基于改進YOLOv5的TFT電極板缺陷檢測研究

摘要：電極片品質對液晶屏幕的顯示效果極為關鍵。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，設計了一項基于改進的YOLOv5全新的視覺算法模型，可以實現對TFT電極板上常見缺陷的精準識別。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YOLOv5的核心網絡架構中，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電極板常見缺陷數據集上開始測試，結果顯示，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。

關鍵詞：TFT電極板""缺陷檢測""神經網絡"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鍵構成部分。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、位置發生偏離、或重疊等情況，其產生的任何微小瑕疵都會對液晶顯示屏幕的品質造成負面影響［1］。目前，電極結構內含有眾多的非周期性元件、特征和標記，使在復雜的背景中難以精確地辨識缺陷［2］。所以，快捷、準確且高效地實現TFT電極板的缺陷檢測迫在眉睫。

傳統生產過程中，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、準確度不穩定；機器視覺檢測采用高端機器視覺技術，減少了人員不穩定因素的影響，獲得了高效、高穩定性、精準等優勢。機器視覺檢測法分為傳統圖像處理方法和深度學習方法［2］。傳統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雜性和差異性的增加，已經難以滿足現今電極板檢測對于精度和穩定性的要求［3］。

針對TFT電極板缺陷檢測領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，本文介紹了一種基于改進的YOLOv5算法的視覺識別技術，把卷積塊注意力模塊（Convolutional"Block"Attention"Module，CBAM）機制融合到神經網主干干結構中。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

在目標檢測領域，算法主要分為單階段（One-stage）和雙階段（Two-stage）兩種架構。單階段方法無需預先設定候選區域，能夠直接在圖像中生成目標的預測邊界框，從而實現快速檢測。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用需求。

1."1""YOLOv5神經網絡架構

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

• 2""改進的"YOLOv5"神經網絡模型

TFT電極板的缺陷類別多種多樣、缺陷背景圖案復雜難分、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，特征圖在經歷反復卷積操作后，造成缺陷檢測的準確度開始逐步降低。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鍵特征的位置信息[8]，從而實現對更多特征信息的保留與提取。

2"對照實驗與結論

2."1"缺陷數據集與實驗基礎環境

2.1.1"缺陷數據集

在制造車間，設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據源。

由于數據集數量較少，所以，在最初創立數據集時，采用降噪、改變圖像之間對比度等方法，改善了圖像質量［9］，提高了模型的檢測泛化性和魯棒性。

2.1.2"實驗準備環境

軟件：使用Python"3."7、Paddle-"Paddle框架。

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

2."2"實驗評價標準

為較客觀地評價出改進后網絡模型與原網絡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）"作為模型的評價標準。計算公式如下：

在本實驗中，TP為數據集中真實正例的缺陷個數，FP為被錯誤判定為正例的缺陷個數，FN為被錯誤判定為負例的缺陷個數，M為全部數據里各類別的個數。

2."3"對比實驗的分析

為了研究YOLOv5神經網絡模型融入CBAM機制后的缺陷檢測效果，本文基于定制的TFT電極板缺陷數據集開展了系列實驗。具體實驗設計如下：實驗1為基礎網絡模型；實驗2在歐洲本地網絡?1（European"Local"Area"Network"1，ELAN1）及上下采樣環節后融入CBAM機制；實驗3僅在ELAN1后融入CBAM機制；實驗4在上下采樣環節后融入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%。由此發現，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，提升網絡模型檢測TFT電極板上缺陷的精度。

3""實驗結論

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"的復雜場景多目標檢測［J］.電子測量技術，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研究[J].電子測量與儀器學報，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.