技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种面板产线缺陷检测通用模型建模检测方法与流程  >  正文

一种面板产线缺陷检测通用模型建模检测方法与流程

  • 国知局
  • 2024-08-22 15:09:15

本发明涉及智能制造,具体而言,涉及一种面板产线缺陷检测通用模型建模检测方法、系统、设备及存储介质。

背景技术:

1、在现代工业生产中,面板(如液晶显示屏、oled显示屏等)是电子产品中至关重要的组件。随着科技的发展和市场需求的增加,面板的生产量和种类都在不断增加。然而,在面板的生产过程中,难免会出现各种各样的缺陷,如异物、残留、划伤、脏污、膜破、缺失等。面板缺陷不仅会降低产品的质量,还会增加生产成本,甚至影响到整个供应链的稳定性。因此,面板缺陷的检测成为生产过程中一个关键的环节。

2、目前,面板缺陷检测主要依靠人工检测和传统检测设备。人工检测方式虽然具有灵活性,但其效率低、成本高、易受人为因素影响,且随着生产速度的提高和产品复杂度的增加,人工检测的局限性愈发显著。而传统的检测设备通常是基于固定规则和特征进行检测,虽然在特定场景下能够提供一定的检测效果,但难以应对复杂多变的缺陷类型和实际生产环境中的变化。

3、现有的自动化检测系统大多采用预设的规则和特征进行检测,这种方法在面对复杂的缺陷类型时容易出现漏检和误检的情况。此外,不同工厂和生产线的工艺流程和产品类型存在差异,传统检测系统难以适应这种多样化的需求。例如工程师在和客户核对规则时,往往会出现规则未统一导致模型准确率偏低进而反复迭代的情况,该情况会造成项目交付时间边长,难以达到短期内快速交付的目的。因此,开发一种能够快速适应不同缺陷类型、不同生产环境且具备高精度、高效率的缺陷检测系统显得尤为重要。

4、近年来,随着深度学习技术的发展,基于深度学习的图像识别和分类技术在各个领域得到了广泛应用。深度学习具有强大的特征提取能力和适应性,能够处理复杂的图像数据,识别精细的图像特征,已经在医学影像分析、自动驾驶、智能安防等领域取得了显著的成果。

5、在面板缺陷检测领域,深度学习同样展示了巨大的潜力。通过大规模的数据训练,深度学习模型能够自动学习和提取缺陷的特征,从而实现高精度的缺陷检测。然而,现有的深度学习应用在面板缺陷检测中仍面临一些挑战,如训练数据不足、模型泛化能力不强、检测速度和精度之间的平衡等。因此,如何构建一个高效、通用的缺陷检测模型,成为研究的热点和难点。

技术实现思路

1、为了解决上述背景技术中心提到的最终导致造成项目交付时间边长的问题,本发明提供一种面板产线缺陷检测通用模型建模检测方法、系统、设备及存储介质。具体包括面板产线缺陷检测通用模型建模检测方法,包括步骤:步骤1,收集面板产线样本数据并进行缺陷标注,得到样本数据集;有益效果:确保数据的多样性和覆盖面,提高模型的泛化能力和检测精度。步骤2,以所述数据集建模并训练得到定位模型;有益效果:通过深度学习训练,获得高效的缺陷定位能力,提高缺陷检测的准确性和效率。步骤3,以所述数据集为基础裁剪出包含缺陷的图像并分类,形成缺陷图数据集;有益效果:提取和分类缺陷图像,细化缺陷特征,为后续分类器的训练提供精准的数据基础。步骤4,以所述缺陷图数据集建模并训练得到图像分类器,并与所述定位模型串联;有益效果:结合定位和分类能力,形成完整的检测模型,能够同时实现缺陷的定位和分类,提高检测效率。步骤5,根据工厂属性和制程属性,通过所述图像分类器和定位模型将缺陷进行映射,映射到具体缺陷名称。有益效果:根据具体生产环境和需求,进行精准的缺陷名称映射,整体方案减少沟通核对时间,增加销量的同时也提升检测结果的适用性和准确性。

2、还公开了特征,所述面板产线样本数据包括多种不同制程和生产线的面板缺陷图像。有益效果:通过多样化的数据来源,增强模型对不同生产环境和缺陷类型的适应性和鲁棒性。

3、还公开了特征,所述数据集使用目标检测算法建模。有益效果:采用目标检测算法,提升缺陷定位的精准度和检测速度,适应复杂的生产环境。

4、还公开了特征,所述目标检测算法为yolo、ssd或faster r-cnn模型。使用先进的目标检测算法,确保定位模型在速度和精度上的优异性能。

5、还公开了特征,所述步骤5中,所述工厂属性和制程属性包括但不限于制程参数、机台编号、产品型号。通过引入多种属性,增强缺陷名称映射的精确性和适应性,适应不同生产条件和要求。

