[发明专利]缺陷识别方法、装置、计算机设备及计算机可读存储介质

说明书

本申请提供了一种缺陷识别方法、装置、计算机设备及计算机可读存储介质，涉及缺陷检测技术领域。通过获取待检测OLED面板的初始图片，将初始图片输入预先训练的缺陷识别模型以得到初步识别结果，初步识别结果包括缺陷的类型及缺陷的置信度；判断置信度大于对应缺陷类型所预设的置信度阈值的全部缺陷是否存在至少两个预设类型的第一缺陷；若存在至少两个第一缺陷，计算各第一缺陷与对应的缺陷模板的相似度，获取第一缺陷的目标缺陷类型，第一缺陷的目标缺陷类型为与第一缺陷的相似度最大的缺陷模板对应的缺陷类型，目标缺陷类型作为初始图片的输出结果。通过本实施例提供的缺陷识别方法，能够提高判图的准确度。

技术领域

本发明涉及缺陷检测技术领域，具体而言，涉及一种缺陷识别方法、装置、计算机设备及计算机可读存储介质。

背景技术

有机发光二极管(Organic Light-Emitting Diode，OLED)具有诸多优良特性，被普遍地认为是理想的下一代平板显示技术。但由于其生产过程复杂，制备过程中难免会出现各式各样的缺陷。这些缺陷具有边界模糊、形状不规则、周期纹理背景及整体亮度不均匀等特点。因此，对于OLED显示屏的表面缺陷进行检测，有利于对缺陷进行统计分析，同时对产品进行修补或淘汰，并通过工艺改进而提高其制造质量，避免浪费生产资源。

当前对OLED显示屏的检测通常采用拍照机进行拍照，进行人工判图，但人工判图成本高并且受判图人员主观因素，以及判图熟练程度的影响。因此，深度学习技术实现多缺陷的识别成为了主流方式。但由于生产环境中产生的缺陷形态不一，复杂多变，简单的判别模型存在识别精度及准确度较低的问题。

发明内容

为了解决上述技术问题，本申请实施例提供了一种缺陷识别方法、装置、计算机设备及计算机可读存储介质。

第一方面，本申请实施例提供了一种缺陷识别方法，所述方法包括：

获取待检测OLED面板的初始图片，并将所述初始图片输入预先训练的缺陷识别模型以得到初步识别结果，其中，所述初步识别结果包括缺陷的类型及缺陷的置信度；

判断各所述缺陷的置信度是否大于对应缺陷类型所预设的置信度阈值；

若存在至少两个缺陷的置信度大于对应缺陷类型所预设的置信度阈值，则判断在置信度大于对应缺陷类型所预设的置信度阈值的全部缺陷中是否存在至少两个预设类型的第一缺陷；

若存在至少两个第一缺陷，通过计算各所述第一缺陷与对应的缺陷模板的相似度，获取所述第一缺陷的目标缺陷类型，其中，所述第一缺陷的目标缺陷类型为与所述第一缺陷的相似度最大的缺陷模板对应的缺陷类型，将所述目标缺陷类型作为所述初始图片的输出结果。

在一种具体的实施方式中，所述若存在至少两个缺陷的置信度大于对应缺陷类型所预设的置信度阈值，判断在置信度大于对应缺陷类型所预设的置信度阈值的全部缺陷中是否存在至少两个预设类型的第一缺陷的步骤之后，所述方法还包括：

若存在至少两个所述第一缺陷，则判断置信度大于对应缺陷类型所预设的置信度阈值的全部缺陷中是否还存在第二缺陷；

若存在所述第二缺陷，则对所述目标缺陷类型与各所述第二缺陷的缺陷类型进行优先级判断，将优先级最高的缺陷对应的缺陷类型作为所述初始图片的输出结果，所述第一缺陷为置信度大于最大置信度的第一预设倍数的缺陷，所述第二缺陷为置信度大于最大置信度的第二预设倍数的缺陷。

在一种具体的实施方式中，所述最大置信度为所述初步识别结果中各缺陷的置信度中的最大值。

在一种具体的实施方式中，所述通过计算各所述第一缺陷与对应的缺陷模板的相似度，获取所述第一缺陷的目标缺陷类型的步骤，包括：

获取所述第一缺陷的中心点坐标及所述第一缺陷的像素区域的边缘值，以组成对应所述第一缺陷的缺陷序列；