一种面板缺陷检测模型的生成方法、检测方法及终端设备与流程

1.本技术涉及面板加工技术领域，特别涉及一种面板缺陷检测模型的生成方法、检测方法及终端设备。


背景技术：

2.产品质量是制造业最为重视的生产指标之一，为了保证产品质量，在产品生产过程中对产品进行缺陷检测成为不可或缺的工序，例如，显示面板(例如，薄膜晶体管液晶显示器(tft-lcd，thin film transistor-liquid crystal display)等)为例，每条产线都需要对显示面板进行缺陷检测。然而，目前普遍是通过人工对显示面板进行缺陷检测，然而，检测人员在大量重复性的劳动时因出现视力疲劳而造成误判，进而影响显示面板的质量。


技术实现要素：

3.本技术要解决的技术问题在于，针对现有技术的不足，提供一种面板缺陷检测模型的生成方法、检测方法及终端设备。
4.为了解决上述技术问题，本技术实施例第一方面提供了一种面板缺陷检测模型的生成方法，所述方法包括：
5.获取面板图像集，并确定所述面板图像集对应的若干目标检测区域；
6.将若干目标检测区域配置于预设网络模型；
7.基于所述面板图像集对配置得到的预设网络模型进行训练，以得到面板缺陷检测模型。
8.所述面板缺陷检测模型的生成方法，其中，所述获取面板图像集，并确定所述面板图像集对应的若干目标检测区域具体包括：
9.获取面板图像集，其中，所述面板图像集包括若干训练面板图像；
10.对于若干训练面板图像集中每个训练面板图像，获取该训练面板图像包括的真实检测区域；
11.对获取到的所有真实检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域。
12.所述面板缺陷检测模型的生成方法，其中，所述对获取到的所有真实检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域具体包括：
13.确定获取到的各真实检测区域对应的检测区域尺寸；
14.基于获取到的各检测区域尺寸对各检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域。
15.所述面板缺陷检测模型的生成方法，其中，所述基于获取到的各检测区域尺寸对各检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域具体包括：
16.基于获取到的各检测区域尺寸对各检测区域进行聚类分析，以将所述面板图像集划分为若干检测区域集，其中，若干检测区域集中的每个检测区域集中的任意两个检测区
域的区域差值均满足预设条件；
17.分别在各检测区域中选取一检测区域作为各检测区域各自对应的目标检测区域，以得到所述面板图像集对应的若干目标检测区域。
18.所述面板缺陷检测模型的生成方法，其中，所述预设网络模型包括检测模块和分类模块，所述基于所述面板图像集对配置得到的预设网络模型进行训练，以得到面板缺陷检测模型具体包括：
19.将所述面板图像集中的训练面板图像输出所述检测模块，通过所述检测模块输出若干特征图，其中，若干特征图中至少存在两个图像尺寸不相同的特征图；
20.将若干特征图输入所述分类模块，通过所述分类模块输出所述训练面板图像对应的预测缺陷区域；
21.基于所述预设缺陷区域以及所述训练面板对应的预设缺陷区域标签，对所述预设网络模型的模型参数进行训练，以得到面板缺陷检测模型。
22.所述面板缺陷检测模型的生成方法，其中，所述若干特征图中的各特征图的图像尺寸互不相同。
23.所述面板缺陷检测模型的生成方法，其中，所述检测模块包括若干级联的特征提取单元，若干特征提取单元中至少存在一个第一特征提取单元，第一特征提取单元包括的特征提取层的数量大于预设数量，若干特征提取单元中除第一特征提取单元外的各第二特征提取单元包括的特征提取层的数量小于或者等于预设数量，并且按照级联顺序第一特征提取单元位于各第二特征提取单元之前。
24.所述面板缺陷检测模型的生成方法，其中，所述若干特征图中的每个特征图均对应若干候选检测区域，其中，若干候选检测区域包含于若干目标检测区域中，且各特征图对应的若干候选检测区域互不相同。
25.所述面板缺陷检测模型的生成方法，其中，对于若干特征图中的任意两个特征图，两个特征图中的第一特征图中任一候选检测区域的区域尺寸大于两个特征图中的第二特征图中任一候选检测区域的区域尺寸，其中，第一特征图的图像尺寸大于第二特征图的图像尺寸。
26.所述面板缺陷检测模型的生成方法，其中，所述获取面板图像集具体包括：
27.获取初始面板图像集；
28.确定初始面板图像集中各初始面板图像对应的缺陷类别，并将所述初始面板图像集按照缺陷类别划分为若干子面板图像集；
29.按预设权重从每个子面板图像集中选取预设数量的初始面板图像，并基于选取到初始面板图像确定所述面板图像集。
30.本技术实施例第二方面提供了一种面板缺陷检测方法，应用于如上任一所述面板缺陷检测模型，所述方法包括：所述方法包括：
31.将待检测的面板图像输入所述面板缺陷检测模型；
32.通过所述面板缺陷检测模型输出所述待检测的面板图像对应的缺陷区域。
33.所述面板缺陷检测方法，其中，当所述缺陷检测区域为若干缺陷检测区域时；所述通过所述面板缺陷检测模型输出所述待检测的面板图像对应的缺陷区域之后，所述方法还包括：
34.获取各缺陷区域对应的置信度，基于所述置信度对各缺陷区域进行筛选，以得到筛选后的缺陷区域；
35.将筛选后的缺陷区域作为待检测的面板图像对应的缺陷区域。
36.本实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的面板缺陷检测模型的生成方法中的步骤，和/或以实现如上所述的面板缺陷检测模型的生成方法中的步骤。
37.本实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
38.所述通信总线实现处理器和存储器之间的连接通信；
39.所述处理器执行所述计算机可读程序时实现如上所述的面板缺陷检测模型的生成方法中的步骤，和/或实现如上所述的面板缺陷检测模型的生成方法中的步骤。
40.有益效果：与现有技术相比，本技术提供了一种面板缺陷检测模型的生成方法、检测方法及终端设备，所述面板缺陷检测模型的生成方法包括获取面板图像集，并确定所述面板图像集对应的若干目标检测区域；将若干目标检测区域配置于预设网络模型；基于所述面板图像集对配置得到的预设网络模型进行训练，以得到面板缺陷检测模型。本技术根据面板图像集确定面板图像集对应的若干目标检测区域，并通过面板图像集对配置有若干目标检测区域的预设网络模型进行训练得到缺陷检测模型。这样基于缺陷检测模型可以确定检测面板图像中的缺陷区域，提高了面板缺陷检测的效率，同时，基于面板图像集确定目标检测区域，这样可以使得缺陷网络模型配置的目标检测区域与面板图像集中各训练面板图像携带的缺陷区域的标准区域相匹配，提高缺陷区域检测的精确度。
