[发明专利]基于宽度学习的Mini-LED缺陷检测方法和系统

说明书

本发明提供一种基于宽度学习的Mini‑LED缺陷检测方法和系统，涉及显示产品缺陷检测技术领域，该方法包括：获取Mini‑LED产品初始图像并进行预处理，将预处理后的Mini‑LED产品初始图像输入含增量学习的宽度学习缺陷检测神经网络模型中进行训练，利用优化后的含增量学习的宽度学习缺陷检测神经网络模型对待检测的Mini‑LED产品图像进行缺陷检测；本发明使用含增量学习的宽度学习神经网络进行缺陷检测，结构扁平，计算简单，训练速度快，含增量学习通过增加增强节点从而提高缺陷检测的准确率；另外，模型训练时，没有较大的计算量，可以显著提高Mini‑LED产品缺陷检测和分类的效率和准确性。

技术领域

本发明涉及显示产品缺陷检测技术领域，更具体地，涉及一种基于宽度学习的Mini-LED缺陷检测方法和系统。

背景技术

不同于常规LED产品的尺寸，Mini-LED的尺寸一般在50-200μm之间，主要由Mini-LED像素阵列、驱动电路组成且像素中心间距为0.3-1.5mm的单元组成。近年来，Mini-LED显示产品已广泛应用于超大屏高清显示，如监控指挥、高清演播、高端影院、医疗诊断、广告显示、会议会展、办公显示、虚拟现实等商用领域。

随着新产业新技术的发展，人们对于产品质量尤其是显示屏幕的要求越来越高，在生产过程中对显示屏幕进行质量检测是一个必不可少的过程。常规LED的缺陷检测方法其光学分辨率未能满足Mini-LED的检测要求，目前常用的Mini-LED缺陷检测方法主要有人工视觉检测法、电学检测法和光学检测法三大类。人工视觉检测法是一种较为原始的表面缺陷检测方法，即用显微镜与特殊光源通过肉眼检测产品缺陷，缺点是检测速度慢，效率低并且检测精度较低容易误检漏检，无法满足产能需求；常用的电学检测法有；全屏点亮法、电荷读出法，电子束扫描像素电极法、探针扫描法、电压图像法和导纳电路检测法等，但因其只能检测出由于电学因素导致的缺陷，只能用于面板制造完成后的检测，对其制造过程中的功能性缺陷无法检测；光学检测法可分为图像处理法和图像识别法，通过对获取的图像进行特征提取处理后输入到分类器中进行面板图像分类，因其精度高、准确率高、无人力成本和可自动化操作等优点逐减成为主流研究方向。

现阶段对于光学检测法的研究主要有机器视觉方法和深度学习方法。传统的基于机器视觉的表面缺陷检测方法主要有基于图像特征检测和基于模板匹配，传统机器视觉方法较难提取到有效性较高的缺陷特征，并且数据量庞大，从大量数据中提取缺陷信息的实时性不高，在实际应用中仍然难以满足当前需求。

基于深度学习的表面缺陷检测算法主要通过从像素中提取缺陷特征的方式以识别其缺陷，主要方法有支持向量机(Support Vector Machines,SVM)和卷积神经网络(Convolutional Neural Networks,CNN)，深度学习的方法虽然保证了准确率，但其数据特征提取复杂需对数据进行大量的参数学习，时间成本较高，训练过程需要有大量的标注数据对其模型进行训练获得有效的模型，对于实际工业场景的应用性不大。

基于深度学习的Mini-LED产品缺陷检测方法虽然可以达到较高的准确率，但随着网络层数的加深，该方法往往深陷在逐层更新权重的过程中，不仅需要耗费大量的训练时间，并且伴随着梯度消失、梯度爆炸或局部最优解等问题的出现，同时其数据的需求量大，在实际工业应用中海量的缺陷标注数据较难获取。

目前的现有技术公开了一种Mini-LED产品缺陷检测方法及相关设备，包括：采集Mini-LED产品图像并将Mini-LED产品图像作为检测图像；选取Mini-LED产品对应的模板特征数据库，将检测图像输入到Mini-LED产品对应的模板特征数据库中，利用函数库得到参考图像；基于检测图像和参考图像，利用ET算法得到残影图；将残影图中灰度值大于阈值的像素点标记为缺陷点，灰度值不大于阈值的像素点标记为非缺陷点；现有技术中的方法通过获取实际Mini-LED产品的真实图像进行外观缺陷检测，无法提取较为完整的特征，检测效果不佳；另外，现有技术中的方法仅使用固定单一的缺陷检测程序来进行缺陷检测，无法进行学习和迭代更新，检测的鲁棒性和准确性也会大大降低。

发明内容