一种平板显示器缺陷检测方法及装置制造方法及图纸

本发明专利技术实施例提供一种平板显示器缺陷检测方法及装置，涉及FPD缺陷检测领域。本发明专利技术实施例能够避免缺陷特征的人为选择和提取，提高了检测效率。该方法包括：采集样本平板显示器所显示的原始图像；样本平板显示器中包括有缺陷的平板显示器和没有缺陷的平板显示器；对原始图像进行预处理，建立样本图像集；其中，样本图像集中的样本图像包括合格图像和不合格图像两种类型的图像；利用样本图像集中的样本图像以及样本图像集中的样本图像所对应的类型，对卷积神经网络模型进行监督学习，生成图像分类器；获取待检测平板显示器的显示图像；利用图像分类器，对显示图像进行检测，以判断待检测平板显示器是否具有缺陷。本发明专利技术应用于FPD缺陷检测。

A defect detection method and device for flat panel display

【技术实现步骤摘要】
一种平板显示器缺陷检测方法及装置
本专利技术涉及FPD(FlatPanelDisplay平板显示器)缺陷检测领域，尤其涉及一种平板显示器缺陷检测方法及装置。
技术介绍
在FPD(FlatPanelDisplay平板显示器)的生产过程中，会或多或少的产生缺陷，这些缺陷严重影响了FPD的性能，因此在出厂前进行缺陷检测至关重要。为了对平板显示器的缺陷进行检测，中国专利201210538857.X公开了一种基于光学的平板显示器缺陷检测系统。该技术方案中通过对平板显示器上的电流和信号进行检测，进而计算平板显示器的缺陷密度。但这种方法对硬件装置要求较高。因此，如何才能更加方便快捷的对平板显示器进行缺陷检测，便成为了目前平板显示器产业需要解决的问题。
技术实现思路
本专利技术提供一种平板显示器缺陷检测方法及装置，能够通过对待检测平板显示器的显示图像进行检测，从而判断待检测平板显示器是否具有缺陷。并且本专利技术中通过利用样本图像集中的样本图像对卷积神经网络模型进行监督学习训练的方式生成图像分类器，从而避免了人工特征选择和提取本文档来自技高网...

【技术保护点】
1.一种平板显示器缺陷检测方法，其特征在于，包括：/n采集样本平板显示器所显示的原始图像；所述样本平板显示器中包括有缺陷的平板显示器和没有缺陷的平板显示器；/n对所述原始图像进行预处理，建立样本图像集；其中，所述样本图像集中的样本图像包括合格图像和不合格图像两种类型的图像；/n利用所述样本图像集中的样本图像以及所述样本图像集中的样本图像所对应的类型，对卷积神经网络模型进行监督学习，生成图像分类器；/n获取待检测平板显示器的显示图像；/n利用所述图像分类器，对所述显示图像进行检测，以判断所述待检测平板显示器是否具有缺陷。/n

【技术特征摘要】
1.一种平板显示器缺陷检测方法，其特征在于，包括：
采集样本平板显示器所显示的原始图像；所述样本平板显示器中包括有缺陷的平板显示器和没有缺陷的平板显示器；
对所述原始图像进行预处理，建立样本图像集；其中，所述样本图像集中的样本图像包括合格图像和不合格图像两种类型的图像；
利用所述样本图像集中的样本图像以及所述样本图像集中的样本图像所对应的类型，对卷积神经网络模型进行监督学习，生成图像分类器；
获取待检测平板显示器的显示图像；
利用所述图像分类器，对所述显示图像进行检测，以判断所述待检测平板显示器是否具有缺陷。


2.根据权利要求1所述平板显示器缺陷检测方法，其特征在于，
所述对所述原始图像进行预处理，建立样本图像集，具体包括：
对所述原始图像进行高斯滤波以及线性拉伸处理，生成特征增强图像；
将所述特征增强图像进行分割，并生成n幅子图像；
利用立方体插值，将所述n幅子图像进行尺寸归一化处理；
将进行所述尺寸归一化处理后的图像添加至所述样本图像集，以建立所述样本图像集。


3.根据权利要求1所述平板显示器缺陷检测方法，其特征在于，在所述利用所述样本图像集中的样本图像以及所述样本图像集中的样本图像所对应的类型，对卷积神经网络模型进行监督学习之前，所述方法还包括：
对所述样本图像集中的部分图像进行旋转变换，并将经过所述旋转变换所生成的图像添加至所述样本图像集中，以使得所述样本图像集中的合格图像和不合格图像的数量相等，并且使得所述样本图像集中不合格图像中各种缺陷类型的图像数量相等。


4.根据权利要求1所述平板显示器缺陷检测方法，其特征在于，所述卷积神经网络模型包括第一卷积层、第二卷积层、第三卷积层、第一池化层、第二池化层、第三池化层以及全连接层；其中，
所述第一卷积层包括六个卷积核，用于根据输入的目标图像生成六个第一特征图像；
所述第一池化层，用于将所述六个第一特征图像进行降维处理；
所述第二卷积层包括十六个卷积核，用于根据降维处理后的六个第一特征图像，生成十六个第二特征图像；
所述第二池化层，用于将所述十六个第二图像进行降维处理；
所述第三卷积层包括十六个卷积核，用于根据降维处理后的十六个第二特征图像，生成十六个第三特征图像；
所述第三池化层，用于将所述十六个第三特征图进行降维处理；
所述全连接层，用于将根据降维处理后的十六个第三特征图像，生成所述输入的目标图像的特征向量。


5.根据权利要求1所述平板显示器缺陷检测方法，其特征在于，
所述利用样本图像集中的样本图像以及样本图像集中的样本图像对应的类型，对卷积神经网络模型进行监督学习，生成图像分类器，具体包括：
当所述卷积神经网络模型的训练损失函数和验证损失函数都收敛，并且所述训练损失函数的最小值与所述验证损失函数的最小值之差小于设定阈值时，结束训练，并根据所述卷积神经网络模型生成图像分类器。


6.一种平板显示器缺陷检测装置，其特征在于，包括：...

【专利技术属性】
技术研发人员：梁叶，户鹏辉，李小明，黄春来，孙旺，张海涛，
申请(专利权)人：合肥欣奕华智能机器有限公司，
类型：发明
国别省市：安徽;34