【摘要】：在TFT-LCD(Thin Film Transistor-Liquid Crystal Display)的生產(chǎn)中,顯示缺陷的識別,因為可以指導工藝的改進,而具有重大的意義。而Mura缺陷,因其后果的嚴重性以及自身的難識別問題,一直是顯示缺陷識別中的核心和難點。當前基于深度學習的算法,受限于對標記數(shù)據(jù)的巨大依賴,導致其難以在實際產(chǎn)線部署應用。本文從實際需求出發(fā),針對深度學習算法對標記數(shù)據(jù)的依賴問題,提出了基于主動學習的Mura缺陷少樣本識別方法和基于遷移學習的Mura缺陷零樣本識別方法。本文的研究內(nèi)容總結(jié)如下:(1)針對Mura缺陷數(shù)據(jù)中標簽匱乏及人工標記難度大的問題,本文提出了基于主動學習的Mura缺陷少樣本識別方法。該方法能夠篩選部分信息量較大的未標注圖像用于人工標注,以加速模型訓練的收斂。此外,根據(jù)實際場景的特點,提出了基于相似性度量的自動標記模塊,可以進一步減少人工標記的工作量。通過本文的結(jié)合少量的人工標注以及機器自動標注的主動學習方法,深度學習模型可以大幅度減少對于人工標記樣本的依賴并獲得較好的識別性能。實驗表明該算法可以在現(xiàn)有深度學習算法基礎上減少50%的人工標記量,極大減少人工標記負擔。(2)針對已標記數(shù)據(jù)場景的模型在未標記數(shù)據(jù)場景的應用中發(fā)生嚴重的性能損失問題,本文提出了基于遷移學習的Mura缺陷零樣本識別。該方法聯(lián)合了像素級遷移和特征級遷移,在模型遷移的過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,達到無需額外人工標記下的Mura缺陷識別。在SVHN(Street View Home Number)和手寫字符體數(shù)據(jù)集的實驗上,模型的遷移過程中精度損失僅為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)針對手機外殼的劃傷缺陷檢測問題,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,導致其檢出率低而過檢率較高,難以滿足實際的需求。本文提出了一種基于光度立體成像技術(shù)的外殼劃傷檢測方法,該方法通過固定相機和物體,在多個不同方向進行打光,可以得到待測物體的表面矢量,進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)方法對比,本方法可以極大提升劃傷檢測的檢出率和魯棒性。數(shù)據(jù)集實驗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。本文還對所研究的算法在半自動AOI設備上的應用進行研究。首先針對Mura缺陷難成像問題,設計了多視角的Mura成像機構(gòu),以保證Mura缺陷的清晰成像。此外,自主研發(fā)的上位機軟件同時集成了氣動控制,檢測監(jiān)視以及日志整合等功能。在手機屏Mura缺陷檢測中,基于主動學習的方法在保證精度的情況下減少了50%的人工標記量;基于遷移學習的方法在無需人工標記量的情況下達到了90.1%的精度;在手機外殼缺陷檢測中,基于光度立體成像的算法達到了95%的檢出率和9.1%的過檢率。整套AOI系統(tǒng)在實際顯示器件制造廠如惠州TCL、昆山龍騰光電進行了應用,結(jié)果顯示本系統(tǒng)完全符合現(xiàn)場應用要求,能極大提高缺陷檢測與識別效率。
【圖文】：

(c)源域 Ring Mura (d)目標域 Ring Mura圖 3-1 源域與目標域?qū)悇e缺陷特征分布偏移示意圖帶有相應的標簽，這一限制極大地降低了微調(diào)在工業(yè)場景中的現(xiàn)實意景的標記代價較大，若能直接利用無標簽的目標域樣本來進行分類器更為經(jīng)濟實用的方向。移學習[18]的發(fā)展為上述的構(gòu)想帶來了可能。遷移學習，顧名思義是將器的性能遷移到新的任務上。對應于本文的研究場景，就是將源域中訓移到目標域中，并且目標域樣本不帶有標簽。當源域的樣本特征分布和征分布之間存在差異時，直接將在源域上訓練好的分類器應用到目標的性能損失，而遷移學習方法能極大程度減少這種性能損失。性能損要在于分類器在訓練時已經(jīng)與對應的特征分布相對應，因此特征分布的能影響較大。顯而易見，，為了減少這種損失，直觀的方法就是減少兩個差異，這也是遷移學習的主要原理。這種減少差異的方法也叫做混淆要有像素級別的混淆以及特征級別的混淆，也被稱為像素級別遷移以

