【技術實現步驟摘要】
本專利技術涉及顯示屏缺陷檢測，尤其是指一種液晶顯示屏缺陷檢測方法、系統、設備和介質。
技術介紹
1、隨著科技的不斷進步和顯示技術的飛速發展，液晶顯示屏（lcd）已經廣泛應用于各類電子設備中，包括智能手機、平板電腦、計算機顯示器和電視等。隨著液晶屏制造工藝的不斷進步，其質量要求也越來越高。然而，由于生產過程中的各種原因，液晶屏會產生不同類型的缺陷，如亮點、暗點、線條缺陷、色斑等。這些缺陷不僅影響產品的外觀和用戶體驗，還可能導致更嚴重的質量問題。因此，液晶屏缺陷檢測技術成為了確保液晶屏產品質量的重要手段。
2、傳統的液晶屏缺陷檢測主要依賴于人工目視檢測，檢測人員通過肉眼觀察液晶屏表面，判斷是否存在劃痕、氣泡、異物、亮點、暗點等缺陷。這種方法雖然直觀，但存在效率低下、檢測結果不穩定、容易受主觀因素影響等缺點。同時，隨著液晶屏的生產規模和速度不斷提升，人工檢測已經難以滿足高效、高精度的檢測需求。為了解決上述問題，自動化檢測技術逐漸引入液晶屏缺陷檢測領域。自動化檢測系統通常由高速相機、光源、圖像處理軟件等組成，通過捕捉液晶屏表面的圖像，并利用圖像處理算法進行缺陷識別和分類。自動化檢測技術提高了檢測效率和準確性，但仍然面臨一些挑戰，特別是在檢測精度和檢測速度之間的平衡問題。
3、目前，液晶屏缺陷檢測的主流方法主要包括基于傳統圖像處理算法的方法和基于深度學習算法的方法。其中，基于傳統圖像處理算法的方法：傳統圖像處理算法通常依賴于邊緣檢測、模板匹配、形態學處理等技術。這些方法在處理規則形狀和明顯缺陷時效果較好，但對于復雜
4、盡管現有的缺陷目標檢測算法在一定程度上提高了液晶屏缺陷檢測的準確性，但仍存在一些關鍵問題：
5、(1)?較大的模型雖然提高了精度，但模型參數量、計算量和內存訪問量過大，導致液晶屏缺陷檢測算法的推理速度過慢，難以滿足實時檢測的應用需求。
6、(2)?液晶屏表面的缺陷通常尺寸較小，現有網絡在前向傳播過程中多次使用跨步卷積層或池化層進行下采樣，易造成缺陷目標細粒度特征信息的丟失，在處理低分辨率圖像或缺陷目標尺寸較小時尤為嚴重，檢測精度有待提升。
7、(3)?缺陷小目標本身特征信息不足，并且與復雜背景難以區分，現有缺陷檢測網絡的感受野尺度有限且固定，未能充分利用缺陷目標周圍的上下文信息，易導致液晶屏缺陷的漏檢和誤檢。
8、綜上所述，現有液晶顯示屏缺陷檢測方法無法同時滿足準確性和實時性的要求。
技術實現思路
1、為此，本專利技術所要解決的技術問題在于克服現有技術中液晶顯示屏缺陷檢測方法的準確性和實時性無法同時得到滿足的問題。
2、為解決上述技術問題，本專利技術提供了一種液晶顯示屏缺陷檢測方法，包括：
3、步驟s1：獲取關于液晶屏的圖像；
4、步驟s2：通過預設神經網絡對所述液晶屏的圖像進行缺陷檢測，其中，
5、所述預設神經網絡基于yolov8模型改進得到，包括主干網絡、頸部網絡和頭部網絡，所述主干網絡用于提取圖像的特征，所述頸部網絡用于對主干網絡提取到的圖像特征進行特征融合，所述頭部網絡用于對頸部網絡融合后的特征進行缺陷預測；
6、所述步驟s2中預設神經網絡的主干網絡和頸部網絡均設置有用于提取關鍵特征信息的c2f_felb模塊，其中，
7、所述c2f_felb模塊首先通過第一1×1卷積調整特征圖的通道數，第一1×1卷積的輸出分為第一兩部分，一部分用于殘差連接，另一部分經過spilt操作將特征圖劃分成第二兩部分，一部分用于殘差連接，另一部分進入主分支；主分支通過n個串聯的特征提取瓶頸feb進行特征提取，并保持殘差連接；再將通過第一1×1卷積得到的一部分用于殘差連接的輸出、經過spilt操作劃分得到的一部分用于殘差連接的輸出、n個串聯的特征提取瓶頸feb保持殘差連接的輸出均通過concat操作進行拼接，得到拼接后的特征圖；最后，通過第二1×1卷積對拼接后的特征圖進行處理，得到c2f_felb模塊的最終輸出。
8、在本專利技術的一個實施例中，所述特征提取瓶頸feb包括依次連接的第一部分卷積pconv、第一逐點卷積pwconv、第二部分卷積pconv和第二逐點卷積pwconv，并且所述第一部分卷積pconv的輸入和第二逐點卷積pwconv的輸出進行元素相加后作為特征提取瓶頸feb的輸出，其中，所述第二部分卷積pconv和第二逐點卷積pwconv之間還設置有歸一化層bn和silu激活函數。
9、在本專利技術的一個實施例中，所述步驟s2中預設神經網絡的主干網絡還設置有用于進行下采樣的fcfb模塊，其中，
10、所述fcfb模塊包括：對于給定大小為的特征圖?，h為特征圖高度，w為特征圖寬度，c為特征圖通道數，按比例因子2對特征圖進行交錯下采樣，得到四個子特征圖，每個子特征圖的大小為，表示為：
11、；
12、其中，表示對特征圖的按比例因子2進行下采樣后得到的子特征圖；
13、將得到的四個子特征圖沿通道維度進行連接，進而得到中間特征圖，的尺寸為，其通道維度擴大為特征圖的4倍，空間維度縮小為特征圖的；
14、再利用個卷積核大小為3×3的非跨步卷積降低特征圖的通道數，將中間特征圖轉換成大小為的結果特征圖，所述結果特征圖為fcfb模塊的最終輸出。
15、在本專利技術的一個實施例中，所述步驟s2中預設神經網絡的頸部網絡設置有assa模塊，所述assa模塊包括：
16、將23×23的卷積分解為串聯的兩個具有不同尺度感受野的卷積，進而生成具有不同感受野的兩個特征圖，分解后的兩個卷積的卷積核大小、擴張率以及理論感受野的定義為：
17、?；
18、使用分解后的兩個具有不同尺度感受野的卷積來提取特征信息，表示為：
19、；
20、其中，為assa模塊的輸入特征圖，表示第一、第二個卷積，為對應的卷積得到的特征圖；再利用空間自適應選擇機制實現對內核的動態選擇，包括：先將在通道維本文檔來自技高網...
