[发明专利]一种面板缺陷分类模型的建立方法及面板缺陷分类方法

说明书

本发明提供了一种面板缺陷分类模型的建立方法及面板缺陷分类方法，涉及面板缺陷检测技术领域。本发明所述的面板缺陷分类模型的建立方法，包括：获取缺陷数据集；根据所述缺陷数据集确定增广数据集；从所述增广数据集提取特征语义信息；根据所述特征语义信息确定融合语义信息；根据所述融合语义信息确定特征矩阵；根据所述特征矩阵确定所述面板缺陷的位置和类别；将所述缺陷数据集作为模型输入，以及将所述面板缺陷的位置和类别作为模型输出建立面板缺陷分类模型。本发明所述的技术方案，通过对包含面板缺陷的缺陷数据集进行数据增广确定的增广数据集作为卷积神经网络的输入，使得卷积神经网络在训练中更快收敛，有利于提高面板缺陷分类的准确性。

技术领域

本发明涉及面板缺陷检测技术领域，具体而言，涉及一种面板缺陷分类模型的建立方法及面板缺陷分类方法。

背景技术

随着面板行业的现代化发展需求，面板的良品率以及次品坏区域是否可以修复等问题无论是对于降低企业成本，还是提升生产工业的智能化水平显得尤为必要。因此需要对面板进行光学检测，检测面板是否存在缺陷，以及缺陷为何种类型，以此保证面板产品出厂的良品率。

现有技术中，卷积神经网络已经被应用到缺陷分类中，通常使用大量卷积层来抽取特征信息，在最后卷积层输出的高层特征语义信息上，使用全连接层完成缺陷类别输出。该方法虽然使用范围较广，但是通常只能输出缺陷类型信息，不能得到其它信息，而且一张图像只能输出一个类别，如果图像存在多种类型缺陷，则会影响最终面板缺陷分类的准确性。

发明内容

本发明解决的问题是如何提高面板缺陷分类的准确性。

为解决上述问题，本发明提供一种面板缺陷分类模型的建立方法，包括：获取缺陷数据集，其中，所述缺陷数据集为包含面板缺陷的样本图片；根据所述缺陷数据集确定增广数据集；从所述增广数据集提取特征语义信息；根据所述特征语义信息确定融合语义信息；根据所述融合语义信息确定特征矩阵；根据所述特征矩阵确定所述面板缺陷的位置和类别；将所述缺陷数据集作为模型输入，以及将所述面板缺陷的位置和类别作为模型输出建立面板缺陷分类模型。

本发明所述的面板缺陷分类模型的建立方法，通过对包含面板缺陷的缺陷数据集进行数据增广确定的增广数据集作为卷积神经网络的输入，使得卷积神经网络在训练中更快收敛，从而提升网络的性能，有利于提高面板缺陷分类的准确性。

可选地，所述根据所述缺陷数据集确定增广数据集包括：从所述缺陷数据集任意选取两张原始缺陷图片，将两张所述原始缺陷图片按预设权重进行融合后加上偏差，生成新缺陷图片以确定所述增广数据集。

本发明所述的面板缺陷分类模型的建立方法，通过两张原始缺陷图片按预设权重进行融合后加上偏差，生成新缺陷图片以确定增广数据集，从而提高增广数据集中缺陷的准确性，进而有利于提高面板缺陷分类的准确性。

可选地，所述根据所述缺陷数据集确定增广数据集包括：从所述缺陷数据集任意选取两张原始缺陷图片，获取其中一张所述原始缺陷图片的位置区域，将所述位置区域与另一张所述原始缺陷图片融合，形成新缺陷图片以确定所述增广数据集。

本发明所述的面板缺陷分类模型的建立方法，通过将一张原始缺陷图片的位置区域与另一张原始缺陷图片融合来形成新缺陷图片，从而提高增广数据集中缺陷的准确性，进而有利于提高面板缺陷分类的准确性。

可选地，所述从所述增广数据集提取特征语义信息包括：从所述增广数据集提取不同尺度的所述特征语义信息。

本发明所述的面板缺陷分类模型的建立方法，通过从增广数据集提取不同尺度的特征语义信息，由于不同层包含的缺陷原始信息不一致，利用多层信息能够更好表达缺陷，进而有利于提高面板缺陷分类的准确性。

可选地，所述根据所述特征语义信息确定融合语义信息包括：将所述特征语义信息中的低层信息与中层特征语义信息、高层特征语义信息融合，以确定不同尺度的所述融合语义信息。