[发明专利]基于LSTM模型的Mura缺陷检测方法

说明书

本发明公开了一种基于LSTM模型的Mura缺陷检测方法，包括步骤：1)将面板等分为m个区域，采集m个区域的合格品样本和缺陷品样本；2)每一个区域的合格品样本和缺陷品样本组成一个样本序列，每个序列建立一个LSTM模型；3)将m个区域的样本序列分别进行LSTM模型训练；4)将待测面板的m个区域的图片输入至对应的LSTM模型，m个LSTM模型输出合格或者缺陷的分类结果；5)将m个LSTM模型的分类结果综合，判断是否有任一区域的分类结果为缺陷。本发明通过深度神经网络建立缺陷检测模型，有效规避了传统算法进行背景分割、参数提取的局限性，同时降低了人工成本，能快速输出Mura缺陷，对缺陷进行准确检测，提高了Mura缺陷检测的准确性和效率。

技术领域

本发明涉及面板的自动化缺陷检测领域，尤其是深度学习与图像处理，具体地指一种基于LSTM模型的Mura缺陷检测方法。

背景技术

在AOI(Automatic Optic Inspection自动光学检测)缺陷检测中，Mura缺陷检测至关重要，直接影响了最终LCD面板缺陷降等判定结果。Mura缺陷具有形状不规则、大小不均匀、位置不固定、局部或整体亮度不均匀、对比度低的特性，同时受到人眼感知力以及主观因素的限制，很难快速准确地对Mura进行快速准确地检测及评价，从图1中可以看出，Mura缺陷相对于背景的对比度很低，边缘模糊不清，肉眼不容易辨认。同时随着制程的更新换代，各种不可预知的Mura缺陷也会伴随产生。目前传统算法还没有形成稳定可靠的检测体系，需要寻求一种更稳定、精度更高的Mura缺陷检测方法。

如图2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。因此，必须研究出一套新的方法去适应现有的行业要求。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于LSTM模型的Mura缺陷检测方法，通过深度神经网络建立缺陷检测模型，有效规避了传统算法进行背景分割、参数提取的局限性，同时降低了人工成本，能快速输出Mura缺陷，对缺陷进行准确检测，提高了Mura缺陷检测的准确性和效率。

为实现上述目的，本发明所设计的一种基于LSTM模型的Mura缺陷检测方法，其特殊之处在于，包括如下步骤：

1)将面板等分为m个区域，采集m个区域的合格品样本和缺陷品样本；

2)每一个区域的合格品样本和缺陷品样本组成一个样本序列，每个序列建立一个LSTM模型；

3)将m个区域的样本序列分别进行LSTM模型训练，LSTM模型通过深度学习提取合格品样本特征和缺陷品样本特征；

4)将待测面板的m个区域的图片输入至对应的LSTM模型，m个LSTM模型输出合格或者缺陷的分类结果；

5)将m个LSTM模型的分类结果综合，判断是否有任一区域的分类结果为缺陷，是则判断待测面板为Mura缺陷并将缺陷位置定位，否则判断待测面板为合格品。

优选地，所述合格品样本和缺陷品样本的比例为(0.8～1.2)：(0.8～1.2)。

优选地，m＝a*a，a为自然数。最佳地，a＝10。

优选地，所述待测面板为同一批次的n个面板产品。

优选地，所述合格品样本和缺陷品样本的面板与待测面板为同一型号的面板产品。