检查基板玻璃缺陷的方法、现场终端及服务器与流程

本发明涉及显示器制造领域，具体地，涉及检查基板玻璃缺陷的方法、现场终端及服务器。

背景技术：

超薄显示基板玻璃是用于制造TFT-LCD(thin film transistor-liquid crystal display，薄膜晶体管液晶显示)、OLED(organic light-emitting diode)等显示器的关键上游材料。基板玻璃的品质将影响到显示器的品质，因此客户对其缺陷有着严苛的要求，识别基板玻璃的缺陷成为产品品质管控的必要手段。同时，缺陷的种类(气泡、结石、铂金颗粒等)的识别也是调整优化生产工艺的重要依据。因此，为了在保证生产率前替下提高缺陷检出率，通常采用计算机视觉技术和神经网络技术构建玻璃缺陷自动检查分类设备。

基于计算机视觉技术和神经网络技术构建的玻璃缺陷自动检查设备需要对用于分类的神红网络模型，即分类模型进行大量的训练，才能使其准备地缺陷进行分类。现有技术中，是在每条生产线上设置单独的缺陷检查分类设备，因此需要对每条产线的缺陷检查分类设备进行单独的训练。技术的进步使得TFT-LCD、OLED等越来越普及，市场需求催生基板玻璃厂商采取规模化的策略，即每个厂商均建设有大量的生产线，需要大量的分类设备。这种情况下现有技术中的问题日益凸显，其主要表现以下几个方面：

首先，神经网络学习速度是固定的，网络的收敛速度慢，需要较长的训练时间，即需要大量的训练样本才能实现较高的分类准确率。尤其对于厂商新部署的分类设备，更需要进行大量训练。并且神经网络训练的过程中需要占用很多专业技术人员操作，且这个过程中无法为厂商的工艺对策提供有效依据，这制约了生产效率的提升。

其次，神经网络隐含层的层数和单元数的选择尚无理论指导，一般是根据经验或通过反复实验确定，这样增大了厂商研发和优化分类设备的成本，也制约了多台设备间的资源共享。

此外，分类模型的训练对于一般设备使用者来说是较为复杂的操作，软件操作的培训、维护也也需要消耗大量的人力物力成本。并且分类模型的训练过程中对操作人员的主观性有定的依赖，操作人员数越多，其引起的误差也越大。

技术实现要素：

本发明的目的是提供检查基板玻璃缺陷的方法、现场终端、服务器以及应用该现场终端和服务器的系统，该方法、现场终端、服务器和系统能够显著提高缺陷检查的效率，并且能够节省使用和维护成本。

为了实现上述目的，本发明提供一种检查基板玻璃缺陷的方法，该方法包括：采集基板玻璃的图像；处理所述图像，以获取所述图像中的特征参数；以及将所述特征参数传送到服务器。

其中，所述处理所述图像，以获取所述图像中的特征参数可以包括：对所述图像进行图像分割，并基于图像分割的结果提取缺陷所在区域的区域图像；以及对所述区域图像进行特征提取，并用特征参数表示各个被提取的特征。

其中，所述处理所述图像，以获取所述图像中的特征参数还可以包括：对所述图像进行增强处理。

本发明的另一方面还提供一种检查基板玻璃缺陷的方法，该方法包括：接收基板玻璃图像的特征参数；对所述特征参数进行分类，以获取分类结果；以及将所述分类结果发送给现场终端。

其中，所述对所述特征参数进行分类可以包括：利用BP神经网络对所述特征参数进行分类。

本发明的再一方面还提供一种检查基板玻璃缺陷的现场终端，该现场终端包括：图像采集模块，用于采集基板玻璃的图像；图像处理模块，用于处理所述图像，以获取所述图像中的特征参数；以及数据传输模块，用于将所述特征参数传送到服务器。

其中，所述图像处理模块可以包括：图像分割模块，用于对所述图像进行图像分割，并基于图像分割的结果提取缺陷所在区域的区域图像；以及特征提取模块，用于对所述区域图像进行特征提取，并用特征参数表示各个被提取的特征。

其中，所述图像处理模块还可以包括：增强处理模块，用于对所述图像进行增强处理。

本发明的再一方面还提供一种检查基板玻璃缺陷的服务器，该服务器包括：数据接收模块，用于接收基板玻璃图像的特征参数；分类模块，用于对所述特征参数进行分类，以获取分类结果；以及数据发送模块，用于将所述分类结果发送给现场终端。

