[发明专利]一种显示面板缺陷分类的方法及相关装置

说明书

本申请实施例公开了一种显示面板缺陷分类的方法及相关装置，用于减少误检率和漏检率。本申请实施例方法包括：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对所述缺陷特征进行计算，得到所述显示面板图像归属各个缺陷类型的概率值集合；根据所述概率值集合确定所述显示面板图像的缺陷类型。

技术领域

本申请实施例涉及显示面板领域，尤其涉及一种显示面板缺陷分类的方法及相关装置。

背景技术

随着信息显示技术的不断发展，显示面板(OLED)凭借其自发光、可弯曲、视角广泛、响应速度快、制程简单等优势，正逐步取代传统的LCD，快速深入的应用到现代社会的各个领域。

在OLED生产制作的过程中，由于OLED制程工艺复杂、蒸镀工艺难以实现非常良好的平整性，导致每个子像素的发光亮度在相同外部条件下差异较大，这是一种常见缺陷Mura，在OLED显示中相较LCD更为严重。这就使得在OLED制作完成之后，需要对每个OLED的子像素进行补偿，以达到显示面板显示标准。但是，由于缺陷Mura存在多种缺陷类型，不同的缺陷类型的补偿修复的方式不同。所以，在补偿缺陷Mura之前，需要对OLED进行缺陷Mura的检测和分类、分级，从而进行对应缺陷，这需要准确地检测出缺陷Mura。的缺陷类型。现有技术中，通过拍摄OLED得到图像，再对图像进行分析，判断OLED是否存在缺陷Mura，确定缺陷Mura的缺陷类型。

但是，由于OLED通过相机拍摄得到的图像与人眼从OLED上看到的图像是有差异的，导致一些人眼能看到的Mura，在图像上看不到或者非常模糊，导致在图像上无法进行缺陷Mura的检测和区分，造成误检与漏检。传统的缺陷Mura检测手段存在人为误差，导致误检率和漏检率的提高。

发明内容

本申请实施例第一方面提供了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对所述缺陷特征进行计算，得到所述显示面板图像归属各个缺陷类型的概率值集合；

根据所述概率值集合确定所述显示面板图像的缺陷类型。

可选的，所述通过所述特征筛选网络层对所述缺陷特征进行计算，得到所述显示面板图像归属各个缺陷类型的概率值集合，包括：

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；