[发明专利]一种面板生产制造缺陷的自动分类方法及系统

说明书

本发明公开了一种面板生产制造缺陷的自动分类方法及系统，包括：采集面板缺陷图片及缺陷图片对应的缺陷类别编码信息；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；从样本库中抽取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；抽取待分类自动光学检测图片并输入缺陷检测模型，模型自动识别出AOI图片中缺陷的位置，并输出对应缺陷类别编码的置信度水平；过滤置信度小于设定阈值的缺陷图片。通过本方法及系统，可有效缩短检测时间，提升检测效率；节约企业成本；最终实现提升产品品质。

技术领域

本发明涉及智能制造与人工智能技术领域，具体地，涉及一种面板生产制造缺陷的自动分类方法及系统。

背景技术

现有面板制造生产过程通常包含Array、TFT、Cell和模组等流程，其中Array生产会逐层叠加生产最终生成阵列基板。在每个生产阶段通过AOI设备对产品拍照，识别出其中可能有问题的位置，对应位置是否确实有缺陷及缺陷类别编码则需要通过人工肉眼判断的方式辨识。这种传统分类方式效率低、成本高、容易受人工疲劳影响波动等。

现有的计算机面板制造缺陷识别分类技术通常采用人工提取图像特征的方式，仅适用于识别特定缺陷，无法有效处理生产制造过程的缺陷多样性问题。本发明提出了一种面板生产制造缺陷的自动分类方法及系统。

发明内容

本发明提供了一种面板生产制造缺陷的自动分类方法及系统，目的是解决传统缺陷分类方式效率低、成本高、容易受人工疲劳影响波动的技术问题。

为实现上述发明目的，本发明提供了一种面板生产制造缺陷的自动分类方法，所述方法包括：

步骤1：从自动光学检测(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；

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，缺陷检测模型自动识别出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。

其中，本发明中的面板生产制造缺陷的自动分类方法及系统，使用AOI设备的历史检测图像数据构建缺陷学习样本，并利用学习样本训练实现缺陷自动定位和分类的深度学习模型，最终将输出的结果和现有的业务系统如制造执行系统MES等进行交互，从而实现缺陷图片的自动分类。通过该方法及系统，可有效减少检测时间，提升检测效率；为企业节省人力成本；最终实现提升产品品质。

优选的，对缺陷图片的缺陷位置打标，采用矩形框标注缺陷位置并给出对应缺陷的类别编码信息；将打标后的缺陷图片及标注文件上传到样本库。

优选的，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系统获得。

优选的，所述步骤4还包括：对缺陷检测模型执行上线操作。

优选的，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。

优选的，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。

优选的，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。

优选的，缺陷检测模型采用特征金字塔网络FPN，同时将主干网络(如残差网络)不同层的特征Map融合。