一种基于学习的显示屏缺陷智能检测方法及装置与流程

本申请涉及屏幕检测技术领域，尤其涉及一种基于学习的显示屏缺陷智能检测方法及装置。

背景技术：

“新型显示产业”作为我国政府支持的新兴战略产业之一，近年来在政府的积极扶持下取得了长足的进步。目前，我国液晶显示行业正在经历常能扩张、出货增加以及技术提升阶段。显示屏缺陷检测是显示屏制造企业保证出货品质的重要环节。目前，屏幕检测方法主要有人工检测和aoi设备检测两种。其中，aoi设备检测方法逐渐替代传统的人工检测成为主流检测方法，但是其也面临着缺陷基准不稳定、缺陷类型复杂、检测设备的检测参数调整复杂、设备调试耗时较长以及对高发缺陷响应滞后等问题。

aoi检测设备中采用的原有视觉检测方法主要由四部分组成，分别为图像采集部分、缺陷提取部分、特征分析部分和数据汇总部分。其中，缺陷提取部分主要采用阈值分割图像处理方法，针对不同类型缺陷和场景需要采用不同的提取方法，鲁棒性差；特征分析部分采用人工手动设定阈值的方法，根据当缺陷特征值大于阈值时判定为缺陷的原理，但是参数调整复杂，且受人工经验影响较大，响应较慢。

技术实现要素：

本申请提供了一种基于学习的显示屏缺陷智能检测方法及装置，以解决现有屏幕缺陷检测方法操作繁琐、响应慢的问题。

本申请第一方面提供了一种基于学习的显示屏缺陷智能检测方法，所述方法包括：

获取屏幕的待检测图像；

根据预设网络参数，确定所述待检测图像的可疑缺陷信息，所述可疑缺陷信息至少包括：可疑缺陷区域和对应的可疑缺陷类型；

根据所述可疑缺陷信息，提取缺陷特征数值；

根据所述缺陷特征数值，确定最终检测结果，所述最终检测结果至少包括：可疑缺陷信息判定结果和所述可疑缺陷信息；

汇总全部所述最终检测结果为结果集合；

随机抽取所述结果集合中的所述最终检测结果为抽检样本，并重新检测所述抽检样本，确定检测结果与所述最终检测结果不同的结果为待反馈结果；

反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数；

根据所述下一预设网络参数，更新所述预设网络参数，并根据更新后的预设网络参数，检测下一待检测图像。

结合第一方面，在第一方面的第一种可实现方式中，所述根据所述缺陷特征数值，确定最终检测结果的具体步骤包括：

对比所述缺陷特征数值与预设特征缺陷数值；

确定大于所述预设特征缺陷数值的所述缺陷特征数值所对应的所述可疑缺陷区域为机检缺陷；

确定小于或者等于所述预设特征缺陷数值的所述缺陷特征数值所对应的所述可疑缺陷为排疑缺陷；

确定上述判断结果为最终检测结果。

结合第一方面，在第一方面的第二种可实现方式中，所述汇总全部所述最终检测结果为结果集合的具体步骤包括：

标记并编号所述最终检测结果；

汇总全部所述编号为结果集合，所述结果集合包括：所述编号与所述最终检测结果的对应关系以及所述编号对应的最终检测结果。

结合第一方面，在第一方面的第三种可实现方式中，所述随机抽取所述结果集合中的所述最终检测结果为抽检样本的具体步骤包括：

随机抽取所述编号；

按照所述编号与所述最终检测结果的对应关系，获取相应的所述最终检测结果和所述最终检测结果对应的所述可疑缺陷区域；

确定所述可疑缺陷区域为抽检样本。

结合第一方面，在第一方面的第四种可实现方式中，所述反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数的具体步骤包括：

按照预设尺寸，提取所述待反馈结果中所述抽检样本检测结果中的缺陷图像，作为缺陷样本图像；

标注所述缺陷样本图像中的缺陷区域；

根据标注结果，生成标注文件；

利用训练框架软件和深度学习分割网络，学习所述标注文件并生成下一缺陷提取网络参数。

结合第一方面，在第一方面的第五种可实现方式中，所述根据所述下一预设网络参数，更新所述预设网络参数的具体步骤包括：

提取并剔除所述预设网络参数中的缺陷提取网络参数部分；

更新所述下一缺陷提取网络参数至所述预设网络参数，形成下一预设网络参数。

结合第一方面，在第一方面的第六种可实现方式中，所述反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数的具体步骤包括：

