[发明专利]基于小样本深度学习的液晶屏缺陷检测方法、系统及装置

权利要求书

1.基于小样本深度学习的液晶屏缺陷检测方法，其特征在于，包括以下步骤：

对缺陷图像进行分类标注，得到缺陷样本集；

根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；

根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。

2.根据权利要求1所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述的根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型，这一步骤具体包括：

建立神经网络模型，所述神经网络模型的分类器包括有全连接层和线性化单元；

根据缺陷样本集和神经网络模型，通过迁移学习算法进行处理，得到缺陷特征检测模型。

3.根据权利要求1所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述的增量学习具体包括：

对需检测图像进行预训练；

计算适应性误差函数，参数更新误差函数和代价函数，并对神经网络模型进行参数调整，得到缺陷特征模型。

4.根据权利要求3所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述适应性误差函数的具体计算公式为：

其中，W为权重矩阵，取值为：θ表示神经网络模型的原始参数，Δθ表示参数θ的增量，μ为学习效率，表示神经网络模型参数由θ更新为θ+Δθ后的重构误差，T表示训练样本。

5.根据权利要求4所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述参数更新误差函数的具体计算公式为：

6.根据权利要求5所述的基于小样本深度学习的液晶屏缺陷检测方法，其特征在于：所述代价函数的具体计算公式为：

P(x,θ+Δθ)＝E_adp+E_pers。

7.基于小样本深度学习的液晶屏缺陷检测系统，其特征在于，包括：

分类标注单元，用于对缺陷图像进行分类标注，得到缺陷样本集；

模型生成单元，用于根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；

检测学习单元，用于根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。

8.根据权利要求7所述的基于小样本深度学习的液晶屏缺陷检测系统，其特征在于：所述的模型建立单元具体包括：

模型建立单元，用于建立神经网络模型，所述神经网络模型的分类器包括有全连接层和线性化单元；

模型学习单元，用于根据缺陷样本集和神经网络模型，通过迁移学习算法进行处理，得到缺陷特征检测模型。

9.根据权利要求7所述的基于小样本深度学习的液晶屏缺陷检测系统，其特征在于：所述的检测学习单元包括：

预训练单元，用于对需检测图像进行预训练；

计算单元，用于计算适应性误差函数，参数更新误差函数和代价函数，并对神经网络模型进行参数调整，得到缺陷特征模型。

10.基于小样本深度学习的液晶屏缺陷检测装置，其特征在于，包括：

存储器，用于存放程序；

处理器，用于执行所述程序，所述程序使得所述处理器执行如权利要求1～6任一项所述的基于小样本深度学习的液晶屏缺陷检测方法。