(c)SVHN 數(shù)字 1 (d)風格轉(zhuǎn)換后數(shù)字 1 3-2 風格轉(zhuǎn)換中的類別改變。其中(a)是 SVHN 中的“9”，(b)是其轉(zhuǎn)化過程后的在轉(zhuǎn)換過程中“9”變成了“8”。(c)SVHN 中的“1”，在轉(zhuǎn)換過程中變成了(d)中像素級別遷移著生成對抗網(wǎng)絡的發(fā)展，像素級別遷移逐漸被研究人員提出，并推動了的源域和目標域之間的遷移方法的發(fā)展。像素級別遷移主要基于條件(conditionalGAN)，其輸入一個風格的圖像，可以生成目標風格的圖像的遷移不同的是，像素級別遷移發(fā)生在圖像送入分類器的特征提取之種圖像預處理。Bousmalis 等[49]利用條件生成對抗網(wǎng)絡將源域的樣本轉(zhuǎn)其中將源域的樣本和一個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，訓練判別器的能力。最終讓判別器難以區(qū)成樣本與目標域的樣本。最后在源域轉(zhuǎn)換之后，訓練分類器，則該分類域上取得較好性能。生成對抗網(wǎng)絡的難點在與訓練的不穩(wěn)定性，為了增hrivastava 等[50]使用了一個 minibatch 中的所有的生成圖像來混合訓練
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN873.93

【相似文獻】

相關期刊論文 前10條

1 曾曉彥;張奕杰;;輸電線路缺陷照片快速命名歸檔的整理系統(tǒng)的設計[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];東北大學學報(自然科學版);2009年05期

3 楊建華;劉進圣;;基于機器視覺的缺陷圖像增強算法研究[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研究[J];中原工學院學報;2010年04期

5 管永紅;王潤生;施將君;;閃光照相圖像缺陷消除方法[J];強激光與粒子束;2008年02期

6 曹義親;武丹;黃曉生;;基于改進蟻群算法的軌道缺陷圖像分類[J];計算機科學;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[J];紡織高�；A科學學報;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];機械設計與制造;2017年01期

9 湯勃;孔建益;王興東;蔣國璋;熊禾根;楊金堂;;帶鋼表面缺陷圖像的小波閾值降噪研究[J];武漢科技大學學報;2010年01期

10 王俊平,郝躍,任春麗,鐵滿霞;IC真實缺陷圖像的分色[J];西安電子科技大學學報;2000年05期

相關會議論文 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[A];中國圖象圖形科學技術(shù)新進展——第九屆全國圖象圖形科技大會論文集[C];1998年

2 張健;楊麗麗;鮑際平;;基于蟻群算法的強化木地板表面缺陷圖像處理技術(shù)研究[A];第六屆全國信息獲取與處理學術(shù)會議論文集（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)學形態(tài)學的缺陷圖像分割方法[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國青年通信學術(shù)會議論文集（下）[C];2008年

4 孫朝明;徐彥霖;王增勇;;利用小波方法實現(xiàn)射線圖像的缺陷分割[A];中國工程物理研究院科技年報（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)的應用研究[A];四川省電子學會半導體與集成技術(shù)專委會2006年度學術(shù)年會論文集[C];2006年

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

相關博士學位論文 前6條

1 石端虎;復雜結(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;2007年

2 李長樂;冷軋帶鋼表面缺陷圖像檢測關鍵技術(shù)的研究[D];哈爾濱工業(yè)大學;2009年

3 儲茂祥;鋼板表面缺陷檢測關鍵技術(shù)研究[D];東北大學;2014年

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

5 陳愷;集成電路芯片表面缺陷視覺檢測關鍵技術(shù)研究[D];東南大學;2016年

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

相關碩士學位論文 前10條

1 毛芳勤;基于少樣本的TFT-LCD缺陷視覺識別算法研究及應用[D];華中科技大學;2019年

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

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

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

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

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

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

9 王卓;基于紅外熱波相位法的燃氣管道缺陷機載檢測裝置研究[D];昆明理工大學;2018年

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

本文編號：2649590