基于SBO-CNN网络的显示屏缺陷检测方法技术

本发明专利技术属于神经网络技术领域，具体为基于SBO

【技术实现步骤摘要】
基于SBO
‑
CNN网络的显示屏缺陷检测方法


[0001]本专利技术涉及神经网络
，具体为基于SBO
‑
CNN网络的显示屏缺陷检测方法。

技术介绍

[0002]有机发光二极管(Organic Light Emitting Diode，OLED)是一种多层有机薄膜结构，因其通电产生电激光发光的特性被广泛应用于高性能显示中。与TCL相比，OLED具有低功耗、可大规模扩展、可弯曲等诸多优点。但OLED生产工艺极为复杂，制造工艺包括传统的蒸镀工艺与新兴的喷墨打印工艺。以蒸镀工艺为例，OLED的制程主要分为三个制程：Array(阵列)制程、Cell(成膜)制程及Module(模组)制程。
[0003]复杂的生产工艺过程易造成各类显示缺陷的产生。Array制程中的基板来料不良等原因，Cell制程中由蒸镀速率不稳定等蒸镀过程误差造成的镀膜不均匀，Module制程中的偏贴误差等原因，均可能造成不同类型的Mura缺陷。因此，在新型显示器件生产制造过程中，为保障产品质量，对各类缺陷的检测极其重要。
[0004]基于机器视觉的自动光学检测(Automatic Optical Inspection,AOI)技术是OLED缺陷检测的重要手段。机器视觉检测通常利用图像采集设备将研究对象转换为相对应的数字信号，通过所设计的数字图像处理器，对转换后的信号特征进行提取和判别。由于Mura缺陷本身具有亮度不均匀和轮廓模糊的特点，视觉检测仍然是面板显示器质量控制中一项具有挑战性的任务。现阶段，针对Mura的缺陷检测方法，各国学者已经展开了广泛的研究并取得了一定的研究成果，在此基础上已经有了完备的技术理论和判别准则。
[0005]目前的检测方法提出的第一种是基于水平集法的Mura缺陷机器视觉检测新方法，主要是应用一组真实的Gabor滤波器消除全局纹理背景，然后，利用水平集方法对缺陷边缘进行跟踪，用改进的Chan
‑
Vese模型对Mura进行分割，然后用SEMU方法对Mura缺陷进行量化。该方法适用于Mura检测，检出率较高，但模型中参数的取值范围受图像缺陷对比度和亮度分布的影响较大，泛化性不强；第二种是基于gan的Mura检测模型UADD
‑
GAN，该模型由一个UADD生成器和一个鉴别器组成，只使用正态样本进行训练，然后生成器能够模拟正态样本的分布。在训练过程中，对称结构和跳加操作使UADD生成器能够很好地重构正常样本。该方法适用于输入数据不平衡的情况，同时能够避免样品侧面Mura定位的遗漏，提高检测精度，但对于形状较小的Mura缺陷的检测精度较低；第三种是基于异常值预估的图像背景构建(OPBC)算法对Mura缺陷候选区域进行粗略估计，针对这些候选区域应用基于区域梯度的水平集(RGLS)算法，快速准确地分割出Mura缺陷的轮廓。与其他方法相比，所提出的方法对Mura的检测遗漏区域更小，但RGLS算法的处理速度较慢，需要投入一定的时间成本；第四种是基于经验模态分解(EMD)的预处理方法来消除这种不均匀性，并采用一种灰度非线性变换来消除原始图像的不均匀性。该方法利用EMD的积分筛选过程提取出Mura缺陷的隆起特征(白点、纹理)和渐变特征，对图像的不均匀亮度校正比PCA方法更好，但未使用二维散射数据插值方法加速Mura的特征提取，EMD的处理速度较慢。