其中，所述分类模块可以优选地利用BP神经网络算法对所述特征参数进行分类。

本发明的再一方面还提供一种检查基板玻璃缺陷的系统，该系统包括：所述的检查基板玻璃缺陷的现场终端；以及所述的检查基板玻璃缺陷的服务器。

其中，在所述检测基板玻璃缺陷的系统中，每个所述服务器可以对应多个终端。

通过上述技术方案，本发明将检测基板玻璃缺陷的过程中对基板玻璃图像中的缺陷进行分类的过程集中在服务器上进行，对于分类模块中的分类模型的训练工作只需要在服务器上进行，从而不需要每台产线都进行分类训练，由此，不仅能够节省各生产线的检测时间，并且可以利用所有产线中的出现的缺陷特征对分类模型进行训练，从而能够提高分类结果的准确性，进而提高缺陷检出率。同时，上述技术方案还能够节省使用和维护成本。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据本发明实施例一的检查基板玻璃缺陷的方法的流程图；

图2是根据本发明实施例二的检查基板玻璃缺陷的方法的流程图；

图3是根据本发明实施例三的检查基板玻璃缺陷的方法的流程图；

图4是根据本发明实施例四的检查基板玻璃缺陷的方法的流程图；

图5是根据本发明实施例五的检查基板玻璃缺陷的现场终端的结构图；

图6是根据本发明实施例五的检查基板玻璃缺陷的现场终端中图像处理模块的优选实施方式的结构图；

图7是根据本发明实施例五的检查基板玻璃缺陷的服务器的结构图；以及

图8是根据本发明实施例五的检查基板玻璃缺陷的系统的结构图。

附图标记说明

100：现场终端 110：图像采集模块

120：图像处理模块 121：图像分割模块

122：特征提取模块 123：增强处理模块

200：服务器 210：数据接收模块

220：分类模块 230：数据发送模块

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1是根据本发明实施例一的检查基板玻璃缺陷的方法的流程图。如图1所示，该方法包括以下步骤：

在步骤S110中，采集基板玻璃的图像。其中，基板玻璃的图像可以利用图像采集设备获取，例如可以利用线阵CCD相机或面阵CCD相机，其可以安装于基板玻璃的生产线中，当基板玻璃经过时，线阵CCD相机或面阵CCD相机可以实时采集从而获取基板玻璃的图像。采集图像的过程中，可以使基板玻璃固定不动，图像采集设备移动采集，也使图像采集设备固定不动，使基板玻璃经过图像采集设备的采集区域，即可以通图像采集设备和基板玻璃的相对运动对基板玻璃进行扫描。后一种方式可以在不影响基板玻璃搬运的前替下获取图像。

采集基板玻璃的图像时优选采集被检测基板玻璃的整体图像，在一些情况下，比如可以不必考虑基板玻璃产品的某一区域的缺陷时，或需要重点检测基板玻璃的某一区域时，可以只采集基板玻璃的某一区域。

在步骤S120中，处理所述图像，以获取所述图像中的特征参数。在理想的品质状态下，基板玻璃的整体应当是均一的，其各项特征参数也应当是均一的，但是实际生产的基板玻璃不可避免地会出现缺陷，例如会出现气泡、结石、金属颗粒或其它颗粒状异物。因此，在有缺陷的部位会出现与其他区域不同的特征，处理所述图像的目的是为了提取缺陷所在的区域的特征参数。

在步骤S130中，将所述特征参数传送到服务器。

所提取的特征参数将被用于对缺陷进行分类，分类是检查基板玻璃缺陷过程中最重要的工作，只有准确地对缺陷进行分类，才能输出准确的缺陷检测结果，从而便于分析缺陷出现的原因。然而用于分类的分类模型需要经过训练才能保证其分类结果的准确性，分类的过程通常首先需要人工介入，由人工判断基板玻璃上出现的缺陷的类型，并将该类型输出分类模型，分类模型根据接收到的类型和实际的缺陷图片反复进行训练，才能实现自动识别缺陷的类型，现有技术中每条产线都需要对该产线所使用的分类模型进行训练，其训练过程需要消耗大量的时间，因此分类效率低，并且用于训练每条产线所使用的分类模型的数据量不足也可能导致训练不充分，进而导致分类不准确。而本发明所述的方法将特征参数传送至服务器，由服务器统一进行对分类模型的训练工作，相当于每多条产线只需要训练一次，节省了分类时间，并且用于训练分类模型的数据来自于多条产线，因此能更充分地训练分类模型，从而获得更准的分类结果。

图2是根据本发明实施例二的检查基板玻璃缺陷的方法的流程图。其中，步骤S210同上述步骤S110，如图2所示，实例一中的步骤S120还可以优选地包括以下步骤：

在步骤S220中，对所述图像进行图像分割，并基于图像分割的结果提取缺陷所在区域的区域图像。可以根据基板玻璃的图像的各项参数，例如像素、亮度、对比度等，对所述图像进行图像分割，从而将缺陷所在的区域图像从整体图像中分割出来，以减少后续对图像进行处理时的数据量。

