本發(fā)明涉及顯示器制造領域，具體地，涉及檢查基板玻璃缺陷的方法、現(xiàn)場終端及服務器。

背景技術：

超薄顯示基板玻璃是用于制造TFT-LCD(thin film transistor-liquid crystal display，薄膜晶體管液晶顯示)、OLED(organic light-emitting diode)等顯示器的關鍵上游材料?；宀ＡУ钠焚|將影響到顯示器的品質，因此客戶對其缺陷有著嚴苛的要求，識別基板玻璃的缺陷成為產(chǎn)品品質管控的必要手段。同時，缺陷的種類(氣泡、結石、鉑金顆粒等)的識別也是調整優(yōu)化生產(chǎn)工藝的重要依據(jù)。因此，為了在保證生產(chǎn)率前替下提高缺陷檢出率，通常采用計算機視覺技術和神經(jīng)網(wǎng)絡技術構建玻璃缺陷自動檢查分類設備。

基于計算機視覺技術和神經(jīng)網(wǎng)絡技術構建的玻璃缺陷自動檢查設備需要對用于分類的神紅網(wǎng)絡模型，即分類模型進行大量的訓練，才能使其準備地缺陷進行分類?，F(xiàn)有技術中，是在每條生產(chǎn)線上設置單獨的缺陷檢查分類設備，因此需要對每條產(chǎn)線的缺陷檢查分類設備進行單獨的訓練。技術的進步使得TFT-LCD、OLED等越來越普及，市場需求催生基板玻璃廠商采取規(guī)?；牟呗?，即每個廠商均建設有大量的生產(chǎn)線，需要大量的分類設備。這種情況下現(xiàn)有技術中的問題日益凸顯，其主要表現(xiàn)以下幾個方面：

首先，神經(jīng)網(wǎng)絡學習速度是固定的，網(wǎng)絡的收斂速度慢，需要較長的訓練時間，即需要大量的訓練樣本才能實現(xiàn)較高的分類準確率。尤其對于廠商新部署的分類設備，更需要進行大量訓練。并且神經(jīng)網(wǎng)絡訓練的過程中需要占用很多專業(yè)技術人員操作，且這個過程中無法為廠商的工藝對策提供有效依據(jù)，這制約了生產(chǎn)效率的提升。

其次，神經(jīng)網(wǎng)絡隱含層的層數(shù)和單元數(shù)的選擇尚無理論指導，一般是根據(jù)經(jīng)驗或通過反復實驗確定，這樣增大了廠商研發(fā)和優(yōu)化分類設備的成本，也制約了多臺設備間的資源共享。

此外，分類模型的訓練對于一般設備使用者來說是較為復雜的操作，軟件操作的培訓、維護也也需要消耗大量的人力物力成本。并且分類模型的訓練過程中對操作人員的主觀性有定的依賴，操作人員數(shù)越多，其引起的誤差也越大。

技術實現(xiàn)要素：

本發(fā)明的目的是提供檢查基板玻璃缺陷的方法、現(xiàn)場終端、服務器以及應用該現(xiàn)場終端和服務器的系統(tǒng)，該方法、現(xiàn)場終端、服務器和系統(tǒng)能夠顯著提高缺陷檢查的效率，并且能夠節(jié)省使用和維護成本。

為了實現(xiàn)上述目的，本發(fā)明提供一種檢查基板玻璃缺陷的方法，該方法包括：采集基板玻璃的圖像；處理所述圖像，以獲取所述圖像中的特征參數(shù)；以及將所述特征參數(shù)傳送到服務器。

其中，所述處理所述圖像，以獲取所述圖像中的特征參數(shù)可以包括：對所述圖像進行圖像分割，并基于圖像分割的結果提取缺陷所在區(qū)域的區(qū)域圖像；以及對所述區(qū)域圖像進行特征提取，并用特征參數(shù)表示各個被提取的特征。