附图说明
41.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本技术提供的面板缺陷检测模型的生成方法的流程图。
43.图2为本技术提供的面板缺陷检测模型的生成方法中预设网络模型的模型结构原理图。
44.图3为本技术提供的面板缺陷检测方法的流程图。
45.图4为本技术提供的终端设备的结构原理图。
具体实施方式
46.本技术提供一种面板缺陷检测模型的生成方法、检测方法及终端设备，为使本技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
47.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措
辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
48.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
49.具体实现中，本技术实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如，触摸显示屏和/或触摸板)的移动电话，膝上形计算机或平板计算机之类的其他便携式设备。还应该理解的是，在某些实施例中，所述设备并非便携式通讯设备，而是具有触摸敏感表面(例如，触摸显示屏和/或触摸板)的台式计算机。
50.在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端设备。然而，应当理解的是，终端设备还可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其他物理用户接口设备。
51.终端设备支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、视频会议应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件由于程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数据相机应用程序、数字摄像机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放应用程序等。
52.可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的第一或多个功能以及终端上显示的相应信息。这样，终端的公共物理框架(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
53.应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
54.发明人经过研究发现，产品质量是制造业最为重视的生产指标之一，为了保证产品质量，在产品生产过程中对产品进行缺陷检测成为不可或缺的工序，例如，显示面板(例如，薄膜晶体管液晶显示器(tft-lcd，thin film transistor-liquid crystal display)等)为例，每条产线都需要对显示面板进行缺陷检测。目前普遍采用的显示面板的缺陷检测过程普遍为：首先通过自动光学检测设备对面板生产过程中的显示面板进行检测，并对具有缺陷的显示面板进行初步拍照，再将拍摄得到面板缺陷区域图像交给具有专业知识的技术人员进行检测。这种依赖人工检测的方法面临人力成本高、效率低等问题，同时，大量重复性的劳动容易造成人员视力疲劳，引起误判。
55.为了提高面板生成线的效率和质量，基于深度学习的面板缺陷检测方法被广大研究者所关注，也越来越受到厂商的青睐。然而，对工业上的面板的缺陷分布不均匀，并且面板缺陷图像中的缺陷的形状大小区别也很大(例如，长宽不到照片长宽百分之二的缺陷，占
据整个照片位置大缺陷，以及长宽比达到二十倍以的缺陷等)，这使得基于深度学习的面板缺陷检测方法的检测效果欠佳。
56.为了解决上述问题，在本技术实施例中，一种面板缺陷检测模型的生成方法、检测方法及终端设备，所述面板缺陷检测模型的生成方法包括获取面板图像集，并确定所述面板图像集对应的若干目标检测区域；将若干目标检测区域配置于预设网络模型；基于所述面板图像集对配置得到的预设网络模型进行训练，以得到面板缺陷检测模型。本技术根据面板图像集确定面板图像集对应的若干目标检测区域，并通过面板图像集对配置有若干目标检测区域的预设网络模型进行训练得到缺陷检测模型。这样基于面板图像集确定目标检测区域，并将确定得到的目标检测区域作为缺陷检测模型的默认检测区域，这样可以使得缺陷网络模型配置的目标检测区域与面板图像集中各训练面板图像携带的缺陷区域的标准区域相匹配，提高缺陷区域检测的精确度
57.下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
58.本实施提供了一种面板缺陷检测模型的生成方法，如图1所示，所述方法包括：
59.s10、获取面板图像集，并确定所述面板图像集对应的若干目标检测区域。
60.具体地，所述面板图像集包括若干训练面板图像，所述面板图像集包括若干训练面板图像，若干训练面板图像中每个训练面板图像均包括面板缺陷区域，并且每个训练面板图像中的面板缺陷区域对应的缺陷类别相同，并且各缺陷类别对应的训练面板图像的数量相同。其中，所述缺陷类别用于方向面板缺陷的缺陷成因(即面板缺陷的形成原因)，所述缺陷类别可以包括制造工艺失误及修复失误等。例如，对于训练面板图像a，训练面板图像a对应的面板上具有点状缺陷，该点状缺陷的成因为制造工艺失误，那么训练面板图像a对应的缺陷成因为制造工艺失误，该训练面板图像a对应的缺陷类别为制造工艺失误
61.进一步，在本实施例的一个实现方式中，所述获取初始面板图像集；
62.将所述初始面板图像集按照缺陷类别划分为若干子面板图像集；
63.按预设权重从每个子面板图像集中选取预设数量的初始面板图像，并基于选取到初始面板图像确定所述面板图像集。
64.具体地，初始面板图像中的初始面板图像若干初始面板图像均携带标注缺陷区域以及标注缺陷区域对应的缺陷类别，并且每个初始面板图像携带的各面板缺陷区域的缺陷类别相同。例如，初始面板图像包括初始面板图像a，初始面板图像a携带面板缺陷区域a和面板缺陷区域b，那么面板缺陷区域a对应的缺陷类别与面板缺陷区域b对应的缺陷类别相同。在本实施例的一个具体实现方式中，初始面板图像可以为通过预先设置与生产面板的产线上的图像采集装置(例如摄像头或照相机等)，在面板生产的过程中实时或每间隔预设时间采集的面板图像；或者是，从运行面板缺陷检测模型的生成方法的电子设备的本地存储空间中获取的面板图像；或者是，向图像存储服务器发送图像获取请求，并接收服务器基于图像获取请求返回的面板图像等；当然，初始面板图像也可以是通过其他方式获取到，具体获取方式在此处不作限定。其中，待检测面板可以包括tft-lcd面板、lcd面板、集成电路面板或芯片面板等，所述待检测面板可以包括电路区域和非电路区域等。
