首页--工业技术论文--无线电电子学、电信技术论文--无线电设备、电信设备论文--终端设备论文--显示设备、显示器论文

基于深度学习的液晶屏Mura缺陷图像识别算法研究

摘要第4-6页
Abstract第6-8页
1 绪论第12-27页
    1.1 课题来源第12页
    1.2 研究背景第12-15页
    1.3 TFT-LCDAOI技术及相关目标识别方法研究现状第15-23页
    1.4 本文主要工作第23-27页
2 Mura缺陷产生机理及识别技术分析第27-42页
    2.1 TFT-LCD结构、显示原理及制造工艺第27-31页
    2.2 Mura缺陷产生机理第31-34页
    2.3 Mura缺陷分类标准及各类不良描述第34-39页
    2.4 Mura缺陷识别难点及分析第39-41页
    2.5 小结第41-42页
3 结合非监督学习的图像多模态特征描述第42-66页
    3.1 引言第42-44页
    3.2 非监督学习特征描述理论第44-46页
    3.3 JFR-DRF算法提出及框架第46-55页
    3.4 JFR-DRF算法测试结果及讨论第55-65页
    3.5 小结第65-66页
4 基于多模态多任务学习的判别性图像特征分类第66-92页
    4.1 引言第66-67页
    4.2 判别性图像特征融合及分类理论第67-73页
    4.3 M2DNN特征融合算法提出及框架第73-81页
    4.4 M2DNN算法测试结果及讨论第81-91页
    4.5 小结第91-92页
5 基于视觉注意机制的精细图像识别第92-115页
    5.1 引言第92-94页
    5.2 视觉注意机制及精细图像识别理论第94-96页
    5.3 DA-MGDT算法提出及框架第96-101页
    5.4 DA-MGDT算法测试及评估第101-114页
    5.5 小结第114-115页
6 Mura缺陷识别系统设计及应用第115-132页
    6.1 引言第115-116页
    6.2 Mura缺陷识别算法在TFT-LCD自动光学检测设备中实现第116-129页
    6.3 Mura缺陷识别算法应用案例第129-131页
    6.4 小结第131-132页
7 总结与展望第132-134页
    7.1 全文总结第132-133页
    7.2 工作展望第133-134页
致谢第134-136页
参考文献第136-146页
附录 Ⅰ 博士期间研究成果第146-147页
附录 Ⅱ 缩略语第147-148页

论文共148页,点击 下载论文
上一篇:基因调控网络中基序的动力学和功能研究
下一篇:智利小植绥螨、加州新小绥螨与二斑叶螨共存时的种群动态及互作