[发明专利]显示面板缺陷检测方法、装置、设备及可读存储介质

说明书

本发明提供一种显示面板缺陷检测方法、装置、设备及可读存储介质。该方法包括：将待检测面板图像输入面板缺陷分割模型，以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理，并对卷积结果进行不同次数的下采样，得到若干下采样结果，对每个下采样结果经过密集连接生成的数据进行特征融合，得到并输出面板缺陷分割结果，所述待检测面板图像的像素大小为K*K；显示所述面板缺陷分割结果。通过本发明，对每个下采样结果经过密集连接后生成数据，可减少浅层特征在网络加深过程中的信息丢失，然后将每个下采样结果经过密集连接后生成的数据进行特征融合，实现了在不影响普通目标分割效果的同时显著改善屏幕缺陷分割效果。

技术领域

本发明涉及自动化缺陷检测技术领域，尤其涉及一种显示面板缺陷检测方法、装置、设备及可读存储介质。

背景技术

随着手机、笔记本等电子产品的普及及其快速的更新换代，对产线上的液晶屏幕和OLED屏幕有着极大的产量需求。在屏幕成型的整个过程中，由于原材料、生产工艺、意外等情况，屏幕上常常存在各种缺陷，例如破片、气泡、划伤、缺角、压痕等。这些存在缺陷的屏幕会影响其性能或降低用户体验，是不允许流入市场的，因此，需要对生产的屏幕进行缺陷检测。

基于深度学习的分割网络是对图片像素级的分类，若使用分割网络对屏幕进行缺陷分割，则可以得到比较精确的缺陷面积。而对于屏幕缺陷分割而言，是对小目标进行分割。但是，目前的学术界和业界研究的基于深度学习的分割网络通常是对无人驾驶和自然场景的分割，如Pascal Voc、MS COCO、Cityscapes、KITTI数据集，这些数据集分割目标通常较大，小目标很少。且现有的分割网络结构受限于较多的下采样层，对小目标分割效果很差。

针对屏幕缺陷的分割问题，目前采用比较多的方法为将图片样本进行放大，此时缺陷为放大后的缺陷，但将图片成倍放大后输入给神经网络，将使神经网络的参数量爆增，同时一定程度上也会影响到对普通目标的分割效果。

发明内容

本发明的主要目的在于提供一种显示面板缺陷检测方法、装置、设备及可读存储介质，旨在解决现有技术中对屏幕缺陷分割效果差的技术问题。

第一方面，本发明提供一种显示面板缺陷检测方法，所述显示面板缺陷检测方法包括：

将待检测面板图像输入面板缺陷分割模型，以供所述面板缺陷分割模型对所述待检测面板图像进行卷积处理，并对卷积结果进行不同次数的下采样，得到若干下采样结果，对每个下采样结果经过密集连接生成的数据进行特征融合，得到并输出面板缺陷分割结果，所述待检测面板图像的像素大小为K*K；

显示所述面板缺陷分割结果。

可选的，所述对每个下采样结果经过密集连接生成的数据进行特征融合，得到并输出面板缺陷分割结果的步骤包括：

分别对每个下采样结果经过密集连接生成的数据进行加权处理，对加权处理后的数据进行求和处理，以求和处理得到的结果为面板缺陷分割结果，并输出所述面板缺陷分割结果。

可选的，每个下采样结果经过密集连接生成的数据对应的权值，根据其对应的下采样次数确定，下采样次数越少，权值越大。

可选的，在所述将待检测面板图像输入面板缺陷分割模型的步骤之前，还包括：

获取N张面板图像，对每张面板图像进行预处理，将预处理后的每张面板图像裁剪为M个像素大小为K*K的子图像，N、M均为正整数；

采用图像语义分割标注工具对每张子图像中的缺陷区域进行标注，得到N*M个标注子图像；

将每张子图像以及与其对应的标注子图像作为一图像对，得到N*M个图像对，将N*M个图像对中的部分作为训练集，其他的作为测试集；