[发明专利]一种面板缺陷检测和分类方法及系统

说明书

本发明公开了一种面板缺陷检测和分类方法及系统，所述方法包括：从历史数据中采集面板缺陷图片数据，并按照面板缺陷类别存储；清洗存储的面板缺陷图片数据；优化清洗后的面板缺陷图片数据；标注优化后的面板缺陷图片数据得到训练集；利用训练集训练面板缺陷检测和分类模型；将预设面板缺陷图片输入训练后的面板缺陷检测和分类模型，输出面板缺陷的检测和分类结果。本方法及系统能够提升缺陷识别和检测的效率及准确率，并能够持续稳定工作。

技术领域

本发明涉及智能制造领域，具体地，涉及一种面板缺陷检测和分类方法及系统。

背景技术

伴随我国智能终端产业的快速升级，液晶显示面板市场需求巨大。目前液晶显示面板生产工厂的面板缺陷检测方法为先通过AOI设备初步定位缺陷，然后人工分类缺陷。人眼检测检测和分类缺陷有很强的主观性，不利于严格划分缺陷类别，而且人眼疲惫会导致检测准确率下降。随着工厂流水线产能上升，人眼视检的低效率无法匹配高速的生产。

目前工厂的面板缺陷方法已无法满足工厂对效率和精度的要求，急需一种更加有效的面板缺陷检测方法辅助甚至替换传统检测方法。

发明内容

为了解决上述问题，本发明提供一种面板缺陷检测和分类方法及系统，具体的，是一种适用于成盒制程(CELL)生产工艺的面板(合图)缺陷检测和分类方法及系统。所谓合图即由于生产线摄像头无法一张覆盖整张面板故多次拍摄后拼接合成合图。本方法及系统使用深度卷积神经网络，提升不明显缺陷检出率，再结合工厂的缺陷定义分类缺陷；使用GPU加速运算，单张检出耗时达到毫秒级速度；机械检测分类状态更加稳定；能够有效提升面板缺陷检测的准确率及效率。

为实现上述发明目的，本发明一方面提供了一种面板缺陷检测和分类方法，所述方法包括：

从历史数据中采集面板缺陷图片数据，并按照面板缺陷类别存储；

清洗存储的面板缺陷图片数据；

优化清洗后的面板缺陷图片数据；

标注优化后的面板缺陷图片数据得到训练集；

利用训练集训练面板缺陷检测和分类模型；

将预设面板缺陷图片输入训练后的面板缺陷检测和分类模型，输出面板缺陷检测和分类结果。

优选的，过滤剔除数据中的异常数据，异常数据包括：画面过曝、画面过暗、画面模糊、画面虚焦、缺陷过大和画面无缺陷的数据。

优选的，优化清洗后的面板缺陷图片数据包括：采用分层随机抽样的方法优化面板缺陷图片数据，并对面板缺陷图片数据做样本均衡处理。

优选的，通过在面板缺陷图片数据中添加扰动或翻转或高斯噪声的方法对面板缺陷图片数据做样本均衡处理。

优选的，使用resnet50网络在mmdetection检测框架下训练模型，将模型配置文件的anchor_ratios字段设置为[0.1,0.33,1.0,3.0,10]。

优选的，在模型训练时设置阶梯式下降的学习率，使模型能够快速收敛。

优选的所述方法还包括：剔除面板缺陷检测和分类模型输出结果中的多余描述信息，将输出结果中的数字标识转换为缺陷名称，合并同一面板对应的多光源拍摄的多张缺陷图片对应的输出结果，形成以面板ID、画面ID、缺陷名称、缺陷置信度和缺陷位置的结构组成的数据，作为后端接收的反馈数据。

优选的，本方法借助labelImage标注工具用矩形框标注优化后的面板缺陷图片数据中的缺陷，以供面板缺陷检测和分类模型训练。

优选的，所述方法包括前端执行部分和后端执行部分，前端执行部分包括所述的方法内容，后端执行部分包括：