[发明专利]面板质量检测方法、系统、终端设备及计算机可读介质

说明书

本发明公开了一种面板质量检测方法、系统、终端设备及计算机可读介质，该方法包括：根据面板图像属于不同质量等级的概率值计算得到面板图像的预测等级值，并根据预测等级值以及面板图像的真实标签值生成第一损失函数；将概率值与正态分布曲线进行拟合，得到预测等级概率分布；根据预测等级概率分布以及真实标签值对应的真实概率分布得到第二损失函数；将第一、第二损失函数加权得到深度学习模型的最终损失函数，基于最终损失函数对深度学习模型进行训练；利用训练好的深度学习模型对待测的面板图像进行检测；本发明通过对预测等级概率的分布进行学习，在深度学习层面利用不同等级之间的相关性，提高了深度学习模型质量等级预测值的准确度。

技术领域

本发明属于面板自动化缺陷检测技术领域，更具体地，涉及一种基于分布学习的面板质量检测方法、系统、终端设备及计算机可读介质。

背景技术

随着手机和消费电子产品的普及及其快速的更新换代，对液晶屏幕和OLED屏幕有着极大的产量需求，同时面板的制造工艺和检测技术也得到了飞速发展。尽管面板的制造工艺逐年提升，但由于其本身的结构复杂、制造工序繁多，仍不能完全避免视觉缺陷的出现。根据面板的缺陷形状，可以将缺陷大致分成三种：点缺陷、线缺陷和面缺陷。在三种缺陷中，点缺陷是最为常见的一种缺陷，分为亮点和暗点两种，缺陷大小为一个像素；线缺陷也分为亮线和暗线两种，缺陷大小为一整条像素宽的线段，点缺陷和线缺陷均为电气缺陷。Mura缺陷是一种常见的面缺陷，属于非电气缺陷，也是所有面板显示缺陷中最难检测的一种。

“Mura”一词源自日语，意为斑、脏污，Mura缺陷是一种具有大小不定、形状不定、灰度分布不均、边缘模糊等特点的宏观显示缺陷。一般来说，Mura缺陷产生的主要原因是材料交叠、材料不均、加工环境变化及材料本身质量不良等综合因素导致的结果。在面板的实际生产过程中，其制造的许多环节包括车间环境等因素都可能导致产生Mura缺陷。

在面板实际生产过程中，面板生产厂商会根据Mura缺陷的严重程度对面板进行分级出售，而目前都是通过训练一批检测人员来判定面板等级，这些检测人员根据经验进行视觉上的判定和评级。但由于一方面人眼检测具有主观性，不同检测人员之间并不能保证检测标准的完全一致；另一方面，这种检测方式效率低成本高，一般情况下检测一张2.4英寸LCD图像的时间甚至需要花费四十秒，检测人员在进行长期的检测工作后会出现视觉疲劳，甚至会对人眼产生伤害。因此，人们开始追求效率更高同时更加规范的面板质量评估方法。

深度学习，特别是深度学习中的卷积神经网络，自2012年12月以来，陆续在图像分类、目标检测、图像语义分割、实例分割等领域取得了巨大的成功。目前，利用卷积神经网络进行面板图片质量评估是一个比较新的领域，通常采用的方法为将面板图片质量检测作为分类问题进行处理，或者通过卷积神经网络提取特征，将最后一层网络输出的类别概率与标签进行简单的加权，实现简单的评分算法。但是在我们的面板图片质量评估任务中，图片等级是有序的，我们期望相似的面板图片可以得到接近的预测等级值，这反映了图片质量评估问题与一般分类问题的区别；而目前的多分类算法无法描述不同类别之间的关联(如将面板质量为1～10级，8级与7级之间的关联性显然比8级与2级之间的关联性更强)；如果采用目前的多分类算法进行面板质量检测，则可能将8级的面板错误地划分为2级，而不是划分为7级，因此，基于卷积神经网络的显示面板检测方法的准确率有待提高。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种面板质量检测方法、系统、终端设备及计算机可读介质，其目的在于解决现有基于深度学习的面板质量检测方式存在的检测准确率有待提高的问题。

为实现上述目的，按照本发明的第一个方面，提供了一种基于分布学习的面板质量检测方法，包括以下步骤：

将具有不同质量等级标签的面板图像输入深度学习模型中对其进行训练；根据深度学习模型预测的面板图像属于不同质量等级的概率值计算得到所述面板图像的预测等级值；并根据所述预测等级值以及面板图像的真实标签值生成第一损失函数；