基于深度学习的液晶面板缺陷检测与分类
发布时间：2021-10-21 09:25
随着近年来电子产品设备的超高速迭代更新,智能设备对屏幕液晶面板的要求越来越高,液晶面板的缺陷检测是影响屏幕质量的重要环节。目前的面板缺陷检测主要依靠两种方式:一种是人工加放大镜肉眼判断,十分依赖于工人经验并且人力成本的浪费比较严重;另一种是使用传统的计算机视觉与机器学习相结合的方法,两种方法检测效率都比较低下,不能满足工厂对缺陷检测实时性的要求,且目前缺陷种类随着面板加工工艺的复杂化变得更多样,传统方法也无法满足缺陷检测的精度要求。因此,本文以某面板生产工厂实际生产中的缺陷数据为研究对象,设计了基于深度学习技术的液晶面板两种缺陷检测算法,旨在提高液晶面板缺陷的检出效率与检测精度。本文首先分析了AMOLED面板缺陷检测相关理论技术,结合采集到的图像数据,使用翻转、裁剪、随机缺陷生成等方法对数据集进行扩充,基于此对数据集进行预处理,使用LabelImg工具对采集图像进行缺陷类型与缺陷位置的标定,并进标签数据转换为可用形式。利用模型迁移方法固定深度卷积网络的部分参数,抽取小样本数据对本实验中Faster RCNN算法与RetinaNet算法进行可行性分析验证其收敛性。其次设计Faster R...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
某液晶面板生产厂家缺陷检测流程
第二章相关基础理论与关键技术9第二章相关基础理论与关键技术本章主要介绍在整个液晶面板缺陷检测与分类过程涉及的相关理论和技术框架。首先介绍卷积神经网络(ConvolutionalNeuralNetworks,CNNs)相关概念，然后介绍two-stage算法FasterRCNN以及one-stage算法RetinaNet。2.1卷积神经网络CNNs是计算机视觉研究中应用最广泛的骨干网络框架，类似于人工神经网络的多层感知器，在图像分类、检测、语义分割以及信号处理方面有出色表现。CNNs本质上是一种输入到输出的非线性映射，采用空间关系运算与共享权值，确保了平移不变性，降低了参数计算量，大大提升了传统人工神经网络的训练性能。相比于传统机器视觉方法，CNNs的输入层对输入数据的预处理没有很高的要求，尤其在训练图像数据时，不需要手动进行特征分析，提取可能适合的特征。传统人工神经网络卷积层之间采用全连接方式，即相邻层神经元之间全部相连，CNN通常只需要对输入图像数据进行均值化、归一化的预处理，通过卷积网络自动化学习图像特征，避免传统视觉方法对特征提取与选择的高度依赖，提高了模型运行效率。CNNs卷积层以相当于滑动窗口的方式利用卷积核对输入featuremap进行局部感知，获取细节信息，同一卷积核共享权值，并将获得的特征信息即每一层生成的featuremap输入到下一训练层。卷积核这种通过局部感知对特征进行提取的方式，使得卷积神经网络具有旋转不变性、平移不变性、缩放不变性[41]。在卷积层后使用池化方法降低feturemap尺寸，减少神经网络计算量。2.1.1卷积神经网络基本结构CNNs的基本结构如图2-1所示：图2-1卷积神经网络基本结构
InceptionNet基本结构
【参考文献】：
期刊论文
[1]基于深度学习的连铸坯表面缺陷检测[J]. 胡嘉成,王向阳,刘晗. 上海大学学报(自然科学版). 2019(04)
[2]基于特征金字塔网络的目标检测算法[J]. 施泽浩. 现代计算机(专业版). 2018(03)
[3]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[4]基于全卷积网络的语义显著性区域检测方法研究[J]. 郑云飞,张雄伟,曹铁勇,孙蒙. 电子学报. 2017(11)
[5]基于马尔科夫随机场与模拟退火算法的图像分割[J]. 杨玚,谢华成. 软件. 2015(04)
[6]基于剪切波和小波特征融合的金属表面缺陷识别方法[J]. 周鹏,徐科,刘顺华. 机械工程学报. 2015(06)
[7]基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别[J]. 王昊鹏,李慧. 农业工程学报. 2015(03)
[8]基于分形维数的磁痕图像缺陷检测[J]. 王姮,卜燕,张华,杨薛涛. 计算机应用研究. 2015(02)
[9]基于深度学习的太阳能电池片表面缺陷检测方法[J]. 王宪保,李洁,姚明海,何文秀,钱沄涛. 模式识别与人工智能. 2014(06)
[10]太阳能电池缺陷检测图像的分割技术[J]. 王志欣,田学民. 电子设计工程. 2014(10)
硕士论文
[1]智能机翼缺陷检测系统的设计与实现[D]. 韦小杰.北京交通大学 2019
