隨著智能手機產(chǎn)業(yè)的快速發(fā)展,智能手機液晶面板的需求持續(xù)增長。而缺陷檢測是面板生產(chǎn)質(zhì)量控制的重要一環(huán),其直接決定了手機液晶面板整體的出貨成品率。現(xiàn)有產(chǎn)線檢測技術(shù)還存在較高誤檢率和漏檢率,仍需依靠人工肉眼檢測。鑒于此,本文研究基于深度學習技術(shù)的手機液晶面板缺陷檢測算法,提高手機液晶面板自動化檢測的精確度等性能。本文首先分析了手機液晶面板缺陷檢測的關(guān)鍵技術(shù),重點研究了基于全卷積網(wǎng)絡(luò)和兩階段卷積神經(jīng)網(wǎng)絡(luò)的技術(shù)和算法,并做了性能評估和對比性研究。結(jié)合手機液晶面板缺陷圖像的特性和檢測任務(wù)需求,本文選取了基于全卷積網(wǎng)絡(luò)的分割算法作為手機液晶面板缺陷檢測的核心技術(shù),并以此展開算法研究和缺陷檢測方案設(shè)計。然后將基于全卷積網(wǎng)絡(luò)的手機液晶面板缺陷檢測任務(wù)分解為四個步驟,第一步構(gòu)建全卷積骨干網(wǎng)絡(luò);第二步設(shè)計全卷積網(wǎng)絡(luò)的上采樣算法;第三步對全卷積網(wǎng)絡(luò)進行訓練;最后使用修正算法對分割結(jié)果進行修正。重點研究了其中對分割結(jié)果影響最重要的第二步和第四步:全卷積網(wǎng)絡(luò)的上采樣算法和全卷積網(wǎng)絡(luò)輸出分割圖的位置修正算法。針對全卷積網(wǎng)絡(luò)上采樣過程中存在的由于反卷積操作造成的位置信息丟失和特征信息利用率不高的問題,利用改進的反卷積... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【部分圖文】：

人工神經(jīng)元示意圖

(2.1)表示為矩陣形式，對于每個神經(jīng)元，假設(shè)它接收的上一節(jié)點的權(quán)重向量為w ，偏置為b ，該神經(jīng)元的輸出值則為：( )Tf wx b向量與權(quán)重的內(nèi)積，加上偏置項，再送入一個函數(shù)進行非線個函數(shù)稱為激活函數(shù)，一個典型的激活函數(shù)是 sigmoid 函數(shù)示。1( )1xxe 被用于 logistic 回歸，函數(shù)的值域為 0,1 ，是一個單調(diào)遞增 ( x))，按照該式子可以很方便的計算出導數(shù)值，從而較方便激活函數(shù)的曲線圖像如圖 2.2 所示。函數(shù)在 0 點處有導數(shù)最大地方導數(shù)越小。

圖 2.3 ReLU 和 leak ReLU 函數(shù)圖像絡(luò)eep Neural Network, DNN)由輸入層、隱藏層神經(jīng)網(wǎng)絡(luò)示意圖。干個人工神經(jīng)元組成。深度神經(jīng)網(wǎng)絡(luò)中最重要是深度神經(jīng)網(wǎng)絡(luò)得以重新被重視的根本原因


本文編號：3088218