一种面板缺陷分类模型的生成方法及面板缺陷分类方法技术

本申请提供了一种面板缺陷分类模型的生成方法及面板缺陷分类方法，所述生成方法根据缺陷成因类别及缺陷形态类别对初始面板图像集进行处理，得到目标面板图像集；基于目标面板图像集对预设网络模型进行训练，得到面板缺陷分类模型。本申请在获取到初始面板图像集后，将初始面板图像按照缺陷成因类别及缺陷形态类别进行处理，使得目标面板图像集按照缺陷形态类别进行分类，且目标缺陷类中的各训练面板图像对应的缺陷成因类别相同，这样在基于目标缺陷类与缺陷成因类别的对应关系使得面板缺陷分类模型可以识别缺陷成因类别的基础上，目标面板图像集基于缺陷形态类别的分类标签适用于面板缺陷分类模型的训练，提高了面板缺陷分类模型的准确率。陷分类模型的准确率。陷分类模型的准确率。

【技术实现步骤摘要】
一种面板缺陷分类模型的生成方法及面板缺陷分类方法


[0001]本申请涉及显示设备制造
，尤其涉及的是一种面板缺陷分类模型的生成方法及面板缺陷分类方法。

技术介绍

[0002]产品质量是制造业最为重视的生产指标之一，为了保证产品质量，在产品生产过程中对产品进行缺陷检测成为不可或缺的工序，例如，显示面板(例如，薄膜晶体管液晶显示器(TFT-LCD，Thin Film Transistor-Liquid Crystal Display)等)为例，每条产线都需要对显示面板进行缺陷分类，以确定面板缺陷的成因。
[0003]近年来，基于深度学习的面板缺陷检测方法被广大研究者所关注，也越来越受到厂商的青睐。但现行基于卷积神经网络的方法应用于面板缺陷分类时，对图像数据集具有很高的依赖性。然而，目前制造业提供的图像数据集不完全适用于卷积神经网络的训练，从而影响了面板缺陷分类的准确率。