其中，所述處理所述圖像，以獲取所述圖像中的特征參數(shù)還可以包括：對所述圖像進行增強處理。

本發(fā)明的另一方面還提供一種檢查基板玻璃缺陷的方法，該方法包括：接收基板玻璃圖像的特征參數(shù)；對所述特征參數(shù)進行分類，以獲取分類結果；以及將所述分類結果發(fā)送給現(xiàn)場終端。

其中，所述對所述特征參數(shù)進行分類可以包括：利用BP神經(jīng)網(wǎng)絡對所述特征參數(shù)進行分類。

本發(fā)明的再一方面還提供一種檢查基板玻璃缺陷的現(xiàn)場終端，該現(xiàn)場終端包括：圖像采集模塊，用于采集基板玻璃的圖像；圖像處理模塊，用于處理所述圖像，以獲取所述圖像中的特征參數(shù)；以及數(shù)據(jù)傳輸模塊，用于將所述特征參數(shù)傳送到服務器。

其中，所述圖像處理模塊可以包括：圖像分割模塊，用于對所述圖像進行圖像分割，并基于圖像分割的結果提取缺陷所在區(qū)域的區(qū)域圖像；以及特征提取模塊，用于對所述區(qū)域圖像進行特征提取，并用特征參數(shù)表示各個被提取的特征。

其中，所述圖像處理模塊還可以包括：增強處理模塊，用于對所述圖像進行增強處理。

本發(fā)明的再一方面還提供一種檢查基板玻璃缺陷的服務器，該服務器包括：數(shù)據(jù)接收模塊，用于接收基板玻璃圖像的特征參數(shù)；分類模塊，用于對所述特征參數(shù)進行分類，以獲取分類結果；以及數(shù)據(jù)發(fā)送模塊，用于將所述分類結果發(fā)送給現(xiàn)場終端。

其中，所述分類模塊可以優(yōu)選地利用BP神經(jīng)網(wǎng)絡算法對所述特征參數(shù)進行分類。

本發(fā)明的再一方面還提供一種檢查基板玻璃缺陷的系統(tǒng)，該系統(tǒng)包括：所述的檢查基板玻璃缺陷的現(xiàn)場終端；以及所述的檢查基板玻璃缺陷的服務器。

其中，在所述檢測基板玻璃缺陷的系統(tǒng)中，每個所述服務器可以對應多個終端。

通過上述技術方案，本發(fā)明將檢測基板玻璃缺陷的過程中對基板玻璃圖像中的缺陷進行分類的過程集中在服務器上進行，對于分類模塊中的分類模型的訓練工作只需要在服務器上進行，從而不需要每臺產(chǎn)線都進行分類訓練，由此，不僅能夠節(jié)省各生產(chǎn)線的檢測時間，并且可以利用所有產(chǎn)線中的出現(xiàn)的缺陷特征對分類模型進行訓練，從而能夠提高分類結果的準確性，進而提高缺陷檢出率。同時，上述技術方案還能夠節(jié)省使用和維護成本。

