基于半监督学习的TFT-LCD液晶面板缺陷分割方法及系统技术方案

本发明专利技术涉及一种基于半监督学习的TFT‑LCD液晶面板缺陷分割方法及系统，该方法包括如下步骤：步骤1、采集生产流程中TFT‑LCD液晶面板的良品图像和缺陷图像，进行缺陷标注，获得标签信息，形成样本集，并划分为训练集和验证集；步骤2、构建半监督分割网络，所述半监督分割网络包括ViT共享编码器、CNN解码器和MAE正则化支路；对构建的半监督分割网络进行训练，得到训练好的半监督分割网络；步骤3、将待检测图像输入训练好的半监督分割网络中进行缺陷分割，得到对应的分割结果。该方法及系统有利于减轻训练模型所需人工标注的工作量，并提高缺陷分割精度。

【技术实现步骤摘要】

本专利技术涉及液晶面板缺陷检测，具体涉及一种基于半监督学习的tft-lcd液晶面板缺陷分割方法及系统。

技术介绍

1、tft-lcd的制造工艺异常复杂，要求微米级别的精密度，导致出现缺陷的情况频繁，缺陷可能导致产品瑕疵和产能损失，所以液晶面板的缺陷检测是工业生产中不容忽视的一个重要环节。

2、目前，液晶面板的缺陷分割领域主要利用卷积神经网络来进行缺陷检测，典型方法是利用“u型”编码器-解码器架构，编码器负责通过逐步降采样来提取特征，解码器将这些提取的表示进行上采样，跳跃连接则在不同分辨率下将编码器的输出和解码器的输入进行融合。

3、然而，这种方法依赖于大规模的数据集，并且这些数据集必须拥有像素级标注。工业领域能获取的tft-lcd液晶面板样本数量有限，获取准确的逐像素标注既耗时又昂贵，且需要大量的人力资源投入，成为了制约面板缺陷分割准确性的一大难题，也是目前语义分割检测技术面临的挑战。

技术实现思路

1、本专利技术的目的在于提供一种基于半监督学习的tft-lcd液晶面板缺陷分割方法及系本文档来自技高网...

【技术保护点】

1.一种基于半监督学习的TFT-LCD液晶面板缺陷分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于半监督学习的TFT-LCD液晶面板缺陷分割方法，其特征在于，所述步骤1中，通过工业相机采集生产流程中的良品图像和各种缺陷图像，将良品图像作为负样本，缺陷图像作为正样本；为节省人工标注成本与时间，通过标注软件LabelMe对采集到的部分缺陷图像进行标注，获得相应的json格式的标签信息，形成样本集；然后将样本集按设定比例随机划分为训练集和验证集。

3.根据权利要求1所述的基于半监督学习的TFT-LCD液晶面板缺陷分割方法，其特征在于，所述步骤2中，Vi...

【技术特征摘要】

1.一种基于半监督学习的tft-lcd液晶面板缺陷分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于半监督学习的tft-lcd液晶面板缺陷分割方法，其特征在于，所述步骤1中，通过工业相机采集生产流程中的良品图像和各种缺陷图像，将良品图像作为负样本，缺陷图像作为正样本；为节省人工标注成本与时间，通过标注软件labelme对采集到的部分缺陷图像进行标注，获得相应的json格式的标签信息，形成样本集；然后将样本集按设定比例随机划分为训练集和验证集。

3.根据权利要求1所述的基于半监督学习的tft-lcd液晶面板缺陷分割方法，其特征在于，所述步骤2中，vit共享编码器包括两条路径，路径1由输入嵌入层、位置嵌入层和transformer模块组成；路径2由输入嵌入层、位置嵌入层、随机掩码层和transformer模块组成，用于学习输入图像的特征表示；

【专利技术属性】
技术研发人员：林志贤，卢蓓婕，林珊玲，林立恒，谢宏兴，廖礼钊，林坚普，吕珊红，郭太良，
申请(专利权)人：福州大学，
类型：发明
国别省市：