基于全卷积网络的手机液晶面板缺陷检测算法研究

发布时间：2021-03-18 11:09

　　随着智能手机产业的快速发展,智能手机液晶面板的需求持续增长。而缺陷检测是面板生产质量控制的重要一环,其直接决定了手机液晶面板整体的出货成品率。现有产线检测技术还存在较高误检率和漏检率,仍需依靠人工肉眼检测。鉴于此,本文研究基于深度学习技术的手机液晶面板缺陷检测算法,提高手机液晶面板自动化检测的精确度等性能。本文首先分析了手机液晶面板缺陷检测的关键技术,重点研究了基于全卷积网络和两阶段卷积神经网络的技术和算法,并做了性能评估和对比性研究。结合手机液晶面板缺陷图像的特性和检测任务需求,本文选取了基于全卷积网络的分割算法作为手机液晶面板缺陷检测的核心技术,并以此展开算法研究和缺陷检测方案设计。然后将基于全卷积网络的手机液晶面板缺陷检测任务分解为四个步骤,第一步构建全卷积骨干网络;第二步设计全卷积网络的上采样算法;第三步对全卷积网络进行训练;最后使用修正算法对分割结果进行修正。重点研究了其中对分割结果影响最重要的第二步和第四步:全卷积网络的上采样算法和全卷积网络输出分割图的位置修正算法。针对全卷积网络上采样过程中存在的由于反卷积操作造成的位置信息丢失和特征信息利用率不高的问题,利用改进的反卷积... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

人工神经元示意图

(2.1)表示为矩阵形式，对于每个神经元，假设它接收的上一节点的权重向量为w ，偏置为b ，该神经元的输出值则为：( )Tf wx b向量与权重的内积，加上偏置项，再送入一个函数进行非线个函数称为激活函数，一个典型的激活函数是 sigmoid 函数示。1( )1xxe 被用于 logistic 回归，函数的值域为 0,1 ，是一个单调递增 ( x))，按照该式子可以很方便的计算出导数值，从而较方便激活函数的曲线图像如图 2.2 所示。函数在 0 点处有导数最大地方导数越小。

图 2.3 ReLU 和 leak ReLU 函数图像络eep Neural Network, DNN)由输入层、隐藏层神经网络示意图。干个人工神经元组成。深度神经网络中最重要是深度神经网络得以重新被重视的根本原因


本文编号：3088218