【摘要】：在TFT-LCD(Thin Film Transistor-Liquid Crystal Display)的生產(chǎn)中,顯示缺陷的識(shí)別,因?yàn)榭梢灾笇?dǎo)工藝的改進(jìn),而具有重大的意義。而Mura缺陷,因其后果的嚴(yán)重性以及自身的難識(shí)別問(wèn)題,一直是顯示缺陷識(shí)別中的核心和難點(diǎn)。當(dāng)前基于深度學(xué)習(xí)的算法,受限于對(duì)標(biāo)記數(shù)據(jù)的巨大依賴(lài),導(dǎo)致其難以在實(shí)際產(chǎn)線(xiàn)部署應(yīng)用。本文從實(shí)際需求出發(fā),針對(duì)深度學(xué)習(xí)算法對(duì)標(biāo)記數(shù)據(jù)的依賴(lài)問(wèn)題,提出了基于主動(dòng)學(xué)習(xí)的Mura缺陷少樣本識(shí)別方法和基于遷移學(xué)習(xí)的Mura缺陷零樣本識(shí)別方法。本文的研究?jī)?nèi)容總結(jié)如下:(1)針對(duì)Mura缺陷數(shù)據(jù)中標(biāo)簽匱乏及人工標(biāo)記難度大的問(wèn)題,本文提出了基于主動(dòng)學(xué)習(xí)的Mura缺陷少樣本識(shí)別方法。該方法能夠篩選部分信息量較大的未標(biāo)注圖像用于人工標(biāo)注,以加速模型訓(xùn)練的收斂。此外,根據(jù)實(shí)際場(chǎng)景的特點(diǎn),提出了基于相似性度量的自動(dòng)標(biāo)記模塊,可以進(jìn)一步減少人工標(biāo)記的工作量。通過(guò)本文的結(jié)合少量的人工標(biāo)注以及機(jī)器自動(dòng)標(biāo)注的主動(dòng)學(xué)習(xí)方法,深度學(xué)習(xí)模型可以大幅度減少對(duì)于人工標(biāo)記樣本的依賴(lài)并獲得較好的識(shí)別性能。實(shí)驗(yàn)表明該算法可以在現(xiàn)有深度學(xué)習(xí)算法基礎(chǔ)上減少50%的人工標(biāo)記量,極大減少人工標(biāo)記負(fù)擔(dān)。(2)針對(duì)已標(biāo)記數(shù)據(jù)場(chǎng)景的模型在未標(biāo)記數(shù)據(jù)場(chǎng)景的應(yīng)用中發(fā)生嚴(yán)重的性能損失問(wèn)題,本文提出了基于遷移學(xué)習(xí)的Mura缺陷零樣本識(shí)別。該方法聯(lián)合了像素級(jí)遷移和特征級(jí)遷移,在模型遷移的過(guò)程中盡可能保留了特征的判別性,最終大幅度減少模型遷移中的性能損失,達(dá)到無(wú)需額外人工標(biāo)記下的Mura缺陷識(shí)別。在SVHN(Street View Home Number)和手寫(xiě)字符體數(shù)據(jù)集的實(shí)驗(yàn)上,模型的遷移過(guò)程中精度損失僅為5.2%,優(yōu)于現(xiàn)有的CyCADA(Cycle-consistent adversarial domain adaptation),DAAN(Domain-Adversarial Training of Neural Networks),以及ADDA(Adversarial discriminative domain adaptation)方法。(3)針對(duì)手機(jī)外殼的劃傷缺陷檢測(cè)問(wèn)題,傳統(tǒng)基于二維的圖像的方法容易受到紋理以及噪聲干擾等缺點(diǎn),導(dǎo)致其檢出率低而過(guò)檢率較高,難以滿(mǎn)足實(shí)際的需求。本文提出了一種基于光度立體成像技術(shù)的外殼劃傷檢測(cè)方法,該方法通過(guò)固定相機(jī)和物體,在多個(gè)不同方向進(jìn)行打光,可以得到待測(cè)物體的表面矢量,進(jìn)而重建出劃傷缺陷的形狀,以和干擾的紋理以及噪聲等區(qū)分。與傳統(tǒng)方法對(duì)比,本方法可以極大提升劃傷檢測(cè)的檢出率和魯棒性。數(shù)據(jù)集實(shí)驗(yàn)表明本算法重建精度誤差為12.045度,顯著優(yōu)于現(xiàn)有的Diffuse Maxima和Entropy Minimization方法。本文還對(duì)所研究的算法在半自動(dòng)AOI設(shè)備上的應(yīng)用進(jìn)行研究。首先針對(duì)Mura缺陷難成像問(wèn)題,設(shè)計(jì)了多視角的Mura成像機(jī)構(gòu),以保證Mura缺陷的清晰成像。此外,自主研發(fā)的上位機(jī)軟件同時(shí)集成了氣動(dòng)控制,檢測(cè)監(jiān)視以及日志整合等功能。在手機(jī)屏Mura缺陷檢測(cè)中,基于主動(dòng)學(xué)習(xí)的方法在保證精度的情況下減少了50%的人工標(biāo)記量;基于遷移學(xué)習(xí)的方法在無(wú)需人工標(biāo)記量的情況下達(dá)到了90.1%的精度;在手機(jī)外殼缺陷檢測(cè)中,基于光度立體成像的算法達(dá)到了95%的檢出率和9.1%的過(guò)檢率。整套AOI系統(tǒng)在實(shí)際顯示器件制造廠如惠州TCL、昆山龍騰光電進(jìn)行了應(yīng)用,結(jié)果顯示本系統(tǒng)完全符合現(xiàn)場(chǎng)應(yīng)用要求,能極大提高缺陷檢測(cè)與識(shí)別效率。
【圖文】：

