[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

说明书

本发明公开了一种基于深度学习的显示面板缺陷训练方法及系统，根据Mura缺陷的特征，利用图形处理的方法手动模拟出各类Mura缺陷，形成样本库；通过深度神经网络进行模型训练，能快速地进行缺陷检测，同时快速输出缺陷类型，对缺陷进行准确识别。通过该方法，可以对面板的Mura缺陷进行准确的识别，能成功规避传统算法的局限，同时极大的降低了人力成本。

技术领域

本发明属于显示检测技术领域，涉及一种显示面板Mura缺陷训练方法及系统，具体涉及一种基于深度学习的显示面板缺陷训练方法及系统。

背景技术

在AOI缺陷检测中，Mura缺陷检测至关重要，直接影响了最终LCD(Liquid CrystalDisplay液晶显示器)面板质量和成品的等级输出结果。目前，Mura检测方法是通过人眼观察或者借助传统算法进行检测。人眼检测的过程存在很强的主观性，不利于严格划分等级，同时随着工作时间的延长，人也会出现疲劳，导致检测效率降低；传统算法检测时，需要搜集大量的样本进行样本训练和模型测试，由于Mura种类繁多，且不易观察，样本收集难度大、耗时长，同时客户并没有那么多缺陷屏可以提供。

目前可以直接采用现有的方法基于获得的Mura缺陷库对产线上的面板进行缺陷等级判定，如图1所示，现有Mura缺陷检测流程一般分为图像获取、亮度矫正、图像增强和缺陷检测4个流程。随着LCD大画面、轻薄化、高分辨率的发展趋势，Mura缺陷出现的几率大大增加，同时所处环境会越来越复杂，重复的纹理背景、整体亮度的不均匀以及缺陷模糊的边缘、较低的对比度使得图像处理中传统的亮度矫正和图片增强算法很难直接将Mura缺陷检出。

因为传统算法没有足够的样本进行本训练和模型测试，所以目前传统算法检测的过检率和漏检率也未能满足行业要求。为了有效提高LCD面板检测的检出率，需要寻求一种更稳定，精度更高的Mura缺陷检测方法。

发明内容

为了解决上述技术问题，本发明提供了一种基于深度学习的面板Mura缺陷训练方法及系统，根据可能存在的Mura缺陷类型的特征，模拟出足够多的各种类型的Mura缺陷，形成完善的样本库，然后基于该样本库训练得到Mura缺陷库。

本发明的方法所采用的技术方案是：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。

本发明的系统所采用的技术方案是：一种基于深度学习的面板缺陷训练系统，其特征在于：包括第一模块、第二模块、第三模块、第四模块；

所述第一模块，用于根据现有Mura缺陷的特征，模拟出各类Mura缺陷，形成缺陷样本图片库；

所述第二模块，用于将步骤1中的缺陷样本图片与需检测的显示面板的分辨率相匹配，点亮屏幕，此时模拟出的缺陷就呈现在显示面板上；

所述第三模块，用于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；

所述第四模块，用于使用深度神经网络，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。

本发明根据Mura缺陷的特征，利用图形处理的方法手动模拟出各类Mura缺陷，形成样本库；通过深度神经网络进行模型训练，能快速地进行缺陷检测，同时快速输出缺陷等级，对缺陷进行准确判等。通过该方法，我们可以对面板的Mura缺陷进行准确的识别，能成功规避传统算法的局限，同时极大的降低了人力成本。