[发明专利]一种面板的缺陷检测方法、装置及存储介质在审
申请号: | 202110974477.X | 申请日: | 2021-08-24 |
公开(公告)号: | CN113763338A | 公开(公告)日: | 2021-12-07 |
发明(设计)人: | 柴华荣;许月;陈友江;温栋梁;杜超 | 申请(专利权)人: | 合肥欣奕华智能机器有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06N3/04;G06N3/08 |
代理公司: | 北京同达信恒知识产权代理有限公司 11291 | 代理人: | 李静文 |
地址: | 230013 安徽省合*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 面板 缺陷 检测 方法 装置 存储 介质 | ||
本公开涉及智能制造与人工智能领域,公开了一种面板的缺陷检测方法、装置及存储介质,其中,该面板的缺陷检测方法,应用于计算设备,包括:将待检测的目标面板图片进行缩小处理,以便在兼顾处理数据量的同时提高检测效率,通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测,以及针对多个包含同一缺陷的缺陷框,则通过YOLOv5算法模型将多个缺陷框进行融合处理,得到融合后的目标缺陷框,上述目标缺陷框与缺陷一一对应,即通过确定唯一目标缺陷框的方式,提高了缺陷所在位置的检测准确性,同时,通过融合的方式得到的缺陷类型属性也更加贴近实际类型,从而保证了面板生产过程中对效率和精度的要求。
技术领域
本申请涉及智能制造与人工智能技术,特别涉及一种面板的缺陷检测方法、装置及存储介质。
背景技术
随着智能终端的迅速发展,面板在市场上的需求量越来越大,面板的生产量也越来越多。但在面板的生产过程中,会不可避免的产生有缺陷的面板。上述有缺陷的面板无法正常使用,在生产过程中需要通过人工检测的方式检出。但人工检测效率较差,并且,人工检测具有较强的主观性,很难准确划分出缺陷类别。
随着深度学习的兴起,面板的生产过程中,开始利用深度学习技术代替人工来进行面板的缺陷检测,常见的深度学习技术采用YOLOv5算法模型,由于面板行业的图像尺寸都是3000*3000像素以上的图片,现有的YOLOv5算法模型只能识别上述大尺寸图片,无法精确识别大尺寸图片中尺寸较小的缺陷,而大量的缺陷尺寸只有几十像素,这样导致YOLOv5算法模型对面板的缺陷检测效果较差。另外,YOLOv5算法模型的输出端采用非极大抑制算法,这样,同一个缺陷在检测后就会出现多个缺陷检测框,从而导致检测精度较差。
综上,目前所使用的基于深度学习的面板缺陷检测方法存在检测速度慢、准确率低以及迁移性差等问题,导致无法满足面板生产过程中对效率和精度的要求。
发明内容
本公开实施例提供一种面板的缺陷检测方法、装置及存储介质,用以提高面板缺陷检测结果的准确性。
本公开提供的具体技术方案如下:
第一方面,一种面板的缺陷检测方法,应用于计算设备,该方法包括:
将待检测的目标面板图片进行缩小处理;
通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测;以及
针对多个包含同一缺陷的缺陷框,则通过YOLOv5算法模型将多个缺陷框进行融合处理,得到融合后的目标缺陷框,其中,目标缺陷框与缺陷一一对应。
可选地,通过YOLOv5算法模型将多个缺陷框进行融合处理,得到融合后的目标缺陷框,包括:
通过YOLOv5算法模型确定包含同一缺陷的多个缺陷框中,各缺陷框的坐标值和包含同一缺陷的缺陷类型的概率值;以及
通过YOLOv5算法模型,基于坐标值和概率值,确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性。
可选地,若包含同一缺陷的缺陷框的数量大于两个;
基于坐标值和概率值,确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性,包括:
对包含同一缺陷的缺陷框进行多轮融合操作,并将最后一轮融合得到的缺陷框作为目标缺陷框;
其中,每一轮融合操作包括下列过程:
从本轮对应的所有缺陷框中选择偶数个缺陷框,并对选择的缺陷框进行两两分组;
针对任意一组,基于任意一组的两个缺陷框的坐标值和概率值,确定融合坐标值和融合概率值;
基于融合坐标值和融合概率值,确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于合肥欣奕华智能机器有限公司,未经合肥欣奕华智能机器有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110974477.X/2.html,转载请声明来源钻瓜专利网。