本發(fā)明涉及顯示面板檢測
技術(shù)領(lǐng)域：
，具體涉及到一種用于顯示面板缺陷分類的學(xué)習(xí)方法。
背景技術(shù)：
：平面顯示器具有高分辨率、高灰度以及無幾何變形等優(yōu)點，同時由于其體積小、重量輕和功耗低，因而被廣泛的應(yīng)用在人們?nèi)粘Ｊ褂玫南M電子產(chǎn)品中，例如電視、電腦、手機、平板等。顯示面板是平面顯示器具的主體組成部分，其制造工藝復(fù)雜，而且隨著顯示面板的尺寸越做越大，其灰度的均勻性也越來越難控制，因此在制造過程中難免會出現(xiàn)各種顯示缺陷，如亮點/暗點/異物亮/bl異物(背光異物)/白點/亮暗線/mura等顯示缺陷。目前，顯示面板產(chǎn)線上一般采用肉眼識別顯示缺陷數(shù)量及類型的方式對顯示面板進行等級判定，檢測效率低、誤檢率高。技術(shù)實現(xiàn)要素：針對上述現(xiàn)有技術(shù)的不足，本發(fā)明公開一種用于顯示面板缺陷分類的學(xué)習(xí)方法，通過引入缺陷特征屬性描述參數(shù)及缺陷特征屬性梯度參數(shù)，并通過對已知缺陷類型的學(xué)習(xí)不斷完善引入缺陷特征屬性描述參數(shù)，及不斷收斂優(yōu)化缺陷特征屬性梯度參數(shù)，使得引入的缺陷特征屬性描述參數(shù)及缺陷特征屬性梯度參數(shù)能夠自動匹配顯示面板的顯示缺陷類型，能極大提升顯示面板的缺陷識別檢測效率和精確度。為實現(xiàn)上述目的，本發(fā)明提供一種用于顯示面板缺陷分類的學(xué)習(xí)方法，包括以下步驟：1)從一已知缺陷類型的圖像中提取缺陷特征屬性向量d；2)提供一缺陷特征屬性梯度系數(shù)集合g，該缺陷特征屬性梯度系數(shù)集合g包括該已知缺陷類型的特征屬性梯度范圍αij及與該特征屬性梯度范圍αij一一對應(yīng)的梯度系數(shù)因子βij；將該缺陷特征屬性向量d分別代入到該特征屬性梯度范圍αij中，得到梯度系數(shù)因子向量β；3)提供一缺陷特征屬性描述集合m，該缺陷特征屬性描述集合m包括多種缺陷類型的多個特征屬性描述向量m；將該梯度系數(shù)因子向量β分別與該多個特征屬性描述向量m進行卷積，生成一組卷積值；4)若最大的卷積值對應(yīng)的特征屬性描述向量的缺陷類型為該已知缺陷類型，則結(jié)束缺陷類型識別流程；若最大的卷積值對應(yīng)的特征屬性描述向量的缺陷類型不為該已知缺陷類型，則修改該已知缺陷類型的特征屬性梯度范圍αij及與該特征屬性梯度范圍αij一一對應(yīng)的梯度系數(shù)因子βij，重復(fù)步驟1至4，直至最大的卷積值對應(yīng)的特征屬性描述向量的缺陷類型為該已知缺陷類型，獲得新的該已知缺陷類型的特征屬性梯度范圍及與該特征屬性梯度范圍一一對應(yīng)的梯度系數(shù)因子。進一步地，上述技術(shù)方案采用以下公式進行卷積計算：其中，mi是特征屬性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，為描述缺陷特征信息的加權(quán)因子，特征屬性描述向量m轉(zhuǎn)換成矩陣參與卷積計算；βi是梯度系數(shù)因子向量β(β1,β2,…βn)(0＜βi＜1)中的元素，梯度系數(shù)因子向量β轉(zhuǎn)換成列向量參與卷積計算。更進一步地，上述技術(shù)方案中缺陷特征包括畫面名稱、和/或面積、和/或長、和/或?qū)?、?或長寬比、和/或中心灰度、和/或?qū)Ρ榷取⒑?或坐標。更進一步地，上述技術(shù)方案中該特征屬性描述向量m是對面積、和/或長、和/或?qū)?