本發(fā)明的其它特征和優(yōu)點將在隨后的具體實施方式部分予以詳細說明。

附圖說明

附圖是用來提供對本發(fā)明的進一步理解，并且構成說明書的一部分，與下面的具體實施方式一起用于解釋本發(fā)明，但并不構成對本發(fā)明的限制。在附圖中：

圖1是根據(jù)本發(fā)明實施例一的檢查基板玻璃缺陷的方法的流程圖；

圖2是根據(jù)本發(fā)明實施例二的檢查基板玻璃缺陷的方法的流程圖；

圖3是根據(jù)本發(fā)明實施例三的檢查基板玻璃缺陷的方法的流程圖；

圖4是根據(jù)本發(fā)明實施例四的檢查基板玻璃缺陷的方法的流程圖；

圖5是根據(jù)本發(fā)明實施例五的檢查基板玻璃缺陷的現(xiàn)場終端的結構圖；

圖6是根據(jù)本發(fā)明實施例五的檢查基板玻璃缺陷的現(xiàn)場終端中圖像處理模塊的優(yōu)選實施方式的結構圖；

圖7是根據(jù)本發(fā)明實施例五的檢查基板玻璃缺陷的服務器的結構圖；以及

圖8是根據(jù)本發(fā)明實施例五的檢查基板玻璃缺陷的系統(tǒng)的結構圖。

附圖標記說明

100：現(xiàn)場終端 110：圖像采集模塊

120：圖像處理模塊 121：圖像分割模塊

122：特征提取模塊 123：增強處理模塊

200：服務器 210：數(shù)據(jù)接收模塊

220：分類模塊 230：數(shù)據(jù)發(fā)送模塊

具體實施方式

以下結合附圖對本發(fā)明的具體實施方式進行詳細說明。應當理解的是，此處所描述的具體實施方式僅用于說明和解釋本發(fā)明，并不用于限制本發(fā)明。

圖1是根據(jù)本發(fā)明實施例一的檢查基板玻璃缺陷的方法的流程圖。如圖1所示，該方法包括以下步驟：

在步驟S110中，采集基板玻璃的圖像。其中，基板玻璃的圖像可以利用圖像采集設備獲取，例如可以利用線陣CCD相機或面陣CCD相機，其可以安裝于基板玻璃的生產(chǎn)線中，當基板玻璃經(jīng)過時，線陣CCD相機或面陣CCD相機可以實時采集從而獲取基板玻璃的圖像。采集圖像的過程中，可以使基板玻璃固定不動，圖像采集設備移動采集，也使圖像采集設備固定不動，使基板玻璃經(jīng)過圖像采集設備的采集區(qū)域，即可以通圖像采集設備和基板玻璃的相對運動對基板玻璃進行掃描。后一種方式可以在不影響基板玻璃搬運的前替下獲取圖像。

采集基板玻璃的圖像時優(yōu)選采集被檢測基板玻璃的整體圖像，在一些情況下，比如可以不必考慮基板玻璃產(chǎn)品的某一區(qū)域的缺陷時，或需要重點檢測基板玻璃的某一區(qū)域時，可以只采集基板玻璃的某一區(qū)域。

在步驟S120中，處理所述圖像，以獲取所述圖像中的特征參數(shù)。在理想的品質狀態(tài)下，基板玻璃的整體應當是均一的，其各項特征參數(shù)也應當是均一的，但是實際生產(chǎn)的基板玻璃不可避免地會出現(xiàn)缺陷，例如會出現(xiàn)氣泡、結石、金屬顆?；蚱渌w粒狀異物。因此，在有缺陷的部位會出現(xiàn)與其他區(qū)域不同的特征，處理所述圖像的目的是為了提取缺陷所在的區(qū)域的特征參數(shù)。

在步驟S130中，將所述特征參數(shù)傳送到服務器。

所提取的特征參數(shù)將被用于對缺陷進行分類，分類是檢查基板玻璃缺陷過程中最重要的工作，只有準確地對缺陷進行分類，才能輸出準確的缺陷檢測結果，從而便于分析缺陷出現(xiàn)的原因。然而用于分類的分類模型需要經(jīng)過訓練才能保證其分類結果的準確性，分類的過程通常首先需要人工介入，由人工判斷基板玻璃上出現(xiàn)的缺陷的類型，并將該類型輸出分類模型，分類模型根據(jù)接收到的類型和實際的缺陷圖片反復進行訓練，才能實現(xiàn)自動識別缺陷的類型，現(xiàn)有技術中每條產(chǎn)線都需要對該產(chǎn)線所使用的分類模型進行訓練，其訓練過程需要消耗大量的時間，因此分類效率低，并且用于訓練每條產(chǎn)線所使用的分類模型的數(shù)據(jù)量不足也可能導致訓練不充分，進而導致分類不準確。而本發(fā)明所述的方法將特征參數(shù)傳送至服務器，由服務器統(tǒng)一進行對分類模型的訓練工作，相當于每多條產(chǎn)線只需要訓練一次，節(jié)省了分類時間，并且用于訓練分類模型的數(shù)據(jù)來自于多條產(chǎn)線，因此能更充分地訓練分類模型，從而獲得更準的分類結果。