65.进一步，在获取到初始面板图像集后，可以将初始面板图像集中的若干初始面板图像按照其携带面板区域对应的缺陷类别划分为若干子面板图像集，若干子面板图像集中每个子面板图像集对应一个缺陷类别，并且各子面板图像集各自对应的缺陷类别互不相
同。在划分得到各子面板图像集后，按照预设权重从每个子面板图像集中选取预设数量的初始面板图像，并将选取到所有初始面板图像形成的集合作为面板图像集。其中，所述预设数量小于若干子面板图像集中目标子面板图像集包含的初始面板图像数量，其中，目标子面板图像集为若干子面板图像集中包含初始面板图像数量最少的子面板图像集。
66.进一步，在本实施例的一个实现方式中，面板图像集包括各训练面板图像各自对应的真实检测区域，真实检测区域用于反应训练面板缺陷中的面板缺陷对应的图像区域在所述训练面板图像中的位置信息，其中，训练面板图像对应的真实检测区域可以为一个，也可以为多个。例如，当训练面板图像包括一个缺陷区域时，训练面板图像包括一个真实检测区域；当训练面板图像包括多个缺陷区域，训练面板图像包括多个真实检测区域。
67.所述真实检测区域可以标注于训练面板图像中，所述真实检测区域可以采用长方形区域、正方形区域等形状，并且各训练图像各自对应的真实检测区域的形状可以不同，例如，若干训练面板图像中部分真实检测区域的为长方形区域，部分真实检测区域为正方形区域等。此外，在实际应用中，真实检测区域可以为检测框，并且检测框可以标注于训练面板图像中，训练面板图像中处于检测框内的图像区域为训练面板图像对应的检测区域(即，面板缺陷区域)。
68.进一步，在本实施例的一个实现方式中，所述获取面板图像集，并确定所述面板图像集对应的若干目标检测区域具体包括：
69.s11、获取面板图像集，其中，所述面板图像集包括若干训练面板图像；
70.s12、对于若干训练面板图像集中每个训练面板图像，获取该训练面板图像包括的真实检测区域；
71.s13、对获取到的所有真实检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域。
72.具体地，所述若干目标检测区域用于作为预设网络模型的默认检测区域，以使得预设网络模型基于默认检测区域对输入预设网络模型的训练面板图像进行标注，其中，所述若干目标检测区域为获取到的所有真实检测区域中的部分真实检测区域，并且若干目标检测区域的数量小于获取到的所有真实检测区域的数量。可以理解的是，对于输入预设网络模型的训练面板图像，预设网络模型输出的该训练面板图像对应的预测检测区域对应于若干目标检测区域中的一个目标检测区域，其中，所述对应于指的是预测检测区域的区域尺寸与其对应的目标检测区域的区域尺寸相等。
73.进一步，所述目标检测区域为通过对获取到所有真实检测区域进行聚类分析确定的，其中，获取到的所有真实检测区域中的每个真实检测区域均包括区域位置信息以及区域尺寸信息，所述区域尺寸信息用于反映真实检测区域对应的检测区域的区域大小，所述位置信息用于真实检测区域对应的检测区域在训练面板图像中所处的位置。例如，尺寸信息为该真实检测区域对应的检测区域的长度和宽度，所述位置信息为真实检测区域对应的检测区域的中心与训练面板图像的图像中心之间的距离等。当然，在实际应用中，所述位置信息还可以采用其他方式确定，例如，真实检测区域对应的检测区域的中心点到训练面板图像左上角的距离，真实检测区域对应的检测区域的左上角到训练面板图像左上角的距离等。所述尺寸信息可以为采用其他方式确定，例如，真实检测区域对应的检测区域的周长，真实检测区域对应的检测区域的面积等。
74.进一步，由于目标检测区域用于配置预设网络模型，预设网络模型需要检测训练面板图像中的缺陷区域的缺陷位置。可以理解的是，所述预设网络模型用于检测训练面板图像中的缺陷位置，并且在检测到缺陷位置用其配置的目标检测区域对检测到缺陷区域进行标准，以使得默认检测区域携带有检测到缺陷位置信息。由此，预设网络模型配置的目标检测区域不携带位置信息，从而在获取到各真实检测区域后，可以去除各真实检测区域中的位置信息，仅保留各真实检测区域中的尺寸信息。
75.基于此，在本实施例的一个实现方式中，所述对获取到的所有候选检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域具体包括：
76.确定获取到的各真实检测区域对应的检测区域尺寸；
77.基于获取到的各检测区域尺寸对各检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域。
78.具体地，所述检测区域尺寸用于反映真实检测区域对应的检测区域的区域大小。所述检测区域尺寸包括检测区域的长度和检测区域的宽度，其中，所述检测区域为矩形和/或正方形区域。可以理解的是，获取到各真实检测区域中可以部分为矩形检测框，部分为正方形检测框，或者是，全部为矩形区域检测框，或者全部为正方形区域检测框。例如，获取到真实检测区域包括真实检测区域a，真实检测区域b以及真实检测区域c，真实检测区域a为长度为5，宽度为3的矩形检测框，真实检测区域b为长度为5，宽度为4的矩形检测框，并且矩形，检测标签区域标签为长度为4，宽度为4的正方形标签，那么真实检测区域a对应的检测区域尺寸为(5,3)，真实检测区域b对应的检测区域尺寸为(5,4)，真实检测区域c对应的检测区域尺寸为(3,3)，其中，(a，b)中a表示检测区域的长度，b表示检测区域的宽度。
79.进一步，在本实施例的一个实现方式中，所述基于获取到的各检测区域尺寸对各检测区域进行聚类分析，以得到所述面板图像集对应的若干目标检测区域具体包括：
80.基于获取到的各检测区域尺寸对各检测区域进行聚类分析，以将所述面板图像集划分为若干检测区域集，其中，若干检测区域集中的每个检测区域集中的任意两个检测区域的区域差值均满足预设条件；
81.分别在各检测区域中选取一检测区域作为各检测区域各自对应的目标检测区域，以得到所述面板图像集对应的若干目标检测区域。
82.具体地，在获取到各检测区域尺寸后可以对获取到的各检测区域尺寸进行聚类分析，以得到若干数据类，并将每个数据类作为一个检测区域集，以得到若干检测区域集，其中，若干检测区域集中的每个检测区域集均包括若干检测区域，若干检测区域中的任意两个检测区域，这里两个检测区域之间的区域差值均满足预设条件，其中，所述预设条件可以为预先设置，例如，预设条件为区域差值小于或者等于预设阈值等。此外，在获取到若干检测区域集中，可以在每个检测区域集中随机选取一个检测区域作为目标检测区域，或者是，将每个检测区域集中的聚类中心作为目标检测区域等。