、?或長寬比、和/或中心灰度、和/或?qū)Ρ榷取⒑?或坐標的數(shù)值歸一化的集合。更進一步地，上述技術(shù)方案步驟4中所述修改該已知缺陷類型的特征屬性梯度范圍具體為縮小該已知缺陷類型的特征屬性梯度范圍。此外，本發(fā)明還另外提供一種用于顯示面板缺陷分類的學(xué)習(xí)方法，包括以下步驟：1)從一已知缺陷類型的圖像中提取缺陷特征屬性向量d；2)提供一缺陷特征屬性梯度系數(shù)集合g，該缺陷特征屬性梯度系數(shù)集合g包括該已知缺陷類型的特征屬性梯度范圍αij及與該特征屬性梯度范圍αij一一對應(yīng)的梯度系數(shù)因子βij；將該缺陷特征屬性向量d分別代入到該特征屬性梯度范圍αij中，得到梯度系數(shù)因子向量β；3)提供一缺陷特征屬性描述集合m，該缺陷特征屬性描述集合m包括多種缺陷類型的多個特征屬性描述向量m，該缺陷特征屬性描述集合m還包括一該已知缺陷類型的特征屬性描述向量m1；將該梯度系數(shù)因子向量β分別與該多個特征屬性描述向量m、該已知缺陷類型的特征屬性描述向量m1進行卷積，生成一組卷積值；4)若最大的卷積值對應(yīng)的特征屬性描述向量的缺陷類型為該已知缺陷類型，則結(jié)束缺陷類型識別流程；若最大的卷積值對應(yīng)的特征屬性描述向量的缺陷類型不為該已知缺陷類型，則修改該特征屬性描述向量m1，重復(fù)步驟1至4，直至最大的卷積值對應(yīng)的特征屬性描述向量的缺陷類型為該已知缺陷類型，獲得新的該已知缺陷類型的特征屬性描述向量m2。進一步地，上述技術(shù)方案采用以下公式進行卷積計算：其中，mi是特征屬性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，為描述缺陷特征信息的加權(quán)因子，特征屬性描述向量m轉(zhuǎn)換成矩陣參與卷積計算；βi是梯度系數(shù)因子向量β(β1,β2,…βn)(0＜βi＜1)中的元素，梯度系數(shù)因子向量β轉(zhuǎn)換成列向量參與卷積計算。更進一步地，上述技術(shù)方案中缺陷特征包括畫面名稱、和/或面積、和/或長、和/或?qū)?、?或長寬比、和/或中心灰度、和/或?qū)Ρ榷?、?或坐標。更進一步地，上述技術(shù)方案中該特征屬性描述向量m是對面積、和/或長、和/或?qū)挕⒑?或長寬比、和/或中心灰度、和/或?qū)Ρ榷?、?或坐標的數(shù)值歸一化的集合。更進一步地，上述技術(shù)方案步驟4中所述修改該特征屬性描述向量m1具體為增加該已知缺陷類型的特征屬性描述，或重新描述該已知缺陷類型的缺陷特征信息的加權(quán)因子。本發(fā)明通過引入缺陷特征屬性描述參數(shù)及缺陷特征屬性梯度系數(shù)，并通過對已知缺陷類型的學(xué)習(xí)不斷完善引入缺陷特征屬性描述參數(shù)，及不斷收斂優(yōu)化缺陷特征屬性梯度系數(shù)，使得引入的缺陷特征屬性描述參數(shù)及缺陷特征屬性梯度參數(shù)能夠自動匹配顯示面板的顯示缺陷類型，能極大提升顯示面板的缺陷識別檢測效率和精確度。附圖說明圖1采用本發(fā)明的顯示面板缺陷分類裝置實施例的結(jié)構(gòu)示意圖；圖2本發(fā)明用于顯示面板缺陷分類的學(xué)習(xí)方法的流程圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。