技术实现思路

[0006]本专利技术的目的在于提供基于SBO
‑
CNN网络的显示屏缺陷检测方法，以解决上述
技术介绍
中提出的
技术介绍
中的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：基于SBO
‑
CNN网络的显示屏缺陷检测方法，该基于SBO
‑
CNN网络的显示屏缺陷检测方法具体步骤流程如下：
[0008]步骤一：网络结构
[0009]卷积神经网络整体架构：卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块，该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度，卷积神经网络的低隐层是由卷积层和最大池采样层交替组成，高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器，第一个全连接层的输入是由卷积层和子采样层进行特征提取得到的特征图像，最后一层输出层是一个分类器，可以采用逻辑回归，Softmax回归甚至是支持向量机对输入图像进行分类；
[0010]卷积神经网络结构包括：卷积层，降采样层，全链接层，每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元；
[0011]输入图像统计和滤波器进行卷积之后，提取该局部特征，一旦该局部特征被提取出来之后，它与其他特征的位置关系也随之确定下来了，每个神经元的输入和前一层的局部感受野相连，每个特征提取层都紧跟一个用来求局部平均与二次提取的计算层，也叫特征映射层，网络的每个计算层由多个特征映射平面组成，平面上所有的神经元的权重相等；
[0012]通常将输入层到隐藏层的映射称为一个特征映射，也就是通过卷积层得到特征提取层，经过pooling之后得到特征映射层；
[0013]步骤二：局部感受野与权值共享
[0014]卷积神经网络的核心思想就是局部感受野、是权值共享和pooling层，以此来达到简化网络参数并使得网络具有一定程度的位移、尺度、缩放、非线性形变稳定性；
[0015]局部感受野：由于图像的空间联系是局部的，每个神经元不需要对全部的图像做感受，只需要感受局部特征即可，然后在更高层将这些感受得到的不同的局部神经元综合起来就可以得到全局的信息了，这样可以减少连接的数目；
[0016]权值共享：不同神经元之间的参数共享可以减少需要求解的参数，使用多种滤波器去卷积图像就会得到多种特征映射，权值共享其实就是对图像用同样的卷积核进行卷积操作，也就意味着第一个隐藏层的所有神经元所能检测到处于图像不同位置的完全相同的特征，其主要的能力就能检测到不同位置的同一类型特征，也就是卷积网络能很好的适应图像的小范围的平移性，即有较好的平移不变性；
[0017]步骤三：卷积层、下采样层、全连接层
[0018]卷积层：因为通过卷积运算我们可以提取出图像的特征，通过卷积运算可以使得原始信号的某些特征增强，并且降低噪声，用一个可训练的滤波器fx去卷积一个输入的图像(第一阶段是输入的图像，后面的阶段就是卷积特征map了)，然后加一个偏置bx，得到卷积层Cx；
[0019]下采样层：因为对图像进行下采样，可以减少数据处理量同时保留有用信息，采样可以混淆特征的具体位置，因为某个特征找出来之后，它的位置已经不重要了，只需要这个
特征和其他特征的相对位置，可以应对形变和扭曲带来的同类物体的变化，每邻域四个像素求和变为一个像素，然后通过标量Wx+1加权，再增加偏置bx+1，然后通过一个sigmoid激活函数，产生一个大概缩小四本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SBO
‑
CNN网络的显示屏缺陷检测方法，其特征在于，该基于SBO
‑
CNN网络的显示屏缺陷检测方法具体步骤流程如下：步骤一：网络结构卷积神经网络整体架构：卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块，该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度，卷积神经网络的低隐层是由卷积层和最大池采样层交替组成，高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器，第一个全连接层的输入是由卷积层和子采样层进行特征提取得到的特征图像，最后一层输出层是一个分类器，可以采用逻辑回归，Softmax回归甚至是支持向量机对输入图像进行分类；卷积神经网络结构包括：卷积层，降采样层，全链接层，每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元；输入图像统计和滤波器进行卷积之后，提取该局部特征，一旦该局部特征被提取出来之后，它与其他特征的位置关系也随之确定下来了，每个神经元的输入和前一层的局部感受野相连，每个特征提取层都紧跟一个用来求局部平均与二次提取的计算层，也叫特征映射层，网络的每个计算层由多个特征映射平面组成，平面上所有的神经元的权重相等；通常将输入层到隐藏层的映射称为一个特征映射，也就是通过卷积层得到特征提取层，经过pooling之后得到特征映射层；步骤二：局部感受野与权值共享卷积神经网络的核心思想就是局部感受野、是权值共享和pooling层，以此来达到简化网络参数并使得网络具有一定程度的位移、尺度、缩放、非线性形变稳定性；局部感受野：由于图像的空间联系是局部的，每个神经元不需要对全部的图像做感受，只需要感受局部特征即可，然后在更高层将这些感受得到的不同的局部神经元综合起来就可以得到全局的信息了，这样可以减少连接的数目；权值共享：不同神经元之间的参数共享可以减少需要求解的参数，使用多种滤波器去卷积图像就会得到多种特征映射，权值共享其实就是对图像用同样的卷积核进行卷积操作，也就意味着第一个隐藏层的所有神经元所能检测到处于图像不同位置的完全相同的特征，其主要的能力就能检测到不同位置的同一类型特征，也就是卷积网络能很好的适应图像的小范围的平移性，即有较好的平移不变性；步骤三：卷积层、下采样层、全连接层卷积层：因为通过卷积运算我们可以提取出图像的特征，通过卷积运算可以使得原始信号的某些特征增强，并且降低噪声，用一个可训练的滤波器fx去卷积一个输入的图像(第一阶段是输入的图像，后面的阶段就是卷积特征map了)，然后加一个偏置bx，得到卷积...

【专利技术属性】
技术研发人员：马利军，谢东东，柴永剑，
申请(专利权)人：苏州智存宽显电子有限公司，
类型：发明
国别省市：