83.进一步，在本实施例的一个具体实现方式中，在获取到各检测区域的区域尺寸后，可以将每个检测区域尺寸均可以表示为一个二维数据组，所有检测区域尺寸可以构成一个二维数据组集。在于基于获取到的各检测区域尺寸对各检测区域进行聚类分析时，可以对二维数据组集进行聚类分析，以得到若干数据类。然后，将每个数据类中的聚类中心作为一个目标检测区域的区域尺寸，以后得到若干目标检测区域的区域尺寸；最后根据获取到的
各目标检测区域的区域尺寸确定目标检测区域。其中，各数据类的聚类中心的二维数据组不相同，相应的，各目标检测区域的区域尺寸互不相同。其中，所述聚类分析可以采用k-means聚类算法，经过k-means聚类算法对二维数据组集进行聚类分析，以得到若干数据类。在本实施例的一个可能实现方式中，所述若干数据类的数量为12个，即目标检测区域的数量为12。
84.举例说明：假设对二维数据集进行聚类分析12个聚类中心，每个聚类中心对应一个二维数据组，并且各数据中心对应的二维数据组互不相同，例如，12个聚类中心包括二维数据组(5,3)和二维数据组(20,10)；那么基于该12个二维数据组可以得到12个互不相同的目标检测区域的区域尺寸，从而基于12个目标检测区域的区域尺寸可以确定12个目标区域，其中，二维数据组(5,3)对应的目标检测区域为长度为5，宽度为3的矩形检测区域，二维数据组(20,10)对应的目标检测区域为长度为20，宽度为10的矩形检测区域。
85.s20、将若干目标检测区域配置于预设网络模型。
86.具体地，所述预设网络模型为预先设置的，用于基于面板图像集生成面板检测模型的，可以理解的是，当基于面板图像集对预设网络模型进行训练后，可以得到面板缺陷检测模型，其中，所述面板缺陷检测模型的模型结构与预设网络模型的模型结构相同，面板缺陷检测模型与预设网络模型的区别在于：面板缺陷检测模型配置的模型参数为经过反向学习的模型参数，预设网络模型配置的模型参数为初始模型参数。
87.进一步，所述预设网络模型预设配置有若干配置参数，其中，所述若干配置参数可以包括学习率参数、反向学习测量参数以及默认检测区域参数。在建立所述预设网络模型后，需要为所述预设网络模型配置其对应的若干配置参数，并将配置有配置参数的预设网络模型作为预设网络模型。其中，所述默认检测区域参数用于配置所述预设网络模型对应的默认检测区域，以使得所述预设网络模型可以采用默认检测区域对训练面板图像进行标注，例如，默认检测区域为矩形时，默认检测区域参数可以包括默认检测区域对应的长度值和宽度值，又例如，默认检测区域为圆形时，默认检测区域参数可以包括默认检测区域对应的半径值等，当然，默认检测区域还可以为其他形状，相应地，默认检测区域参数为该默认检测区域对应的形状的参数。由此，将若干目标检测区域配置于预设网络模型具体为：将所述若干目标检测区域作为默认检测区域参数，并默认检测区域参数配置于所述预设网络模型，以使得所述预设网络模型配置的默认检测区域为若干目标检测区域，这样当预设网络模型预测训练面板图像对应的预测检测区域时，采用若干目标检测区域中的一个或者多个对预测得到的预测检测区域进行标注。可以理解的是，对于输入预设网络模型的训练面板图像，预设网络模型输出的该训练面板图像对应的预测检测区域对应于若干目标检测区域中的一个目标检测区域，其中，所述对应指的是预测检测区域的区域尺寸与其对应的目标检测区域的区域尺寸相等。
88.s30、基于所述面板图像集对配置得到的预设网络模型进行训练，以得到面板缺陷检测模型。
89.具体地，所述预测网络模型的输入项为面板图像集中的训练面板图像，预设网络模型的输出项为训练面板图像对应的预测检测区域。可以理解的是，所述基于所述面板图像集对配置得到的预设网络模型进行训练可以为将所述面板图像集作为预设网络模型的训练样本集，并采用面板图像集中的每张训练面板图像对预设网络模型进行训练，以得到
经过训练的面板缺陷检测模型。其中，采用面板图像集中的每张训练面板图像对预设网络模型进行训练具体可以为：将面板图像集中的训练面板图像输入预设网络模型，通过预设网络模型输出训练面板图像对应的预测检测区域，并基于所述预测检测区域以及训练面板图像对应的真实检测区域确定损失函数，最后基于损失函数对预设网络模型的模型参数进行训练，直至分类结构的模型参数满足预设条件，以得到面板缺陷检测模型。
90.进一步，所述预设条件可以包括损失函数值满足预设要求或者训练次数达到预设次数。所述预设要求可以是根据面板缺陷检测模型的精度来确定，这里不做详细说明，所述预设次数可以为预设神经网络模型的最大训练次数，例如，5000次等。由此，在预设网络模型输出训练面板图像对应的预测检测区域，并基于所述预测检测区域以及训练面板图像对应的真实检测区域确定损失函数后，判断所述损失函数值是否满足预设要求；若损失函数值满足预设要求，则结束训练；若损失函数值不满足预设要求，则判断所述预设神经网络模型的训练次数是否达到预测次数，若未达到预设次数，则根据所述损失函数值对所述预设神经网络模型的网络参数进行修正；若达到预设次数，则结束训练。这样通过损失函数值和训练次数来判断预设神经网络模型训练是否结束，可以避免因损失函数值无法达到预设要求而造成预设神经网络模型的训练进入死循环。在本实施例中，在基于损失函数对预设网络模型进行训练时，可以采用改进的批量梯度下降法(如adam、sgd等)进行反向学习等。
91.进一步，由于对预设神经网络模型的网络参数进行修正是在预设神经网络模型的训练情况未满足预设条件(即，损失函数值未满足预设要求并且训练次数未达到预设次数)，从而在根据损失函数值对所述预设神经网络模型的网络参数进行修正后，需要继续对神经网络模型进行训练，即继续执行将面板图像集中的训练面板图像输入预设神经网络模型的步骤。其中，继续执行将面板图像集中的训练面板图像输入预设神经网络模型中的训练面板图像为未作为输入项输入过预设神经网络模型的训练面板图像。例如，面板图像集中训练面板图像具有唯一图像标识(例如，图像编号)，第一次训练输入的训练面板图像为图像标识与第二次训练输入的训练面板图像的图像标识不同，如，第一次训练输入的训练面板图像的图像编号为1，第二次训练输入的训练面板图像的图像编号为2，第n次训练输入的训练面板图像的图像编号为n。当然，在实际应用中，由于训练集中的训练面板图像的数量有限，为了提高神经网络模型的训练效果，可以依次将面板图像集中的训练面板图像输入至预设神经网络模型以对预设神经网络模型进行训练，当面板图像集中的所有训练面板图像均输入过预设网络模型后，可以继续执行依次将目标面板图像集中的训练面板图像输入至预设神经网络模型的操作，以使得训练集中的样本图像按循环输入至预设网络模型。当然，在实际应用中，再次采用面板图像集对预设网络模型进行训练时，可以调整面板图像集中各训练面板图像输入预设网络模型的顺序。