實施例：能夠?qū)︼@示面板的缺陷類型進行學(xué)習(xí)、分類及等級判定的顯示面板缺陷等級判定裝置如圖1所示，本發(fā)明實施例給出的一種顯示面板缺陷等級判定裝置主要包括工業(yè)相機、圖像算法處理模塊、缺陷分類器學(xué)習(xí)模塊、缺陷分類模塊和缺陷等級判定模塊。其中，工業(yè)相機主要用于采集顯示面板的顯示畫面；圖像算法處理模塊主要用于從顯示畫面中提取出缺陷特征信息；缺陷分類器學(xué)習(xí)模塊用于提供缺陷類型配置文件和缺陷特征屬性梯度文件；缺陷分類模塊用于根據(jù)缺陷類型配置文件和缺陷特征屬性梯度文件對缺陷特征信息進行缺陷類型的識別；缺陷等級判定模塊用于根據(jù)識別出的缺陷數(shù)量及缺陷類型判定顯示面板的等級。上述技術(shù)方案中，圖像算法處理模塊提取的缺陷特征信息是指包含有多組缺陷特征屬性向量d的缺陷特征屬性集合d；其中，缺陷特征是指顯示畫面中缺陷點或缺陷區(qū)域的面積、長、寬、長寬比、中心灰度、對比度、坐標等信息，以及顯示畫面的名稱；顯示畫面中每一個缺陷點或缺陷區(qū)域?qū)嶋H的缺陷特征信息都用一組缺陷特征屬性向量d表示。上述技術(shù)方案中，缺陷分類器學(xué)習(xí)模塊提供的缺陷類型配置文件中包含有缺陷特征屬性描述集合m，缺陷特征屬性描述集合m中包含有各種缺陷類型的多個特征屬性描述向量m(一種缺陷類型對應(yīng)一個特征屬性描述向量)，特征屬性描述向量m為描述一缺陷類型的缺陷特征信息的加權(quán)因子的集合。缺陷分類器學(xué)習(xí)模塊提供的缺陷特征屬性梯度文件中包括有缺陷特征屬性梯度系數(shù)集合g，缺陷特征屬性梯度系數(shù)集合g中包含有各種缺陷類型的特征屬性梯度范圍αij及與特征屬性梯度范圍αij一一對應(yīng)的梯度系數(shù)因子βij，如表1所示。表1上述技術(shù)方案中，缺陷分類器學(xué)習(xí)模塊里構(gòu)建有缺陷分類器核函數(shù)1：或缺陷分類器核函數(shù)2：其中，mi是特征屬性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，為描述各缺陷特征的加權(quán)因子，特征屬性描述向量m轉(zhuǎn)換成矩陣參與卷積計算，di是缺陷特征屬性向量d(d1,d2,…dn)中的元素，為各缺陷特征的實際值，缺陷特征屬性向量d轉(zhuǎn)換成列向量參與卷積計算，βi為引入的缺陷特征的梯度系數(shù)因子，梯度系數(shù)因子向量β(β1,β2,…βn)(0＜βi＜1)轉(zhuǎn)換成列向量參與卷積計算。缺陷分類器學(xué)習(xí)模塊用于結(jié)合缺陷分類器核函數(shù)對已知的亮點/暗點/異物亮/bl異物(背光異物)/白點/亮暗線/mura等顯示缺陷進行學(xué)習(xí)，生成缺陷類型配置文件和缺陷特征屬性梯度文件。上述實施例中，顯示面板缺陷等級判定裝置對顯示面板的缺陷類型進行學(xué)習(xí)的過程包括缺陷類型配置文件獲取過程和缺陷特征屬性梯度文件獲取過程。如圖2所示，上述實施例中，缺陷類型配置文件的獲取過程包括以下步驟，以學(xué)習(xí)bl異物缺陷為例：s11)圖像算法處理模塊加載一幅包含有一bl異物缺陷的圖像，并從該圖像中提取出bl異物缺陷的缺陷特征信息，得到一組缺陷特征屬性向量d，如表2所示。表2s12)在缺陷分類器學(xué)習(xí)模塊中配置bl異物缺陷的缺陷特征信息的加權(quán)因子，如表3所示，獲得bl異物缺陷的特征屬性描述向量m1，并生成缺陷類型配置文件。需要說明的是，缺陷分類器學(xué)習(xí)模塊通過前期的學(xué)習(xí)，缺陷類型配置文件中已包含有多種其他常見缺陷類型的特征屬性描述向量，如表3所示。