[发明专利]一种基于深度学习的用于显示面板缺陷的分类方法

权利要求书

1.一种基于深度学习的用于显示面板缺陷的分类方法，其特征在于，包括以下步骤：

通过自动光学检测获取至少一张疑似缺陷图片；

将所述疑似缺陷图片输入第一分类模型，所述第一分类模型用于判断所述疑似缺陷图片是真正缺陷或假性缺陷；

如果所述疑似缺陷图片是真正缺陷，则将所述疑似缺陷图片输入第二分类模型，所述第二分类模型用于判断所述疑似缺陷图片是黑色缺陷或白色缺陷；

如果所述疑似缺陷图片是黑色缺陷，则将所述疑似缺陷图片输入第三分类模型，所述第三分类模型用于区分黑色缺陷图片中缺陷归属的具体类别；

如果所述疑似缺陷图片是白色缺陷，则将所述疑似缺陷图片输入第四分类模型，所述第四分类模型用于区分白色缺陷图片中缺陷归属的具体类别；

所述第一、二、三、四分类模型为预先训练好的深度神经网络，每个分类模型的训练过程如下：

（1）创建分类模型；

（2）将分好组的数据输入到分类模型中进行模型训练；

（3）将分类模型得出的分类结果与真实的分类标签进行对比计算得出分类模型的损失值，从而调节分类模型中的链接权重，不断降低网络的损失值，进而完成模型训练。

2.根据权利要求1所述的一种基于深度学习的用于显示面板缺陷的分类方法，其特征在于，

所述分类模型由8个特征提取单元级联而成的特征提取网络和一个分类网络组合而成，其中特征提取单元是由一个卷积层，一个激活层和一个最大化池化层组成。

3.根据权利要求2所述的一种基于深度学习的用于显示面板缺陷的分类方法，其特征在于，

所述的卷积层是利用卷积核在图像上滑动，对图像进行卷积计算，其中卷积计算方式为将卷积核中每个元素与其所覆盖的图像区域中的对应元素相乘再求和；

所述特征提取单元中的激活层为级联在卷积层后面的激活操作，其中激活函数为ReLu；

所述的特征提取单元中的最大化池化层为采用n*n像素的邻域在激活层的输出结果上进行滑动，并对每个邻域内的所有像素取得最大值。

4.根据权利要求2所述的一种基于深度学习的用于显示面板缺陷的分类方法，其特征在于，

所述分类模型中的分类网络是由一个输入层，两个隐藏层和一个输出层组成的全连接神经网络；其中输入层和两个隐藏层后面均级联一个ReLu激活层，输出层后面级联一个sigmoid层，来输出样本属于某一类的概率值，其中sigmoid层是由sigmoid激活函数构成。

5.根据权利要求1所述的一种基于深度学习的用于显示面板缺陷的分类方法，其特征在于，

所述将分类模型得出的分类结果与真实的分类标签进行对比计算得出分类模型的损失值，采用交叉熵的计算方式，公式如下：

其中H（p,q）为损失值，p(x)是期望输出，q(x)是实际输出。

6.一种基于深度学习的用于显示面板缺陷的分类装置，其特征在于，包括：

图片获取模块，用于通过自动光学检测获取至少一张疑似缺陷图片；

真假缺陷判断模块，用于将所述疑似缺陷图片输入第一分类模型，所述第一分类模型用于判断所述疑似缺陷图片是真正缺陷或假性缺陷；

黑白缺陷判断模块，用于如果所述疑似缺陷图片是真正缺陷，则将所述疑似缺陷图片输入第二分类模型，所述第二分类模型用于判断所述疑似缺陷图片是黑色缺陷或白色缺陷；

如果所述疑似缺陷图片是黑色缺陷，则将所述疑似缺陷图片输入第三分类模型，所述第三分类模型用于区分黑色缺陷图片中缺陷归属的具体类别；

如果所述疑似缺陷图片是白色缺陷，则将所述疑似缺陷图片输入第四分类模型，所述第四分类模型用于区分白色缺陷图片中缺陷归属的具体类别；

所述第一、二、三、四分类模型为预先训练好的深度神经网络，每个分类模型的训练过程如下：

（1）创建分类模型；

（2）将分好组的数据输入到分类模型中进行模型训练；

（3）将分类模型得出的分类结果与真实的分类标签进行对比计算得出分类模型的损失值，从而调节分类模型中的链接权重，不断降低网络的损失值，进而完成模型训练。