[发明专利]基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法

说明书

本发明涉及一种基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法，属于屏幕检测技术领域。该方法包括以下步骤：通过频域高斯滤波或者时域高斯模糊的方法将缺陷样本转换为正常样本，建议使用频域高斯滤波，因为这个模糊方式对正常背景特征破坏程度较小；在对抗性训练过程中，将缺陷样本与平滑后的正常样本成对输入到卷积神经网络中；通过设置相应的损失函数，网络学习到缺陷区域与不直接相关的正常背景的特征差异，以及缺陷区域与直接相关的正常背景之间的差异。本发明提出的算法采用对抗性训练的方法，即使在少量训练样本的条件下，也可以快速学习到缺陷与背景的差异。

技术领域

本发明属于屏幕检测技术领域，涉及基于卷积神经网络对抗式训练的液晶屏幕缺陷检测 方法。

背景技术

1、本技术领域发展状况

液晶屏幕的生产环节，包括切割，组装与焊接等已基本实现自动化，但是在质量检测环 节仍然使用人工检测。人工检测最大的缺点在于成本较高，所以很多模组厂家正在积极寻找 相关的AOI设备。

制约这种AOI设备量产的原因在于算法检测的直通率低，且算法调试难度大，培训时间 长等。现在很多视觉企业正积极研发这种装备，但是如何在保证高准确率的前提下降低设备 成本，尤其是维护成本仍旧是一个难题。

2、已有技术方案

1)基于数字图像处理方案

该方案主要通过缺陷增强或者背景重建的方法，然后再通过设定阈值检测。其中，增强 方法多采用频域增强，背景重建方法多使用PCA,ICA等方法。

2)基于模式识别或者神经网络的二次判断方法

该方法首先通过数字图像处理寻找可能的缺陷区域，提取该区域建模，做精确判断。其 中，建模的算法多为EM,SVM或者BP网络。

3)基于深度学习的方法、

该方法大多是采集大量的训练样本，经过CNN或者DBN，或者结合RNN训练。

3、现有方案的不足

1)算法复杂度高，检测速度慢。

2)需要较多的训练样本。

3)对很不明显的Mura缺陷检测效果不佳。

4)边缘处Mura缺陷检测效果不佳。

5)检测超参数较多，阈值参数对于不同类型的模板难以统一。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积神经网络对抗式训练的液晶屏幕缺陷检 测方法，通过少量的训练样本，在短时间内训练一个同时检测多种类型缺陷(Mura缺陷，点 缺陷，线缺陷等)的卷积神经网络模型。

为达到上述目的，本发明提供如下技术方案：

基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法，该方法包括以下步骤：

在一块正常的模组上采集无缺陷的样本图A，然后在这个模组制作缺陷并采集得到含有 缺陷的样本B；有目的地学习B图中缺陷的区域P_B与A图中与P_B相同的位置的区域P_A的差 异；

通过频域高斯滤波或者时域高斯模糊的方法将缺陷样本转换为正常样本，这个模糊方式 对正常背景特征破坏程度较小；

在对抗性训练过程中，将缺陷样本与平滑后的正常样本成对输入到卷积神经网络中；

通过设置相应的损失函数，网络学习到缺陷区域与不直接相关的正常背景的特征差异， 以及缺陷区域与直接相关的正常背景之间的差异；网络的损失函数如下：