92.进一步，在本实施例的一个实现方式中，所述预设网络模型包括检测模块和分类模块，所述基于所述面板图像集对配置得到的预设网络模型进行训练，以得到面板缺陷检测模型具体包括：
93.s31、将所述面板图像集中的训练面板图像输出所述检测模块，通过所述检测模块输出若干特征图，其中，若干特征图中至少存在两个图像尺寸不相同的特征图；
94.s32、将若干特征图输入所述分类模块，通过所述分类模块输出所述训练面板图像对应的预测缺陷区域；
95.s33、基于所述预设缺陷区域以及所述训练面板对应的预设缺陷区域标签，对所述预设网络模型的模型参数进行训练，以得到面板缺陷检测模型。
96.具体地，所述若干特征图中的每张特征图均包括训练面板图像中缺陷区域的特征信息，每张特征图均用于确定训练面板图像对应的预测缺陷区域，其中，若干特征图中至少存在两个图像尺寸不相同的特征图，在一种实现方式中，若干特征图中的各特征图的图像尺寸可以互不相同，例如，若干特征图包括特征图a、特征图b以及特征图c，其中，特征图a的图像尺寸和特征图c的图像尺寸均不相同。此外，在实际应用中，若干特征图中的各特征图的图像尺寸可以互不相同，例如，若干特征图包括特征图a、特征图b以及特征图c，其中，特征图a的图像尺寸分别与特征图b的图像尺寸和特征图c的图像尺寸均不相同，并且特征图b的图像尺寸与特征图c的图像尺寸不相同。
97.在本实施例的一个实现方式中，所述若干特征图的图像尺寸宽度与图像尺寸高度的比值相同，并且所述若干特征图按照图像尺寸由小到大的顺序排列形成的特征图序列中，任意两个相邻特征图的图像尺寸比相同，其中，所述图像尺寸指的是图像尺寸宽度比或者图像尺寸高度比。例如，若干特征图包括特征图a、特征图b和特征图c，特征图a的图像尺寸为19*19，特征图b的图像尺寸为38*38。特征图c的图像尺寸为76*76；那么特征图a、特征图b和特征图c按照图像尺寸由小到大的顺序排列形成的特征图序列为特征图a、特征图b、特征图c，并且特征图b的图像尺寸与特征图a的图像尺寸的比值为2；特征图c的图像尺寸与特征图b的图像尺寸的比值为2。
98.进一步，所述若干特征图中的每个特征图均对应若干候选检测区域，其中，若干候选检测区域包含于若干目标检测区域中，且各特征图对应的若干候选检测区域互不相同。此外，对于若干特征图中的任一两个特征图，两个特征图中的第一特征图中任一候选检测区域的区域尺寸大于两个特征图中的第二特征图中任一候选检测区域的区域尺寸，其中，第一特征图的图像尺寸大于第二特征图的图像尺寸。例如，若干特征图包括特征图a和特征图b，特征图a的图像尺寸为76*76，特征图b的图像尺寸为38*38；那么特征图a中的候选检测区域的区域尺寸小于特征图b中的候选检测区域，例如，特征图a中的候选检测区域的区域尺寸为20*10，特征图b中的候选检测区域的区域尺寸为5*3。
99.进一步，在本实施例的一个实现方式中，所述检测模块包括若干级联的特征提取单元，并且按照若干特征提取单元的连接顺序，相邻两个特征提取单元中前一特征提取单元的输出项为后一个特征提取单元的输入项；并且最前一个特征提取单元的输入项为训练面板图像。此外，所述若干特征提取单元的数量与若干特征图的数量相同，通过若干特征提取单元确定若干特征图。
100.进一步，若干特征提取单元中至少存在一个第一特征提取单元，第一特征提取单元包括的特征提取层的数量大于预设数量，若干特征提取单元中除第一特征提取单元外的各第二特征提取单元包括的特征提取层的数量小于或者等于预设数量，并且按照级联顺序第一特征提取单元位于各第二特征提取单元之前。例如，按照若干特征提取单元的级联顺序，最前面的特征提取单元输出的第一特征图为其后面的特征提取单元确定第一特征图的依据，从而为了使得最前面的特征提取单元输出的第一特征图包括丰富的面板缺陷区域的图像细节特征；最前面的特征提取单元包括的特征提取层多于位于其后的任一特征提取单元包括的特征提取层。例如，若干特征提取单元包括特征提取单元1、特征提取单元2以及特
征提取单元3；特征提取单元1与特征提取单元2连接，特征提取单元2与特征提取单元3相连接，那么特征提取单元1包括的特征提取层多于特征提取单元2包括的特征提取层，以及特征提取单元3包括的特征提取层，如，特征提取单元1包括5个特征提取层，特征提取单元2包括3个特征提取层，特征提取单元3包括3个特征提取层。此外，对于每个特征提取单元，该特征提取单元包括的各特征提取层的输出项的图像尺寸相同，例如，对应特征提取单元a，特征提取单元a包括特征提取层1、特征提取层2和特征提取层3，那么特征提取层1的输出项的图像尺寸、特征提取层2的输出项的图像尺寸和特征提取层3的输出项的图像尺寸相同，例如，均为128*128等。
101.进一步，所述检测模块包括若干融合单元，所述若干融合单元的数量比若干特征提取单元的数量少一，例如，特征提取单元为3个，融合单元的数量为2个。其中，若干融合单元依次级联，并按照融合单元的级联顺序位于最前的融合单元的输入项为最后两个特征提取单元的输出项，位于第二位的融合单元的输入项为位于最后第三位的特征提取单元的输出项和最前位的融合单元的输出项，依次类推，位于最后位的融合单元的输入项为位于最后第二为的融合单元的输出项和第一特征提取单元的输出项。相应的，所述若干特征图包括若干融合单元的输出项以及位于最后的特征提取单元的输出项。这样在通过特征提取单元对待检测的面板图像进行下采样后，可以得到面板图像中用于反映面板缺陷的语义信息后，在通过若干融合单元对采集到的参考特征图进行上采样，这样在保留各训练面板图像中用于反映面板缺陷的语义信息的情况下，可以扩大特征图的图像尺寸，这样可以使用扩大图像尺寸的特征图检测小尺寸的面板缺陷区域，这样在保证缺陷检测模型可以检测大尺寸的面板缺陷区域的基础，提高了对小尺寸的面板缺陷区域检测的精确性，从而整体提高了缺陷检测模型的精确度。
102.举例说明：如图2所示，若干特征提取单元包括第一特征图单元，第二特征提取单元以及第三特征提取单元；若干融合单元包括第一融合单元和第二融合单元，其中，所述第三特征提取单元的输出项和第二特征提取单元的输出项为第一融合单元的输入项，第一特征提取单元的输出项和第一融合单元的输出项为第二融合单元的输入项，并且第三特征提取单元的输出项、第一融合单元的输出项以及第二融合单元的输出项为训练面板图像对应的三个特征图。
103.综上，本实施例提供了一种面板缺陷检测模型的生成方法，所述面板缺陷检测模型的生成方法包括获取面板图像集，并确定所述面板图像集对应的若干目标检测区域；将若干目标检测区域配置于预设网络模型；基于所述面板图像集对配置得到的预设网络模型进行训练，以得到面板缺陷检测模型。本技术根据面板图像集确定面板图像集对应的若干目标检测区域，并通过面板图像集对配置有若干目标检测区域的预设网络模型进行训练得到缺陷检测模型。这样基于缺陷检测模型可以确定检测面板图像中的缺陷区域，提高了面板缺陷检测的效率，同时，基于面板图像集确定目标检测区域，这样可以使得缺陷网络模型配置的目标检测区域与面板图像集中各训练面板图像携带的缺陷区域的标准区域相匹配，提高缺陷区域检测的精确度。
