[发明专利]一种基于深度学习的用于显示面板缺陷的分类方法

说明书

本发明公开了一种基于深度学习的用于显示面板缺陷的分类方法，包括以下步骤：通过自动光学检测获取至少一张疑似缺陷图片；将所述疑似缺陷图片输入第一分类模型，所述第一分类模型用于判断所述疑似缺陷图片是真正缺陷或假性缺陷；如果所述疑似缺陷图片是真正缺陷，则将所述疑似缺陷图片输入第二分类模型，所述第二分类模型用于判断所述疑似缺陷图片是黑色缺陷或白色缺陷。本发明基于深度学习的卷积神经网络训练分类模型，通过分类器级联的方式实现对AOI在显示面板上检出的缺陷图片进行自动分类，精度高，速度快，鲁棒性好。

技术领域

本发明属于机器视觉自动分类技术领域，涉及一种基于深度学习的用于显示面板缺陷的分类方法，更具体地，涉及一种利用缺陷图片和深度学习技术训练得到的分类模型进行对目标缺陷图像进行分类的方法。

背景技术

AOI（Automated Optical Inspection缩写）的中文全称是自动光学检测，是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备。AOI是新兴起的一种新型测试技术，但发展迅速，很多厂家都推出了AOI测试设备。当自动检测时，机器通过摄像头自动扫描PCB，采集图像，测试的焊点与数据库中的合格的参数进行比较，经过图像处理，检查出PCB上缺陷，并通过显示器或自动标志把缺陷显示/标示出来，供维修人员修整。

目前很多工厂机器视觉工厂对于设备检出的缺陷产品，仍然依靠人工目视分类，通过缺陷类型来改善生产线。但是人工目视分类效率低下，且分类主观因素较大，严重制约工业制造的自动化进程。基于机器视觉的自动分类技术对于智能工程是必不可少的，由于可以实时得出产品缺陷类型，然后根据缺陷类型给出生产系统反馈来消除缺陷，进而改善生产。因此可以在连续的过程中显著减少大量的缺陷。

现已有与本发明最相近似的解决方案是通过将人工选取特征，然后利用机器学习方法，对每一种缺陷都训练一个模型，进而对缺陷进行自动分类例如，中国发明专利申请号CN201910537298.2公开了基于机器学习的自动缺陷分类方法：将样本图像经过预处理，对每种缺陷图片进行增强，然后对每种缺陷类型进行机器学习生成该缺陷的分类模型，最终对目标图像提取的特征利用一系列的分类模型逐个判断，最终确定该目标图像的具体类别。该方法的对于缺陷图片进行提取的特征是基于人工经验，主动选择的一些特征，而且对于每一种缺陷都对应一种分类模型，判断一个目标图像，需要经过每种缺陷模型的判断，实时性低。

发明内容

本发明的目的是通过以下技术方案实现的。

为解决以上问题，针对人为提取特征这个缺点，本发明利用深度学习技术中卷积神经网络技术，进行自动特征提取，然后先对缺陷图片进行初步分类判断，再细分的级联方式，实现了机器视觉中对缺陷图片的自动分类。

具体的，根据本发明的第一个方面，本发明提供了一种基于深度学习的用于显示面板缺陷的分类方法，包括以下步骤：

通过自动光学检测获取至少一张疑似缺陷图片；

将所述疑似缺陷图片输入第一分类模型，所述第一分类模型用于判断所述疑似缺陷图片是真正缺陷或假性缺陷；

如果所述疑似缺陷图片是真正缺陷，则将所述疑似缺陷图片输入第二分类模型，所述第二分类模型用于判断所述疑似缺陷图片是黑色缺陷或白色缺陷。

进一步地，所述方法进一步包括：

如果所述疑似缺陷图片是黑色缺陷，则将所述疑似缺陷图片输入第三分类模型，所述第三分类模型用于区分黑色缺陷图片中缺陷归属的具体类别；

如果所述疑似缺陷图片是白色缺陷，则将所述疑似缺陷图片输入第四分类模型，所述第四分类模型用于区分白色缺陷图片中缺陷归属的具体类别。

进一步地，所述第一、二、三、四分类模型为预先训练好的深度神经网络，每个分类模型的训练过程如下：

（1）创建分类模型；