[发明专利]一种基于深度学习的显示面板缺陷训练方法及系统

权利要求书

1.一种基于深度学习的显示面板缺陷训练方法，其特征在于，包括以下步骤：

步骤1：根据现有Mura缺陷的特征，模拟出各类Mura缺陷，形成缺陷样本图片库；

步骤2：将步骤1中获得的缺陷样本图片在显示面板上显示；

步骤3：对显示面板进行图片采集，并根据所对应的缺陷类型标记图片缺陷类型；

步骤4：使用深度神经网络，基于每一缺陷类型的图片，进行训练通过不断的提炼和拟合，最终形成缺陷检测模型。

2.根据权利要求1所述的基于深度学习的显示面板缺陷训练方法，其特征在于：步骤1中所述现有Mura缺陷的特征，包括特征形状、位置、对比度、面积大小；根据这些特征，在一个完整的画面上去临摹出带有不同形状、位置、对比度和面积的缺陷样本。

3.根据权利要求1所述的基于深度学习的显示面板缺陷训练方法，其特征在于：步骤1中，将Mura缺陷按不同种类分为1、2、3、…、n，共n个类别，根据每个缺陷的特征，分别绘制出该n类Mura缺陷，并通过几何变换遍历出缺陷所有的形态和位置，形成缺陷样本库。

4.根据权利要求3所述的基于深度学习的显示面板缺陷训练方法，其特征在于：步骤1中，绘制出大小不一，灰阶差成梯度变化且位置不一的缺陷图片，以涵盖所有的Mura缺陷的特征变化的动态范围。

5.根据权利要求1-4任意一项所述的基于深度学习的显示面板缺陷训练方法，其特征在于：步骤4中，采用AlexNet模型进行训练；具体实现包括以下子步骤：

步骤4.1：将Mura缺陷按不同种类分为1、2、3、…、n，共n个类别，将步骤3中标记有缺陷信息的图片首先归一化为224×224的图像，作为输入神经元进入网络；

步骤4.2：使用softmax分类器对1、2、3、…、n，共n个类型进行n分类；在softmax回归中，对于给定的测试输入x，预测x的每一种分类结果x⁽ⁱ⁾出现的概率，概率分布函数将输出一个n维的向量元素和为1的向量来表示n个预测的概率值。

6.根据权利要求5所述的基于深度学习的显示面板缺陷训练方法，其特征在于：步骤4.1中，经过第一层卷积后得到进本的卷积数据，先进行一次ReLU以及Norm变换，然后进行pooling，作为输出传递到下一层；再经过4次卷积层后输出map数目256个，size为13×13；随后进入两个全连接层，第二个全连接层是在第一个全连接层的基础上再进行一次ReLU和dropout后的结果，最后输出softmax loss，节点数为n，对应n类对象。

7.根据权利要求5所述的基于深度学习的显示面板缺陷训练方法，其特征在于：步骤4.2中，在softmax回归中，对于给定的测试输入x，预测x的每一种分类结果x⁽ⁱ⁾出现的概率，假设概率分布函数h_θ(x⁽ⁱ⁾)为：

其中，i＝1、2、3、…、n，θ₁,θ₂,θ₃```θ<sub>n</sub>为概率分布函数h<sub>θ</sub>(x<sup>(i)</sup>)参数；θ<sub>1</sub>,θ<sub>2</sub>,θ<sub>3</sub>```θ_n∈Aⁿ⁺¹，Aⁿ⁺¹表示特征向量θ的维度为n+1，其中θ₀＝1对应截距项；用于对概率分布进行归一化处理，使得所有概率之和为1。

8.根据权利要求6-7任意一项所述的基于深度学习的显示面板缺陷训练方法，其特征在于：将测试样本输入缺陷检测模型，首先使用已经训练好的缺陷检测模型进行特征提取，然后生成分布式特征表示，进行映射到样本标记空间，最终输出检测结果。