104.基于上述面板缺陷检测模型的生成方法，本实施例提供了一种面板缺陷检测方法，应用于上述实施例所述面板缺陷检测模型，如图3所示，所述方法包括：
105.n10、将待检测的面板图像输入所述面板缺陷检测模型；
106.n20、通过所述面板缺陷检测模型输出所述待检测的面板图像对应的缺陷区域，其中，所述缺陷区域包含于若干目标检测区域内。
107.具体地，所述待检测的面板图像可以为通过预先设置与生产面板的产线上的图像采集装置(例如摄像头或照相机等)，在面板生产的过程中实时或每间隔预设时间采集的面板图像；或者是，从运行面板缺陷检测模型的生成方法的电子设备的本地存储空间中获取的面板图像；或者是，向图像存储服务器发送图像获取请求，并接收服务器基于图像获取请求返回的面板图像等；当然，待检测的面板图像也可以是通过其他方式获取到，具体获取方式在此处不作限定。其中，待检测面板可以包括tft-lcd面板、lcd面板、集成电路面板或芯片面板等，所述待检测面板可以包括电路区域和非电路区域等。
108.进一步，所述面板缺陷检测模型配置的默认检测区域为若干目标检测区域，由此，在基于面板缺陷检测模型确定待检测的面板图像对应的缺陷区域时，面板缺陷检测模型输出的缺陷区域为采用若干目标检测区域中的一个目标检测区域进行标注的。
109.进一步，在本实施例的一个实现方式中，由于显示面板上可能存在许多不同缺陷，并且这些缺陷在显示面板中所处的位置可能非常接近，这就会导致在对显示面板进行缺陷检测的过程中检测得到的缺陷框存在相交或嵌套的缺陷区域；而这些相交框或嵌套的缺陷区域会对缺陷检测结果产生影响，从而需要将相交或嵌套框进行滤除，以减少重复或重叠的缺陷区域，以此来提高面板缺陷检测的效果，基于此，在实施例的一个实现方式中，所述通过所述面板缺陷检测模型输出所述待检测的面板图像对应的缺陷区域之后，所述方法还包括：
110.获取各缺陷区域对应的置信度，基于所述置信度对各缺陷区域进行筛选，以得到筛选后的缺陷区域；
111.将筛选后的缺陷区域作为待检测的面板图像对应的缺陷区域。
112.具体地，缺陷区域用于反应待检测面板中的面板缺陷对应的图像区域在所述面板图像中的位置密，并各缺陷区域中可以存在部分缺陷区域之间相交或嵌套。其中，所述若干缺陷区域中的每个缺陷区域均可以采用长方形框、正方形框等形状，并且若干缺陷区域中的各缺陷区域的形状可以不同，例如，部分缺陷区域的为长方形候选区域，部分缺陷区域为正方形候选区域等。此外，各缺陷区域均包括各自对应的置信度，各缺陷区域对应的置信度用于反映各缺陷区域对应的图像区域存在缺陷的可信程度；在本实施例的一个实现方式中，所述置信度的取值范围0-1，并且置信度的取值越大，说明缺陷区域的可信程度越高；反之，置信度的取值越小，说明缺陷区域的可信程度越低。例如，置信度为1时缺陷区域的可信程度高于置信度为0.1时缺陷区域的可信程度。
113.进一步，基于各缺陷区域对应的置信度，对所有缺陷区域进行过滤是可以采用非极大值抑制算法对检测得到所有缺陷区域进行过滤，以得到确定所述面板图像对应的缺陷区域。例如，将所有缺陷区域作为缺陷区域集，将缺陷区域集中所有置信度小于或等于第一阈值(如，0.1等)的缺陷区域删除，以更新缺陷区域集中；将更新后的缺陷区域集中的各缺陷区域按照置信度从大到小排列，选取置信度最高的缺陷区域，并确定缺陷区域集中其它缺陷区域与置信度最高的缺陷区域的交并比(交并比可以理解为两个检测框交集与并集的比例)，将交并比大于第二阈值(如，0.3等)的缺陷区域从更新后的缺陷区域集中过滤掉，将过滤后的缺陷区域集作为更新后的缺陷区域集，并继续执行将更新后的缺陷区域集中的各
缺陷区域按照置信度从大到小排列，执行滤后的缺陷区域集中不包含缺陷区域；将选取到所有缺陷区域作为所述面板对应的面板缺陷区域。
114.在本实施例的一个实现方式中，所述缺陷检测模型基于各缺陷区域对应的置信度，对所有缺陷区域进行过滤，以得到过滤后的缺陷区域具体包括：
115.获取各缺陷区域对应的位置参数；
116.基于各缺陷区域各自对应的置信度及位置参数，对所述各缺陷区域进行过滤，以得到过滤后的缺陷区域。
117.具体地，所述位置参数用于反映该缺陷区域在所述面板图像中的所处区域，可以理解的是，所述位置参数为该缺陷区域在所述面板图像中所对应的图像区域的区域信息。其中，所述位置参数包括位置信息以及尺寸信息，所述尺寸信息用于反映缺陷区域的大小，所述位置信息用于反应缺陷区域在面板图像中所处的位置。例如，尺寸信息为该缺陷区域的面积，所述位置信息为该缺陷区域的中心与面板图像的图像中心之间的距离等。当然，在实际应用中，所述位置信息还可以采用其他方式确定，例如，缺陷区域的中心点到面板图像左上角的距离，缺陷区域的左上角到面板图像左上角的距离等。所述尺寸信息可以为采用其他方式确定，例如，缺陷区域的周长等。
118.进一步，在本实施例的一个实现方式中，以所述缺陷区域为矩形候选区域，尺寸信息为该缺陷区域的面积，所述位置信息为该缺陷区域的中心与面板图像的图像中心之间的距离为例，对所述位置参数的确定过程进行说明。所述缺陷区域的位置参数的确定过程可以为：首先，获取该缺陷区域的四个顶点的顶点坐标；其次，根据四个顶点坐标确定该缺陷区域的四个边长以及中心点坐标；最后，根据四个边长确定该缺陷区域的尺寸信息，以及根据所述中心点坐标确定该缺陷区域的位置信息。例如，面板图像的图像中心坐标为(0,0)，缺陷区域a的四个顶点坐标分别为(0，2)、(2，2)，(2，0)以及(0，0)，那么，该缺陷区域a的位置信息为该缺陷区域a的尺寸信息为4。
119.所述对各缺陷区域进行过滤指的是对各缺陷区域中的每个缺陷区域进行筛选，以去除所有缺陷区域中部分不满足过滤条件的缺陷区域，其中，所述过滤条件为基于各缺陷区域各自对应的置信度及位置参数确定。可以理解的是，将置信度以及位置参数两个因素作为缺陷区域的过滤因素，这样一方面考虑缺陷区域中是否存在面板区域，另一方面考虑缺陷区域在面板图像中的所处区域的区域信息，在过滤相交或嵌套缺陷区域时，在保留置信度高的缺陷区域的同时，还可以通过位置参数的限制保留尺寸以及位置满足条件的候选区域，提高了保留的缺陷区域的准确性，进而可以提高面板缺陷检测的准确性。
120.本实施例采用置信度和位置参数两个因素作为缺陷区域的过滤因素的原因为：显示面板的缺陷普遍为一些离散的缺陷小颗粒，使得缺陷区域为各缺陷小颗粒对应的缺陷区域，各缺陷小颗粒对应的缺陷区域会具有很高的置信度(例如，以置信度取值为0-1为例，很高的置信度可以理解为大于预设置信度的置信度，举例来说，可以为大于0.7的置信度等)，那么在基于置信度筛选缺陷区域时，可以筛选得到缺陷区域为每个缺陷小颗粒对应的缺陷区域，而无法得到包含这些缺陷小颗粒的缺陷的一个大的检测框中，进而无法基于筛选得到缺陷区域来确定显示面板对应的缺陷类别，进而造成缺陷检测准确率低的问题。
