基于改進YOLOv5的TFT電極板缺陷檢測研究

摘要：電極片品質(zhì)對液晶屏幕的顯示效果極為關(guān)鍵。針對TFT電極板中缺陷尺寸微小、缺陷類別繁多、背景干擾因素多等問題，設(shè)計了一項基于改進的YOLOv5全新的視覺算法模型，可以實現(xiàn)對TFT電極板上常見缺陷的精準(zhǔn)識別。改進的視覺算法模型通過將卷積塊注意力模塊（Convolutional"Block"Attention"Module，CBAM）機制融合到Y(jié)OLOv5的核心網(wǎng)絡(luò)架構(gòu)中，有效降低了缺陷背景干擾的影響，并顯著提升了對缺陷特征點的檢測識別效果。在TFT電極板常見缺陷數(shù)據(jù)集上開始測試，結(jié)果顯示，修改后的新算法對TFT電極板異物、劃痕、裂片和油污4類缺陷的平均檢測精度均有提升。

關(guān)鍵詞：TFT電極板""缺陷檢測""神經(jīng)網(wǎng)絡(luò)"改進的YOLOv5

Research"on"Defect"Detection"of"TFT"Electrode"Plate"Based"on"Improved"YOLOv5

CHENG"Liang1，2

1.School"of"Mechanical"Engineering，"Xihua"University，"Chengdu，"Sichuan"Province，"611730"China;2."Chengdu"BOE"Display"Technology"Co.，"Ltd.，"Chengdu，"Sichuan"Province，"610200"China

Abstract："The"quality"of"electrode"is"crucial"for"the"display"effect"of"Liquid"Crystal"DIS（LCD）"screens."To"address"the"issues"of"small"defect"sizes，"diverse"defect"categories，"and"multiple"background"interference"factors"in"Thin"Film"Transistor"（TFT）"electrode"plates，"a"new"visual"algorithm"model"based"on"improved"YOLOv5"has"been"designed，"which"can"accurately"identify"common"defects"on"TFT"electrode"plates."The"improved"visual"algorithm"model"integrates"the"Convolutional"Block"Attention"Module（CBAM）"mechanism"into"the"core"network"architecture"of"YOLOv5，"effectively"reducing"the"impact"of"defect"background"interference"and"significantly"improving"the"detection"and"recognition"performance"of"defect"feature"points."Testing"began"on"the"common"defect"dataset"of"TFT"electrode"plates，"and"the"results"showed"that"the"modified"new"algorithm"improved"the"average"detection"accuracy"for"four"types"of"defects："foreign"objects，"scratches，"cracks，"and"oil"stains"on"TFT"electrode"plates.

Key"Words："TFT"electrode"plate;"Defect"detection;"Neural"network;"Improved"YOLOv5

電極是液晶顯示屏幕中的關(guān)鍵構(gòu)成部分。在成膜后進行光刻的過程中，由于光刻膠層和曝光層不一致，因此會造成膜層形狀偏差、位置發(fā)生偏離、或重疊等情況，其產(chǎn)生的任何微小瑕疵都會對液晶顯示屏幕的品質(zhì)造成負(fù)面影響［1］。目前，電極結(jié)構(gòu)內(nèi)含有眾多的非周期性元件、特征和標(biāo)記，使在復(fù)雜的背景中難以精確地辨識缺陷［2］。所以，快捷、準(zhǔn)確且高效地實現(xiàn)TFT電極板的缺陷檢測迫在眉睫。

傳統(tǒng)生產(chǎn)過程中，薄膜晶體管液晶顯示器（Thin"Film"Transistor"Liquid"Crystal"Display，TFT-LCD）電極板缺陷主要通過相機設(shè)備拍照后，通過人工目視檢測和機器視覺自動檢測等手段進行檢測缺陷。人工檢測工作量非常龐大、人工成本高、檢測速度慢、準(zhǔn)確度不穩(wěn)定；機器視覺檢測采用高端機器視覺技術(shù)，減少了人員不穩(wěn)定因素的影響，獲得了高效、高穩(wěn)定性、精準(zhǔn)等優(yōu)勢。機器視覺檢測法分為傳統(tǒng)圖像處理方法和深度學(xué)習(xí)方法［2］。傳統(tǒng)圖像處理方法是通過模版匹配法對特征進行提取，但是，隨著電極板缺陷特征復(fù)雜性和差異性的增加，已經(jīng)難以滿足現(xiàn)今電極板檢測對于精度和穩(wěn)定性的要求［3］。

