[发明专利]一种用于电润湿显示屏缺陷识别方法

说明书

技术领域

本发明属于深度学习、图像处理技术领域，具体涉及一种加入批量归一化算法的卷积神经网络的用于电润湿显示屏缺陷识别方法。

背景技术

电润湿，是指通过改变液滴与绝缘基板之间电压，来改变液滴在基板上的润湿性，即改变接触角，使液滴发生形变、位移的现象。所谓电润湿显示技术就是利用油与水界面固有的自然力以及利用这些力量而开发出的方法。作为一种反射式显示技术，电润湿显示器的反射效率超过百分之五十，亮度比LCD高两倍，在强阳光下仍可观看。同时，电润湿显示器无需偏光片、无需极化，没有视角范围限制，所有可视角度皆表现稳定。

电润湿显示技术具有极好的应用前景。但由于生产技术问题，目前生产出来的电润湿显示屏存在一定缺陷，主要有像素坏点、像素墙损坏、油墨泄露、油墨分裂导致显示器灰度降低等。为提高生产效率，研究一种高效准确的电润湿显示屏缺陷自动识别方法很有必要。目前图像识别大都基于机器学习，通过人工设计算法提取图像的纹理、形状等特征，再结合分类器进行识别。传统方法存在人工提取特征繁琐、易受光照等环境因素影响，鲁棒性不高。

鉴于上述原因，本发明提出一种加入批量归一化算法的卷积神经网络的电润湿显示屏缺陷识别方法。近年来，深度学习在图像识别、语音识别等多个领域表现优异，为人工智能开辟了新纪元。卷积神经网络可以以原始二维图像作为输入数据，具有自主选取特征并进行学习与识别的能力，避免了人工提取特征的繁琐与片面。此外，卷积神经网络具有良好的容错能力，自适应能力强，对各种形式的扭曲都具有良好的鲁棒性，非常适合于处理电润湿显示屏缺陷识别问题。

发明内容

本发明的目的在于提供一种用于电润湿显示屏缺陷识别方法，在卷积层之后加入批量归一化算法，不仅提高识别准确率，而且加快卷积神经网络收敛，提高网络训练速度。

为实现上述目的，本发明的技术方案是：一种用于电润湿显示屏缺陷识别方法，采用加入批量归一化算法的卷积神经网络实现；所述卷积神经网络包括四层卷积层、三层池化层、三层批量归一化层、两层全连接层、两层Dropout层以及输出层；通过在所述卷积层后加入批量归一化层，使得每层卷积层具有相同的数据分布，提高网络的泛化能力，加快网络收敛，从而提高模型训练速度及识别精度；该方法具体包括以下步骤：

步骤S1、将输入图像归一化至网络所需统一尺寸大小；

步骤S2、进行卷积：用一个可训练的滤波器卷积输入图像，得到卷积层的特征图；

步骤S3、进行降采样：对卷积层的特征图中的每个n×n领域求最大值得到池化层的一个值，进而使得降采样的特征图在各个维度都比卷积层的特征度缩小n倍；

步骤S4、进行归一化：通过批量归一化算法将输入数据归一化成均值为0，标准差为1的数据分布状态，同时引入学习参数，使得数据归一化过程中不影响从上一层网络学习到的数据特征；批量归一化算法的归一化及前向传播公式为：

其中，μ_B为均值，δ_B²为方差，y_i为输出数据；

步骤S5、进行全连接：将第三层池化层的特征图展开成一个向量，乘上加权值并通过激活函数得到输出层神经元的输出值；

步骤S6、求出输出值与标签值的均方误差，网络采用批量随机梯度下降法进行网络迭代运算，当网络迭代次数满足要求时终止卷积神经网络的训练。

在本发明一实施例中，所述四层卷积层均采用ReLU非线性非饱和函数作为激活函数进行映射得到输出值，所述两层全连接层采用tanh作为激活函数进行映射得到输出值，加速网络收敛。

在本发明一实施例中，所述三层池化层均采用最大值采样，即对输入的上一层卷积层的特征图的n×n区域求最大值后作为该层的一个点。

在本发明一实施例中，在所述两层全连接层中加入预定比例的随机隐退Dropout技术，冻结神经元，使其输出为0，从而减少过拟合现象。

在本发明一实施例中，训练网络时，输入训练数据集，先前向传播计算损失误差，再反向传播损失更新模型参数，训练多次后获得所需的卷积神经网络模型。

在本发明一实施例中，模型测试时，先输入待测图像，提取特征向量并做相似度计算，最后输出缺陷识别结果。