[发明专利]一种面板生产制造缺陷的自动分类方法及系统

权利要求书

1.一种面板生产制造缺陷的自动分类方法，其特征在于，所述方法包括：

步骤1：从AOI检测站点采集面板缺陷图片及缺陷图片对应的缺陷类别编码信息；

步骤2：对缺陷图片的缺陷位置打标，将打标后的缺陷图片上传至样本库中；

步骤3：基于指定的AOI检测站点及若干个缺陷类别编码，从样本库抽取对应的缺陷图片作为学习样本；利用学习样本训练深度学习目标检测类算法模型，生成缺陷检测模型；

步骤4：抽取待分类AOI图片并输入缺陷检测模型，模型自动识别出AOI图片的缺陷位置，并输出对应缺陷类别编码的置信度水平；

步骤5：过滤置信度小于预设阈值的缺陷图片。

2.根据权利要求1所述的一种面板生产制造缺陷的自动分类方法，其特征在于，对缺陷图片的缺陷位置打标，用矩形框标注缺陷位置并给出缺陷对应的类别编码信息；将打标后的缺陷图片及标注文件上传到样本库。

3.根据权利要求1所述的一种面板生产制造缺陷的自动分类方法，其特征在于，所述步骤4还包括：对缺陷检测模型执行上线操作。

4.根据权利要求1所述的一种面板生产制造缺陷的自动分类方法，其特征在于，步骤1中采集的缺陷图片以及步骤4中抽取的AOI图片均是从缺陷文件系统DFS获得。

5.根据权利要求1所述的一种面板生产制造缺陷的自动分类方法，其特征在于，在步骤5中，当一张缺陷图片中存在多个缺陷时，根据设定的缺陷优先级顺序，选择优先级最高的缺陷类别编码作为该缺陷图片的缺陷类别编码。

6.根据权利要求1所述的一种面板生产制造缺陷的自动分类方法，其特征在于，所述方法还包括步骤6：设定人工判定的置信度水平α，将缺陷类别编码的置信度水平低于α的缺陷图片自动转为人工判定缺陷类别。

7.根据权利要求1所述的一种面板生产制造缺陷的自动分类方法，其特征在于，所述步骤3采用的深度学习目标检测类算法为Yolo V3或SSD或Faster R-CNN算法模型。

8.根据权利要求7所述的一种面板生产制造缺陷的自动分类方法，其特征在于，缺陷检测模型采用特征金字塔网络FPN，同时将主干网络不同层的特征Map融合。

9.根据权利要求1-8中任意一个所述的一种面板生产制造缺陷的自动分类方法，其特征在于，步骤4中缺陷检测模型输出缺陷位置及所属不同缺陷类别编码的置信度列表，即

{(code_1,conf_1),…,(code_n,conf_n)}

其中，code_i表示第i种缺陷类别编码，conf_i表示对应缺陷位置属于code_i的置信度；其中，

对应位置的缺陷类别为置信度最大值对应的缺陷类别编码，即：

code＝argmax_i{conf_i}

即缺陷位置的缺陷类别编码为置信度最高值所对应的缺陷类别编码。

10.一种面板生产制造缺陷的自动分类系统，其特征在于，所述系统包括：

缺陷图片采集单元，用于从AOI检测站点采集面板缺陷图片及缺陷图片对应的缺陷类别编码信息；

缺陷图片打标单元，用于对缺陷图片的缺陷位置打标，将打标后的缺陷图片上传至样本库；

模型构建及训练单元，用于基于指定的AOI检测站点及若干个缺陷类别编码，从样本库抽取对应的缺陷图片作为学习样本；利用学习样本训练深度学习目标检测类算法模型，生成缺陷检测模型；

缺陷识别单元，用于抽取待分类AOI图片并输入缺陷检测模型，模型自动识别出AOI图片的缺陷位置，并输出对应缺陷类别编码的置信度水平；

缺陷图片过滤单元，用于过滤置信度小于预设阈值的缺陷图片。