[发明专利]一种显示面板外观缺陷检测方法

说明书

本发明属于显示面板检测技术领域，公开了一种显示面板外观缺陷检测方法，将显示面板图像增强处理裁剪为多个子图像；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；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；用训练集数据来训练改进型deeplab v3+深度学习语义分割模型，采用测试集来验证该模型；改进型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；采用训练好的改进型deeplab v3+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。

技术领域

本发明属于显示面板的自动化缺陷检测技术领域，更具体地，涉及一种显示面板外观缺陷检测方法。

背景技术

随着电子产品的普及与快速更新换代，对LCD屏幕、OLED屏幕有着极大的产量需求。在屏幕生产过程中，由于原材料、生产工艺、意外等情况，屏幕上可能出现各种缺陷，例如破片、气泡、划伤、缺角、裂痕等，缺陷产品会影响其性能或降低用户体验，是不允许流入市场的，因此需要对生产的显示屏进行检测。

对显示屏的检测包括外观检测和背光检测，外观缺陷检测的现有方法包括：(1)传统Automatic Optic Inspection(自动光学检测，AOI)方法：先要提取ROI区域，再用传统方法算法检测，这种方法受背景、光照等因素影响较大，并且对不同缺陷采用不同的算法处理，检测多种缺陷时处理时间比较长。(2)深度学习的分类和检测方法：这些方法的优点是标注简单，分类只需要对整个图像进行标记，检测只需要对目标缺陷用矩形框标注，但也因为这个原因，检测出的目标面积和实际的目标面积之间有出入，无法用面积来卡控缺陷的输出。(3)深度学习的语义分割方法：检测出的目标是像素级别的，可以很好地从检测结果判断缺陷的形状，面积等特性，其缺点在于标注需要很大的工作量。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种显示面板外观缺陷检测方法，其目的在于将深度学习语义分割的方法用于外观缺陷检测，有效地提升外观缺陷检测的准确度。

为实现上述目的，按照本发明的一个方面，提供了一种显示面板外观缺陷检测方法，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。

优选地，上述显示面板外观缺陷检测方法，其深度学习语义分割模型采用deeplabv3+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。

优选地，上述显示面板外观缺陷检测方法，训练集或测试集之中的样本输入到deeplab v3+深度学习语义分割模型，先经过编译器处理，利用模型中的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。

优选地，上述显示面板外观缺陷检测方法，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。