液晶面板缺陷识别_液晶面板缺陷分类_液晶面板缺

　　AOI设备

　　在液晶面板（Array/CF/Cell）、半导体、消费电子、汽车、新能源（光伏面板、动力电池等）等制造行业中，AOI（Automatic Optic Inspection，自动光学检测）设备被十分广泛的用于生产过程中的产品质量缺陷检测；AOI设备本身也具备相当成熟而广泛的市场应用，在电子制造行业是必不可少的光学设备。

　　应用深度学习、图像处理等技术帮助解决液晶面板行业生产制造过程中的缺陷识别和缺陷详细分类，提升产品良率、 大化替代人力。

　　生产线上，AOI设备会初步进行产品缺陷定位拍照，由于拍摄到被检测产品的数据量巨大（例如，AOI设备在液晶面板生产过程中，每天拍摄超过150万张缺陷图片，这些缺陷需要依赖技术工人的专业知识进行肉眼识别，因为拍摄的图片量巨大，目前无法做到全量图片人工检测），为了保证生产效率，这些高精度AOI设备的设计目的就是用来定位缺陷，无法做到对每一类缺陷进行仔细的分析和分类。同时因为需要耗费大量的计算资源，AOI设备本身的系统软件设计也决定了其无法完成缺陷分类这项任务。

　　因此，缺陷的详细分类、定性、及该产品下一步的工序指令基本上都由技术工人基于AOI设备所拍摄的产品缺陷图以及缺陷对线路的影响来进行决定，其结论就是，如果不能 率和高准确率的对缺陷进行详细分类和计算出下一步工序指令，这将直接影响该生产线的产能、效率、质量。

　　挑战和问题

　　效率，人工辅助AOI的检测方式效率低下，海量重复性劳动易导致视觉疲劳

　　产能，人工检测的低效率和高延迟，使在产品频繁处于等待状态

　　质量，平均检测准确度不高，人工检测主观影响较大，一致性差

　　成本，质检人员的培训成本和人力成本占产线总人数的比例过高（行业平均30%以上）

　　架构简介

　　液晶面板缺陷检测是一个专业度较高的领域，技术装备、产品、软件算法都比较 ，但是其核心逻辑是对产品缺陷图像通过背景分割、缺陷识别、缺陷类型定位到详细Code，来判别缺陷影响线路程度。

　　目前，半导体行业的工业自动化、数据收集、设备网络化的基础都很好，除了生产线路的计算机设备之外，其他计算机设备均部署在独立的数据中心，工厂和数据中心通过高速光网络连接，现有的信息系统架构为集中的数据计算已经打下了很好的基础。

　　技术特点

　　应用深度学习、图像处理等技术帮助解决液晶面板行业生产制造过程中的缺陷识别和缺陷详细分类，提升产品良率、 大化替代人力。

　　制造流程严格要求液晶面板缺陷检测系统具备高计算性能，高稳定、 率、高可用。

　　工厂数据高度集中，统一管理，数据全部通过光纤直通数据中心。

　　采用ADC业务应用平台+训练推理平台的系统设计方式，ADC业务应用平台直接与客户生产环境MES进行数据交互，不对现有生产线做任何技术改造。

　　ADC应用系统作为前端的应用服务中心，其作用是监听MES系统的消息并生成计算任务，将其下发给AI平台，不直接参与图形计算任务，通过主动轮询或者被动接受MES的检测指令，承担大量的并发访问和消息处理、任务派发、计算调度等系统任务。