針對TFT電極板缺陷檢測領(lǐng)域所面臨的缺陷種類繁多、尺寸微小、缺陷背景干擾因素多等挑戰(zhàn)，本文介紹了一種基于改進的YOLOv5算法的視覺識別技術(shù)，把卷積塊注意力模塊（Convolutional"Block"Attention"Module，CBAM）機制融合到神經(jīng)網(wǎng)主干干結(jié)構(gòu)中。該方法顯著降低了背景其他信息的影響，從而提升了模型對缺陷特點的聚焦能力。

1""TFT電極板缺陷檢測算法

在目標(biāo)檢測領(lǐng)域，算法主要分為單階段（One-stage）和雙階段（Two-stage）兩種架構(gòu)。單階段方法無需預(yù)先設(shè)定候選區(qū)域，能夠直接在圖像中生成目標(biāo)的預(yù)測邊界框，從而實現(xiàn)快速檢測。相對而言，雙階段方法的檢測速度較慢，難以滿足實時檢測的應(yīng)用需求。

1."1""YOLOv5神經(jīng)網(wǎng)絡(luò)架構(gòu)

YOLOv5是建立于YOLOv4上的改良模型版本，在10～150"fps/s的檢測區(qū)間內(nèi)，檢測識別的效率和檢測的準(zhǔn)確度均已達到較高水平。此外，YOLOv5在檢測細(xì)粒度物體方面表現(xiàn)更為出色［4-5］。

• 2""改進的"YOLOv5"神經(jīng)網(wǎng)絡(luò)模型

TFT電極板的缺陷類別多種多樣、缺陷背景圖案復(fù)雜難分、缺陷尺寸小且顏色不均。為了提升模型的檢測精度，在YOLOv5的Backbone部分嵌入CBAM"［6-7］。

鑒于采集所得的TFT電極板圖像為單通道灰度圖像，特征圖在經(jīng)歷反復(fù)卷積操作后，造成缺陷檢測的準(zhǔn)確度開始逐步降低。但是，CBAM先將通過通道維度上的通道注意力模塊提升關(guān)鍵特征的集中度，接著利用空間維度上的空間注意力模塊強化關(guān)鍵特征的位置信息[8]，從而實現(xiàn)對更多特征信息的保留與提取。

2"對照實驗與結(jié)論

2."1"缺陷數(shù)據(jù)集與實驗基礎(chǔ)環(huán)境

2.1.1"缺陷數(shù)據(jù)集

在制造車間，設(shè)備使用面陣掃描相機逐步拍攝了500多張不同尺寸大小的TFT電極板照片，用來作為TFT電極板缺陷檢測的數(shù)據(jù)源。

由于數(shù)據(jù)集數(shù)量較少，所以，在最初創(chuàng)立數(shù)據(jù)集時，采用降噪、改變圖像之間對比度等方法，改善了圖像質(zhì)量［9］，提高了模型的檢測泛化性和魯棒性。

2.1.2"實驗準(zhǔn)備環(huán)境

軟件：使用Python"3."7、Paddle-"Paddle框架。

硬件：CPU使用Intel"i5-12600K，主機內(nèi)存為2*16"G，主機GPU為RTX"4060Ti"（OC）。

2."2"實驗評價標(biāo)準(zhǔn)

為較客觀地評價出改進后網(wǎng)絡(luò)模型與原網(wǎng)絡(luò)模型和其他模型的檢測能力，主要選取精確率（"）"、召回率（"）"、平均精度"（"Average"Precision，AP"）"、平均精度均值"（mean"Average"Precision??，mAP）"、計算量（"G）"、檢測時間（"T）"作為模型的評價標(biāo)準(zhǔn)。計算公式如下：

在本實驗中，TP為數(shù)據(jù)集中真實正例的缺陷個數(shù)，F(xiàn)P為被錯誤判定為正例的缺陷個數(shù)，F(xiàn)N為被錯誤判定為負(fù)例的缺陷個數(shù)，M為全部數(shù)據(jù)里各類別的個數(shù)。

