隨著智能手機(jī)產(chǎn)業(yè)的快速發(fā)展,智能手機(jī)液晶面板的需求持續(xù)增長(zhǎng)。而缺陷檢測(cè)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(jī)液晶面板整體的出貨成品率。現(xiàn)有產(chǎn)線檢測(cè)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(cè)。鑒于此,本文研究基于深度學(xué)習(xí)技術(shù)的手機(jī)液晶面板缺陷檢測(cè)算法,提高手機(jī)液晶面板自動(dòng)化檢測(cè)的精確度等性能。本文首先分析了手機(jī)液晶面板缺陷檢測(cè)的關(guān)鍵技術(shù),重點(diǎn)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(píng)估和對(duì)比性研究。結(jié)合手機(jī)液晶面板缺陷圖像的特性和檢測(cè)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(jī)液晶面板缺陷檢測(cè)的核心技術(shù),并以此展開(kāi)算法研究和缺陷檢測(cè)方案設(shè)計(jì)。然后將基于全卷積網(wǎng)絡(luò)的手機(jī)液晶面板缺陷檢測(cè)任務(wù)分解為四個(gè)步驟,第一步構(gòu)建全卷積骨干網(wǎng)絡(luò);第二步設(shè)計(jì)全卷積網(wǎng)絡(luò)的上采樣算法;第三步對(duì)全卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練;最后使用修正算法對(duì)分割結(jié)果進(jìn)行修正。重點(diǎn)研究了其中對(duì)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(duì)全卷積網(wǎng)絡(luò)上采樣過(guò)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(wèn)題,利用改進(jìn)的反卷積... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)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(duì)于每個(gè)神經(jīng)元，假設(shè)它接收的上一節(jié)點(diǎn)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(xiàng)，再送入一個(gè)函數(shù)進(jìn)行非線個(gè)函數(shù)稱(chēng)為激活函數(shù)，一個(gè)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?yàn)?0,1 ，是一個(gè)單調(diào)遞增 ( x))，按照該式子可以很方便的計(jì)算出導(dǎo)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(diǎn)處有導(dǎo)數(shù)最大地方導(dǎo)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(gè)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(hào)：3088218