获取并汇总所述待反馈结果中所述抽检样本对应的检测结果中的缺陷特征数值和最终检测结果中的缺陷特征数值，得到汇总数据；

利用训练框架软件和深度学习网络结构，学习所述汇总数据，生成下一缺陷分析网络参数。

结合第一方面，在第一方面的第七种可实现方式中，所述根据所述下一预设网络参数，更新所述预设网络参数的具体步骤包括：

提取并剔除所述预设网络参数中的缺陷分析网络参数部分；

更新所述下一缺陷分析网络参数至所述预设网络参数，形成下一预设网络参数。

本申请第二方面提供了一种基于学习的显示屏缺陷智能检测装置，所述装置包括：

图像获取单元，用于获取屏幕的待检测图像；

可疑缺陷信息确定单元，用于根据预设网络参数，确定所述待检测图像的可疑缺陷信息，所述可疑缺陷信息至少包括：可疑缺陷区域和对应的可疑缺陷类型；

特征值提取单元，用于根据所述可疑缺陷信息，提取缺陷特征数值；

最终检测结果确定单元，用于根据所述缺陷特征数值，确定最终检测结果，所述最终检测结果至少包括：可疑缺陷信息判定结果；

汇总单元，用于汇总全部所述最终检测结果为结果集合；

待反馈结果确定单元；随机抽取所述结果集合中的所述最终检测结果为抽检样本，并重新检测所述抽检样本，确定检测结果与所述最终检测结果不同的结果为待反馈结果；

结果反馈单元，用于反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数；

网络参数更新单元，用于根据所述下一预设网络参数，更新所述预设网络参数，并根据更新后的预设网络参数，检测下一待检测图像。

由以上技术可知，本申请提供了一种基于学习的显示屏缺陷智能检测方法及装置，其中，所述方法包括：获取屏幕的待检测图像；

根据预设网络参数，确定所述待检测图像的可疑缺陷信息，所述可疑缺陷信息至少包括：可疑缺陷区域和对应的可疑缺陷类型；根据所述可疑缺陷信息，提取缺陷特征数值；根据所述缺陷特征数值，确定最终检测结果，所述最终检测结果至少包括：可疑缺陷信息判定结果和所述可疑缺陷信息；汇总全部所述最终检测结果为结果集合；随机抽取所述结果集合中的所述最终检测结果为抽检样本，并重新检测所述抽检样本，确定检测结果与所述最终检测结果不同的结果为待反馈结果；反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数；根据所述下一预设网络参数，更新所述预设网络参数，并根据更新后的预设网络参数，检测下一待检测图像。当检测装置进行初次检测时，可以根据经验或者历史检测记录，预先设置一组预设网络参数，从而对待检测图像内的缺陷进行第一次基准分析，初步确定疑似缺陷，得到可疑缺陷信息。提取出可疑缺陷信息中关于疑似缺陷的缺陷特征数值，并根据缺陷特征数值进行第二次基准分析，进一步判断疑似缺陷是否为检测装置所认证的缺陷，并将判断结果作为最终检测结果。在全部最终检测结果中进行随机抽取，并找到对应的抽检样本，利用人工或者其他方法重新对抽检样本进行检测，从而判定抽检样本是否真实为缺陷，以及为何种缺陷类型等，并判断与检测装置所得检测结果的相似度，作为待反馈结果。将待反馈结果分别反馈至缺陷提取及缺陷分析部分，并根据待反馈结果进行深度学习，生成新的、更加合适的预设网络参数，作为下一预设网络参数，用于下一次的屏幕缺陷检测。而上述阐述的下一预设网络参数的学习过程，在每次屏幕检测的过程中都会出现，可以对每次屏幕检测的检测结果都进行反馈和学习，进而不断优化预设网络参数。本申请可以直接利用学习所得的下一预设网络参数，检测装置可以根据下一预设网络参数直接对待检测图像进行缺陷提取，代替原有各种图像分割处理方法，可适应复杂的缺陷类型和不同场景的检测，提高检测方法的鲁棒性；而且，通过不断地反馈学习检测结果，进而对预设网络参数进行不断优化，能够令检测装置达到高效、智能的检测效果，有效解决参数调整复杂和响应慢的问题。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于学习的显示屏缺陷智能检测方法的流程图；

