[发明专利]一种用于电润湿显示屏缺陷识别方法

摘要

本发明涉及一种用于电润湿显示屏缺陷识别方法。加入批量归一化算法的卷积神经网络的电润湿显示屏缺陷识别方法，所述卷积神经网络包括四层卷积层、三层池化层、三层批量归一化层、两层全连接层、两层Dropout层以及输出层。本发明通过在所述卷积层后加入批量归一化层，使得每层卷积具有相同的数据分布，提高网络的泛化能力，加快网络收敛，从而提高模型训练速度及缺陷识别精度。

主权项

一种用于电润湿显示屏缺陷识别方法，其特征在于：采用加入批量归一化算法的卷积神经网络实现；所述卷积神经网络包括四层卷积层、三层池化层、三层批量归一化层、两层全连接层、两层Dropout层以及输出层；通过在所述卷积层后加入批量归一化层，使得每层卷积层具有相同的数据分布，提高网络的泛化能力，加快网络收敛，从而提高模型训练速度及识别精度；该方法具体包括以下步骤：步骤S1、将输入图像归一化至网络所需统一尺寸大小；步骤S2、进行卷积：用一个可训练的滤波器卷积输入图像，得到卷积层的特征图；步骤S3、进行降采样：对卷积层的特征图中的每个n×n领域求最大值得到池化层一个值，进而使得降采样的特征图在各个维度都比卷积层的特征度缩小n倍；步骤S4、进行归一化：通过批量归一化算法将输入数据归一化成均值为0，标准差为1的数据分布状态，同时引入学习参数，使得数据归一化过程中不影响从上一层网络学习到的数据特征；批量归一化算法的归一化及前向传播公式为：μB←1mΣi=1mxi]]>δB2←1mΣi=1m(xi-μB)2]]>x^i←xi-μBδB2+ϵ]]>yi←γx^i+β≡BNγ,β(xi)]]>其中，μB为均值，δB2为方差，yi为输出数据；步骤S5、进行全连接：将第三层池化层的特征图展开成一个向量，乘上加权值并通过激活函数得到输出层神经元的输出值；步骤S6、求出输出值与标签值的均方误差，网络采用批量随机梯度下降法进行网络迭代运算，当网络迭代次数满足要求时终止卷积神经网络的训练。