【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种miniled外观缺陷检测方法及系统。
技术介绍
1、目前，国内miniled生产商和液晶面板厂家，仍然普遍采用人工目视方法和电学检测方法离线检测miniled外观缺陷，人工目视方法，即显微镜配合光源通过人眼检测产品，能够及时发现某些缺陷，但人工目视检测劳动强度大，容易受到人眼分辨能力和易疲劳等主观因素的影响，并且差异性大，检测速度和准确率都难以进一步提高；而电学检测方法有全屏点亮法、电荷读出法，电子束扫描像素电极法和探针扫描法等，但因其只能检测出由于电学因素导致的缺陷，只能用于终端屏幕的检测，无法对其制造过程进行监控；机器视觉早已广泛应用于各种不同产品的缺陷检测，相对于人工检测，机器视觉不但具有客观、可靠和重复性好的优点，还可以实现缺陷的定量测量，从而实现更准确、更快速的产品质量分类。
2、针对miniled外观缺陷检测，现阶段的研究主要有传统的机器视觉方法和深度学习方法，传统的基于机器视觉的表面缺陷检测方法主要有基于图像特征检测和基于模板匹配，传统机器视觉方法难以提取有效的高维缺陷特征，...
【技术保护点】
1.一种MiniLED外观缺陷检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的MiniLED外观缺陷检测方法，其特征在于，所述对所述MiniLED产品图像进行图像预处理，获得预处理后的MiniLED产品图像，包括：
3.根据权利要求1所述的MiniLED外观缺陷检测方法，其特征在于，所述含增量学习的深度神经网络模型包括教师特征提取网络和学生特征提取网络，其中，所述教师特征提取网络采用预训练的ResNet18网络，所述学生特征提取网络采用未预训练的ResNet18网络，所述预训练的ResNet18网络与所述未预训练的ResNet18...
【技术特征摘要】
1.一种miniled外观缺陷检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的miniled外观缺陷检测方法，其特征在于，所述对所述miniled产品图像进行图像预处理，获得预处理后的miniled产品图像，包括：
3.根据权利要求1所述的miniled外观缺陷检测方法，其特征在于，所述含增量学习的深度神经网络模型包括教师特征提取网络和学生特征提取网络，其中，所述教师特征提取网络采用预训练的resnet18网络，所述学生特征提取网络采用未预训练的resnet18网络，所述预训练的resnet18网络与所述未预训练的resnet18网络之间利用知识蒸馏方法进行增量学习。
4.根据权利要求3所述的miniled外观缺陷检测方法，其特征在于，所述预训练的resnet18网络的卷积阶段分为第一卷积阶段、第二卷积阶段和第三卷积阶段，每个卷积阶段提取不同尺度的特征图。
5.根据权利要求1所述的m...
【专利技术属性】
技术研发人员：吴宗泽，黄广俊，张坤，周磊，彭胜龙，
申请(专利权)人：人工智能与数字经济广东省实验室深圳，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。