图2为本申请实施例提供的一种学习前后缺陷检测结果的示意图，其中，左图为待检测图像，右图为学习后检测结果图像；

图3为本申请实施例提供的一种确定最终检测结果的方法流程图；

图4为本申请实施例提供的一种生成结果集合的方法流程图；

图5为本申请实施例提供的一种确定抽检样本的方法流程图；

图6为本申请实施例提供的一种生成下一预设网络参数的方法流程图；

图7为本申请实施例提供的一种缺陷提取部分深度学习检测用网络结构图；

图8为本申请实施例提供的一种更新预设网络参数的方法流程图；

图9为本申请实施例提供的另一种生成下一预设网络参数的方法流程图；

图10为本申请实施例提供的缺陷分析部分深度学习数据分析用网络结构图；

图11为本申请实施例提供的另一种更新预设网络参数的方法流程图；

图12为本申请实施例提供的一种基于学习的显示屏缺陷智能检测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，为本申请实施例提供的一种基于学习的显示屏缺陷智能检测方法的流程图，所述方法包括：

步骤100、获取屏幕的待检测图像；

步骤200、根据预设网络参数，确定所述待检测图像的可疑缺陷信息，所述可疑缺陷信息至少包括：可疑缺陷区域和对应的可疑缺陷类型；

步骤300、根据所述可疑缺陷信息，提取缺陷特征数值；

步骤400、根据所述缺陷特征数值，确定最终检测结果，所述最终检测结果至少包括：可疑缺陷信息判定结果和所述可疑缺陷信息；

步骤500、汇总全部所述最终检测结果为结果集合；

步骤600、随机抽取所述结果集合中的所述最终检测结果为抽检样本，并重新检测所述抽检样本，确定检测结果与所述最终检测结果不同的结果为待反馈结果；

步骤700、反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数；

步骤800、根据所述下一预设网络参数，更新所述预设网络参数，并根据更新后的预设网络参数，检测下一待检测图像。

使用时，检测装置首先对所检测的显示屏幕拍照，获取屏幕的待检测图像。具体地，可以使用工业相机实时采集显示屏图像，待检测图像可以为全部显示屏图像，也可以是具有代表性的部分显示屏图像。

检测装置将获取的待检测图像发送至缺陷提取部分进行缺陷初次检测，当检测装置进行初次检测时，可以根据人工经验或者历史检测记录，预先设置一组预设网络参数，从而对待检测图像进行第一次基准分析，初步确定疑似缺陷，得到可疑缺陷信息，至少包括可疑缺陷区域和对应的可疑缺陷类型，例如根据图像的灰度值，划分可疑缺陷区域，然后确定可疑缺陷类型为气泡、划痕、夹杂等。

检测装置将第一次基准分析之后的待检测图像发送至缺陷分析部分，由缺陷分析部分再次针对可疑缺陷区域进行检测。并根据可疑缺陷区域和可疑缺陷类型，获得疑似缺陷的缺陷特征数值，并根据缺陷特征数值进行第二次基准分析，进一步判断疑似缺陷是否为检测装置所定义的真实缺陷，得到相应的最终检测结果，例如如果可疑缺陷为缺陷，则最终检测结果为ok；如果可疑缺陷不是缺陷，则最终检测结果为ng。

将全部最终检测结果汇总为结果集合，可见，结果集合中至少包含第二次基准分析对第一次基准分析所做出的判断结果以及判断结果所对应的可疑缺陷信息。

随机抽取方法能够排除人为主观意识干扰，避免抽取结果的偶然性和特殊性，因此，在全部最终检测结果中进行随机抽取，得到抽检样本。对抽检样本利用人工或者其他方法重新进行检测，从而判定抽检样本是否为实际缺陷，以及为何种缺陷类型等，得到抽检结果，并将检测结果与最终检测结果不同的结果确定为待反馈结果，可见，待反馈结果至少包括第二次基准分析检测失误的误判图像，及其对应的缺陷特征值数值等数据。

将抽检结果分别反馈至缺陷提取及缺陷分析部分，并根据待反馈结果进行深度学习，生成新的、更加合适的预设网络参数，作为下一预设网络参数，用于下一次的屏幕缺陷检测。而上述阐述的下一预设网络参数的学习过程，在每次屏幕检测的过程中都会出现，可以对每次屏幕检测的检测结果都进行反馈和学习，进而不断优化预设网络参数。