表3特征屬性面積長寬比white畫面black畫面l63畫面對比度點0.450.450.1(0.1)0.00.0線0.00.90.1(0.1)0.00.0bl異物0.80.00.20.00.00.0s13)缺陷分類模塊從缺陷分類器學(xué)習(xí)模塊中讀取缺陷類型配置文件，并解析該缺陷類型配置文件生成缺陷特征屬性描述集合m，如表3所示；同時，缺陷分類模塊從缺陷分類器學(xué)習(xí)模塊中讀取缺陷特征屬性梯度文件，并解析該缺陷特征屬性梯度文件生成缺陷特征屬性梯度系數(shù)集合g，如表4所示。表4s14)將表2中bl異物缺陷的缺陷特征屬性向量與表4中bl異物缺陷對應(yīng)的特征屬性梯度范圍αij進行比較，得到bl異物缺陷的梯度系數(shù)因子向量s15)采用缺陷分類器核函數(shù)2，將梯度系數(shù)因子向量分別與表3中的3個特征屬性描述向量進行卷積，生成一組卷積值。s16)若最大的卷積值對應(yīng)的缺陷類型為bl異物缺陷，則結(jié)束缺陷類型識別流程；若最大的卷積值對應(yīng)的缺陷類型不為bl異物缺陷，則在缺陷分類器學(xué)習(xí)模塊中修改bl異物缺陷的缺陷特征信息的加權(quán)因子(具體為增加bl異物缺陷的特征屬性描述，如增加bl異物缺陷中心灰度、坐標等缺陷特征信息的描述；或重新描述bl異物缺陷的缺陷特征信息的加權(quán)因子)，重復(fù)步驟s11至s16，直至最大的卷積值對應(yīng)的缺陷類型為bl異物缺陷，獲得修改后的bl異物缺陷的缺陷特征信息的加權(quán)因子。如圖2所示，上述實施例中，缺陷特征屬性梯度文件的獲取過程包括以下步驟，以學(xué)習(xí)bl異物缺陷為例：s21)圖像算法處理模塊加載一幅包含有一bl異物缺陷的圖像，并從該圖像中提取出bl異物缺陷的缺陷特征信息，得到一組缺陷特征屬性向量d，如表5所示。表5s22)在缺陷分類器學(xué)習(xí)模塊中配置bl異物缺陷的特征屬性梯度范圍αij及與之對應(yīng)的梯度系數(shù)因子βij，如表6所示，并生成缺陷特征屬性梯度文件。表6s23)缺陷分類模塊從缺陷分類器學(xué)習(xí)模塊中讀取缺陷類型配置文件，并解析該缺陷類型配置文件生成缺陷特征屬性描述集合m，如表7所示；同時，缺陷分類模塊從缺陷分類器學(xué)習(xí)模塊中讀取缺陷特征屬性梯度文件，并解析該缺陷特征屬性梯度文件生成缺陷特征屬性梯度系數(shù)集合g，如表6所示。表7特征屬性面積長寬比white畫面black畫面l63畫面對比度點0.450.450.1(0.1)0.00.0線0.00.90.1(0.1)0.00.0bl異物0.80.00.20.00.00.0s24)將表5中bl異物缺陷的缺陷特征屬性向量與表6中bl異物缺陷對應(yīng)的特征屬性梯度范圍αij進行比較，得到bl異物缺陷的梯度系數(shù)因子向量s25)采用缺陷分類器核函數(shù)2，將梯度系數(shù)因子向量分別與表7中的3個特征屬性描述向量進行卷積，生成一組卷積值。，s26)若最大的卷積值對應(yīng)的缺陷類型為bl異物缺陷，則結(jié)束缺陷類型識別流程；若最大的卷積值對應(yīng)的缺陷類型不為bl異物缺陷，則在缺陷分類器學(xué)習(xí)模塊中修改bl異物缺陷的特征屬性梯度范圍αij及與之對應(yīng)的梯度系數(shù)因子βij，或者縮小bl異物缺陷的特征屬性梯度范圍(給出縮小范圍后特征屬性梯度范圍αij及與之對應(yīng)的梯度系數(shù)因子βij)，重復(fù)步驟s21至s26，直至最大的卷積值對應(yīng)的缺陷類型為bl異物缺陷，獲得修改后的bl異物缺陷的特征屬性梯度范圍αij及與之對應(yīng)的梯度系數(shù)因子βij。