【技術保護點】
1.一種液晶顯示屏缺陷檢測方法，其特征在于：包括：
2.根據權利要求1所述的液晶顯示屏缺陷檢測方法，其特征在于：所述特征提取瓶頸FEB包括依次連接的第一部分卷積PConv、第一逐點卷積PWConv、第二部分卷積PConv和第二逐點卷積PWConv，并且所述第一部分卷積PConv的輸入和第二逐點卷積PWConv的輸出進行元素相加后作為特征提取瓶頸FEB的輸出，其中，所述第二部分卷積PConv和第二逐點卷積PWConv之間還設置有歸一化層BN和SiLU激活函數。
3.根據權利要求1所述的液晶顯示屏缺陷檢測方法，其特征在于：所述步驟S2中預設神經網絡的主干網絡還設置有用于進行下采樣的FCFB模塊，其中，
4.根據權利要求1所述的液晶顯示屏缺陷檢測方法，其特征在于：所述步驟S2中預設神經網絡的頸部網絡設置有ASSA模塊，所述ASSA模塊包括：
5.根據權利要求4所述的液晶顯示屏缺陷檢測方法，其特征在于：所述步驟S2中預設神經網絡的頭部網絡包括四個Dectect層，分別為第一Dectect層、第二Dectect層、第三Dectect層、第四D
6.根據權利要求5所述的液晶顯示屏缺陷檢測方法，其特征在于：設預設神經網絡的輸入圖像大小為640×640×3，則第一Dectect層輸出大小為160×160×64，第二Dectect層輸出大小為80×80×128，第三Dectect層輸出大小為40×40×256，第四Dectect層輸出大小為20×20×512。
7.根據權利要求1所述的液晶顯示屏缺陷檢測方法，其特征在于：在得到所述步驟S2中預設神經網絡之前，還對預設神經網絡進行訓練，并且在訓練時采用基于最小點距離的邊界框回歸損失函數來判斷預設神經網絡是否收斂，其中，
8.一種液晶顯示屏缺陷檢測系統，其特征在于：包括：
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于：所述處理器執行所述計算機程序時實現如權利要求1至7中任一項所述液晶顯示屏缺陷檢測方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時，實現如權利要求1至7中任一項所述液晶顯示屏缺陷檢測方法的步驟。
...【技術特征摘要】
1.一種液晶顯示屏缺陷檢測方法，其特征在于：包括：
2.根據權利要求1所述的液晶顯示屏缺陷檢測方法，其特征在于：所述特征提取瓶頸feb包括依次連接的第一部分卷積pconv、第一逐點卷積pwconv、第二部分卷積pconv和第二逐點卷積pwconv，并且所述第一部分卷積pconv的輸入和第二逐點卷積pwconv的輸出進行元素相加后作為特征提取瓶頸feb的輸出，其中，所述第二部分卷積pconv和第二逐點卷積pwconv之間還設置有歸一化層bn和silu激活函數。
3.根據權利要求1所述的液晶顯示屏缺陷檢測方法，其特征在于：所述步驟s2中預設神經網絡的主干網絡還設置有用于進行下采樣的fcfb模塊，其中，
4.根據權利要求1所述的液晶顯示屏缺陷檢測方法，其特征在于：所述步驟s2中預設神經網絡的頸部網絡設置有assa模塊，所述assa模塊包括：
5.根據權利要求4所述的液晶顯示屏缺陷檢測方法，其特征在于：所述步驟s2中預設神經網絡的頭部網絡包括四個dectect層，分別為第一dectect層、第二dectect層、第三dectect層、第四dectect層，其中，第一dectect層、第二dectect層、第三...
【專利技術屬性】
技術研發人員：花小峰，陳崇楊，潘柬，李榮才，
申請(專利權)人：無錫市電子儀表工業有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。