[发明专利]液晶面板缺陷检测方法及装置

权利要求书

1.一种液晶面板缺陷检测方法，包括：

步骤一，将已打标签标记出缺陷位置和缺陷种类的液晶面板图像归入数据集中，从而建立用于训练的液晶面板图像数据集；建立数据集时还将没有缺陷的液晶面板图片也加入到训练数据集中，以校正网络模型，防止在实际测试阶段出现过检情况；

步骤二，选取不同尺度的聚焦框在液晶面板图像原图上进行打框以得到不同大小的聚焦框图，聚焦框内缺陷的面积小于聚焦框面积的10％的聚焦框图作为负样本处理，聚焦框内缺陷的面积超过聚焦框框面积的10％的聚焦框图作为正样本处理，若聚焦框内没有缺陷则将该聚焦框图作为背景，从而通过采用多尺度聚焦框对液晶面板图像原图按随机分块的思想进行训练，以增加训练数据，使得优化后的检测方法对于大缺陷和小缺陷都能很好地检测；训练数据集按下面的向量表示：

假设原图的宽为w,高为h，有n种缺陷种类，对原图中每个缺陷区域画矩形框作为聚焦框以得到数据集，每一张矩形框所对应的向量为：

[Image_ID,Image_Width,Image_Height,Defects_ID,Defects_Width,Defects_Height],Defects_ID∈[1,n]

没有缺陷的聚焦框所对应的向量为：

[Image_ID,Image_Width,Image_Height,Defects_ID],Defects_ID＝0；

步骤三，搭建用于检测多尺度缺陷的深度检测网络，采用多层的CNN残差网络对图像进行特征提取，并对缺陷进行识别、分类和定位；特征提取网络采用若干层的残差网络，并在最后一层的池化层加入缺陷区域的坐标，最后通过卷积输出缺陷区域属于某一类的置信度得分，得分在0到1之间；将缺陷区域输入到特征图中，并且采用softmax分类器对缺陷进行分类，类别中包括无缺陷这一类别，以通过softmax分类器同时实现缺陷的检测和分类；

步骤四，对网络训练参数进行微调，迭代若干次后对测试数据进行测试以计算准确率选取一个测试数据中较高准确率的网络，将这个网络作为预训练网络；然后减小学习率进行再次训练微调网络，最后选取一个最高准确率的网络作为最后的网络模型以用于实际检测。

2.根据权利要求1所述的检测方法，其特征在于，在步骤二之前，还包括对数据集进行数据增强的步骤，其包括数量均衡、颜色增强和方向增强；

数量均衡的过程包括：对每一缺陷种类的数值取最大值，并将所有缺陷种类的数值均置为所述最大值，对于原有缺陷种类数值不足的种类，从其现有图像中随机扩充以使得所有缺陷种类数值相等；

颜色增强的过程包括：对图像的颜色进行数据增强，对每一张图片的亮度，对比度和饱和度进行随机变化，还对图像增加高斯噪声；

方向增强的过程包括，对聚焦框进行水平、垂直翻转或随机旋转。

3.根据权利要求1或2所述的检测方法，其特征在于，所述softmax分类器的工作过程为：

对于m个已标记样本的训练集{(x⁽¹⁾,y⁽¹⁾),…,(x^(m),y^(m))}，其中类别标记为y⁽ⁱ⁾∈{0,1}，在逻辑回归中，逻辑回归的假设函数公式为：

先对二维向量进行归一化，使得每一个分量对应到0-1之间，然后根据训练的类别标签选出对应分量，计算出其对数后取相反数，所得的最终结果为训练样本的误差值；然后进行误差回传，更新网络的权重，使得全连接的输出置信度逼近1。

4.根据权利要求1或2所述的检测方法，其特征在于，在步骤二中，假定原图的宽为w，高为h，聚焦框在原图上按宽为w/p，高为h/p进行打框，p为1.2、3、6或10；

对于打框获得的每一聚焦图像分别进行缺陷检测，使用多进程或多GPU的方式对各聚焦框图进行检测，并根据聚焦框在原图上的位置进行坐标变换，求出缺陷在原图上的对应位置。