121.在本实施例的一个实现方式中，所述基于各缺陷区域各自对应的置信度及位置参数，对各缺陷区域进行过滤，以得到过滤后的缺陷区域具体包括：
122.根据各缺陷区域各自对应的置信度及位置参数，确定各缺陷区域各自对应的置信分数；
123.根据各缺陷区域对应的置信分数，对各缺陷区域进行过滤，以得到过滤后的缺陷区域。
124.具体地，所述置信分数用于反映缺陷区域被选取的可能性，并且置信分数的取值越大，说明缺陷区域的可信程度越高；反之，置信分数的取值越小，说明缺陷区域的可信程度越低。例如，置信分数为5时缺陷区域的被选取的可能性高于置信分数为1时缺陷区域的可能性。所述目标缺陷区域集为基于所述置信分数进行过滤得到的缺陷区域构成的候选区域集合，其中，所述目标缺陷区域集为缺陷区域集的子集，当基于置信分数过滤掉缺陷区域时，目标缺陷候选集为缺陷候选集的真子集；当基于置信分数未过滤掉缺陷区域时，目标缺陷候选集为缺陷候选集。例如，缺陷区域集包括缺陷区域a、缺陷区域b、缺陷区域c以及缺陷区域d，基于各缺陷区域对应的置信分数将缺陷区域a和缺陷区域d过滤掉，那么目标缺陷区域集包括缺陷区域b和缺陷区域d。
125.进一步，在本实施例的一个实现方式中，所述位置参数包括位置信息以及尺寸信息；所述根据各缺陷区域各自对应的置信度及位置参数，确定各缺陷区域各自对应的置信分数为：
126.对该缺陷区域对应的置信度、位置信息及尺寸信息进行加权处理，以得到该缺陷区域对应的置信分数。
127.具体地，所述尺寸信息用于反映缺陷区域的大小，例如，所述尺寸信息为该缺陷区域的面积，所述尺寸信息缺陷后续框的左侧边的边长等。所述位置信息用于方式缺陷区域在面板图像中所处的位置。例如，尺寸信息为该缺陷区域的面积，所述位置信息为该缺陷区域的中心与面板图像的图像中心之间的距离，缺陷区域的中心点到面板图像左上角的距离，缺陷区域的左上角到面板图像左上角的距离等。所述置信度为该缺陷区域携带的置信度。
128.进一步，在对所述置信度、位置信息及尺寸信息进行加权处理前，需要确定置信度、位置信息以及尺寸信息各自对应的权重系数。其中，所述置信度对应的权重系数以及尺寸信息对应的权重系数均为预先设置，例如，所述置信度的权重系数为1，所述尺寸信息的权重系数为0.5等。此外，在实际应用中，所述尺寸信息对应的权重系数可以根据实际检测情况进行设置的，并且尺寸信息对应的权重系数可以根据检测任务中尺寸大小的重要程度来确定，并且当尺寸大小的重要程度高时，尺寸信息对应的权重系数大；反之，当尺寸大小的重要程度低时，尺寸信息对应的权重系数小，这样使得当尺寸较大的缺陷区域的置信度较低时，该尺寸较大的缺陷区域对应的置信分数也会增大，以使得尺寸较大的缺陷区域被选取的概率增大。例如，在注重缺陷区域的尺寸大小的检测任务中，尺寸信息对应的权重系数的值大于注重缺陷区域的位置信息的检测任务中尺寸信息对应的权重系数的值，例如，注重缺陷区域的尺寸大小的检测任务中，尺寸信息对应的权重系数的值为0.8；注重缺陷区域的位置信息的检测任务中，尺寸信息对应的权重系数的值为0.4等。
129.进一步，在本实施例的一个实现方式中，所述位置信息对应的权重参数获取过程具体包括：
130.对于该缺陷区域中的每条边，确定该边与目标边之间的距离，其中，该目标边为所
述面板图像的与该边相对应的边；
131.根据确定得到的所有距离，确定所述位置信息对应的第二权重系数。
132.具体地，所述距离指的是区域边和目标边之间的距离，该区域边与所述目标边平行，由此，所述距离的确定过程可以为：在该区域边上选取一起始点，由该起始点向目标边作垂线，并将该起始点点与垂点的距离作为该区域边与目标边之间的距离。例如，对于缺陷区域中的边a，面板图像中存在边框a和边框b平移，边框a与边a之间的距离为a，边框b与边a之间的距离为b，a》b，边框b为边a对应的目标边。当然，值得说明的，所述缺陷区域可以与面板图像的边缘框的形状相同，例如，均为矩形框等。
133.进一步，所述距离指的是两条平行边之间的距离，将两条平行边中一条边为初始边，一条边作为目标边，在确定初始边与目标边之间的距离可以在该初始边上选取一点，由该点向目标边作垂线，并将该点与垂点的距离作为初始边与目标边之间的距离。例如，缺陷区域为矩形框abcd，面板图像的边缘框为矩形宽abcd，矩形框abcd的ab边对应的目标边为ab，ab边与ab边之间的距离为d_h1；bc边对应的目标边为bc，bc边与bc边之间的距离为d_w2；cd边对应的目标边为cd，cd边与cd边之间的距离为d_h2；da边对应的目标边为da，da边与da边之间的距离为d_w2。
134.进一步，在本实例的一个实现方式中，所述缺陷区域为矩形框；在获取到该缺陷区域中的每条边对应的距离后，将该缺陷区域的四条边划分为第一边组和第二边组；第一边组包括第一宽边和第一高边，第一宽边与第一高边相交；第二边组包括第二宽边和第二高边；第二宽边和第二高边相交。在获取到第一边组和第二边组之后，计算第一边组中第一宽边和第一高边的和，与第一宽边对应的目标边与第一高边对应的目标边的和的比值；以及第二边组中第二宽边和第二高边的和，与第二宽边对应的目标边与第二高边对应的目标边的和的比值；最后根据计算得到两个比值，确定位置信息对应的权重系数，例如，将两个比值中较小的比值作为位置信息对应的权重系数，或者将两个比值中较大的比值作为位置信息对应的权重系数等。
135.在一个具体实现方式中，将两个比值中较小的比值作为位置信息对应的权重系数，这样可以在保留位置信息对应置信分数的影响，又避免位置信息在置信分数中所占比重过高，而影响了置信度的比重，造成缺陷区域选取错误。由此，所述位置信息对应的权重系数的计算公式可以为：
[0136][0137]
其中，w1为位置信息对应的权重系数，d
w1
为第一宽边到其对应的目标边的距离；d
h1
为第一高边到其对应的目标边的距离；d
w2
为第二宽边到其对应的目标边的距离；d
h2
为第二宽边到其对应的目标边的距离；w为面板图像的边缘框的宽度值，h为面板图像的边缘框的高度值。
[0138]
进一步，在确定置信度、尺寸信息、位置信息，置信度对应的权重系数，尺寸信息对应的权重系数以及位置信息对应的权重系数后，所述置信分数的计算公式可以为：
[0139]
combox＝az w0s w1p
[0140]
其中，combox为置信分数，z为置信度，a为置信度对应的权重系数，w0为尺寸信息对应的权重系数，s为尺寸信息，w1为位置信息对应的权重系数，p为位置信息。
[0141]
