一种OLED面板缺陷判别方法、装置、设备和介质制造方法及图纸

本申请实施例公开了一种OLED面板缺陷判别方法、装置、设备和介质，涉及数据聚类技术领域，解决了现有方法中针对OLED面板的缺陷判别方法效率较低的技术问题。所述方法包括：获取OLED面板图像；将所述OLED面板图像输入已训练的YOLOV5目标检测模型中，以获得缺陷检测结果；其中，所述YOLOV5目标检测模型是利用样本图像集和基于改进量子粒子群优化后的K

【技术实现步骤摘要】
一种OLED面板缺陷判别方法、装置、设备和介质


[0001]本申请涉及数据聚类
，尤其涉及一种OLED面板缺陷判别方法、模型训练方法、装置、设备和介质。

技术介绍

[0002]由于有机发光二极管（Organic Light
‑
Emitting Diode， OLED）面板生产过程很复杂，制备过程中难免会出现各式各样的缺陷。这些缺陷具有边界模糊、形状不规则、周期纹理背景及整体亮度不均匀等特点。因此，对于OLED面板的表面缺陷进行检测，有利于缺陷的统计分析、及时缺陷修补和淘汰不合格品，并通过工艺改进而提高其制造质量，避免浪费生产资源。
[0003]目前常采用人工判图对OLED面板的缺陷进行判断，但由于OLED面板在生产环境中产生的缺陷形态不一，因此目前的OLED面板的缺陷判别方法效率较低。