在步骤S230中，对所述区域图像进行特征提取，并用特征参数表示各个被提取的特征。该步骤是为了对区域图像进行初步的分类，特征参数即初步分类的结果，例如果可以对初步分类的各类别进行编号，并用编号来表示各项特征参数。提取的特征例如可以是灰度、颜色、亮度、尺寸、偏心率(可以用于判断缺陷的形状，例如判断其是否为中心对称)等。

上述步骤S120还可以优选地包括步骤S240，在步骤S240对所述图像进行增强处理。增强处理可以利用图像滤波、直方图均衡或其它处理方法。上述方法为本领域公知技术，可根据需要进行组合。

图3是根据本发明实施例三的检查基板玻璃缺陷的方法的流程图。如图3所示，该方法包括以下步骤：

在步骤S310中，接收基板玻璃图像的特征参数。所述特征参数是在现场终端中提取的特征参数。

在步骤S320中，对所述特征参数进行分类，以获取分类结果。可以通过利用神经网络算法的分类模型进行分类。所述分类结果即对缺陷的类型，通过该步骤即可获知被检测的缺陷所属的类型，例如气泡、异物颗粒等。

在步骤S330中，将所述分类结果发送给现场终端。所述分类结果被发送至现场终端后，现场终端即可获取对缺陷的检查结果。

图4是根据本发明实施例四的检查基板玻璃缺陷的方法的流程图。在图4中，步骤S410同上述步骤S310，步骤S430同上述步骤S330。

在步骤S420中，利用BP神经网络对所述特征参数进行分类。BP神经网络主要是通过输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。BP神经网络相对其他用于分类的神经网络的准略性更高，更适用于对于品质有严格要求的基板玻璃分类操作。当然，其他神经网络也可以用于此处。

该方法还可以进一步地包括调度步骤，从而对分类任务进行调度。

图5是根据本发明实施例五的检查基板玻璃缺陷的现场终端的结构图。如图5所示，该现场终端包括：图像采集模块110，用于采集基板玻璃的图像；图像处理模块120，用于处理所述图像，以获取所述图像中的特征参数；以及数据传输模块130，用于将所述特征参数传送到服务器。

图像采集模块110可以是利用线阵CCD相机或面阵CCD相机的图像采集设备。

其中，图像处理模120块可以如图6所示优选地包括图像分割模块121，用于对所述图像进行图像分割，并基于图像分割的结果提取缺陷所在区域的区域图像；以及特征提取模块122，用于对所述区域图像进行特征提取，并用特征参数表示各个被提取的特征。

其中，所述图像处理模块120包括：增强处理模块123，用于对所述图像进行增强处理。

图7是根据本发明实施例五的检查基板玻璃缺陷的服务器的结构图。如图7所示，该服务器包括：数据接收模块210，用于接收基板玻璃图像的特征参数；分类模块220，用于对所述特征参数进行分类，以获取分类结果；以及数据发送模块230，用于将所述分类结果发送给现场终端。

其中，分类模块220可以包括利用神经网络算法的分类模型，分类模块220优选地利用BP神经网络算法对所述特征参数进行分类。

图8是根据本发明实施例五的检查基板玻璃缺陷的系统的结构图。如图8所示，该系统包括现场终端100和服务器200，现场终端100和服务器200可以是上述实施例所述的现场终端和服务器。服务器可以是云端服务器，以现场终端100和服务器200均可以包括多个，在存在多个现场终端100和多个服务器200的情况下，该系统还可以包括一个调度服务器，以在多个服务器间进行调度。

所述检查基板玻璃缺陷的系统只需要在服务器上对分类模型进行训练即可，节省了大量的使用成本和维护成本，还消除了训练过程中由于大量人工介入而引起的误差，从能够降低不同产线在进行缺陷检查分类时的误差，有助于提高整体的分类准确率。

本发明把检查玻璃缺陷的系统分成和检查和分类两部分，即现检查和分类分别在将终端和服务器。优选地，在所述检查基板玻璃缺陷的系统中，每个服务器可以对应多个终端。终端进行图像处理和特征提取后，把特征传到服务器时，服务器是可以接受多个终端的特征。由此，数据传输量小，处理效率高。进一步的好处是，一个服务器可对应多个终端，显著的进步在这里体现的非常充分。并且，由于神经网络的特点是数据量越大，识别准确率越高，因此那么一个服务器对应多个终端时，数据量是几何增长的，对识别准确率的提升要大大高于单个终端的情形；另一个显著的进步是，一对多时，新加入的终端可以共享已有的数据，可以快速的实现高准确率识别。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。