基于区域神经网络的TFT-LCD电路缺陷检测方法

doi:10.3969/j.issn.1006-2475.2018.07.007

计算机与现代化

基于区域神经网络的TFT-LCD电路缺陷检测方法

（厦门大学物理科学与技术学院,福建厦门361001）

收稿日期:2018-01-05 出版日期:2018-08-23 发布日期:2018-08-27
作者简介:何俊杰(1993-),男,福建漳州人,厦门大学物理科学与技术学院硕士研究生,研究方向:机器学习,图像处理,自动光学检测;肖可(1993-),女,硕士研究生,研究方向:图像处理,工业检测;刘畅(1992-),男,硕士研究生,研究方向:自动化控制；陈松岩(1966-),男,教授,博士生导师,博士,研究方向:硅基光电材料与器件,工业视觉检测。
基金资助:
福建省高校产学合作项目(2016H6026)

TFT-LCDCircuitDefectsDetectionBasedonFasterR-CNN

（SchoolofPhysicalScienceandTechnology,XiamenUniversity,Xiamen361001,China）

Received:2018-01-05 Online:2018-08-23 Published:2018-08-27

摘要/Abstract

摘要： 对薄膜晶体管液晶显示器（TFT-LCD）边框电路中细微、复杂的缺陷进行检测,一直是自动光学检测（AOI）的一个难点。本文提出基于改进的快速区域神经网络（FasterR-CNN）算法对TFT-LCD边框电路的缺陷进行检测。首先在共享卷积层进行特征提取，然后通过多层的区域提议网络结构生成精确候选区域，根据候选区域的特征和目标分类实现对缺陷的识别和定位。同时设计多种有效的网络结构并详细分析网络层深度及卷积核大小对检测效果的影响，最后进行不同算法的比较。在实际构建的数据集上实验,结果表明本文方法具有良好的检测效果，对6种类别的液晶屏边框电路缺陷识别定位达到平均每张0.12s的检测速度和94.6%的准确率。

关键词: 缺陷检测, 工业智能, 基于区域的卷积神经网络, 深度学习

Abstract: ThedetectionoftinyandcomplexdefectsinthebordercircuitofThinFilmTransistor-LiquidCrystalDisplay(TFT-LCD)hasbeenadifficultpointinAutomaticOpticalInspection(AOI).ThispaperdetectsTFT-LCDbordercircuitdefectsbyusingimprovedFasterRegion-basedConvolutionalNeuralNetwork(FasterR-CNN).Thealgorithmextractsfeaturesfromsharedconvolutionallayersfirstly,andthengeneratescandidateregionsaccuratelythroughthemultilayeredRegionProposalNetwork(RPN),whichcanrecognizeandlocatethetargetscombiningwithclassificationinformation.Weanalyzetheperformancesofthemethodwithdifferentnetworkstructureswedesigned,andcomparewithdifferentalgorithms.Theexperimentstrainedinabordercircuitdatasetshowthatthemethodachievesexcellentperformance,andthedetectionsystemcanrecognizeandlocatesixkindsofTFT-LCDbordercircuitdefectsinoneimagesimultaneouslywithin0.12sandachieveanaccuracyof94.6%.

Key words: defectdetection, industrialintelligence, region-basedconvolutionalneuralnetwork, deeplearning

中图分类号:

TP312

何俊杰,肖可,刘畅,陈松岩. 基于区域神经网络的TFT-LCD电路缺陷检测方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.07.007.

HEJun-jie,XIAOKe,LIUChang,CHENSong-yan. TFT-LCDCircuitDefectsDetectionBasedonFasterR-CNN[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.07.007.