技术实现思路

[0004]本专利技术所要解决的技术问题为：针对现有技术的不足，提供一种面板缺陷分类模型的生成方法及面板缺陷分类方法。
[0005]为了解决上述技术问题，本申请实施例第一方面提供了一种面板缺陷分类模型的生成方法，所述方法包括：
[0006]获取初始面板图像集；
[0007]根据缺陷成因类别以及缺陷形态类别对所述初始面板图像集进行处理，以得到目标面板图像集，其中，所述目标面板图像集包括若干目标缺陷类，若干目标缺陷类中各目标缺陷类对应的缺陷形态类别不同，且每类目标缺陷类中的各训练面板图像对应的缺陷成因类别相同；
[0008]基于所述目标面板图像集对预设网络模型进行训练，以得到面板缺陷分类模型，其中，所述面板缺陷分类模型的输出项为缺陷成因类别。
[0009]在一个实施例中，所述根据缺陷成因类别以及缺陷形态类别对所述初始面板图像集进行处理，以得到目标面板图像集具体包括：
[0010]按照缺陷成因类别将所述初始面板图像集划分为若干第一缺陷类；
[0011]分别将各第一缺陷类按照缺陷形态类别划分为若干第二缺陷类；
[0012]对于划分得到所有第二缺陷类中具有相同缺陷形态类别的第二缺陷类进行去重处理，以得到若干目标缺陷类；
[0013]根据若干目标缺陷类确定所述初始面板图像集对应的目标面板图像集。
[0014]在一个实施例中，所述对于划分得到所有第二缺陷类中具有相同缺陷形态类别的第二缺陷类进行去重处理，以得到若干目标缺陷类具体包括：
[0015]对于划分得到的所有第二缺陷类中的每个第二缺陷类，获取该第二缺陷类对应的
参考缺陷类，其中，所述参考缺陷类的缺陷形态类别与该第二缺陷类对应缺陷形态类别相同；
[0016]在该第二缺陷类和该第二缺陷类对应的参考缺陷类中选取一目标缺陷类，并删除未被选取的参照缺陷类，其中，所述目标缺陷类包含的训练面板图像的数量多于参照缺陷类包含的训练面板图像的数量。
[0017]在一个实施例中，所述预设网络模型包括分类结构和映射结构；所述映射结构用于根据缺陷形态类别，确定缺陷形态类别对应的缺陷成因类别；所述基于所述目标面板图像集对预设网络模型进行训练，以得到面板缺陷分类模型具体包括：
[0018]将目标面板图像集中的训练面板图像输入至分类结构，通过分类结构输出所述训练面板图像对应的预测缺陷形态类别；
[0019]固定所述映射结构，基于所述训练面板图像对应的缺陷形态类别以及预测缺陷形态类别，对所述分类结构进行修正，以得到面板缺陷分类模型。
[0020]在一个实施例中，所述分类结构包括若干分类结构，若干分类结构并联且均与映射结构相连接；所述将目标面板图像集中的训练面板图像输入至分类结构，通过分类结构输出所述训练面板图像对应的预测缺陷形态类别具体包括：
[0021]将所述目标面板图像集中的训练面板图像分别输入至各分类结构，通过各分类结构输出各自对应的预测缺陷形态类别以及各预测缺陷形态类别对应的预测概率集，其中，所述预测概率集包括分类结构配置的各缺陷形态类别各自对应的概率。
[0022]在一个实施例中，所述映射结构用于获取各预测缺陷形态类别对应的预测概率集，将获取到的所有预测概率集进行加权处理，以得到加权后的概率集，以及基于加权后的概率集，确定所述训练面板图像对应的缺陷成因类别，其中，所述预测概率集包括分类结构配置的各缺陷形态类别各自对应的概率。
[0023]本申请实施例第二方面提供了一种面板缺陷分类方法，应用如上所述的面板缺陷分类模型的生成方法生成的面板缺陷分类模型，所述面板缺陷分类方法包括：
[0024]获取待分类的面板图像；
[0025]基于所述面板缺陷分类模型，确定所述面板图像对应的缺陷成因类别。
[0026]在一个实施例中，所述面板缺陷分类模型包括分类结构和映射结构，所述基于所述面板缺陷分类模型，确定所述面板图像对应的缺陷成因类别具体包括：
[0027]将所述面板图像输入所述分类结构，通过所述分类结构输出所述面板图像对应的缺陷形态类别；
[0028]将所述缺陷形态类别输入所述映射结构，通过所述映射结构输入所述面板图像对应的缺陷成因类别。
[0029]在一个实施例中，所述分类结构包括若干分类结构，所述将所述面板图像输入所述分类结构，通过所述分类结构输出所述面板图像对应的缺陷形态类别具体包括：
[0030]对于每个分类结构，将所述面板图像输入该分类结构，以通过该分类结构确定所述面板图像对应的缺陷形态类别以及预测概率集。
[0031]在一个实施例中，所述将所述缺陷形态类别输入所述映射结构，通过所述映射结构输入所述面板图像对应的缺陷成因类别具体包括：
[0032]将各分类结构各自对应的缺陷形态类别输入所述映射结构，通过获取该缺陷形态
类别对应的预测概率集，将获取到的所有预测概率集进行加权处理，以得到加权后的概率集，以及基于加权后的概率集，确定所述面板图像对应的缺陷成因类别，其中，所述预测概率集包括分类结构配置的各缺陷形态类别各自对应的概率。
[0033]本申请实施例的第三方面提供了一种电子设备，其中，包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现所述的显示面板缺陷分类方法的步骤。
[0034]本申请实施例的第四方面提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述的显示面板缺陷分类方法的步骤。
[0035]有益效果，本申请实施例提供了一种面板缺陷分类模型的生成方法及面板缺陷分类方法，所述面板缺陷分类模型的生成方法包括获取初始面板图像集；根据缺陷成因类别以及缺陷形态类别对所述初始面板图像集进行处理，以得到目标面板图像集；基于所述目标面板图像集对预设网络模型进行训练，以得到面板缺陷分类模型。本申请在获取到初始面板图像集后，将所述初始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面板缺陷分类模型的生成方法，其特征在于，包括步骤：获取初始面板图像集；根据缺陷成因类别以及缺陷形态类别对所述初始面板图像集进行处理，以得到目标面板图像集，其中，所述目标面板图像集包括若干目标缺陷类，若干目标缺陷类中各目标缺陷类对应的缺陷形态类别不同，且每类目标缺陷类中的各训练面板图像对应的缺陷成因类别相同；基于所述目标面板图像集对预设网络模型进行训练，以得到面板缺陷分类模型，其中，所述面板缺陷分类模型的输出项为缺陷成因类别。2.根据权利要求1所述面板缺陷分类模型的生成方法，其特征在于，所述根据缺陷成因类别以及缺陷形态类别对所述初始面板图像集进行处理，以得到目标面板图像集具体包括：按照缺陷成因类别将所述初始面板图像集划分为若干第一缺陷类；分别将各第一缺陷类按照缺陷形态类别划分为若干第二缺陷类；对于划分得到所有第二缺陷类中具有相同缺陷形态类别的第二缺陷类进行去重处理，以得到若干目标缺陷类；根据若干目标缺陷类确定所述初始面板图像集对应的目标面板图像集。3.根据权利要求2所述面板缺陷分类模型的生成方法，其特征在于，所述对于划分得到所有第二缺陷类中具有相同缺陷形态类别的第二缺陷类进行去重处理，以得到若干目标缺陷类具体包括：对于划分得到的所有第二缺陷类中的每个第二缺陷类，获取该第二缺陷类对应的参考缺陷类，其中，所述参考缺陷类的缺陷形态类别与该第二缺陷类对应缺陷形态类别相同；在该第二缺陷类和该第二缺陷类对应的参考缺陷类中选取一目标缺陷类，并删除未被选取的参照缺陷类，其中，所述目标缺陷类包含的训练面板图像的数量多于参照缺陷类包含的训练面板图像的数量。4.根据权利要求1-3任一所述面板缺陷分类模型的生成方法，其特征在于，所述预设网络模型包括分类结构和映射结构；所述映射结构用于根据缺陷形态类别，确定缺陷形态类别对应的缺陷成因类别；所述基于所述目标面板图像集对预设网络模型进行训练，以得到面板缺陷分类模型具体包括：将目标面板图像集中的训练面板图像输入至分类结构，通过分类结构输出所述训练面板图像对应的预测缺陷形态类别；固定所述映射结构，基于所述训练面板图像对应的缺陷形态类别以及预测缺陷形态类别，对所述分类结构进行修正，以得到面板缺陷分类模型。5.根据权利要求4所述面板缺陷分类模型的生成方法，其特征在于，所述分类结构包括若干分类结构，若干分类结构并联且均与映射结构相连接；所述将目标面板图像集中的训练面板图像输入至分类结构，通过分类结构输出所述训练面板图像对应的预测缺陷形态类别具体包括：将所述目标面板图像集中的训练面板图像分别输入至各分类结构，通过各分类结构输出各自对应的预测缺陷形态类别以及各预测缺陷形...

【专利技术属性】
技术研发人员：党晚婷，王树朋，魏涛，邹梦超，刘阳兴，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
类型：发明
国别省市：