【技术实现步骤摘要】
缺陷检测方法、装置、电子设备以及存储介质
本专利技术涉及机器学习
，特别是指一种缺陷检测方法、装置、电子设备以及存储介质。
技术介绍
Mura缺陷在显示上表现为亮度不均匀或较低的对比度，缺陷面积通常大于一个像素。Mura缺陷的产生原因有很多，主要包括：显示屏在生产过程中受到外部污染、像素充电率不均匀、PI分布不均匀等等。目前，一般采用多种算法级联加人工复检的方式检测Mura缺陷，这种方式主要存在以下问题：1、耗费时间长，运算消耗的电脑资源较多。比如，一台服务器计算一张图像的时间需要42秒，为了提高生产速度，需要使用六台服务器才可以将计算时间控制在7秒左右。2、需要人工复检：采用多种算法级联检测Mura缺陷，由于使用的算法为传统的检测算法，需要根据实际情况设置合适的阈值将Mura缺陷与背景分割，阈值设置过大会造成漏检、设置过小会造成误检。为了减少漏检，通常会设置尽可能小的阈值，对于有Mura缺陷的显示屏再进行人工复检。3、容易出现漏检：由于采用多种算法级联检测Mura，每种算法只能检测固定的一种或几种缺陷，如果出现新的Mura缺陷，需要添加新的算法来检测，因此...
【技术保护点】
1.一种缺陷检测方法，其特征在于，包括：对训练样本上的缺陷进行标记，得到包含有标记位置信息和类别信息的标签；根据所述缺陷的标记位置信息确定所述缺陷在所述训练样本上的目标位置信息，并根据所述缺陷的目标位置信息截取缺陷图像；采用所述缺陷图像和所述缺陷的类别信息，并利用误差反向传播算法，训练分类神经网络；将测试样本的缺陷图像输入到训练后的所述分类神经网络中，以输出所述测试样本上的缺陷的类别信息。
【技术特征摘要】
1.一种缺陷检测方法，其特征在于，包括：对训练样本上的缺陷进行标记，得到包含有标记位置信息和类别信息的标签；根据所述缺陷的标记位置信息确定所述缺陷在所述训练样本上的目标位置信息，并根据所述缺陷的目标位置信息截取缺陷图像；采用所述缺陷图像和所述缺陷的类别信息，并利用误差反向传播算法，训练分类神经网络；将测试样本的缺陷图像输入到训练后的所述分类神经网络中，以输出所述测试样本上的缺陷的类别信息。2.根据权利要求1所述的缺陷检测方法，其特征在于，根据所述缺陷的标记位置信息确定所述缺陷在所述训练样本上的目标位置信息，包括：采用基于神经网络的异常检测方法，得到所述缺陷的特征图像；根据所述缺陷的标记位置信息和所述缺陷的特征图像，确定所述缺陷在所述训练样本上的目标位置信息。3.根据权利要求2所述的缺陷检测方法，其特征在于，采用基于神经网络的异常检测方法，得到所述缺陷的特征图像，包括：将没有缺陷的背景图像输入到异常检测神经网络中，以训练所述异常检测神经网络；将所述训练样本输入到训练后的所述异常检测神经网络中，以输出所述缺陷的特征图像。4.根据权利要求3所述的缺陷检测方法，其特征在于，根据所述缺陷的标记位置信息和所述缺陷的特征图像，确定所述缺陷在所述训练样本上的目标位置信息，包括：采用所述缺陷的特征图像和所述缺陷的标记位置信息，并利用误差反向传播算法，训练位置归一化神经网络；将所述缺陷的特征图像输入到训练后的所述位置归一化神经网络中，以输出所述缺陷在所述训练样本上的目标位置信息。5.根据权利要求4所述的缺陷检测方法，其特征在于，采用所述缺陷的特征图像和所述缺陷的标记位置信息，并利用误差反向传播算法，训练位置归一化神经网络，包括：将所述缺陷的特征图像输入到位置归一化神经网络中，输出所述缺陷的估计位置信息；根据所述缺陷的标记位置信息与估计位置信息计算损失函数；通过计算所述损失函数的最小值，获得隐藏层的最优参数，根据所述最优参数优化所述位置归一化神经网络中的隐藏层，从而训练所述位置归一化神经网络。6.根据权利要求2所述的缺陷检测方法，其特征在于，根据所述缺陷的目标位置信息截取缺陷图像，包括：根据所述缺陷的目标位置信息，从所述训练样本上截取缺陷图像或者从所述缺陷的特征图像上截取缺陷图像。7.根据权利要求4所述的缺陷检测方法，其特征在于，将测试样本的缺陷图像输入到训练后的所述分类神经网络中，以输出所述测试样本上的缺陷的类别之前，还包括：将测试样本输入到训练后的所述异常检测神经网络中，以输出所述测试样本上的缺陷的特征图像；将所述测试样本上的缺陷的特征图像输入到训练后的所述位置归一化神经网络中，以输出所述测试样本上的缺陷的目标位置信息；根据所述测试样本上的缺陷的目标位置信息，从所述测试样本上截取缺陷图像或者从所述测试样本上的缺陷的特征图像上截取缺陷图像。8.一种缺...
【专利技术属性】
技术研发人员：郭凯，李小龙，王锐拓，刘伟星，秦纬，彭宽军，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。