买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉深圳市明亚顺科技有限公司申请的专利一种基于深度学习的液晶显示屏缺陷自动分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121147202B 。

龙图腾网通过国家知识产权局官网在2026-04-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511533697.3，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的液晶显示屏缺陷自动分类方法是由胡青生设计研发完成，并于2025-10-25向国家知识产权局提交的专利申请。

本一种基于深度学习的液晶显示屏缺陷自动分类方法在说明书摘要公布了：本发明属于人工智能领域，具体涉及一种基于深度学习的液晶显示屏缺陷自动分类方法，旨在解决传统方法对细微缺陷识别率低、误报率高及产线适配性差的问题。该方法包括：采集高分辨率校正图像，构建编码器‑解码器结构的多尺度特征提取网络，嵌入空间‑通道联合注意力模块以强化关键缺陷区域响应，采用焦点损失与边界感知损失加权优化缓解类别不平衡，最终通过全连接分类头输出8类缺陷概率并校准置信度。后处理阶段结合形态学操作与连通域分析生成结构化报告，同时引入物理合成增强与迁移学习提升小样本泛化能力。本方案分类准确率≥98.5%，漏检率0.3%，单屏检测周期1秒，日产能超万片，显著提升产线自动化效率与缺陷识别鲁棒性。

本发明授权一种基于深度学习的液晶显示屏缺陷自动分类方法在权利要求书中公布了：1.一种基于深度学习的液晶显示屏缺陷自动分类方法，其特征在于：包括以下具体步骤： 步骤一获取液晶显示屏原始图像数据：通过高分辨率工业相机在标准光源环境下对液晶显示屏表面进行图像采集，获取分辨率不低于4096乘以3072像素的原始图像； 步骤二构建多尺度缺陷感知特征提取网络：采用编码器-解码器结构的深度卷积神经网络，其中编码器部分由5个下采样残差块构成，每个残差块包含2个卷积层与1个跳跃连接，解码器部分通过转置卷积与跳跃连接融合多层级特征，输出与输入图像尺寸一致的缺陷显著图； 步骤三引入物理先验引导的注意力机制：在网络中嵌入空间-通道联合注意力模块，该模块依据液晶显示屏像素排列规律与典型缺陷的空间分布特性，动态调整不同区域的特征权重； 步骤四执行类别不平衡感知的损失函数优化：采用焦点损失与边界感知损失的加权组合，其中焦点损失聚焦于难分类样本，边界感知损失通过计算缺陷边缘像素的梯度响应； 步骤五实现缺陷自动分类与置信度校准：将网络输出的特征图输入全连接分类头，输出预设的8类缺陷类别概率分布； 步骤三中空间-通道联合注意力模块首先计算通道注意力权重，通过全局平均池化与两层全连接网络生成各通道的重要性系数，再结合空间注意力机制，利用7乘以7卷积核生成空间权重图，二者相乘后作用于主干特征，该模块部署于编码器第3、4、5层输出之后，以兼顾局部细节与全局语义； 步骤四中焦点损失的聚焦参数γ设为2.0，边界感知损失通过Sobel算子计算缺陷掩码的边缘梯度，并与网络预测的边缘响应进行均方误差计算，训练过程中采用余弦退火学习率调度策略，初始学习率为0.001，最小学习率为0.00001，训练轮次为200轮； 步骤五中预设的8类缺陷类别包括Mura、划伤、亮点、暗点、异物、压痕、漏光与像素缺失，全连接分类头包含2个隐藏层，节点数分别为512与256，输出层采用softmax激活，温度缩放参数T通过验证集上的期望校准误差最小化确定，典型取值为1.8； 还包括对分类结果进行后处理优化：对网络输出的缺陷显著图进行形态学闭运算与连通域分析，去除面积小于10像素的孤立噪声区域，并对相邻同类缺陷区域进行合并，最终生成结构化的缺陷检测报告，包含缺陷类别、位置坐标、面积与置信度评分； 还包括构建缺陷样本增强与迁移学习机制：针对样本稀缺的缺陷类别，采用基于物理模型的合成方法生成逼真缺陷图像，包括模拟Mura的高斯模糊叠加、划伤的线性结构扰动以及亮点的局部亮度增强，并利用在大规模通用图像数据集上预训练的权重进行迁移初始化，提升模型在小样本场景下的泛化能力。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳市明亚顺科技有限公司，其通讯地址为：518000 广东省深圳市宝安区福海街道新田社区正中工业厂区厂房6栋三层东；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。