隨著近年來(lái)電子產(chǎn)品設(shè)備的超高速迭代更新,智能設(shè)備對(duì)屏幕液晶面板的要求越來(lái)越高,液晶面板的缺陷檢測(cè)是影響屏幕質(zhì)量的重要環(huán)節(jié)。目前的面板缺陷檢測(cè)主要依靠?jī)煞N方式:一種是人工加放大鏡肉眼判斷,十分依賴于工人經(jīng)驗(yàn)并且人力成本的浪費(fèi)比較嚴(yán)重;另一種是使用傳統(tǒng)的計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)相結(jié)合的方法,兩種方法檢測(cè)效率都比較低下,不能滿足工廠對(duì)缺陷檢測(cè)實(shí)時(shí)性的要求,且目前缺陷種類隨著面板加工工藝的復(fù)雜化變得更多樣,傳統(tǒng)方法也無(wú)法滿足缺陷檢測(cè)的精度要求。因此,本文以某面板生產(chǎn)工廠實(shí)際生產(chǎn)中的缺陷數(shù)據(jù)為研究對(duì)象,設(shè)計(jì)了基于深度學(xué)習(xí)技術(shù)的液晶面板兩種缺陷檢測(cè)算法,旨在提高液晶面板缺陷的檢出效率與檢測(cè)精度。本文首先分析了AMOLED面板缺陷檢測(cè)相關(guān)理論技術(shù),結(jié)合采集到的圖像數(shù)據(jù),使用翻轉(zhuǎn)、裁剪、隨機(jī)缺陷生成等方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充,基于此對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理,使用LabelImg工具對(duì)采集圖像進(jìn)行缺陷類型與缺陷位置的標(biāo)定,并進(jìn)標(biāo)簽數(shù)據(jù)轉(zhuǎn)換為可用形式。利用模型遷移方法固定深度卷積網(wǎng)絡(luò)的部分參數(shù),抽取小樣本數(shù)據(jù)對(duì)本實(shí)驗(yàn)中Faster RCNN算法與RetinaNet算法進(jìn)行可行性分析驗(yàn)證其收斂性。其次設(shè)計(jì)Faster R... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

某液晶面板生產(chǎn)廠家缺陷檢測(cè)流程

第二章相關(guān)基礎(chǔ)理論與關(guān)鍵技術(shù)9第二章相關(guān)基礎(chǔ)理論與關(guān)鍵技術(shù)本章主要介紹在整個(gè)液晶面板缺陷檢測(cè)與分類過程涉及的相關(guān)理論和技術(shù)框架。首先介紹卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks,CNNs)相關(guān)概念，然后介紹two-stage算法FasterRCNN以及one-stage算法RetinaNet。2.1卷積神經(jīng)網(wǎng)絡(luò)CNNs是計(jì)算機(jī)視覺研究中應(yīng)用最廣泛的骨干網(wǎng)絡(luò)框架，類似于人工神經(jīng)網(wǎng)絡(luò)的多層感知器，在圖像分類、檢測(cè)、語(yǔ)義分割以及信號(hào)處理方面有出色表現(xiàn)。CNNs本質(zhì)上是一種輸入到輸出的非線性映射，采用空間關(guān)系運(yùn)算與共享權(quán)值，確保了平移不變性，降低了參數(shù)計(jì)算量，大大提升了傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能。相比于傳統(tǒng)機(jī)器視覺方法，CNNs的輸入層對(duì)輸入數(shù)據(jù)的預(yù)處理沒有很高的要求，尤其在訓(xùn)練圖像數(shù)據(jù)時(shí)，不需要手動(dòng)進(jìn)行特征分析，提取可能適合的特征。傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)卷積層之間采用全連接方式，即相鄰層神經(jīng)元之間全部相連，CNN通常只需要對(duì)輸入圖像數(shù)據(jù)進(jìn)行均值化、歸一化的預(yù)處理，通過卷積網(wǎng)絡(luò)自動(dòng)化學(xué)習(xí)圖像特征，避免傳統(tǒng)視覺方法對(duì)特征提取與選擇的高度依賴，提高了模型運(yùn)行效率。CNNs卷積層以相當(dāng)于滑動(dòng)窗口的方式利用卷積核對(duì)輸入featuremap進(jìn)行局部感知，獲取細(xì)節(jié)信息，同一卷積核共享權(quán)值，并將獲得的特征信息即每一層生成的featuremap輸入到下一訓(xùn)練層。卷積核這種通過局部感知對(duì)特征進(jìn)行提取的方式，使得卷積神經(jīng)網(wǎng)絡(luò)具有旋轉(zhuǎn)不變性、平移不變性、縮放不變性[41]。在卷積層后使用池化方法降低feturemap尺寸，減少神經(jīng)網(wǎng)絡(luò)計(jì)算量。2.1.1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)CNNs的基本結(jié)構(gòu)如圖2-1所示：圖2-1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

InceptionNet基本結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的連鑄坯表面缺陷檢測(cè)[J]. 胡嘉成,王向陽(yáng),劉晗.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]基于特征金字塔網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法[J]. 施澤浩.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(03)
[3]機(jī)器視覺表面缺陷檢測(cè)綜述[J]. 湯勃,孔建益,伍世虔.  中國(guó)圖象圖形學(xué)報(bào). 2017(12)
[4]基于全卷積網(wǎng)絡(luò)的語(yǔ)義顯著性區(qū)域檢測(cè)方法研究[J]. 鄭云飛,張雄偉,曹鐵勇,孫蒙.  電子學(xué)報(bào). 2017(11)
[5]基于馬爾科夫隨機(jī)場(chǎng)與模擬退火算法的圖像分割[J]. 楊玚,謝華成.  軟件. 2015(04)
[6]基于剪切波和小波特征融合的金屬表面缺陷識(shí)別方法[J]. 周鵬,徐科,劉順華.  機(jī)械工程學(xué)報(bào). 2015(06)
[7]基于局部二值模式和灰度共生矩陣的籽棉雜質(zhì)分類識(shí)別[J]. 王昊鵬,李慧.  農(nóng)業(yè)工程學(xué)報(bào). 2015(03)
[8]基于分形維數(shù)的磁痕圖像缺陷檢測(cè)[J]. 王姮,卜燕,張華,楊薛濤.  計(jì)算機(jī)應(yīng)用研究. 2015(02)
[9]基于深度學(xué)習(xí)的太陽(yáng)能電池片表面缺陷檢測(cè)方法[J]. 王憲保,李潔,姚明海,何文秀,錢沄濤.  模式識(shí)別與人工智能. 2014(06)
[10]太陽(yáng)能電池缺陷檢測(cè)圖像的分割技術(shù)[J]. 王志欣,田學(xué)民.  電子設(shè)計(jì)工程. 2014(10)

碩士論文
[1]智能機(jī)翼缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 韋小杰.北京交通大學(xué) 2019
[2]基于全卷積網(wǎng)絡(luò)的手機(jī)液晶面板缺陷檢測(cè)算法研究[D]. 劉恒.重慶郵電大學(xué) 2019
[3]坯布表面缺陷的檢測(cè)與分類算法研究[D]. 晏琳.西安工程大學(xué) 2019
[4]輪胎表面缺陷檢測(cè)系統(tǒng)的研制[D]. 王沖.電子科技大學(xué) 2019
[5]基于子空間分析和局部二值模式的手指靜脈識(shí)別算法研究[D]. 王家萬(wàn).杭州電子科技大學(xué) 2016
[6]基于局部二值模式的人臉識(shí)別算法研究[D]. 胥淘.中南大學(xué) 2010



本文編號(hào)：3448704