[发明专利]基于小样本深度学习的液晶屏缺陷检测方法、系统及装置

说明书

本发明公开了基于小样本深度学习的液晶屏缺陷检测方法，方法包括：对缺陷图像进行分类标注，得到缺陷样本集；根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到检测结果和学习后的缺陷特征检测模型。本发明通过对已标注的缺陷样本集学习，获得缺陷特征检测模型，并通过缺陷特征检测模型进行缺陷识别，进而利用需检测图像进行增量学习从而调整模型参数，有效了提升LED TV屏的智能检测的准确度。本发明可广泛应用于LED TV检测中。

技术领域

本发明涉及TV检测技术领域，尤其涉及基于小样本深度学习的液晶屏缺陷 检测方法、系统及装置。

背景技术

当前，液晶显示已广泛应用于电子生产与消费领域，液晶屏的质量直接关 乎电子产品的整体品质。因此，在液晶屏的生产过程中，由工艺及环境导致液 晶屏显示的诸如包括亮点、漏光、白点、异物、斑纹、BLOB(几何形态)、MURA、 黑点、颜色不均、划伤、气泡、褶皱等缺陷问题。

发明内容

为了解决上述技术问题，本发明的目的是提供一种能提高缺陷识别率的基 于小样本深度学习的液晶屏缺陷检测方法、系统及装置。

本发明所采取的技术方案是：

基于小样本深度学习的液晶屏缺陷检测方法，包括以下步骤：

对缺陷图像进行分类标注，得到缺陷样本集；

根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型；

根据缺陷特征检测模型对需检测图像进行检测并同时进行增量学习，得到 检测结果和学习后的缺陷特征检测模型。

作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所 述的根据缺陷样本集，通过迁移学习算法建立得到缺陷特征检测模型，这一步 骤具体包括：

建立神经网络模型，所述神经网络模型的分类器包括有全连接层和线性化 单元；

根据缺陷样本集和神经网络模型，通过迁移学习算法进行处理，得到缺陷 特征检测模型。

作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所 述的增量学习具体包括：

对需检测图像进行预训练；

计算适应性误差函数，参数更新误差函数和代价函数，并对神经网络模型 进行参数调整，得到缺陷特征模型。

作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所 述适应性误差函数的具体计算公式为：

其中，W为权重矩阵，取值为：θ表示神 经网络模型的原始参数，Δθ表示参数θ的增量，μ为学习效率， 表示神经网络模型参数由θ更新为θ+Δθ后的重构误差，T 表示训练样本。

作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所 述参数更新误差函数的具体计算公式为：

作为所述的基于小样本深度学习的液晶屏缺陷检测方法的进一步改进，所 述代价函数的具体计算公式为：

P(x,θ+Δθ)＝E_adp+E_pers。

本发明所采用的另一个技术方案是：

基于小样本深度学习的液晶屏缺陷检测系统，包括：

分类标注单元，用于对缺陷图像进行分类标注，得到缺陷样本集；

模型生成单元，用于根据缺陷样本集，通过迁移学习算法建立得到缺陷特 征检测模型；