[发明专利]一种显示面板缺陷分类的方法及相关装置

权利要求书

1.一种显示面板缺陷分类的方法，其特征在于，包括：

获取显示面板图像；

将所述显示面板图像输入训练完成的目标卷积神经网络模型中，所述目标卷积神经网络模型为添加了特征筛选网络层的卷积神经网络模型，特征筛选网络层包含全连接层、池化层、卷积层和softmax层；

通过所述目标卷积神经网络模型获取所述显示面板图像的缺陷特征；

通过所述特征筛选网络层的第一全连接层对所述显示面板图像的所述缺陷特征进行权重计算；

通过所述特征筛选网络层的第一卷积层筛除权重未达到阈值的所述缺陷特征；

通过所述特征筛选网络层的第一池化层剔除所述目标卷积神经网络模型中预设数量的神经元，以使得经过筛除后的缺陷特征再次进行过滤；

通过所述特征筛选网络层的第二全连接层对过滤后保留下的所述缺陷特征进行权重计算；

通过所述特征筛选网络层的第二卷积层筛除权重未达到阈值的所述缺陷特征；

通过所述特征筛选网络层的第二池化层剔除所述目标卷积神经网络模型中预设数量的神经元，以使得经过筛除后的缺陷特征再次进行过滤；

通过所述特征筛选网络层的第三全连接层对过滤后保留下的所述缺陷特征进行组合，以生成特征组合图像；

通过所述特征筛选网络层的softmax层对所述特征组合图像进行计算，得到所述特征组合图像对应的所述显示面板图像归属各个缺陷类型的概率值；

根据所述概率值集合确定所述显示面板图像的缺陷类型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述概率值集合确定所述显示面板图像的缺陷类型，包括：

判断所述概率值集合中的最大概率值是否达到预设阈值；

若是，则确定所述显示面板图像存在与所述最大概率值对应的缺陷类型。

3.根据权利要求2所述的方法，其特征在于，在所述判断所述概率值集合中的最大概率值是否达到预设阈值之后，所述方法还包括：

若否，则获取常规缺陷检测信息，并将所述常规缺陷检测信息作为检测结果输出，所述常规缺陷检测信息为通过非目标卷积神经网络模型方式检测所述显示面板图像得到的缺陷检测结果。

4.根据权利要求1至3中任一项所述的方法，其特征在于，在所述获取显示面板图像之前，所述方法还包括：

获取训练样本集和原始卷积神经网络模型，所述训练样本集中包含至少2张存在缺陷类型的显示面板图像；

在所述原始卷积神经网络模型尾部添加特征筛选网络层，以生成预训练卷积神经网络模型，所述特征筛选网络层包含池化层、卷积层、全连接层和softmax层；

从所述训练样本集中选取训练样本；

将所述训练样本输入所述预训练卷积神经网络模型中；

通过所述预训练卷积神经网络模型获取所述训练样本的缺陷特征；

通过所述特征筛选网络层的第一全连接层对所述训练样本的所述缺陷特征进行权重计算；

通过所述特征筛选网络层的第一卷积层筛除权重未达到阈值的所述缺陷特征；

通过所述特征筛选网络层的第一池化层剔除所述预训练卷积神经网络模型中预设数量的神经元，以使得经过筛除后的缺陷特征再次进行过滤；

通过所述特征筛选网络层的第二全连接层对过滤后保留下的所述缺陷特征进行权重计算；

通过所述特征筛选网络层的第二卷积层筛除权重未达到阈值的所述缺陷特征；

通过所述特征筛选网络层的第二池化层剔除所述预训练卷积神经网络模型中预设数量的神经元，以使得经过筛除后的缺陷特征再次进行过滤；

通过所述特征筛选网络层的第三全连接层对过滤后保留下的所述缺陷特征进行组合，以生成特征组合图像；

通过所述特征筛选网络层的softmax层对所述特征组合图像进行计算，得到所述特征组合图像对应的所述训练样本归属各个缺陷类型的概率值；

根据所述训练样本归属各个缺陷类型的概率值与所述预训练卷积神经网络模型的损失函数计算损失值；

判断所述损失值是否大于阈值；

若所述损失值不大于阈值，则判断所述训练样本集中是否存在未训练的训练样本；

若所述训练样本集中不存在未训练的训练样本，则确定所述预训练卷积神经网络模型为已完成训练的目标卷积神经网络模型。