基于液晶显示器缺陷检测技术的分析与结论

对于显示器缺陷检测问题，我们利用深度学习和传统图像处理相结合的方式，对采集到的图像进行预处理，除去生产线上员工对显示屏产品做的各项标注，除去噪音干扰，利用卷积神经网络的特征提取特性，学习缺陷的特征，进行分类识别和回归预测，从而达到检测的目的。

一、检测准备：

对于现有样本，我们可以将缺陷和噪声干扰分开后，进行尺度、位置、旋转等变换，再进行重新组合，从而实现样本的扩充，数据的增强。如下图：

缺陷图：

生成样本图：

二、检测结果：

1．噪声标注等干扰的去除

原始图片为上文的缺陷图，经过预处理得到：

至此，我们完成的工作的第一步，把生产线上的标注和噪声进行了去除，为下一步的检测做准备。

2．缺陷的检测

针对缺陷的特点，我们利用RCNN网络模型检测，我们搜寻网络缺陷图，对卷积网络模型进行训练。

卷积网络训练结果如下：

左边为训练时的准确率，右边为验证时的准确率。横坐标代表训练次数，纵坐标代表准确率。由图可见，在50次训练后，结果基本稳定在96.44%，取得了较好的结果。

测试结果如下：

三、结论：

经过测试实验，我们得出了利用RCNN卷积神经网络对缺陷的检测的可行性。当然，采用更加深度的模型会带来更好的结果。