技术实现思路

[0004]本申请实施例提供了一种OLED面板缺陷判别方法、模型训练方法、装置、设备和介质，解决了现有方法中针对OLED面板的缺陷判别方法效率较低的技术问题。
[0005]一方面，本申请实施例提供了一种OLED面板缺陷判别方法，包括：获取OLED面板图像；将所述OLED面板图像输入已训练的YOLOV5目标检测模型中，以获得缺陷检测结果；其中，所述YOLOV5目标检测模型是利用样本图像集和基于改进量子粒子群优化后的K
‑
means聚类算法训练获得；所述样本图像集包括关于OLED面板的样本图像；基于所述缺陷检测结果，输出目标缺陷检测结果。
[0006]作为本申请一些可选实施方式，所述改进量子粒子群优化后的K
‑
means聚类算法，包括：获取初始化粒子群；计算所述初始化粒子群中每个粒子的适应度值，基于所述每个粒子的适应度值对所述初始化粒子群中的个体适应度值和全局适应度值进行更新处理并进行边界变异处理，获取个体最优适应度值和全局最优适应度值；迭代至预设次数后，获得粒子群的目标聚类中心；获取各数据对象到所述目标聚类中心的距离，输出聚类结果。
[0007]在具体应用中，通过上述方法中所述的基于所述每个粒子的适应度值对所述初始化粒子群中的个体适应度值和全局适应度值进行更新处理并进行边界变异处理，获取个体最优适应度值和全局最优适应度值，并不断进行迭代可以获取更准确的聚类结果。
[0008]作为本申请一些可选实施方式，所述计算所述初始化粒子群中每个粒子的适应度值，包括：获取所述初始化粒子群中各粒子个体的最优位置值；
基于所述初始化粒子群中各粒子个体的最优位置值，获得所述初始化粒子群中各粒子个体的最优适应度值。
[0009]在具体应用中，每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值（即最优适应度值），并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
[0010]作为本申请一些可选实施方式，所述基于所述初始化粒子群中各粒子个体的最优位置值，获得所述初始化粒子群中各粒子个体的最优适应度值，包括：基于所述初始化粒子群中各粒子个体的最优位置值，获得所述初始化粒子群中所有粒子的最优位置值平均值和局部吸引子；基于所述初始化粒子群中所有粒子的最优位置值平均值和所述局部吸引子，获得种群收缩
‑
扩张因子和随机变量值；基于所述种群收缩
‑
扩张因子和所述随机变量值，获得所述初始化粒子群中各粒子个体的最优适应度值。
[0011]在具体应用中，通过所有粒子的最优位置值平均值和所述局部吸引子，使所有粒子不断以局部吸引子作为收敛中心进行收敛，以获取所述初始化粒子群中各粒子个体的最优适应度值，使得该算法的收敛性能得到提升。
[0012]作为本申请一些可选实施方式，所述基于所述每个粒子的适应度值对所述初始化粒子群中的个体适应度值和全局适应度值进行更新处理并进行边界变异处理，包括：基于所述每个粒子的适应度值对所述初始化粒子群中的每个粒子适应度值进行更新，并将更新后的适应度值与其未更新前的适应度值进行比较，取适应度值最优的粒子作为当前更新后的粒子，并对更新后的粒子进行边界变异处理。
[0013]在具体应用中，通过不断对粒子进行更新并对更新后的粒子进行边界变异处理，以获得收敛性能更好的聚类算法。
[0014]作为本申请一些可选实施方式，所述迭代至预设次数后，获得粒子群的目标聚类中心，包括：基于所述全局最优适应度值，选取目标粒子的最优适应度；其中，所述目标粒子的个体最优适应度大于所述全局最优适应度值；基于所述目标粒子的最优适应度，获取粒子群的目标聚类中心。
[0015]在具体应用中，通过上述方法，可以获得更为可靠的粒子群的目标聚类中心。
[0016]作为本申请一些可选实施方式，所述获取各数据对象到所述目标聚类中心的距离，输出聚类结果，包括：获取各数据对象到所述目标聚类中心的距离，将各所述数据对象进行聚类处理，输出聚类结果。
[0017]在具体应用中，通过上述方法，使得粒子群的聚类效果更好，以获得更为可靠的聚类结果。
[0018]作为本申请一些可选实施方式，所述OLED面板的样本图像包括标注信息，所述标注信息包括缺陷种类和缺陷位置。
[0019]在具体应用中，通过对OLED面板的样本图像中的缺陷种类和缺陷位置进行标注，
以使得检测模型对缺陷种类和缺陷位置进行深度学习，以在实际应用时，能快速检测出图像中的缺陷种类信息和缺陷位置信息。
[0020]作为本申请一些可选实施方式，所述基于所述缺陷检测结果，输出目标缺陷检测结果，包括：基于预设置信度阈值，获得缺陷种类结果；基于所述缺陷种类结果，输出目标缺陷检测结果。
[0021]在具体应用中，通过预设置信度阈值的设置，可以初步判读所需检测的OLED面板的图像中是否含有缺陷，即所述基于预设置信度阈值，获得缺陷种类结果，包括：基于预设置信度阈值，将低于预设置信度阈值的缺陷检测结果进行人工判别处理；将高于预设置信度阈值的缺陷检测结果进行缺陷种类判别，获得缺陷种类结果。
[0022]在具体应用中，一张OLED面板图像中可能存在多个缺陷，因此本申请实施例提出了相似度值的概念，以对所识别出的缺陷进行种类判别，即所述将高于预设置信度阈值的缺陷检测结果进行缺陷种类判别，获得缺陷种类结果，包括：将高于预设置信度阈值的缺陷检测结果与预设缺陷种类进行相似度值计算，基于所述相似度值，获得所述缺陷检测结果中所包括的各缺陷种类信息；基于各所述缺陷种类信息，获得缺陷种类结果。
[0023]在具体应用中，一张OLED面板图像中可能存在多种缺陷，但是对于不同的应用场景，需要卡控的缺陷种类也不同，因此本申请实施例提出了优先级值的概念，以对所识别出的缺陷进行优先排序，即所述基于所述缺陷种类结果，输出目标缺陷检测结果，包括：基于所述缺陷种类结果中包含的各缺陷种类对应的优先本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种OLED面板缺陷判别方法，其特征在于，包括：获取OLED面板图像；将所述OLED面板图像输入已训练的YOLOV5目标检测模型中，以获得缺陷检测结果；其中，所述YOLOV5目标检测模型是利用样本图像集和基于改进量子粒子群优化后的K
‑
means聚类算法训练获得；所述样本图像集包括关于OLED面板的样本图像；基于所述缺陷检测结果，输出目标缺陷检测结果。2.根据权利要求1所述OLED面板缺陷判别方法，其特征在于，所述改进量子粒子群优化后的K
‑
means聚类算法，包括：获取初始化粒子群；计算所述初始化粒子群中每个粒子的适应度值，基于所述每个粒子的适应度值对所述初始化粒子群中的个体适应度值和全局适应度值进行更新处理并进行边界变异处理，获取个体最优适应度值和全局最优适应度值；迭代至预设次数后，获得粒子群的目标聚类中心；获取各数据对象到所述目标聚类中心的距离，输出聚类结果。3.根据权利要求2所述OLED面板缺陷判别方法，其特征在于，所述计算所述初始化粒子群中每个粒子的适应度值，包括：获取所述初始化粒子群中各粒子个体的最优位置值；基于所述初始化粒子群中各粒子个体的最优位置值，获得所述初始化粒子群中各粒子个体的最优适应度值。4.根据权利要求3所述OLED面板缺陷判别方法，其特征在于，所述基于所述初始化粒子群中各粒子个体的最优位置值，获得所述初始化粒子群中各粒子个体的最优适应度值，包括：基于所述初始化粒子群中各粒子个体的最优位置值，获得所述初始化粒子群中所有粒子的最优位置值平均值和局部吸引子；基于所述初始化粒子群中所有粒子的最优位置值平均值和所述局部吸引子，获得种群收缩
‑
扩张因子和随机变量值；基于所述种群收缩
‑
扩张因子和所述随机变量值，获得所述初始化粒子群中各粒子个体的最优适应度值。5.根据权利要求2所述OLED面板缺陷判别方法，其特征在于，所述基于所述每个粒子的适应度值对所述初始化粒子群中的个体适应度值和全局适应度值进行更新处理并进行边界变异处理，包括：基于所述每个粒子的适应度值对所述初始化粒子群中的每个粒子适应度值进行更新，并将更新后的适应度值与其未更新前的适应度值进行比较，取适应度值最优的粒子作为当前更新后的粒子，并对更新后的粒子进行边界变异处理。6.根据权利要求2所述OLED面板缺陷判别方法，其特征在于，所述迭代至预设次数后，获得粒子群的目标聚类中心，包括：基于所述全局最优适应度值，选取目标粒子的最优适应度；其中，所述目标粒子的个体最优适应度大于所述全局最优适应度值；基于所述目标粒子的最...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：成都数之联科技股份有限公司，
类型：发明
国别省市：