基于少样本的TFT-LCD缺陷视觉识别算法研究及应用

发布时间：2020-05-05 05:03

【摘要】：在TFT-LCD(Thin Film Transistor-Liquid Crystal Display)的生产中,显示缺陷的识别,因为可以指导工艺的改进,而具有重大的意义。而Mura缺陷,因其后果的严重性以及自身的难识别问题,一直是显示缺陷识别中的核心和难点。当前基于深度学习的算法,受限于对标记数据的巨大依赖,导致其难以在实际产线部署应用。本文从实际需求出发,针对深度学习算法对标记数据的依赖问题,提出了基于主动学习的Mura缺陷少样本识别方法和基于迁移学习的Mura缺陷零样本识别方法。本文的研究内容总结如下:(1)针对Mura缺陷数据中标签匮乏及人工标记难度大的问题,本文提出了基于主动学习的Mura缺陷少样本识别方法。该方法能够筛选部分信息量较大的未标注图像用于人工标注,以加速模型训练的收敛。此外,根据实际场景的特点,提出了基于相似性度量的自动标记模块,可以进一步减少人工标记的工作量。通过本文的结合少量的人工标注以及机器自动标注的主动学习方法,深度学习模型可以大幅度减少对于人工标记样本的依赖并获得较好的识别性能。实验表明该算法可以在现有深度学习算法基础上减少50%的人工标记量,极大减少人工标记负担。(2)针对已标记数据场景的模型在未标记数据场景的应用中发生严重的性能损失问题,本文提出了基于迁移学习的Mura缺陷零样本识别。该方法联合了像素级迁移和特征级迁移,在模型迁移的过程中尽可能保留了特征的判别性,最终大幅度减少模型迁移中的性能损失,达到无需额外人工标记下的Mura缺陷识别。在SVHN(Street View Home Number)和手写字符体数据集的实验上,模型的迁移过程中精度损失仅为5.2%,优于现有的CyCADA(Cycle-consistent adversarial domain adaptation),DAAN(Domain-Adversarial Training of Neural Networks),以及ADDA(Adversarial discriminative domain adaptation)方法。(3)针对手机外壳的划伤缺陷检测问题,传统基于二维的图像的方法容易受到纹理以及噪声干扰等缺点,导致其检出率低而过检率较高,难以满足实际的需求。本文提出了一种基于光度立体成像技术的外壳划伤检测方法,该方法通过固定相机和物体,在多个不同方向进行打光,可以得到待测物体的表面矢量,进而重建出划伤缺陷的形状,以和干扰的纹理以及噪声等区分。与传统方法对比,本方法可以极大提升划伤检测的检出率和鲁棒性。数据集实验表明本算法重建精度误差为12.045度,显著优于现有的Diffuse Maxima和Entropy Minimization方法。本文还对所研究的算法在半自动AOI设备上的应用进行研究。首先针对Mura缺陷难成像问题,设计了多视角的Mura成像机构,以保证Mura缺陷的清晰成像。此外,自主研发的上位机软件同时集成了气动控制,检测监视以及日志整合等功能。在手机屏Mura缺陷检测中,基于主动学习的方法在保证精度的情况下减少了50%的人工标记量;基于迁移学习的方法在无需人工标记量的情况下达到了90.1%的精度;在手机外壳缺陷检测中,基于光度立体成像的算法达到了95%的检出率和9.1%的过检率。整套AOI系统在实际显示器件制造厂如惠州TCL、昆山龙腾光电进行了应用,结果显示本系统完全符合现场应用要求,能极大提高缺陷检测与识别效率。
【图文】：

示意图,目标域,缺陷特征,类别

(c)源域 Ring Mura (d)目标域 Ring Mura图 3-1 源域与目标域对应类别缺陷特征分布偏移示意图带有相应的标签，这一限制极大地降低了微调在工业场景中的现实意景的标记代价较大，若能直接利用无标签的目标域样本来进行分类器更为经济实用的方向。移学习[18]的发展为上述的构想带来了可能。迁移学习，顾名思义是将器的性能迁移到新的任务上。对应于本文的研究场景，就是将源域中训移到目标域中，并且目标域样本不带有标签。当源域的样本特征分布和征分布之间存在差异时，直接将在源域上训练好的分类器应用到目标的性能损失，而迁移学习方法能极大程度减少这种性能损失。性能损要在于分类器在训练时已经与对应的特征分布相对应，因此特征分布的能影响较大。显而易见，，为了减少这种损失，直观的方法就是减少两个差异，这也是迁移学习的主要原理。这种减少差异的方法也叫做混淆要有像素级别的混淆以及特征级别的混淆，也被称为像素级别迁移以

生成图像,风格,类别,判别器

(c)SVHN 数字 1 (d)风格转换后数字 1 3-2 风格转换中的类别改变。其中(a)是 SVHN 中的“9”，(b)是其转化过程后的在转换过程中“9”变成了“8”。(c)SVHN 中的“1”，在转换过程中变成了(d)中像素级别迁移着生成对抗网络的发展，像素级别迁移逐渐被研究人员提出，并推动了的源域和目标域之间的迁移方法的发展。像素级别迁移主要基于条件(conditionalGAN)，其输入一个风格的图像，可以生成目标风格的图像的迁移不同的是，像素级别迁移发生在图像送入分类器的特征提取之种图像预处理。Bousmalis 等[49]利用条件生成对抗网络将源域的样本转其中将源域的样本和一个噪声向量输入到生成器中，然后生成器生成的的样本一起输入到判别器中，训练判别器的能力。最终让判别器难以区成样本与目标域的样本。最后在源域转换之后，训练分类器，则该分类域上取得较好性能。生成对抗网络的难点在与训练的不稳定性，为了增hrivastava 等[50]使用了一个 minibatch 中的所有的生成图像来混合训练
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN873.93

【相似文献】