参考文献

［1］LoweDG.Distinctiveimagefeaturesfromscale-invariantkeypoints［J］.InternationalJournalofComputerVision,2004,60(2):91-110.
［2］DalalN,TriggsB.Histogramsoforientedgradientsforhumandetection［C］//IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.2005:886-893.
［3］OjalaT,PietikinenM,HarwoodD.PerformanceevaluationoftexturemeasureswithclassificationbasedonKullbackdiscriminationofdistributions［C］//Proceedingsofthe12thIAPRInternationalConferenceonPatternRecognition.1994:582-585.
［4］朱光,朱学芳,张华坤.复杂背景下TFT-LCD表面缺陷检测系统的设计［J］.电子测量与仪器学报,2011,25(12):1054-1059.
［5］苏小红,何志广,马培军.TFT-LCD微米级显示缺陷的自动检测算法［J］.哈尔滨工业大学学报,2008,40(11):1756-1760.
［6］GallJ,LempitskyV.Class-specifichoughforestsforobjectdetection［C］//2009IEEEConferenceonComputerVisionandPatternRecognition.2009:1022-1029.
［7］FelzenszwalbPF,GirshickRB,McAllesterD.Cascadeobjectdetectionwithdeformablepartmodels［C］//2010IEEEConferenceonComputerVisionandPatternRecognition.2010:2241-2248.
［8］GirshickR,DonahueJ,DarrellT,etal.Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation［C］//2014IEEEConferenceonComputerVisionandPatternRecognition.2014:580-587.
［9］GirshickR.FastR-CNN［C］//ProceedingsoftheIEEEInternationalConferenceonComputerVision.2015:1440-1448.
［10］HeKaiming,ZhangXiangyu,RenShaoqing,etal.Spatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognition［C］//EuropeanConferenceonComputerVision.2014:346-361.
［11］RenShaoqing,HeKiaming,GirshickR,etal.FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks［C］//Proceedingsofthe28thInternationalConferenceonNeuralInformationProcessingSystems.2015:91-99.
［12］UijlingsJRR,VanDeSandeKEA,GeversT,etal.Selectivesearchforobjectrecognition［J］.InternationalJournalofComputerVision,2013,104(2):154-171.
［13］NeubeckA,VanGoolL.Efficientnon-maximumsuppression［C］//IEEE18thInternationalConferenceonPatternRecognition.2006,3:850-855.
［14］ZeilerMD,FergusR.Visualizingandunderstandingconvolutionalnetworks［C］//EuropeanConferenceonComputerVision.2014:818-833.
［15］KrizhevskyA,SutskeverI,HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks［C］//Proceedingsofthe25thInternationalConferenceonNeuralInformationProcessingSystems.2012:1097-1105.
［16］SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition［J］.ComputerScience,2014:arXiv:1409.1556.
［17］NairV,HintonGE.Rectifiedlinearunitsimproverestrictedboltzmannmachines［C］//Proceedingsofthe27thInternationalConferenceonMachineLearning(ICML-10).2010:807-814.
［18］SrivastavaN,HintonG,KrizhevskyA,etal.Dropout:Asimplewaytopreventneuralnetworksfromoverfitting［J］.JournalofMachineLearningResearch,2014,15(1):1929-1958.

[1]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[2]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[3]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[4]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[5]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[6]	宁娟, 周庆华, 曾小为. 改进YOLOv7算法在西林瓶轧盖缺陷检测中的应用[J]. 计算机与现代化, 2023, 0(12): 82-86.
[7]	马泽宇, 叶宁, 徐康, 王甦, 王汝传, . 基于FMCW雷达和ResNeSt-GRU的行为识别方法[J]. 计算机与现代化, 2023, 0(11): 101-107.
[8]	张嘉琪, 徐啟蕾. 基于NAM-YOLO网络的苹果缺陷检测算法[J]. 计算机与现代化, 2023, 0(10): 53-58.
[9]	李延满, 王必恒, 赵羚焱. 基于轻量化YOLOv5的安全帽检测[J]. 计算机与现代化, 2023, 0(10): 59-64.
[10]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.
[11]	沈加炜, 陆一鸣, 陈晓艺, 钱美玲, 陆卫忠, . 基于深度学习的人体行为检测方法研究综述[J]. 计算机与现代化, 2023, 0(09): 1-9.
[12]	刘禅奕, 黄丹, 薛林雁, 王涛, 朱桃, . 改进EfficientNet网络的COVID-19 X光分类[J]. 计算机与现代化, 2023, 0(09): 94-99.
[13]	马国祥, 杨凌菲, 严传波, 张志豪, 孙彬, 王晓荣. 基于深度DenseNet网络的肝包虫病超声影像诊断方法[J]. 计算机与现代化, 2023, 0(09): 100-104.
[14]	农皓程, 任德均, 任秋霖, 刘澎笠, 黄德成. 基于改进ConvNeXt的软塑包装表面异常检测算法[J]. 计算机与现代化, 2023, 0(08): 12-17.
[15]	欧阳飞, 吴旭, 向东升. 基于改进YOLOX的垃圾分类检测方法[J]. 计算机与现代化, 2023, 0(08): 68-73.

基于区域神经网络的TFT-LCD电路缺陷检测方法

TFT-LCDCircuitDefectsDetectionBasedonFasterR-CNN

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价