本申请可以直接利用学习所得的下一预设网络参数，如图2所示，检测装置可以根据下一预设网络参数直接对图2左侧的待检测图像进行缺陷提取，代替原有各种图像分割处理方法，得到图2右侧的标示出缺陷区域的图像，可适应复杂的缺陷类型和不同场景的检测，提高检测方法的鲁棒性；而且，通过不断地反馈学习检测结果，进而对预设网络参数进行不断优化，能够令检测装置达到高效、智能的检测效果，有效解决参数调整复杂和响应慢的问题。

请参阅图3，为本申请实施例提供的一种确定最终检测结果的方法流程图。在本申请实施例中，所述根据所述缺陷特征数值，确定最终检测结果的具体步骤包括：

步骤401、对比所述缺陷特征数值与预设特征缺陷数值；

步骤402、确定大于所述预设特征缺陷数值的所述缺陷特征数值所对应的所述可疑缺陷区域为机检缺陷；

步骤403、确定小于或者等于所述预设特征缺陷数值的所述缺陷特征数值所对应的所述可疑缺陷为排疑缺陷；

步骤404、确定上述判断结果为最终检测结果。

将根据第一次基准检测所得可疑缺陷获得的缺陷特征数值与预先设置的预设特征缺陷数值进行比较，所述预设特征缺陷数值可以为根据人工经验或者例如同种缺陷数值相关记录设定。并将大于预设特征缺陷数值所对应的可疑缺陷区域定义为机检缺陷，所述机检缺陷为本申请所采用的检测装置所最终认定的缺陷，不完全等同于实际缺陷；将小于或者等于预设特征缺陷数值所对应的可疑缺陷区域定义为排疑缺陷，所述排疑缺陷即为经过第二次基准检测判定第一次基准检测所得缺陷不被检测装置所认定的缺陷。需要将第二次基准检测所得，无论是认同还是反对第一次基准检测结果的判断结果，均定义为最终检测结果。

请参阅图4，本申请实施例提供的一种生成结果集合的方法流程图。在本申请实施例中，所述汇总全部所述最终检测结果为结果集合的具体步骤包括：

步骤501、标记并编号所述最终检测结果；

步骤502、汇总全部所述编号为结果集合，所述结果集合包括：所述编号与所述最终检测结果的对应关系以及所述编号对应的最终检测结果。

最终检测结果至少包括可疑缺陷信息判定结果和可疑缺陷信息，可见，包含大量数据，如果直接以最终检测结果为对象，势必会耗用较大的计算资源，拖缓运行速度。因此，本实施例提供一种通过将最终检测结果标记并编号，将最终检测结果与编号之间建立一种对应关系，从而用编号代表最终检测结果，进而将汇总对象由最终检测结果替换为编号，这样可以大大减少运算时所携带的数据，可有效提高运行速度。

将全部编号汇总形成结果集合，可知，结果集合中至少包括编号、编号与最终检测结果之间的对应关系、最终检测结果。可见，当抽取一个编号，即可通过所述编号与最终检测结果的对应关系，找到相对应的最终检测结果。

请参阅图5，为本申请实施例提供的一种确定抽检样本的方法流程图。在本申请实施例中，所述随机抽取所述结果集合中的所述最终检测结果为抽检样本的具体步骤包括：

步骤601、随机抽取所述编号；

步骤602、按照所述编号与所述最终检测结果的对应关系，获取相应的所述最终检测结果和所述最终检测结果对应的所述可疑缺陷区域；

步骤603、确定所述可疑缺陷区域为抽检样本。

在由编号汇总形成的结果集合中，随机抽取任意编号，抽取数量可以根据实际情况制定，抽取数量越多，后续学习过程质量越高。根据编号与最终检测结果之间的对应关系，可以获取与编号相对应的最终检测结果，甚至可以获得相应的可疑缺陷区域，以及可疑缺陷区域所在的子待检测图像，所述子待检测图像为整体待检测图像中以所述可疑缺陷区域为中心，预设距离为半径形成的部分待检测图像，将可疑缺陷区域或者所述缺陷区域所在的待检测图像作为抽检样本，为后续工作提供检测基础。

请参阅图6，为本申请实施例提供的一种生成下一预设网络参数的方法流程图。在本申请实施例中，所述反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数的具体步骤包括：

