-
公开(公告)号：CN110020691B
公开(公告)日：2022-10-11
申请号：CN201910290488.9
申请日：2019-04-11
Applicant: 重庆信息通信研究院
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06T7/00
Abstract: 本发明涉及一种基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法，属于屏幕检测技术领域。该方法包括以下步骤：通过频域高斯滤波或者时域高斯模糊的方法将缺陷样本转换为正常样本，建议使用频域高斯滤波，因为这个模糊方式对正常背景特征破坏程度较小；在对抗性训练过程中，将缺陷样本与平滑后的正常样本成对输入到卷积神经网络中；通过设置相应的损失函数，网络学习到缺陷区域与不直接相关的正常背景的特征差异，以及缺陷区域与直接相关的正常背景之间的差异。本发明提出的算法采用对抗性训练的方法，即使在少量训练样本的条件下，也可以快速学习到缺陷与背景的差异。
-
公开(公告)号：CN109859169A
公开(公告)日：2019-06-07
申请号：CN201910005055.4
申请日：2019-01-03
Applicant: 重庆信息通信研究院 , 重庆电子信息中小企业公共服务有限公司
Abstract: 本发明涉及一种基于卷积神经网络的TFT-LCD模组白印检测方法，属于工业缺陷检测领域。该方法包括图像预处理和缺陷检测；图像预处理为：通过相机采集待检测样本；通过仿射变换将待检测的整块模组区域校正为矩形；由于模组的光学干涉效应，相机拍摄的待检测图存在有规则的摩尔纹；为提高检测的正确率，去除摩尔纹；为节约检测的时间，缩放相机采集的图像以节约检测时间；缩放后的尺寸满足检测网络的需要。相较于其它级联式检测方法，该方法检测过程一步到位，可以有效降低阈值的数量，进而降低了培训成本与维护成本。单单以算法而言，神经网络算法的通用性本身就高于非神经网络的算法。
-
Patent Agency Ranking
公开(公告)号：CN109712117A
公开(公告)日：2019-05-03
申请号：CN201811510843.0
申请日：2018-12-11
Applicant: 重庆信息通信研究院
Abstract: 本发明涉及一种基于卷积神经网络的轻量级TFT-LCD模组划痕检测方法，属于工业缺陷检测。该方法包括以下步骤：S1：建立深度学习模型；S2：通过相机采集图像；S3：图像仿射校正为矩形；S4：图像去纹理；S5：图像标准化；S6：输入CNN检测网络；S7：输出检测结果。本发明深度学习算法可以做到算法的通用，更换产品只需要添加该类的训练样本即可。并且随着种类的增多，训练的模型泛化行越强，积累到一定种类数量时，即使不添加训练样本也可以检测出。可大大降低员工培训时间与系统维护时。且无需撕去保护膜，对膜上的划痕有一定鉴别能力。针对小的划痕，其漏检率与误检率都将大大降低。
-
公开(公告)号：CN109859169B
公开(公告)日：2022-12-16
申请号：CN201910005055.4
申请日：2019-01-03
Applicant: 重庆信息通信研究院 , 重庆电子信息中小企业公共服务有限公司
Abstract: 本发明涉及一种基于卷积神经网络的TFT‑LCD模组白印检测方法，属于工业缺陷检测领域。该方法包括图像预处理和缺陷检测；图像预处理为：通过相机采集待检测样本；通过仿射变换将待检测的整块模组区域校正为矩形；由于模组的光学干涉效应，相机拍摄的待检测图存在有规则的摩尔纹；为提高检测的正确率，去除摩尔纹；为节约检测的时间，缩放相机采集的图像以节约检测时间；缩放后的尺寸满足检测网络的需要。相较于其它级联式检测方法，该方法检测过程一步到位，可以有效降低阈值的数量，进而降低了培训成本与维护成本。单单以算法而言，神经网络算法的通用性本身就高于非神经网络的算法。
-
公开(公告)号：CN109712117B
公开(公告)日：2022-10-11
申请号：CN201811510843.0
申请日：2018-12-11
Applicant: 重庆信息通信研究院
Abstract: 本发明涉及一种基于卷积神经网络的轻量级TFT‑LCD模组划痕检测方法，属于工业缺陷检测。该方法包括以下步骤：S1：建立深度学习模型；S2：通过相机采集图像；S3：图像仿射校正为矩形；S4：图像去纹理；S5：图像标准化；S6：输入CNN检测网络；S7：输出检测结果。本发明深度学习算法可以做到算法的通用，更换产品只需要添加该类的训练样本即可。并且随着种类的增多，训练的模型泛化行越强，积累到一定种类数量时，即使不添加训练样本也可以检测出。可大大降低员工培训时间与系统维护时。且无需撕去保护膜，对膜上的划痕有一定鉴别能力。针对小的划痕，其漏检率与误检率都将大大降低。
-
公开(公告)号：CN110020691A
公开(公告)日：2019-07-16
申请号：CN201910290488.9
申请日：2019-04-11
Applicant: 重庆信息通信研究院
Abstract: 本发明涉及一种基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法，属于屏幕检测技术领域。该方法包括以下步骤：通过频域高斯滤波或者时域高斯模糊的方法将缺陷样本转换为正常样本，建议使用频域高斯滤波，因为这个模糊方式对正常背景特征破坏程度较小；在对抗性训练过程中，将缺陷样本与平滑后的正常样本成对输入到卷积神经网络中；通过设置相应的损失函数，网络学习到缺陷区域与不直接相关的正常背景的特征差异，以及缺陷区域与直接相关的正常背景之间的差异。本发明提出的算法采用对抗性训练的方法，即使在少量训练样本的条件下，也可以快速学习到缺陷与背景的差异。
-
公开(公告)号：CN108961225A
公开(公告)日：2018-12-07
申请号：CN201810640868.6
申请日：2018-06-21
Applicant: 重庆信息通信研究院
CPC classification number: G06T7/0004 , G06T7/11 , G06T7/136 , G06T2207/20024 , G06T2207/20048 , G06T2207/30121
Abstract: 本发明提供了一种周期性纹理抑制方法以及装置，该方法通过获取空间域的目标图像；采用傅里叶变换将所述目标图像从空间域转换到频率域，得到频率域的目标图像；在所述频率域构建滤波器，将所述频率域的目标图像中表征纹理背景的频率成分滤除，得到处理后的频率域的目标图像；将所述处理后的频率域的目标图像进行傅里叶逆变换，得到消除背景后的空间域图像。该方法可以有效抑制各个方向的纹理背景，同时又能保留缺陷的原始特征。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
