[发明专利]液晶面板缺陷检测方法及装置

说明书

本发明公开了一种液晶面板缺陷检测方法和装置，该方法通过建立训练数据集、采用多尺度聚焦框进行分块以得到不同大小的聚焦框图、搭建深度检测网络并进行残缺位置的预测，以及在迭代若干次后计算准确率并选取一个测试数据中较高准确率的网络，将其作为预训练网络，减小学习率进行再次训练微调网络，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。本发明的检测方法和装置通过采用多尺度聚焦框随机分块来训练深度学习网络，在提高小目标检测准确率的同时不会降低大目标的检测准确率；并且在训练阶段采用随机分块，同时增加训练集的数据量等方式，提高了缺陷检测方法的准确率，实现了对于液晶面板复杂且不规则缺陷的识别和定位。

技术领域

本发明涉及液晶面板的缺陷检测技术领域，具体涉及一种基于多尺度聚焦框的深度学习液晶面板的缺陷识别、定位和检测方法，以及检测装置。

背景技术

液晶面板是电子产品(如电视,手机)的关键部件，占据着整机2/3的成本。随着当前科技的不断发展，液晶面板的产品功能日益复杂和性能提高，但液晶面板生产过程中难免会有面板缺失、瑕疵、划痕等不规则缺陷，导致人工视觉检测过程极度困难，且误检率较高，效率低下。近年来随着电子行业竞争加剧和工艺质检要求的提高，计算机视觉得到广泛的应用，但液晶面板领域因其缺陷具有不规则，像素级缺陷和多分类要求等特点，传统的算法无法完全代替人工实现高精度质检，而本发明的基于多尺度聚焦框的神经网络深度学习算法具有更好的自适应性，可以很好的解决液晶面板的像素级质量缺陷检测需求，达到更好的检测效果，实现真正的智能制造。

发明内容

有鉴于此，本发明提供一种基于多尺度聚焦框深度学习的液晶面板缺陷检测、识别和定位方法，其能够解决现有的液晶面板复杂且不规则缺陷的识别和定位问题。

作为本发明的第一方面，提供了一种液晶面板缺陷检测方法，其特征在于包括以下步骤：

步骤一：准备若干液晶面板图像，先人工对图像进行打标签，以标记出缺陷的位置和所属的种类，然后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。

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，并按框内缺陷物体的面积占聚焦框面积的百分比将各聚焦框图分别作为正样本、负样本或背景，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。

例如，假设图片的长和宽度分别记为H和W，采用尺度H/1.2、W/1.2；H/3、W/3；H/6、W/6；H/10、W/10四种比例(当然也可以是其他比例数值或比例数量)的框在原图片上进行打框，若框内缺陷物体的面积小于聚焦框面积的10％，就把它当作负样本处理，该框为无效聚焦框，若超过聚焦框框面积的10％，就当作正样本处理，该框为有效聚焦框；若聚焦框内没有缺陷物体，就把这个聚焦框当作背景放入到神经网络中进行训练。

步骤三，搭建一个用于检测多尺度缺陷的深度检测网络，采用多层的CNN(卷积神经网络)残差网络对图像进行特征提取，搭建残缺区域位置回归网络，以对缺陷位置进行识别、分类和定位。缺陷种类的判断可以通过现有或者是改进型的分类器完成。

步骤四，对调节网络的训练学习率进行微调，边训练边计算训练数据的准确率，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。