CN119494807A 显示设备缺陷检测方法、装置、计算机设备和存储介质 （舜宇光学（浙江）研究院有限公司）

术开发区建设三路733号信息港五期廓和灰度分布构建缺陷脚本图，生成扩充数据2获取显示设备的缺陷图像数据集；基于所述缺陷图像数据集中缺将经过融合处理的所述缺陷脚本图投影到所述显示设备中；通过采通过随机采样点确定缺陷轮廓的初始形状，将所述初始形状输入所述轮廓重构网络，实时获取所述显示设备上显示部的表面图像，通基于所述图像分类模型对所述待检测局部图像进行分类，从所述对所述表面图像的灰度值进行聚类，确定所述表面图像中灰度渐变区域通过将所述渐变像素群输入预设的灰度均匀模型，对所述灰度渐变区3基于残差结构建立孪生网络，通过输入所述扩充数据集，对所述基于卷积神经网络建立图像分割网络，通过输入所述扩所述缺陷脚本图构建模块，用于获取所述显示设备的缺陷图像数所述数据集扩充模块，用于将经过融合处理的所述缺陷脚本图投影到所述显示设备所述缺陷检测模块，用于基于所述扩充数据集，训练得到图像分类模型被处理器执行时实现权利要求1至8中任意一项所述的显示设备缺陷检测4[0003]在针对显示设备的缺陷检测方法中，基于深度学习的图像算法主要以单阶段的YOLO(实时目标检测算法)系列网络和FasterR_CNN(双阶段目标检测算法)系列网络为主，5[0016]实时获取所述显示设备上显示部的表面图像，通过对所6被处理器执行时实现上述第一个方面所述的显示设备7[0055]在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执如图1所示，终端可以包括一个或多个(图1中仅示出一实施例中的显示设备缺陷检测方法对应的计算机程序，处理器102通过运行存储在存储器[0057]传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network8[0060]在针对显示设备的缺陷检测方法中，基于深度学习的图像算法主要以单阶段的YOLO(实时目标检测算法)系列网络和FasterR_CNN(双阶段目标检测算法)系列网络为主，[0061]在本实施例中提供了一种显示设备缺陷检测方法，图2是本实施例的显示设备缺9[0099]以图4中的图像分类模型为例，分别随机选取一张无缺陷图像和一张缺陷图像作[0110]基于预设规则对第二缺陷局部图像进行合并，得到缺陷块的[0111]其中，缺陷块的最小外接矩形区域通常不满足图像分割模型所要求的预设尺寸于不符合方形尺度的矩形区域(例如图5中大小为5N×3度渐变现象。从而对位于表面图像边缘部分的第一缺陷局部图像实现了背景均匀化处理，[0119]灰度均匀模型可以采用BP神经网络或全连接层等作为预设神经网络，由4个隐藏[0121]在本实施例中还提供了一种显示设备缺陷检测方法。图6是本实施例的另一种显示设备上显示部的表面图像，经尺度缩放和裁剪之后得到若干N×N大小的待检测局部图模型和图像分割模型的训练过程不限定以此处于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步