步骤711、按照预设尺寸，提取所述待反馈结果中所述抽检样本检测结果中的缺陷图像，作为缺陷样本图像；

步骤712、标注所述缺陷样本图像中的缺陷区域；

步骤713、根据标注结果，生成标注文件；

步骤714、利用训练框架软件和深度学习分割网络，学习所述标注文件并生成下一缺陷提取网络参数。

抽检样本根据人工或者其他检测方法可以获得真实缺陷的检测结果，首先，按照预设尺寸，将所述检测结果中的缺陷图像提取出来，预设尺寸可以根据实际需求或者经验值设定，例如128×128或者256×256，但不仅限于这两种。

然后，将提取出的缺陷图像作为缺陷样本图像，并对缺陷样本图像中的缺陷区域进行标注，此时，可以采用人工标注的方式，利用imagelabel(图片标注工具)等进行标注，并生成json、txt、xml等格式的标注文件。

最后，利用深度学习的训练框架软件、深度学习分割网络，将标注文件进行迭代学习，并生成模型参数。具体地，参见图7，学习部分采用fcn(fullyconvolutionalnetworks，全卷积网络结构)，网络由6层卷积层convol1_1、convol1_2、convol2_1、convol2_2、convol3_1、convol3_2；4层池化层pool1、pool2、pool3、fusepool1；2层全连接层fc6、fc7；2层反卷积层deconvol1、deconvol2和其他辅助层组成，本申请实施例所提供的网络共计26层网络结构，但实际操作中不仅限于此网络层数目限制。深度学习所采用的训练框架为可部署的工具软件，并采用caffe框架基础上封装实现。

对抽检样本中检测装置判断失误的缺陷进行深度学习，最后获得训练后的缺陷提取部分的网络参数。

请参阅图8，为本申请实施例提供的一种更新预设网络参数的方法流程图。在本申请实施例中，所述根据所述下一预设网络参数，更新所述预设网络参数的具体步骤包括：

步骤811、提取并剔除所述预设网络参数中的缺陷提取网络参数部分；

步骤812、更新所述下一缺陷提取网络参数至所述预设网络参数，形成下一预设网络参数。

预设网络参数包括缺陷提取部分的网络参数和缺陷分析部分的网络参数，通过深度学习可以针对性的获得缺陷提取部分的相关网络参数，在更新时，需要首先将原预设网络参数中缺陷提取网络参数部分提取并剔除，然后将深度学习后得到的缺陷提取网络参数填补至原预设网络参数，形成新的预设网络参数，即下一预设网络参数。

请参阅图9，为本申请实施例提供的另一种生成下一预设网络参数的方法流程图。在本申请实施例中，所述反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数的具体步骤包括：

步骤721、获取并汇总所述待反馈结果中所述抽检样本对应的检测结果中的缺陷特征数值和最终检测结果中的缺陷特征数值，得到汇总数据；

步骤722、利用训练框架软件和深度学习网络结构，学习所述汇总数据，生成下一缺陷分析网络参数。

将检测装置得到的抽检样本的缺陷特征数值与人工或者其他方法检测获得的抽检样本的缺陷特征数值汇总，并对汇总数据进行深度学习和训练。

具体地，参见图10，采用cnn(convolutionalneuralnetworks，卷积网络结构)，网络由4层卷积层convol1_1、convol1_2、convol2_1、convol2_2；2层池化层pool1、pool2；2层全连接层fc6、fc7和其他辅助层组成,本申请实施例所提供的网络共计14层网络结构，但实际操作中不仅限于网络层数目限制。深度学习所采用的训练框架为可部署的工具软件，并采用caffe框架基础上封装实现。

请参阅图11，为本申请实施例提供的另一种更新预设网络参数的方法流程图。在本申请实施例中，所述根据所述下一预设网络参数，更新所述预设网络参数的具体步骤包括：

步骤821、提取并剔除所述预设网络参数中的缺陷分析网络参数部分；

步骤822、更新所述下一缺陷分析网络参数至所述预设网络参数，形成下一预设网络参数。

通过深度学习可以针对性的获得缺陷分析部分的相关网络参数，在更新时，需要首先将原预设网络参数中缺陷分析网络参数部分提取并剔除，然后将深度学习后得到的缺陷分析网络参数填补至原预设网络参数，形成新的预设网络参数，即下一预设网络参数。

