显示面板检测方法、系统、终端设备及计算机可读介质技术方案

本发明专利技术公开了显示面板检测方法、系统、终端设备及计算机可读介质，其通过采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，按照预设的比例将检测图像样本集划分为训练集和验证集；利用卷积神经网络输出的特征数据计算检测图像对应每个质量等级的概率，利用上述概率加权得到检测图像的质量等级的预测值；构建当前训练的多个卷积神经网络损失函数，按照一定的权重比例加权得到所述卷积神经网络的自定义损失函数；利用当前训练的自定义损失函数对卷积神经网络的权重参数进行调整，利用训练好的卷积神经网络对待测试显示面板图像进行预测，得到待测试显示面板的质量等级预测值，提高待检测面板的质量等级预测值的准确度。

Detection method, system, terminal equipment and computer readable medium of display panel

【技术实现步骤摘要】
显示面板检测方法、系统、终端设备及计算机可读介质
本专利技术属于显示面板检测领域，具体涉及显示面板检测方法、系统、终端设备及计算机可读介质。
技术介绍
随着手机和消费电子产品的普及及其快速的更新换代，对工业产线的液晶屏幕和OLED屏幕有着极大的产量需求，显示面板的制造工艺和检测技术也得到了飞速发展。尽管面板的制造工艺逐年提升，但由于其本身的结构复杂、制造工序繁多，仍不能完全避免视觉缺陷的出现。根据面板的缺陷形状，可以大致分成三种缺陷：点缺陷、线缺陷和面缺陷。在三种缺陷中，点缺陷是最为常见的一种缺陷，分为亮点和暗点两种，缺陷大小为一个像素；线缺陷也分为亮线和暗线两种，缺陷大小为一整条像素宽的线段，点缺陷和线缺陷均为电气缺陷。Mura缺陷是一种常见的面缺陷，属于非电气缺陷，也是所有面板显示缺陷中最难检测的一种。“Mura”一词源自日语，意为斑、脏污。Mura缺陷是一种具有大小不定、形状不定、灰度分布不均、边缘模糊等特点的宏观显示缺陷。一般来说，Mura缺陷产生的主要原因是材料交叠、材料不均、加工环境变化及材料本身质量不良等综合因素导致的结果。在面板的实际生产过程中，其制造的许多环节包括车间环境等因素都可能导致产生Mura缺陷。在面板实际生产过程中，面板生产厂商会根据Mura缺陷的严重程度对面板进行分级出售，而目前都是通过训练一批检测人员来判定面板等级，这些检测人员根据经验进行视觉上的判定和评级。但由于一方面人眼检测具有主观性，不同检测人员之间并不能保证检测标准的完全一致；另一方面，这种检测方式效率低成本高，一般情况下检测一张2.4英寸LCD图像的时间甚至需要花费四十秒，检测人员在进行长期的检测工作后会出现视觉疲劳，甚至会对人眼产生伤害。因此，人们开始追求效率更高同时更加规范的面板质量评估方法。深度学习，特别是深度学习中的卷积神经网络，陆续在图像分类、目标检测、图像语义分割、实例分割等领域取得了巨大的成功。目前，利用神经网络面板图片质量评估是一个比较新的领域，采用比较多的方式为图片质量等级按照类别进行区分，但多分类问题无法描述不同类别之间的关联，假设面板质量为1～10级，由于不太的类别之间不存在关联，则可能将8级的面板错误地划分为2级，而不是划分为7级，因此，基于卷积神经网络的显示面板检测方法的准确率有待提高。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了显示面板检测方法、系统、终端设备及计算机可读介质，其通过卷积神经网络计算得到检测图像对应每个质量等级的概率并加权得到检测图像的质量等级的预测值，利用多个损失函数加权得到自定义损失函数，利用自定义损失函数对所述卷积神经网络的权重参数进行调整，从而得到训练好的卷积神经网络，提高待检测面板的质量等级预测值的准确度。为实现上述目的，按照本专利技术的一个方面，提供了一种显示面板检测方法，包括如下步骤：利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；利用质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到卷积神经网络的自定义损失函数，利用自定义损失函数进行卷积神经网络的训练；采集待测试显示面板图像，利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值。作为本专利技术的进一步改进，采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，将检测图像样本集划分为训练集和验证集；利用训练集进行卷积神经网络的训练，并利用验证集进行卷积神经网络的验证。作为本专利技术的进一步改进，多个卷积神经网络损失函数包括均值损失函数、方差损失函数和分类损失函数。作为本专利技术的进一步改进，检测图像样本对应每个质量等级的概率为：每个质量等级的特征数据除以所有质量等级的特征数据总和。作为本专利技术的进一步改进，检测图像样本的质量等级预测值为：每个质量等级的概率与其一一对应的质量等级值的乘积求和。为实现上述目的，按照本专利技术的另一个方面，提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。为实现上述目的，按照本专利技术的另一个方面，提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述方法的步骤。为实现上述目的，按照本专利技术的另一个方面，提供了一种显示面板检测系统，其包括依次连接的取像设备、卷积神经网络模块和自定义损失函数获取模块，取像设备用于采集显示面板的检测图像并发送给卷积神经网络模块；取像设备用于采集显示面板的检测图像并发送给卷积神经网络模块；卷积神经网络模块用于利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；还用于利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值；自定义损失函数获取模块用于利用质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到卷积神经网络的自定义损失函数，利用自定义损失函数进行卷积神经网络的训练。作为本专利技术的进一步改进，检测图像样本集的生成过程为：采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集。作为本专利技术的进一步改进，多个卷积神经网络损失函数包括均值损失函数、方差损失函数和分类损失函数。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，具有以下有益效果：本专利技术的显示面板检测方法、系统、终端设备及计算机可读介质，其通过卷积神经网络计算得到检测图像对应每个质量等级的概率并加权得到检测图像的质量等级的预测值，利用多个损失函数加权得到自定义损失函数，利用自定义损失函数对所述卷积神经网络的权重参数进行调整，从而得到训练好的卷积神经网络，提高待检测面板的质量等级预测值的准确度。本专利技术的显示面板检测方法、系统、终端设备及计算机可读介质，其构建的自定义损失函数包括传统分类损失函数、均值损失函数和方差损失函数，其中，均值损失函数使得图片质量评分系统的预测等级向真实标签等级接近，方差损失函数惩罚预测等级分布的离散性，有助于卷积神经网络获得一个置信区间小但置信度高的等级预测值，将三种损失函数加权求和指导卷积神经网络进行训练，可以进一步提高待检测面板的质量等级预测值的准确度。本专利技术的显示面板检测方法、系统、终端设备及计算机可读介质，其通过计算检测图像对应每个质量等级的特征数据，通过计算每个质量等级的概率并通过加权的方式得到质量等级的预测值，有助于卷积神经网络获得一个置信区间小但置信度高的等级预测值，可以进一步提高待检测面板的质量等级预测值的准确度。附图说明图1是本专利技术实施例的一种显示面板检测方法的示意图。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本文档来自技高网...