2."3"對比實驗的分析

為了研究YOLOv5神經(jīng)網(wǎng)絡(luò)模型融入CBAM機制后的缺陷檢測效果，本文基于定制的TFT電極板缺陷數(shù)據(jù)集開展了系列實驗。具體實驗設(shè)計如下：實驗1為基礎(chǔ)網(wǎng)絡(luò)模型；實驗2在歐洲本地網(wǎng)絡(luò)?1（European"Local"Area"Network"1，ELAN1）及上下采樣環(huán)節(jié)后融入CBAM機制；實驗3僅在ELAN1后融入CBAM機制；實驗4在上下采樣環(huán)節(jié)后融入CBAM機制；實驗5在第一個和第四個ELAN1后融入CBAM機制；實驗6在第一個和第四個ELAN1后，以及兩個分支卷積層后分別融入CBAM機制；實驗7在第一個和第四個ELAN1后融入SimAM[10]機制。

由表1可知，實驗2在"ELAN1和上下采樣后融入CBAM機制后，可使模型mAP升高0.6%；實驗3通過在ELAN1后融入CBAM機制后，其mAP提升了0."7%；實驗4在上下采樣后融入"CBAM機制后，其mAP提升了0.4%。由此發(fā)現(xiàn)，實驗3的mAP"提升量明顯，還能讓計算量變化的不多，從而降低模型冗余。由此可知，可選取在ELAN1完成后融入CBAM機制，能非常有效地降低圖像背景干擾帶來的影響，提升網(wǎng)絡(luò)模型檢測TFT電極板上缺陷的精度。

3""實驗結(jié)論

對于TFT"電極板上缺陷種類多種多樣、缺陷圖像背景干擾多、缺陷規(guī)格小而影響檢測難度的困難，本文通過添加CBAM機制，增強了模型對缺陷圖像背景干擾多的抵抗能力，進一步提升了模型識別尺寸較小缺陷的能力。實驗結(jié)果說明，本文所提算法能夠有效檢測TFT電極板上的缺陷，具有較高的精度和魯棒性，所設(shè)計出的檢測算法對TFT電極板異物、劃痕、裂片和油污4類缺陷的平均檢測精度均有提升。

參考文獻

［1］"RAMAN"V，LEE"J"E，KIM"H"K.Mechanically"flexible"multi-stacked"ITO/PEDOT："PSS"hybrid"superlattice"films"for"transparent"conductive"electrodes［J］.Journal"of"Alloys"and"Compounds，2022，903：163799．

［2］"趙朗月，吳一全.基于機器視覺的表面缺陷檢測方法研究進展［J］.儀器儀表學(xué)報，2022，43"（1）：198-219．

［3］"GAO"Y"P，LI"X"Y，WANG"X"V，et"al.A"review"on"recent"advances"in"vision-based"defect"recognition"towards"industrial"intelligence［J］.Journal"of"Manufacturing"Systems，2022，62：753-766．

［4］"WANG"C"Y，"BOCHKOVSKIY"A，"LIAO"H"Y"M."YOLOv7："Trainable"bag-of-freebies"sets"new"state-of-the-art"for"real"-time"object"detectors[C]//Proceedings"of"the"IEEE/CVF"Conference"on"Computer"Vision"and"Pattern"Recognition.2023：7464-7475.

［5］"強棟，王占剛.基于改進"YOLOv5"的復(fù)雜場景多目標(biāo)檢測［J］.電子測量技術(shù)，2022，45（"23）：82-90．

［6］"WOO"S，PAＲK"J，LEE"J"Y，et"al.CBAM："Convolutional"block"attention"module［C］//Proceedings"of"the"15th"European"Conference"on"Computer"Vision"（"ECCV）".2018："3-19．

［7］"彭道剛，潘俊臻，王丹豪，等.基于改進"YOLO"v5"的電廠管道油液泄漏檢測［J］.電子測量與儀器學(xué)報，2022，36（12）"："200-209．

［8］"范先友，過峰，俞建峰，等.基于改進YOLOv7的液晶面板電極缺陷視覺檢測技術(shù)研究[J].電子測量與儀器學(xué)報，2023，37（9）：225-233.

［9］"CAI"X，CHEN"Y"T，MA"H"B，et"al.Visual"inspection"method"of"steel"pipe"surface"cracks"based"on"dry"magnetic"particle"feature"enhancement［J］.Nondestructive"Testing"and"Evaluation，2023，38（2）"：254-274．

［10］YANG"L"X，"ZHANG"R"Y，"LI"L"D，"et"al."SimAM："A"simple，"parameter-free"attention"module"for"convolutional"neural"networks[C]//Proceedings"of"the"38th"International"Conference"on"Machine"Learning."PMLR，"2021："11863-"11874.