请参阅图12，为本申请实施例提供的一种基于学习的显示屏缺陷智能检测装置的结构示意图。在本申请实施例中，所述装置包括：

图像获取单元1，用于获取屏幕的待检测图像；

可疑缺陷信息确定单元2，用于根据预设网络参数，确定所述待检测图像的可疑缺陷信息，所述可疑缺陷信息至少包括：可疑缺陷区域和对应的可疑缺陷类型；

特征值提取单元3，用于根据所述可疑缺陷信息，提取缺陷特征数值；

最终检测结果确定单元4，用于根据所述缺陷特征数值，确定最终检测结果，所述最终检测结果至少包括：可疑缺陷信息判定结果和所述可疑缺陷信息；

汇总单元5，用于汇总全部所述最终检测结果为结果集合；

待反馈结果确定单元6；随机抽取所述结果集合中的所述最终检测结果为抽检样本，并重新检测所述抽检样本，确定检测结果与所述最终检测结果不同的结果为待反馈结果；

结果反馈单元7，用于反馈所述待反馈结果，根据所述待反馈结果学习并生成下一预设网络参数；

网络参数更新单元8，用于根据所述下一预设网络参数，更新所述预设网络参数，并根据更新后的预设网络参数，检测下一待检测图像。

本申请提供的一种基于学习的显示屏缺陷智能检测装置的另一实施例中，所述装置还包括：对比单元，用于对比所述缺陷特征数值与预设特征缺陷数值；机检缺陷确定单元，用于确定大于所述预设特征缺陷数值的所述缺陷特征数值所对应的所述可疑缺陷区域为机检缺陷；排疑缺陷确定单元，用于确定小于或者等于所述预设特征缺陷数值的所述缺陷特征数值所对应的所述可疑缺陷为排疑缺陷；最终检测结果确定单元，用于确定上述判断结果为最终检测结果。

本申请提供的一种基于学习的显示屏缺陷智能检测装置的另一实施例中，所述装置还包括：编号单元，用于标记并编号所述最终检测结果；汇总单元，用于汇总全部所述编号为结果集合，所述结果集合包括：所述编号与所述最终检测结果的对应关系以及所述编号对应的最终检测结果。

本申请提供的一种基于学习的显示屏缺陷智能检测装置的另一实施例中，所述装置还包括：抽取单元，用于随机抽取所述编号；可疑缺陷区域获取单元，用于按照所述编号与所述最终检测结果的对应关系，获取相应的所述最终检测结果和所述最终检测结果对应的所述可疑缺陷区域；抽检样本确定单元，用于确定所述可疑缺陷区域为抽检样本。

本申请提供的一种基于学习的显示屏缺陷智能检测装置的另一实施例中，所述装置还包括：缺陷样本图像提取单元，用于按照预设尺寸，提取所述待反馈结果中所述抽检样本检测结果中的缺陷图像，作为缺陷样本图像；标注单元，用于标注所述缺陷样本图像中的缺陷区域；文件生成单元，用于根据标注结果，生成标注文件；学习训练单元，用于利用训练框架软件和深度学习分割网络，学习所述标注文件并生成下一缺陷提取网络参数。

本申请提供的一种基于学习的显示屏缺陷智能检测装置的另一实施例中，所述装置还包括：参数提取单元，用于提取并剔除所述预设网络参数中的缺陷提取网络参数部分；参数更新单元，用于更新所述下一缺陷提取网络参数至所述预设网络参数，形成下一预设网络参数。

本申请提供的一种基于学习的显示屏缺陷智能检测装置的另一实施例中，所述装置还包括：数据汇总单元，用于获取并汇总所述待反馈结果中所述抽检样本对应的检测结果中的缺陷特征数值和最终检测结果中的缺陷特征数值，得到汇总数据；学习训练单元，用于利用训练框架软件和深度学习网络结构，学习所述汇总数据，生成下一缺陷分析网络参数。

本申请提供的一种基于学习的显示屏缺陷智能检测装置的另一实施例中，所述装置还包括：参数提取单元，用于提取并剔除所述预设网络参数中的缺陷分析网络参数部分；参数更新单元，用于更新所述下一缺陷分析网络参数至所述预设网络参数，形成下一预设网络参数。

值得注意的是，具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的用户身份的服务提供方法或用户注册方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-onlymemory，简称：rom)或随机存储记忆体(英文：randomaccessmemory，简称：ram)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。