圖2是根據(jù)本發(fā)明實施例二的檢查基板玻璃缺陷的方法的流程圖。其中，步驟S210同上述步驟S110，如圖2所示，實例一中的步驟S120還可以優(yōu)選地包括以下步驟：

在步驟S220中，對所述圖像進行圖像分割，并基于圖像分割的結果提取缺陷所在區(qū)域的區(qū)域圖像。可以根據(jù)基板玻璃的圖像的各項參數(shù)，例如像素、亮度、對比度等，對所述圖像進行圖像分割，從而將缺陷所在的區(qū)域圖像從整體圖像中分割出來，以減少后續(xù)對圖像進行處理時的數(shù)據(jù)量。

在步驟S230中，對所述區(qū)域圖像進行特征提取，并用特征參數(shù)表示各個被提取的特征。該步驟是為了對區(qū)域圖像進行初步的分類，特征參數(shù)即初步分類的結果，例如果可以對初步分類的各類別進行編號，并用編號來表示各項特征參數(shù)。提取的特征例如可以是灰度、顏色、亮度、尺寸、偏心率(可以用于判斷缺陷的形狀，例如判斷其是否為中心對稱)等。

上述步驟S120還可以優(yōu)選地包括步驟S240，在步驟S240對所述圖像進行增強處理。增強處理可以利用圖像濾波、直方圖均衡或其它處理方法。上述方法為本領域公知技術，可根據(jù)需要進行組合。

圖3是根據(jù)本發(fā)明實施例三的檢查基板玻璃缺陷的方法的流程圖。如圖3所示，該方法包括以下步驟：

在步驟S310中，接收基板玻璃圖像的特征參數(shù)。所述特征參數(shù)是在現(xiàn)場終端中提取的特征參數(shù)。

在步驟S320中，對所述特征參數(shù)進行分類，以獲取分類結果。可以通過利用神經(jīng)網(wǎng)絡算法的分類模型進行分類。所述分類結果即對缺陷的類型，通過該步驟即可獲知被檢測的缺陷所屬的類型，例如氣泡、異物顆粒等。

在步驟S330中，將所述分類結果發(fā)送給現(xiàn)場終端。所述分類結果被發(fā)送至現(xiàn)場終端后，現(xiàn)場終端即可獲取對缺陷的檢查結果。

圖4是根據(jù)本發(fā)明實施例四的檢查基板玻璃缺陷的方法的流程圖。在圖4中，步驟S410同上述步驟S310，步驟S430同上述步驟S330。

在步驟S420中，利用BP神經(jīng)網(wǎng)絡對所述特征參數(shù)進行分類。BP神經(jīng)網(wǎng)絡主要是通過輸入學習樣本，使用反向傳播算法對網(wǎng)絡的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網(wǎng)絡輸出層的誤差平方和小于指定的誤差時訓練完成，保存網(wǎng)絡的權值和偏差。BP神經(jīng)網(wǎng)絡相對其他用于分類的神經(jīng)網(wǎng)絡的準略性更高，更適用于對于品質有嚴格要求的基板玻璃分類操作。當然，其他神經(jīng)網(wǎng)絡也可以用于此處。

該方法還可以進一步地包括調度步驟，從而對分類任務進行調度。

圖5是根據(jù)本發(fā)明實施例五的檢查基板玻璃缺陷的現(xiàn)場終端的結構圖。如圖5所示，該現(xiàn)場終端包括：圖像采集模塊110，用于采集基板玻璃的圖像；圖像處理模塊120，用于處理所述圖像，以獲取所述圖像中的特征參數(shù)；以及數(shù)據(jù)傳輸模塊130，用于將所述特征參數(shù)傳送到服務器。