[2]基于全卷积网络的手机液晶面板缺陷检测算法研究[D]. 刘恒.重庆邮电大学 2019
[3]坯布表面缺陷的检测与分类算法研究[D]. 晏琳.西安工程大学 2019
[4]轮胎表面缺陷检测系统的研制[D]. 王冲.电子科技大学 2019
[5]基于子空间分析和局部二值模式的手指静脉识别算法研究[D]. 王家万.杭州电子科技大学 2016
[6]基于局部二值模式的人脸识别算法研究[D]. 胥淘.中南大学 2010
本文编号：3448704
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
某液晶面板生产厂家缺陷检测流程
第二章相关基础理论与关键技术9第二章相关基础理论与关键技术本章主要介绍在整个液晶面板缺陷检测与分类过程涉及的相关理论和技术框架。首先介绍卷积神经网络(ConvolutionalNeuralNetworks,CNNs)相关概念，然后介绍two-stage算法FasterRCNN以及one-stage算法RetinaNet。2.1卷积神经网络CNNs是计算机视觉研究中应用最广泛的骨干网络框架，类似于人工神经网络的多层感知器，在图像分类、检测、语义分割以及信号处理方面有出色表现。CNNs本质上是一种输入到输出的非线性映射，采用空间关系运算与共享权值，确保了平移不变性，降低了参数计算量，大大提升了传统人工神经网络的训练性能。相比于传统机器视觉方法，CNNs的输入层对输入数据的预处理没有很高的要求，尤其在训练图像数据时，不需要手动进行特征分析，提取可能适合的特征。传统人工神经网络卷积层之间采用全连接方式，即相邻层神经元之间全部相连，CNN通常只需要对输入图像数据进行均值化、归一化的预处理，通过卷积网络自动化学习图像特征，避免传统视觉方法对特征提取与选择的高度依赖，提高了模型运行效率。CNNs卷积层以相当于滑动窗口的方式利用卷积核对输入featuremap进行局部感知，获取细节信息，同一卷积核共享权值，并将获得的特征信息即每一层生成的featuremap输入到下一训练层。卷积核这种通过局部感知对特征进行提取的方式，使得卷积神经网络具有旋转不变性、平移不变性、缩放不变性[41]。在卷积层后使用池化方法降低feturemap尺寸，减少神经网络计算量。2.1.1卷积神经网络基本结构CNNs的基本结构如图2-1所示：图2-1卷积神经网络基本结构
InceptionNet基本结构
【参考文献】：
期刊论文
[1]基于深度学习的连铸坯表面缺陷检测[J]. 胡嘉成,王向阳,刘晗. 上海大学学报(自然科学版). 2019(04)
[2]基于特征金字塔网络的目标检测算法[J]. 施泽浩. 现代计算机(专业版). 2018(03)
[3]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[4]基于全卷积网络的语义显著性区域检测方法研究[J]. 郑云飞,张雄伟,曹铁勇,孙蒙. 电子学报. 2017(11)
[5]基于马尔科夫随机场与模拟退火算法的图像分割[J]. 杨玚,谢华成. 软件. 2015(04)
[6]基于剪切波和小波特征融合的金属表面缺陷识别方法[J]. 周鹏,徐科,刘顺华. 机械工程学报. 2015(06)
[7]基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别[J]. 王昊鹏,李慧. 农业工程学报. 2015(03)
[8]基于分形维数的磁痕图像缺陷检测[J]. 王姮,卜燕,张华,杨薛涛. 计算机应用研究. 2015(02)
[9]基于深度学习的太阳能电池片表面缺陷检测方法[J]. 王宪保,李洁,姚明海,何文秀,钱沄涛. 模式识别与人工智能. 2014(06)
[10]太阳能电池缺陷检测图像的分割技术[J]. 王志欣,田学民. 电子设计工程. 2014(10)
硕士论文
[1]智能机翼缺陷检测系统的设计与实现[D]. 韦小杰.北京交通大学 2019
[2]基于全卷积网络的手机液晶面板缺陷检测算法研究[D]. 刘恒.重庆邮电大学 2019
[3]坯布表面缺陷的检测与分类算法研究[D]. 晏琳.西安工程大学 2019
[4]轮胎表面缺陷检测系统的研制[D]. 王冲.电子科技大学 2019
[5]基于子空间分析和局部二值模式的手指静脉识别算法研究[D]. 王家万.杭州电子科技大学 2016
[6]基于局部二值模式的人脸识别算法研究[D]. 胥淘.中南大学 2010
本文编号：3448704
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3448704.html