(c)源域 Ring Mura (d)目標(biāo)域 Ring Mura圖 3-1 源域與目標(biāo)域?qū)?yīng)類(lèi)別缺陷特征分布偏移示意圖帶有相應(yīng)的標(biāo)簽，這一限制極大地降低了微調(diào)在工業(yè)場(chǎng)景中的現(xiàn)實(shí)意景的標(biāo)記代價(jià)較大，若能直接利用無(wú)標(biāo)簽的目標(biāo)域樣本來(lái)進(jìn)行分類(lèi)器更為經(jīng)濟(jì)實(shí)用的方向。移學(xué)習(xí)[18]的發(fā)展為上述的構(gòu)想帶來(lái)了可能。遷移學(xué)習(xí)，顧名思義是將器的性能遷移到新的任務(wù)上。對(duì)應(yīng)于本文的研究場(chǎng)景，就是將源域中訓(xùn)移到目標(biāo)域中，并且目標(biāo)域樣本不帶有標(biāo)簽。當(dāng)源域的樣本特征分布和征分布之間存在差異時(shí)，直接將在源域上訓(xùn)練好的分類(lèi)器應(yīng)用到目標(biāo)的性能損失，而遷移學(xué)習(xí)方法能極大程度減少這種性能損失。性能損要在于分類(lèi)器在訓(xùn)練時(shí)已經(jīng)與對(duì)應(yīng)的特征分布相對(duì)應(yīng)，因此特征分布的能影響較大。顯而易見(jiàn)，，為了減少這種損失，直觀的方法就是減少兩個(gè)差異，這也是遷移學(xué)習(xí)的主要原理。這種減少差異的方法也叫做混淆要有像素級(jí)別的混淆以及特征級(jí)別的混淆，也被稱(chēng)為像素級(jí)別遷移以