圖像采集模塊110可以是利用線陣CCD相機或面陣CCD相機的圖像采集設備。

其中，圖像處理模120塊可以如圖6所示優(yōu)選地包括圖像分割模塊121，用于對所述圖像進行圖像分割，并基于圖像分割的結果提取缺陷所在區(qū)域的區(qū)域圖像；以及特征提取模塊122，用于對所述區(qū)域圖像進行特征提取，并用特征參數(shù)表示各個被提取的特征。

其中，所述圖像處理模塊120包括：增強處理模塊123，用于對所述圖像進行增強處理。

圖7是根據(jù)本發(fā)明實施例五的檢查基板玻璃缺陷的服務器的結構圖。如圖7所示，該服務器包括：數(shù)據(jù)接收模塊210，用于接收基板玻璃圖像的特征參數(shù)；分類模塊220，用于對所述特征參數(shù)進行分類，以獲取分類結果；以及數(shù)據(jù)發(fā)送模塊230，用于將所述分類結果發(fā)送給現(xiàn)場終端。

其中，分類模塊220可以包括利用神經(jīng)網(wǎng)絡算法的分類模型，分類模塊220優(yōu)選地利用BP神經(jīng)網(wǎng)絡算法對所述特征參數(shù)進行分類。

圖8是根據(jù)本發(fā)明實施例五的檢查基板玻璃缺陷的系統(tǒng)的結構圖。如圖8所示，該系統(tǒng)包括現(xiàn)場終端100和服務器200，現(xiàn)場終端100和服務器200可以是上述實施例所述的現(xiàn)場終端和服務器。服務器可以是云端服務器，以現(xiàn)場終端100和服務器200均可以包括多個，在存在多個現(xiàn)場終端100和多個服務器200的情況下，該系統(tǒng)還可以包括一個調度服務器，以在多個服務器間進行調度。

所述檢查基板玻璃缺陷的系統(tǒng)只需要在服務器上對分類模型進行訓練即可，節(jié)省了大量的使用成本和維護成本，還消除了訓練過程中由于大量人工介入而引起的誤差，從能夠降低不同產(chǎn)線在進行缺陷檢查分類時的誤差，有助于提高整體的分類準確率。

本發(fā)明把檢查玻璃缺陷的系統(tǒng)分成和檢查和分類兩部分，即現(xiàn)檢查和分類分別在將終端和服務器。優(yōu)選地，在所述檢查基板玻璃缺陷的系統(tǒng)中，每個服務器可以對應多個終端。終端進行圖像處理和特征提取后，把特征傳到服務器時，服務器是可以接受多個終端的特征。由此，數(shù)據(jù)傳輸量小，處理效率高。進一步的好處是，一個服務器可對應多個終端，顯著的進步在這里體現(xiàn)的非常充分。并且，由于神經(jīng)網(wǎng)絡的特點是數(shù)據(jù)量越大，識別準確率越高，因此那么一個服務器對應多個終端時，數(shù)據(jù)量是幾何增長的，對識別準確率的提升要大大高于單個終端的情形；另一個顯著的進步是，一對多時，新加入的終端可以共享已有的數(shù)據(jù)，可以快速的實現(xiàn)高準確率識別。

以上結合附圖詳細描述了本發(fā)明的優(yōu)選實施方式，但是，本發(fā)明并不限于上述實施方式中的具體細節(jié)，在本發(fā)明的技術構思范圍內，可以對本發(fā)明的技術方案進行多種簡單變型，這些簡單變型均屬于本發(fā)明的保護范圍。

另外需要說明的是，在上述具體實施方式中所描述的各個具體技術特征，在不矛盾的情況下，可以通過任何合適的方式進行組合，為了避免不必要的重復，本發(fā)明對各種可能的組合方式不再另行說明。

此外，本發(fā)明的各種不同的實施方式之間也可以進行任意組合，只要其不違背本發(fā)明的思想，其同樣應當視為本發(fā)明所公開的內容。