一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质制造方法及图纸

本发明专利技术提供一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质。本发明专利技术实施例通过获取显示基板的故障信息以及与所述显示基板对应的维修数据；将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。这样，本发明专利技术实施例能够不断获取故障信息并学习对于故障的处理方式，从而能够实现对于更多的故障的识别和处理，有助于提高对于显示基板存在的故障的识别效果。显示基板存在的故障的识别效果。显示基板存在的故障的识别效果。

【技术实现步骤摘要】
一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质


[0001]本专利技术涉及深度学习
，尤其涉及一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质。

技术介绍

[0002]显示基板等产品在制作过程中可能存在局部短路、短路等制作不良的显示基板，针对这种显示基板，通常需要进行检测之后，利用激光切割等方式进行维修。现有的维修方式对于显示基板的识别效果较差。

技术实现思路

[0003]本专利技术实施例提供一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质，以解决对于显示基板的识别效果较差的问题。
[0004]第一方面，本专利技术实施例提供了一种故障检测模型的训练方法，包括以下步骤：
[0005]获取显示基板的故障信息以及与所述显示基板对应的维修数据；
[0006]将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；
[0007]根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
[0008]在一些实施例中，所述故障信息包括所述显示基板的图像，所述将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案，包括：
[0009]将所述显示基板的图像输入所述模糊神经网络；
[0010]获取所述模糊神经网络输出的维修方案，所述维修方案包括维修采用的激光类型、切割方法以及所需切割的膜层中的至少一项。
[0011]在一些实施例中，所述显示基板的图像，包括短路故障图像、断路故障图像和异物故障图像中的一种或多种。
[0012]在一些实施例中，所述根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型，包括：
[0013]将所述维修方案和所述维修数据相对比以生成差异数据；
[0014]根据所述差异数据调整所述模糊神经网络的参数；
[0015]迭代执行上述生成差异数据以及调整模糊神经网络的参数的步骤，在所述差异数据的精度小于预设阈值或迭代次数达到预设次数阈值时，将所述模糊神经网络作为训练完成的故障检测模型。
[0016]在一些实施例中，所述获取显示基板的故障信息以及与所述显示基板对应的维修数据之前，还包括：
[0017]在所述模糊神经网络无法确定目标产品对应的故障的情况下，获取对于所述目标产品的判定结果；
[0018]若所述判定结果包括将所述目标产品判定为存在故障的显示基板的结果，则执行所述获取显示基板的故障信息以及与所述显示基板对应的维修数据的步骤。
[0019]在一些实施例中，所述模糊神经网络包括前件网络，所述前件网络包括依次设置的第一输入层、模糊化层、模糊规格计算层和第一输出层；
[0020]其中，所述第一输入层用于将输入信息传递至所述模糊化层，所述模糊化层用于计算所述输入信息包括的多个输入分量的隶属度，所述模糊规格计算层包括多个用于表示模糊规格的节点，所述模糊规格计算层用于根据所述输入分量的隶属度计算各所述模糊规格的适应度，所述第一输出层用于实现所述模糊规格的适应度的归一化计算。
[0021]在一些实施例中，所述模糊神经网络还包括后件网络，所述后件网络包括依次设置的第二输入层、加工层和第二输出层；
[0022]其中，所述第二输入层用于获取所述输入信息输入所述加工层，所述加工层包括多条限定规则，所述加工层用于计算各所述限定规则对应的结果，所述第二输出层用于根据所述加工层的输出结果以及所述前件网络的输出结果生成所述输入信息对应的维修方案。
[0023]第二方面，本专利技术实施例提供了一种故障检测模型的训练装置，包括：
[0024]获取模块，用于获取显示基板的故障信息以及与所述显示基板对应的维修数据；
[0025]输入模块，用于将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；
[0026]训练模块，用于根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。
[0027]第三方面，本专利技术实施例提供了一种故障检测方法，包括以下步骤：
[0028]获取待维修产品的产品信息；
[0029]将所述产品信息输入故障检测模型获得维修方案，其中，所述故障检测模型是通过第一方面中任一项所述的故障检测模型的训练方法训练得到的。
[0030]第四方面，本专利技术实施例提供了一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面任一项所述的故障检测模型的训练方法的步骤。
[0031]第五方面，本专利技术实施例提供了一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如第一方面任一项所述的故障检测模型的训练方法的步骤。
[0032]本专利技术实施例通过获取显示基板的故障信息以及与所述显示基板对应的维修数据；将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。这样，本专利技术实施例能够不断获取故障信息并学习对于故障的处理方式，从而能够实现对于更多的故障的识别和处理，有助于提高对于显示基板存在的故障的识别效果。
[0033]附图说明
[0034]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获取其他的附图。
[0035]图1是本专利技术一实施例故障检测模型的训练方法的流程图；
[0036]图2是本专利技术一实施例中模糊神经网络的结构图；
[0037]图3是本专利技术一实施例故障检测模型的训练装置的结构图。
具体实施方式
[0038]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。不冲突的情况下，下述实施例及实施例中的特征可以相互组合。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取的所有其他实施例，都属于本专利技术保护的范围。
[0039]本专利技术实施例提供了一种故障检测模型的训练方法。
[0040]如图1所示，在一个实施例中，该包括故障检测模型的训练方法以下步骤：
[0041]步骤101：获取显示基板的故障信息以及与所述显示基板对应的维修数据。
[0042]本实施例中以产品为显示产品做示例性说明，该显示产品具体可以是显示基板，在制作过程中，显示基板的某些膜层可能由于工艺等因素导致存在部分材料残留或部分材料过度去除，这可能导致显示基板中的某些结构出现短路或断路等异常现象，相应的，需要对这些显示基板进行维修。
[0043]在一些实施例中，该步骤101之前，还包括：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障检测模型的训练方法，其特征在于，包括以下步骤：获取显示基板的故障信息以及与所述显示基板对应的维修数据；将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案；根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型。2.根据权利要求1所述的方法，其特征在于，所述故障信息包括所述显示基板的图像，所述将所述故障信息输入模糊神经网络，以通过所述模糊神经网络生成维修方案，包括：将所述显示基板的图像输入所述模糊神经网络；获取所述模糊神经网络输出的维修方案，所述维修方案包括维修采用的激光类型、切割方法以及所需切割的膜层中的至少一项。3.根据权利要求2所述的方法，其特征在于，所述显示基板的图像，包括短路故障图像、断路故障图像和异物故障图像中的一种或多种。4.根据权利要求2所述的方法，其特征在于，所述根据所述维修数据和所述维修方案对所述模糊神经网络进行训练获得故障检测模型，包括：将所述维修方案和所述维修数据相对比以生成差异数据；根据所述差异数据调整所述模糊神经网络的参数；迭代执行上述生成差异数据以及调整模糊神经网络的参数的步骤，在所述差异数据的精度小于预设阈值或迭代次数达到预设次数阈值时，将所述模糊神经网络作为训练完成的故障检测模型。5.根据权利要求1所述的方法，其特征在于，所述获取显示基板的故障信息以及与所述显示基板对应的维修数据之前，还包括：在所述模糊神经网络无法确定目标产品对应的故障的情况下，获取对于所述目标产品的判定结果；若所述判定结果包括将所述目标产品判定为存在故障的显示基板的结果，则执行所述获取显示基板的故障信息以及与所述显示基板对应的维修数据的步骤。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述模糊神经网络包括前件网络，所述前件网络包括依次设置的第一输入层、模糊化层、模糊...

【专利技术属性】
技术研发人员：刘钊，王晓宵，王杨，
申请(专利权)人：成都京东方光电科技有限公司，
类型：发明
国别省市：