每个特征提取模块包括四个DBL模块，且四个DBL模块之间采用密集连接的方式进行连接；上采样模块，将不同分辨率的特征映射图，上采样至分辨率一致的特征映射图，输出至检测预测输出模块；检测预测输出模块，用于对接收的特征映射图进行层叠、卷积降维后，输出对应尺度的预测结果；输出层，用于根据检测预测输出模块输出的对应尺度的预测结果，获得检测结果，进行输出。2.如权利要求1所述的缺陷检测网络，其特征在于，特征提取模块和检测预测输出模块的数量都为六个。3.如权利要求1所述的缺陷检测网络，其特征在于，每个检测预测输出模块对应三个目标检测算法，其中，目标检...

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