技术领域
[0001] 本发明涉及计算机分析技术领域，特别涉及一种基于深度学习与机器学习相结合的液晶面板缺陷分类方法。
相关背景技术
[0002] 目前，现有的深度学习技术在液晶面板缺陷检测方面仍然存在一些问题。例如，一些传统的基于图像处理的算法只能检测特定类型的缺陷，无法适应多种类型的缺陷。另外，一些基于深度学习的方法虽然具有很好的性能，但是需要大量的数据来训练模型。因此，如何使用更少的数据来训练模型，提高模型的鲁棒性和泛化能力成为了一个重要的问题。
具体实施方式
[0033] 为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例对本发明的技术方案作具体阐述。
[0034] 本实施例提供一种基于深度学习与机器学习相结合的液晶面板缺陷分类方法，包括以下步骤：
[0035] 步骤1，数据采集和清洗：
[0036] 采集生产过程中的液晶面板图像数据，并对采集所得的图像数据进行清洗去除噪声和无用信息，清洗后的数据作为无标签数据集A1。
[0037] 数据清洗具体方式可以使用例如降噪算法、滤波算法等图像处理技术来清洗和预处理图像数据。
[0038] 步骤2，数据标注：
[0039] 对无标签数据集A1中所有图像数据进行标注，使用图像标注工具采用矩形框标注出图像数据中缺陷区域，并为每个缺陷区域分配一个对应的缺陷类型标签，标注后的数据集记作有标签数据集A2。
[0040] 当无标签数据集A1的数量不足时，则在步骤1之后步骤2之前还需进行以下步骤来扩充数据集：采用但不限于旋转、翻转、缩放、裁剪等数据增强方式对无标签数据集A1中的图像数据a进行处理，得到处理后的图像数据a’，然后，将图像数据a和图像数据a’作为更新后的无标签数据集A1。
[0041] 步骤3，监督学习：
[0042] 以有标签数据集A2作为训练样本，通过监督学习对模型进行训练，训练后得到模型记作缺陷检测模型X1。
[0043] 在监督学习阶段使用有标签的数据来训练模型，是为了让模型能够识别不同类型的缺陷。具体包括以下步骤：
[0044] 3)特征提取：使用深度卷积神经网络模型ResNet、VGG对有标签数据集A2中图像进行特征提取。具体的卷积神经网络架构和参数设置取决于集体的需求。
[0045] 4)特征融合：使用多层卷积神经网络模型通过连接或者串联操作融合提取的特征，从而得到得到更具有代表性的特征。
[0046] 3)分类器设计：使用全连接层和softmax分类器对图像进行分类，得到有标签图像的缺陷类型预测结果。
[0047] 4)损失函数设计：采用Cross‑EntropyLoss作为监督学习的损失函数，让模型更好地拟合有标签数据。
[0048] 在上述监督学习的模型训练过程中采用梯度下降优化算法来更新模型参数。
[0049] 步骤4，无监督学习：
[0050] 以无标签数据集A1作为训练样本，利用无监督学习对缺陷检测模型X1进行训练，训练后得到模型记作缺陷检测模型X2。
[0051] 在无监督学习阶段使用无标签的数据来训练模型，是为了提高模型的泛化能力和鲁棒性，具体包括以下步骤：
[0052] 1)特征提取：使用深度卷积神经网络模型对无标签数据集A1中的图像进行特征提取。
[0053] 2)特征融合：使用多层卷积神经网络模型通过连接或者串联操作融合提取的特征，从而得到得到更具有代表性的特征。
[0054] 3)降维：对融合后的特征进行降维，以减少特征的维度。降维操作可以采用主成分分析或自编码器等方法。
[0055] 4)预测结果生成：经过对图像的特征提取和降维处理后，得到无标签数据图像的缺陷类型预测结果。
[0056] 5)损失函数设计：使用重构误差作为损失函数，用于衡量预测结果与原始图像之间的差异。
[0057] 在上述无监督学习的模型训练过程中采用梯度下降优化算法来更新模型参数。
[0058] 步骤5，缺陷检测：
[0059] 在模型通过步骤3、步骤4训练完成后，就可以使用最终得到的模型来进行缺陷检测了。即将待检测的图像输入缺陷检测模型X2中，可以得到缺陷类型的检测结果。
[0060] 缺陷检测具体包括以下步骤：
[0061] 1)输入待检测图像。
[0062] 2)特征提取：使用深度卷积神经网络对待检测图像进行特征提取。
[0063] 3)特征融合：使用多层卷积神经网络融合提取后特征。
[0064] 4)分类器设计：使用全连接层和softmax分类器对图像进行分类，得到待检测图像的缺陷类型预测结果。
[0065] 5)预测结果后处理：采用了阈值法和连通区域分析法对预测结果进行后处理，具体为：对于预测结果中的每一个像素点，若其分类得分高于设定阈值，则将其判定为缺陷点，然后，对缺陷点进行连通区域分析，将连通区域较小的缺陷点过滤掉，得到最终的缺陷检测结果。
[0066] 上述实施例仅为本发明的较佳实施例，并不用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