(c)SVHN 數(shù)字 1 (d)風(fēng)格轉(zhuǎn)換后數(shù)字 1 3-2 風(fēng)格轉(zhuǎn)換中的類(lèi)別改變。其中(a)是 SVHN 中的“9”，(b)是其轉(zhuǎn)化過(guò)程后的在轉(zhuǎn)換過(guò)程中“9”變成了“8”。(c)SVHN 中的“1”，在轉(zhuǎn)換過(guò)程中變成了(d)中像素級(jí)別遷移著生成對(duì)抗網(wǎng)絡(luò)的發(fā)展，像素級(jí)別遷移逐漸被研究人員提出，并推動(dòng)了的源域和目標(biāo)域之間的遷移方法的發(fā)展。像素級(jí)別遷移主要基于條件(conditionalGAN)，其輸入一個(gè)風(fēng)格的圖像，可以生成目標(biāo)風(fēng)格的圖像的遷移不同的是，像素級(jí)別遷移發(fā)生在圖像送入分類(lèi)器的特征提取之種圖像預(yù)處理。Bousmalis 等[49]利用條件生成對(duì)抗網(wǎng)絡(luò)將源域的樣本轉(zhuǎn)其中將源域的樣本和一個(gè)噪聲向量輸入到生成器中，然后生成器生成的的樣本一起輸入到判別器中，訓(xùn)練判別器的能力。最終讓判別器難以區(qū)成樣本與目標(biāo)域的樣本。最后在源域轉(zhuǎn)換之后，訓(xùn)練分類(lèi)器，則該分類(lèi)域上取得較好性能。生成對(duì)抗網(wǎng)絡(luò)的難點(diǎn)在與訓(xùn)練的不穩(wěn)定性，為了增hrivastava 等[50]使用了一個(gè) minibatch 中的所有的生成圖像來(lái)混合訓(xùn)練
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TN873.93

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曾曉彥;張奕杰;;輸電線(xiàn)路缺陷照片快速命名歸檔的整理系統(tǒng)的設(shè)計(jì)[J];電子元器件與信息技術(shù);2019年12期

2 王永慧;顏云輝;吳艷萍;梁惠升;;帶鋼表面缺陷圖像小波融合方法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年05期

3 楊建華;劉進(jìn)圣;;基于機(jī)器視覺(jué)的缺陷圖像增強(qiáng)算法研究[J];山西電子技術(shù);2016年02期

4 劉洲峰;高二金;李春雷;;基于紋理特性的織物表面缺陷圖像的分類(lèi)研究[J];中原工學(xué)院學(xué)報(bào);2010年04期

5 管永紅;王潤(rùn)生;施將君;;閃光照相圖像缺陷消除方法[J];強(qiáng)激光與粒子束;2008年02期

6 曹義親;武丹;黃曉生;;基于改進(jìn)蟻群算法的軌道缺陷圖像分類(lèi)[J];計(jì)算機(jī)科學(xué);2019年08期

7 李靜;王新民;;基于B樣條小波的零件缺陷圖像邊緣檢測(cè)[J];紡織高�；A(chǔ)科學(xué)學(xué)報(bào);2011年02期

8 甘勝豐;雷維新;鄧芳;袁榮奇;;鋼材表面缺陷圖像感興趣區(qū)域提取方法[J];機(jī)械設(shè)計(jì)與制造;2017年01期

9 湯勃;孔建益;王興東;蔣國(guó)璋;熊禾根;楊金堂;;帶鋼表面缺陷圖像的小波閾值降噪研究[J];武漢科技大學(xué)學(xué)報(bào);2010年01期

10 王俊平,郝躍,任春麗,鐵滿(mǎn)霞;IC真實(shí)缺陷圖像的分色[J];西安電子科技大學(xué)學(xué)報(bào);2000年05期

相關(guān)會(huì)議論文 前6條

1 趙宏宇;趙紅穎;王楠;;缸孔表面缺陷圖像的分段檢測(cè)[A];中國(guó)圖象圖形科學(xué)技術(shù)新進(jìn)展——第九屆全國(guó)圖象圖形科技大會(huì)論文集[C];1998年

