一种特征提取网络及其显示面板缺陷检测方法技术

本发明专利技术公开了一种特征提取网络及其显示面板缺陷检测方法，其中的特征提取网络，包括：输入层、特征提取层和输出层，输入层用于将待处理的图像传递至特征提取层；特征提取层，包括低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块，其中，低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块之间通过密集连接和递减连接的方式连接，分别用于对待处理的图像进行特征提取；输出层，用于接收特征提取层输出的特征映射图，并进行输出。本发明专利技术不仅大幅降低了显示面板缺陷检测的过检率和漏检率，并且鲁棒性更高，也降低了深度学习模型对于训练样本数量的要求。

A Feature Extraction Network and Its Display Panel Defect Detection Method

【技术实现步骤摘要】
一种特征提取网络及其显示面板缺陷检测方法
本专利技术涉及缺陷检测
，具体涉及一种特征提取网络及其显示面板缺陷检测方法。
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，现有技术中存在的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特征提取网络及其显示面板缺陷检测方法，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特征提取网络，包括：输入层、特征提取层和输出层，输入层，用于将待处理的图像传递至特征提取层；特征提取层，包括低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块，其中，低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块之间通过密集连接和递减连接的方式连接，分别用于对待处理的图像进行特征提取；输出层，用于接收特征提取层输出的特征映射图，并进行输出。在一种实施方式中，密集连接方式具体包括：低层网络特征提取模块通过两条路径向中层网络特征提取模块传递对应的特征映射图，中层网络特征提取模块通过两条路径向高层网络特征提取模块传递对应的特征映射图；低层网络特征提取模块、中层网络特征提取模块以及高层网络特征提取模块还分别向输出层传递对应的特征映射图。在一种实施方式中，递减连接的方式具体包括：中层网络特征提取模块在向高层网络特征提取模块、高层网络特征提取模块在向输出层进行传递时，特征映射图的连接数量按照预设倍数递减。在一种实施方式中，特征映射图的连接数量的递减关系如下：其中，k表示传递的特征映射图数量的数值，C1表示低层网络特征提取模块向后传递的特征映射图数量，C2表示中层网络特征提取模块向后传递的特征映射图数量，C3表示高层网络特征提取模块向后传递的特征映射图数量，S表示预设倍数。在一种实施方式中，预设倍数为大于等于2的数。在一种实施方式中，低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块分别包括一个DBL模块和一个DenseBlock_3模块，其中，DBL模块包括一个卷积层、一个BatchNorm层和一个激活函数ReLU。在一种实施方式中，DenseBlock_3模块包括3个相互串联的DenseBlock4模块组成，每个DenseBlock4模块通过4个DBL模块通过密集连接的方式连接。在一种实施方式中，输出层为一个N*1的列向量，其中，N为待处理图像的数量，列向量中的每一个元素用以表征每一类别的预测概率。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显示面板缺陷检测方法，包括：基于第一方面所述的特征提取网络，构建显示面板缺陷检测网络；采用显示面板缺陷检测网络进行显示面板缺陷检测。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特征提取网络包括：用于将待处理的图像传递至特征提取层的输入层；用于对对待处理的图像进行特征提取的特征提取层和用于接收特征提取层输出的特征映射图并进行输出的输出层。包括低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块，其中，低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块之间通过密集连接和递减连接的方式连接。并且基于上述特征提取网络，提供了一种显示面板缺陷检测方法。由于本专利技术提供的特征提取网络中，低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块之间通过密集连接和递减连接的方式连接，从而可以考虑整个网络中低层网络模块提取的图像特征、中层网络模块提取的图像特征和高层网络模块提取的图像特征这三部分图像特征之间的关系，以及这三部分对于最终整个特征提取网络准确率的贡献。从而适用于显示面板缺陷检测的领域，可以适应显示面积缺陷图像和显示面板缺陷图像中的缺陷特征，更加好的实现显示面板缺陷图像的分类和检测。实现了提高检测准确性的技术效果。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为自然图像和显示面板缺陷图像的对比示意图；图2为一种具体示例中构建的特征提取网络DDBNet-39的结构示意图；图3为主流的深度学习算法特征提取模块之间的第一种连接方式示意图；图4为主流的深度学习算法特征提取模块之间的第二种连接方式示意图；图5为主流的深度学习算法特征提取模块之间的第三种连接方式示意图；图6为本专利技术实施例中密集连接和递减连接方式的示意图。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、可以对显示面板缺陷图像中的缺陷进行有效分类和检测的骨干特征提取网络；同时解决深度学习算法在显示面板缺陷检测领域应用的过程中，因为小样本而难以进行相应模型训练的问题。本专利技术的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、实例本文档来自技高网...

【技术保护点】
1.一种特征提取网络，其特征在于，包括：输入层、特征提取层和输出层，输入层，用于将待处理的图像传递至特征提取层；特征提取层，包括低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块，其中，低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块之间通过密集连接和递减连接的方式连接，分别用于对待处理的图像进行特征提取；输出层，用于接收特征提取层输出的特征映射图，并进行输出。

【技术特征摘要】
1.一种特征提取网络，其特征在于，包括：输入层、特征提取层和输出层，输入层，用于将待处理的图像传递至特征提取层；特征提取层，包括低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块，其中，低层网络特征提取模块、中层网络特征提取模块、高层网络特征提取模块之间通过密集连接和递减连接的方式连接，分别用于对待处理的图像进行特征提取；输出层，用于接收特征提取层输出的特征映射图，并进行输出。2.如权利要求1所述的特征提取网络，其特征在于，密集连接方式具体包括：低层网络特征提取模块通过两条路径向中层网络特征提取模块传递对应的特征映射图，中层网络特征提取模块通过两条路径向高层网络特征提取模块传递对应的特征映射图；低层网络特征提取模块、中层网络特征提取模块以及高层网络特征提取模块还分别向输出层传递对应的特征映射图。3.如权利要求1所述的特征提取网络，其特征在于，递减连接的方式具体包括：中层网络特征提取模块在向高层网络特征提取模块、高层网络特征提取模块在向输出层进行传递时，特征映射图的连接数量按照预设倍数递减。4.如权利要求3所述的特征提取网络，其特征在于，特征映射图的连接数量的递减关系如下：其中，k表示传递的特征映射图数量...

【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