【技术保护点】
1.一种显示面板检测方法，其特征在于，包括如下步骤：/n利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；/n利用所述质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到所述卷积神经网络的自定义损失函数，利用所述自定义损失函数进行所述卷积神经网络的训练；/n采集待测试显示面板图像，利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值。/n

【技术特征摘要】
1.一种显示面板检测方法，其特征在于，包括如下步骤：
利用卷积神经网络输出的特征数据计算检测图像样本对应每个质量等级的概率，进而得到检测图像样本的质量等级预测值；
利用所述质量等级预测值构建多个卷积神经网络损失函数，按照预设的权重比例加权得到所述卷积神经网络的自定义损失函数，利用所述自定义损失函数进行所述卷积神经网络的训练；
采集待测试显示面板图像，利用训练好的卷积神经网络得到待测试显示面板图像的质量等级预测值。


2.根据权利要求1所述的一种显示面板检测方法，其特征在于，采集预设数量的各类质量等级的显示面板的检测图像，生成检测图像样本集，将检测图像样本集划分为训练集和验证集；利用所述训练集进行所述卷积神经网络的训练，并利用所述验证集进行所述卷积神经网络的验证。


3.根据权利要求1所述的一种显示面板检测方法，其特征在于，所述多个卷积神经网络损失函数包括均值损失函数、方差损失函数和分类损失函数。


4.根据权利要求1-3中任一项所述的一种显示面板检测方法，其特征在于，所述检测图像样本对应每个质量等级的概率为：每个质量等级的特征数据除以所有质量等级的特征数据总和。


5.根据权利要求4所述的一种显示面板检测方法，其特征在于，所述检测图像样本的质量等级预测值为：所述每个质量等级的概率与其一一对应的质量等级值的乘积求和。


6.一种终端设备，其特征在于，包括至少一...

【专利技术属性】
技术研发人员：陈春煦，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