2 張健;楊麗麗;鮑際平;;基于蟻群算法的強(qiáng)化木地板表面缺陷圖像處理技術(shù)研究[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（3）[C];2008年

3 張宇;王俊平;郭清衍;王瑞巖;周海;;彩色梯度和數(shù)學(xué)形態(tài)學(xué)的缺陷圖像分割方法[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（下）[C];2008年

4 孫朝明;徐彥霖;王增勇;;利用小波方法實(shí)現(xiàn)射線(xiàn)圖像的缺陷分割[A];中國(guó)工程物理研究院科技年報(bào)（2005）[C];2005年

5 王軍敏;周寧;查光明;;集成電路和圖像處理技術(shù)的應(yīng)用研究[A];四川省電子學(xué)會(huì)半導(dǎo)體與集成技術(shù)專(zhuān)委會(huì)2006年度學(xué)術(shù)年會(huì)論文集[C];2006年

6 王答成;焦宗平;楊國(guó)洪;;淺析AOI測(cè)試玻璃缺陷技術(shù)[A];電子玻璃技術(shù)2016（總第48期）[C];2016年

相關(guān)博士學(xué)位論文 前6條

1 石端虎;復(fù)雜結(jié)構(gòu)精密焊件中缺陷分割及空間定位的研究[D];哈爾濱工業(yè)大學(xué);2007年

2 李長(zhǎng)樂(lè);冷軋帶鋼表面缺陷圖像檢測(cè)關(guān)鍵技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2009年

3 儲(chǔ)茂祥;鋼板表面缺陷檢測(cè)關(guān)鍵技術(shù)研究[D];東北大學(xué);2014年

4 李新科;橋梁拉索表面缺陷圖像檢測(cè)關(guān)鍵技術(shù)的研究[D];重慶大學(xué);2014年

5 陳愷;集成電路芯片表面缺陷視覺(jué)檢測(cè)關(guān)鍵技術(shù)研究[D];東南大學(xué);2016年

6 陳躍;帶鋼表面缺陷圖像檢測(cè)理論及識(shí)別算法研究[D];中國(guó)礦業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 毛芳勤;基于少樣本的TFT-LCD缺陷視覺(jué)識(shí)別算法研究及應(yīng)用[D];華中科技大學(xué);2019年

2 宋哲;選區(qū)激光熔化鈦合金的缺陷容限評(píng)價(jià)方法[D];西南交通大學(xué);2019年

3 王宏碩;TFT-LCD面板缺陷成像、提取、識(shí)別和分類(lèi)方法研究[D];合肥工業(yè)大學(xué);2019年

4 易禮燕;基于雙閾值的軸承滾子缺陷提取技術(shù)研究[D];重慶郵電大學(xué);2019年

5 張偉;一種筆管缺陷自動(dòng)化檢測(cè)系統(tǒng)研究[D];天津大學(xué);2018年

6 王合英;基于單幅圖像及結(jié)合非缺陷圖像統(tǒng)計(jì)特性的帶鋼表面缺陷檢測(cè)[D];河北工業(yè)大學(xué);2017年

7 肖本郁;復(fù)雜環(huán)境下軌面缺陷與扣件缺失的圖像檢測(cè)方法研究[D];蘭州交通大學(xué);2018年

8 高倩倩;瓷磚表面質(zhì)量視覺(jué)檢測(cè)技術(shù)研究[D];山東理工大學(xué);2018年

9 王卓;基于紅外熱波相位法的燃?xì)夤艿廊毕輽C(jī)載檢測(cè)裝置研究[D];昆明理工大學(xué);2018年

10 徐足騁;基于視覺(jué)的印刷缺陷檢測(cè)技術(shù)研究[D];南京航空航天大學(xué);2018年

本文編號(hào)：2649590