论文部分内容阅读
TFT面板制造极易出现各种缺陷,分类检测工作尤其重要。目前检测分类仍采用传统人工视觉检测方法,易受主观因素及外界环境影响,难以保证产品质量,效率较低。因此迫切需要研究稳定、高效的缺陷识别方法。本文以TFT面板Gate层为研究对象,研制基于深度学习的自动识别算法。分析发现以VPD机种下KOI机台检测剥离后的Gate层缺陷图为研究对象最为合适。分类准则有两种,用于修补的二分类和用于品质监控的多分类。相应的设计标准为二分类准确率达95%,判断速度达1500张/分钟,多分类准确率达85%,判断速度达800张/分钟。获取图片数据后,先按分类标准进行标定,然后做图片预处理,包括灰度化、缩放、归一化等步骤。由于数据集小,需数据扩充,尝试使用图像几何变换、对抗生成网络生成、人工伪造三种方式扩充数据。本文研究并实现了Gate层缺陷识别深度学习网络。首先探索了传统机器学习算法,如支持向量机SVM、逻辑回归、最近邻算法KNN和随机森林,并用于缺陷识别;其次重点实现了卷积神经网络用于缺陷分类,设计8层卷积的浅层卷积神经网络VTest并参数调优,包括卷积、池化、周边填充、正则化、激活函数和损失函数;使用VGG16/Inception_v3/Resnet50/Inception_resnet_v2网络做从头训练并支持迁移学习;改造Inception_resnet_v2结构作为基本模块搭建多层级网络用来训练;构造DCGAN用以图像扩充。本文实验表明:(1)相比于传统机器学习方法,卷积神经网络准确率高10%;(2)训练数据扩充后,卷积神经网络准确率再提高10%。(3)Tensorflow平台上从头训练实验结果显示Inception_v3/Resnet50结构上准确率达到77%,再次提高17%。Inception_resnet_v2网络上从头训练准确率达到88%。从头训练平均训练时长达到10小时。(4)Keras平台上各网络结构使用迁移学习训练方法,VGG16/Inception_v3/Resnet50准确率高达84%,Inception_resnet_v2准确率达到90%。迁移学习平均训练时长35分钟。(5)Keras上使用Inception_resnet_v2的四层级联网络多分类准确率达到了93%。整个实验表明多层级网络适合TFT面板Gate层缺陷分类,具有高准确率达到设计指标。卷积神经网络Inception_resnet_v2相比较其他算法具有优越性,已达到准确度和判定速度的设计指标,进一步优化可以应用到实际生产中替代人工做修补判定和辅助人工做缺陷分类。