上述實施例中顯示面板缺陷等級判定裝置對顯示面板的缺陷類型進行分類及等級判定實施例1包括以下步驟：s31)圖像訊號發(fā)生器給顯示面板發(fā)送純色圖像(需要說明的是，本實施例中的純色圖像包括但不限于r、g、b、白色、黑色等純色圖像)，然后工業(yè)相機對該純色圖像進行采集，并發(fā)送到圖像算法處理模塊中。s32)圖像算法處理模塊從該純色圖像中提取出缺陷特征信息，得到包括多組缺陷類型的陷特征屬性集合d，其中陷特征屬性集合d中包含有多組陷特征屬性向量，如表8所示。表8s33)缺陷分類模塊從缺陷分類器學(xué)習(xí)模塊中讀取缺陷類型配置文件和缺陷特征屬性梯度文件，并將缺陷類型配置文件解析成缺陷特征屬性描述集合m，如表9所示；將缺陷特征屬性梯度文件解析成缺陷特征屬性梯度系數(shù)集合g，如表10所示。表9表10s34)缺陷分類模塊將表8所示的每一組缺陷特征屬性向量分別與表10中點、線、bl異物缺陷對應(yīng)的特征屬性梯度范圍αij進行比較，使得每一組陷特征屬性向量分別獲得點、線、bl異物3種缺陷類型的梯度系數(shù)因子向量。例如，缺陷1的缺陷特征屬性向量d1分別與表10中點、線、bl異物缺陷對應(yīng)的特征屬性梯度范圍αij進行比較，從而使得缺陷特征屬性向量d1分別獲得點缺陷類型的梯度系數(shù)因子向量β1、線缺陷類型的梯度系數(shù)因子向量β2、bl異物缺陷類型的梯度系數(shù)因子向量β3。s35)缺陷分類模塊采用缺陷分類器核函數(shù)2將每一組陷特征屬性向量的3組梯度系數(shù)因子向量β1、β2、β3分別與表9對應(yīng)缺陷類型的特征屬性描述向量進行卷積，從而，每一組缺陷特征屬性向量分別生成3個卷積值。其中，每一組缺陷特征屬性向量的3個卷積值中，最大的卷積值對應(yīng)的缺陷類型即為該缺陷特征屬性向量的缺陷類型。s36)缺陷等級判定模塊讀取缺陷等級判定規(guī)則文件，根據(jù)識別出的缺陷數(shù)量及缺陷類型判定顯示面板的等級。上述實施例中顯示面板缺陷等級判定裝置對顯示面板的缺陷類型進行分類及等級判定實施例2包括以下步驟：s41)圖像訊號發(fā)生器給顯示面板發(fā)送純色圖像，然后工業(yè)相機對該純色圖像進行采集，并發(fā)送到圖像算法處理模塊中。s42)圖像算法處理模塊從該純色圖像中提取出缺陷特征信息，得到包括多組缺陷類型的陷特征屬性集合d，其中陷特征屬性集合d中包含有多組陷特征屬性向量，如表8所示。s43)缺陷分類模塊從缺陷分類器學(xué)習(xí)模塊中讀取缺陷類型配置文件，并將缺陷類型配置文件解析成缺陷特征屬性描述集合m，如表9所示。s44)缺陷分類模塊將表8所示的每一組缺陷特征屬性向量分別與表9中所有的特征屬性描述向量進行卷積，從而，每一組缺陷特征屬性向量分別生成3個卷積值。其中，每一組缺陷特征屬性向量的3個卷積值中，最大的卷積值對應(yīng)的缺陷類型即為該缺陷特征屬性向量的缺陷類型。s46)缺陷等級判定模塊讀取缺陷等級判定規(guī)則文件，根據(jù)識別出的缺陷數(shù)量及缺陷類型判定顯示面板的等級。本領(lǐng)域的技術(shù)人員容易理解，本說明書未作詳細描述的內(nèi)容屬于本領(lǐng)域?qū)I(yè)技術(shù)人員公知的現(xiàn)有技術(shù)，以上僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁12