[发明专利]一种显示面板外观缺陷检测方法

权利要求书

1.一种显示面板外观缺陷检测方法，其特征在于，包括如下步骤：

(1)将显示面板图像进行增强处理后作为检测图像，并将每个检测图像裁剪为多个子图像；

(2)采用图像语义分割标注工具用多边形框对若干子图像进行标注，把子图像中的缺陷区域标示出来；

(3)由未经标注的子图像与标注后的子图像组成图像对；选取图像对中的部分作为训练集，余下的作为测试集；

(4)用训练集数据来训练深度学习语义分割模型，采用测试集来验证该模型，直到达到预设的准确度；

(5)采用训练好的深度学习语义分割模型对待测显示面板图像进行预测，输出目标缺陷的形状、面积。

2.如权利要求1所述的的显示面板外观缺陷检测方法，其特征在于，所述深度学习语义分割模型采用deeplab v3+深度学习语义分割模型，所述deeplab v3+深度学习语义分割模型采用SENet分类网络作为骨干网络。

3.如权利要求2所述的显示面板外观缺陷检测方法，其特征在于，训练集或测试集之中的样本输入到深度学习语义分割模型，先经过编译器处理，利用所述SENet分类网络提取原图的特征，利用模型中的空洞空间金字塔池化层增加特征图的感受野。

4.如权利要求2或3所述的显示面板外观缺陷检测方法，其特征在于，SENet分类网络提取原图特征的方法包括：对原图特征经过卷积变换产生新的具有多个通道的特征信号，通过注意力模块来学习出每个通道的权重，使得有效的特征图谱权重大，无效或效果小的特征图谱权重小。

5.如权利要求4所述的显示面板外观缺陷检测方法，其特征在于，通过注意力模块来学习出各通道权重的过程中，先将特征的空间性压缩掉，仅保留通道维度，再为每个特征通道生成一个权重，用于显式地建模通道之间的相关性，最后将权重加权到原来的通道上，构成不同通道间重标定。

6.如权利要求2或3所述的显示面板外观缺陷检测方法，其特征在于，训练集或测试集之中的样本输入到所述深度学习语义分割模型进行编译后，结合编译得到的特征信息进行上采样操作，输出预测图像。

7.如权利要求2或3所述的显示面板外观缺陷检测方法，其特征在于，预测图像为语义分割的结果，预测图像的像素值对应于预设缺陷类型。

8.如权利要求7所述的显示面板外观缺陷检测方法，其特征在于，用像素值0代表背景、1代表气泡缺陷、2代表破片缺陷、3代表裂纹缺陷、4代表缺角缺陷、5代表划伤缺陷。

9.如权利要求1或2所述的显示面板外观缺陷检测方法，其特征在于，采用mIOU准确度来表征所述深度学习语义分割模型的准确度；为测试集实际值和预测值这两个集合的交集与并集之比。

10.如权利要求1所述的显示面板外观缺陷检测方法，其特征在于，子图像统一为512*512大小的三通道RGB图像。