进一步，在本实施例的一个实现方式中，所述根据各缺陷区域对应的置信分数，对各缺陷区域进行过滤，以得到过滤后的缺陷区域具体包括：
[0142]
根据所述缺陷候选区域集中的各缺陷候选区域对应的置信分数，确定所述缺陷候选区域集对应的目标候选区域以及参考候选区域集，其中，所述参考候选区域集包括所述缺陷候选区域集去除该目标候选区域外的其余缺陷候选区域，所述目标候选区域为各缺陷区域中置信分数最高的一个缺陷区域；
[0143]
对于参考候选区域集中的每个参考候选区域，确定该目标候选区域与该参考候选区域之间的第一面积参数和第二面积参数；
[0144]
根据各参考候选区域对应的第一面积参数和第二面积参数，对该参考候选区域集进行过滤，以得到过滤后的参考候选区域；
[0145]
将过滤后的参考候选区域作为缺陷区域，并继续执行根据各缺陷区域中的各缺陷区域对应的置信分数，确定各缺陷区域对应的目标候选区域以及参考候选区域集的步骤；直至过滤后的参考候选区域未包含参考候选区域；
[0146]
根据确定得到的所有目标候选区域，确定所述面板图像对应的目标缺陷区域集。
[0147]
具体地，所述目标候选区域为缺陷区域集中的一个缺陷区域，参考候选区域集包括各缺陷区域去除该目标候选区域外的其余缺陷区域。可以理解的是，目标候选区域与参考候选区域集中的所有缺陷区域为缺陷区域集中的所有缺陷区域。由此可知，所述根据各缺陷区域中的各缺陷区域对应的置信分数，确定各缺陷区域对应的目标候选区域以及参考候选区域集的过程可以为：根据各缺陷区域的置信分数，在缺陷区域集中选取一个缺陷区域作为目标缺陷区域；将该目标缺陷区域除各缺陷区域中去除，以得到参考候选区域集，其中，所述目标候选区域可以为缺陷区域集中置信分数最大的缺陷区域。例如，缺陷区域包括缺陷区域a、缺陷区域b、缺陷区域c、缺陷区域d以及缺陷区域e，其中，缺陷区域a对应的置信分数为5、缺陷区域b对应的置信分数为4.8、缺陷区域c对应的置信分数为4.9、缺陷区域d对应的置信分数为3.8以及缺陷区域e对应的置信分数为5.8，那么缺陷区域e为目标候选区域，缺陷区域a、缺陷区域b、缺陷区域c以及缺陷区域d构成参考参考候选区域集。
[0148]
进一步，所述第一面积参数用于反映目标候选区域与参考候选区域的相交区域与相并区域的比例信息，第二面积参数用于反映目标候选区域与参考候选区域的相交区域与目标候选区域的比例信息。由此，所述对于参考候选区域集中的每个参考候选区域，确定所述目标候选区域与该参考候选区域之间的第一面积参数和第二面积参数具体包括：
[0149]
对于参考候选区域集中的每个参考候选区域，确定该目标候选区域与该参考候选区域之间的相交区域以及相并区域；
[0150]
根据所述相交区域以及所述相并区域，确定该参考候选区域对应的第一面积参数；
[0151]
根据所述相交区域以及该目标候选区域对应的图像区域，确定该参考候选区域对应的第二面积参数。
[0152]
具体地，该目标候选区域与该参考候选区域之间的相交区域指的是以目标候选区域的边缘框的图像区域与以参考候选区域为边缘框的图像区域的相交区域；该目标候选区域与该参考候选区域之间的相并区域指的是以目标候选区域的边缘框的图像区域与以参考候选区域为边缘框的图像区域的相并区域。所述第一面积参数为相交区域的区域面积与
相并区域的区域面积的比值。此外，目标候选区域对应的图像区域为与目标候选区域为边缘框的图像区域；所述第二面积参数为相交区域的区域面积与目标候选区域对应的图像区域的区域面积的比值。当然，值得说明的，相交区域、相并区域以及目标候选区域对应的图像区域可以均为面板图像的部分图像区域。
[0153]
进一步，在本实施例的一个实现方式中，所述根据各参考候选区域对应的第一面积参数和第二面积参数，对该参考候选区域集进行过滤，以得到过滤后的参考候选区域具体为：
[0154]
对于每个参考候选区域，若该参考候选区域对应的第一面积参数或者第二面积参数大于预设阈值时，将该参考候选区域从所述参考候选区域集中滤除，以得到过滤后的参考候选区域。
[0155]
具体地，所述预设阈值为预先设置的，用于衡量各参考候选区域是否需要被滤除的标准，可以理解的是，预设阈值为对参考候选区域集进行过滤的过滤依据。由此，在获取到第一面积参数r1与第二面积参数r2，可以基于预设阈值对第一面积参数r1与第二面积参数r2进行衡量，以确定参考候选区域是否需要被滤除。
[0156]
在本实施例的一个具体实现方式中，所述参考候选区域需要被滤除的条件可以为第一面积参数r1或第二面积参数r2大于预设阈值。由此，在获取第一面积参数r1与第二面积参数r2后，可以分别将第一面积参数r1与所述第二面积参数r2与预设阈值进行比较；若所述第一面积参数r1大于预设阈值或者所述第二面积参数r2大于预设阈值，将参考候选区域作为需要被滤除的参考候选区域，并将该参考候选区域从参考候选区域集中滤除；这样对每个参考候选区域分别执行将第一面积参数r1与所述第二面积参数r2与预设阈值进行比较的步骤，可以将参考候选区域集中所有需要被滤除的参考候选区域滤除，以得到过滤后的参考候选区域。
[0157]
进一步，在获取到过滤后的参考候选集后，可判断过滤后的参考候选集中是否包含缺陷区域；若包括缺陷区域，将过滤后的参考候选集作为缺陷区域，并继续执行根据各缺陷区域中的各缺陷区域对应的置信分数，确定各缺陷区域对应的目标候选区域以及参考候选区域集的步骤；若未包括缺陷区域，则获取确定得到的各目标候选区域，将确定得到的各目标候选区域作为过滤后的缺陷区域，以得到面板图像对应的缺陷区域。
[0158]
基于上述面板缺陷检测模型的生成方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的面板缺陷检测模型的生成方法中的步骤。
[0159]
基于上述面板缺陷检测模型的生成方法，本技术还提供了一种终端设备，如图4所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(communications interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
[0160]
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0161]
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
[0162]
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
[0163]
此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
[0164]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。