6、还公开了特征,所述步骤5中,进行映射前需进行计算机视觉后处理。有益效果:通过计算机视觉后处理,提高缺陷映射的准确性和鲁棒性,确保检测结果的可靠性。

7、还公开了特征,所述计算机视觉后处理包括图像增强、特征提取和基于规则的分类算法。有益效果:通过图像增强和特征提取等处理,提高图像质量和特征表达能力,进一步提升检测和映射效果。

8、以及对应的面板产线缺陷检测通用模型建模检测系统,其包括:

9、数据收集标注模块,用于收集面板产线样本数据并进行缺陷标注,得到样本数据集,确保数据的多样性和标注的准确性,为后续建模和训练提供高质量的数据基础;

10、定位模型训练模块,用于训练定位模型,通过训练得到高效的定位模型,实现缺陷的精准定位,提高检测效率;

11、缺陷分类模块,用于裁剪包含缺陷的图像并分类,形成缺陷图数据集,以所述缺陷图数据集建模并训练得到图像分类器,通过分类模块提取和分类缺陷图像,提高分类器的训练效果和分类精度;

12、缺陷检测模块,用于串联所述定位模型和图像分类器,将缺陷进行映射,映射到具体缺陷名称,通过串联定位模型和分类器,实现缺陷的定位和分类,并进行精准映射,提升检测系统的整体性能。

13、以及一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行计算机程序时实现所述面板产线缺陷检测通用模型建模检测方法,通过计算机设备实现上述检测方法,确保方法的高效执行和稳定运行。

14、以及一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述面板产线缺陷检测通用模型建模检测方法,通过计算机可读存储介质存储和执行检测方法,确保方法的便捷部署和广泛应用。

技术特征:

1.一种面板产线缺陷检测通用模型建模检测方法,其特征在于,包括步骤:

2.根据权利要求1所述的面板产线缺陷检测通用模型建模检测方法,其特征在于,所述面板产线样本数据包括多种不同制程和生产线的面板缺陷图像。

3.根据权利要求1所述的面板产线缺陷检测通用模型建模检测方法,其特征在于,所述步骤2中,所述数据集使用目标检测算法建模。

4.根据权利要求3所述的面板产线缺陷检测通用模型建模检测方法,其特征在于,所述目标检测算法为yolo、ssd或faster r-cnn模型。

5.根据权利要求1所述的面板产线缺陷检测通用模型建模检测方法,其特征在于,所述步骤5中,所述工厂属性和制程属性包括但不限于制程参数、机台编号、产品型号。

6.根据权利要求1所述的面板产线缺陷检测通用模型建模检测方法,其特征在于,所述步骤5中,进行映射前需进行计算机视觉后处理。

7.根据权利要求6所述的面板产线缺陷检测通用模型建模检测方法,其特征在于,所述计算机视觉后处理包括图像增强、特征提取和基于规则的分类算法。

8.一种面板产线缺陷检测通用模型建模检测系统,其特征在于,包括:

9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行计算机程序时实现权利要求1-7中任一项所述面板产线缺陷检测通用模型建模检测方法。

10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述面板产线缺陷检测通用模型建模检测方法。

技术总结本发明涉及智能制造技术领域,公开了一种面板产线缺陷检测通用模型建模检测方法、系统、设备及存储介质,其包括步骤:步骤1,收集面板产线样本数据并进行缺陷标注,得到样本数据集;步骤2,以所述数据集建模并训练得到定位模型;步骤3,以所述数据集为基础裁剪出包含缺陷的图像并分类,形成缺陷图数据集;步骤4,以所述缺陷图数据集建模并训练得到图像分类器,并与所述定位模型串联;步骤5,根据工厂属性和制程属性,通过所述图像分类器和定位模型将缺陷进行映射,映射到具体缺陷名;该方法可根据具体生产环境和需求,进行精准的缺陷名称映射,整体方案减少沟通核对时间,增加销量的同时也提升检测结果的适用性和准确性。技术研发人员:请求不公布姓名,请求不公布姓名,请求不公布姓名受保护的技术使用者:成都数之联科技股份有限公司技术研发日:技术公布日:2024/8/20

本文地址:https://www.jishuxx.com/zhuanli/20240822/281398.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。