显示面板缺陷检测方法、装置、存储介质及电子设备与流程

1.本技术涉及图像处理技术领域，尤其涉及一种显示面板缺陷检测方法、装置、存储介质及电子设备。

背景技术：

2.随着科技的飞速发展，图像处理技术在多个领域得到了广泛的应用。
3.工业领域通常利用图像处理技术完成图像分类、图像检测等工作，在图像检测方面，常使用基于深度卷积网络的图像检测算法对工业显示面板的缺陷进行检测，而由于工业显示面板中的缺陷形状、大小差异较大，各个缺陷分布位置不均，且检测背景较为复杂，采用现有的显示面板缺陷检测方法对工业显示面板进行缺陷检测容易造成误检、漏检的现象，导致缺陷检测的准确率较低。

技术实现要素：

4.本技术实施例提供一种显示面板缺陷检测方法、装置、存储介质及电子设备，能够降低目标检测过程中出现误检、漏检现象的概率，提高目标检测的准确率。
5.本技术实施例提供一种显示面板缺陷检测方法，包括：
6.获取待检测面板的面板图像的第一图像特征；
7.对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，各第二图像特征的权重值反映所述第一图像特征在各频谱通道的权重值；
8.基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果。
9.其中，所述获取待检测面板的面板图像的第一图像特征，包括：
10.通过已训练的缺陷检测网络中的特征提取单元获取待检测面板的面板图像的第一图像特征。
11.其中，所述对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，包括：
12.通过所述已训练的缺陷检测网络中的特征处理单元对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，所述特征处理单元包括多频谱注意力模块，所述多频谱注意力模块包括划分模块、拼接模块、激励模块以及输出模块。
13.其中，所述通过已训练的缺陷检测网络中的特征处理单元对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，包括：
14.将所述第一图像特征输入所述划分模块，得到多个第二图像特征；
15.将所述多个第二图像特征输入所述拼接模块，得到多频谱图像特征；
16.将所述多频谱图像特征输入所述激励模块，得到多个权重系数；
17.将所述多个权重系数输入所述输出模块，得到各第二图像特征的权重值。
18.其中，所述将所述第一图像特征输入所述划分模块，得到多个第二图像特征，包括：
19.将所述第一图像特征输入所述划分模块，以将所述第一图像特征沿通道维度划分为多个第二图像特征。
20.其中，所述将所述多个第二图像特征输入所述拼接模块，得到多频谱图像特征，包括：
21.将所述多个第二图像特征输入所述拼接模块，以将所述多个第二特征进行二维离散余弦变换，得到多个压缩图像特征；
22.将各压缩图像特征进行拼接，得到多频谱图像特征。
23.其中，所述激励模块中设有激励函数，所述将所述多频谱图像特征输入所述激励模块，得到多个权重系数，包括：
24.将所述多频谱图像特征输入所述激励模块，以调用所述激励函数计算所述多频谱图像特征中各第二图像特征的特征值，得到各第二图像特征对应所述多频谱图像特征的权重系数。
25.其中，所述将所述多个权重系数输入所述输出模块，得到各第二图像特征的权重值，包括：
26.将所述多个权重系数输入所述输出模块，以通过所述输出模块将各权重系数分别乘以所述第一图像特征的特征值，得到所述第一图像特征在各频谱通道的权重值，并将各权重值作为各第二图像特征的权重值。
27.其中，所述基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果，包括：
28.通过所述已训练的缺陷检测网络中的缺陷预测单元，基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果。
29.其中，在所述得到缺陷识别结果之后，还包括：
30.基于所述缺陷识别结果对所述面板图像进行缺陷标记，得到面板缺陷识别图像。
31.本技术实施例还提供了一种显示面板缺陷检测装置，包括：
32.第一图像特征获取模块，用于获取待检测面板的面板图像的第一图像特征；
33.第二图像特征获取模块，用于对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，各第二图像特征的权重值反映所述第一图像特征在各频谱通道的权重值；
34.识别模块，用于基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果。
35.本技术实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述任一项显示面板缺陷检测方法。
36.本技术实施例还提供了一种电子设备，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行上述任一项显示面板缺陷检测方法中的步骤。
37.本技术实施例提供一种显示面板缺陷检测方法、装置、存储介质及电子设备，获取
待检测面板的面板图像的第一图像特征，然后对第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值(各第二图像特征的权重值反映第一图像特征在各频谱通道的权重值)，最后基于各第二图像特征的权重值对多个第二图像特征进行特征识别，得到缺陷识别结果。由于各第二图像特征的权重值为第一图像特征在各频谱通道的权重值，也即各第二图像特征的权重值可以反映各频谱通道的重要程度，在基于各第二图像特征的权重值对各第二图像特征进行缺陷识别时会忽略重要程度较小的频谱通道(与缺陷特征关联程度较小)，并关注重要程度较大的频谱通道(与缺陷特征关联程度较大)，从而提高了面板缺陷检测的准确率。
附图说明
38.下面结合附图，通过对本技术的具体实施方式详细描述，将使本技术的技术方案及其它有益效果显而易见。
39.图1为本技术实施例提供的显示面板缺陷检测方法的流程示意图。
40.图2为本技术实施例提供的缺陷检测网络结构示意图。
41.图3为本技术实施例提供的多频谱注意力处理过程的示意图。
42.图4为本技术实施例提供的显示面板缺陷检测装置的结构示意图。
43.图5为本技术实施例提供的电子设备的结构示意图。
具体实施方式
44.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
45.本技术实施例提供一种显示面板缺陷检测方法、装置、存储介质及电子设备。
46.如图1所示，图1是本技术实施例提供的显示面板缺陷检测方法的流程示意图，具体流程可以如下：
47.101.获取待检测面板的面板图像的第一图像特征。
48.其中，图像特征是一类对象区别于其他类对象的相应(本质)特点或特性，或是这些特点和特性的集合，对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，在本实施例中，第一图像特征反映了待检测面板中缺陷的特性，可选地，缺陷的特性包括缺陷区域的尺寸及坐标。
49.在显示面板的生产过程中，由于工艺、制程或者设计等环节容易出现偏差，导致生产出来的显示面板存在缺陷，通常使用光学检测仪器(例如，aoi(automated optical inspection，自动光学检测)设备)对显示面板进行缺陷检测，并针对检测出的缺陷进行修复。在进行缺陷检测时，首先使用光学检测仪器配置的摄像装置拍摄面板图像，并通过卷积神经网络将显示面板的面板图像的特征提取出来，其中，特征提取是识别检测目标(即缺陷区域)的重要步骤，特征提取的效果在很大程度上影响着面板缺陷的识别效果。
50.在本实施例中，通过已训练的缺陷检测网络实现待检测面板的缺陷检测，具体地，已训练的缺陷检测网络包括特征提取单元、特征处理单元和缺陷预测单元。
51.具体地，在实际应用中可通过光学检测仪器对待检测面板的进行拍摄，以获取待检测面板的面板图像，然后将待检测面板的面板图像输入至已训练的缺陷检测网络中的特征提取单元，以对待检测面板的面板图像进行特征提取，并将提取出的图像特征作为第一图像特征。可选地，在将待检测面板的面板图像输入至特征提取单元之前，先将待检测面板的面板图像进行预处理，以消除待检测面板的面板图像中的无关信息，并增强有关信息的可检测性，另外，预处理还可最大限度地简化面板图像的图像数据，从而提高后续特征提取以及特征识别等过程的可靠性。
52.进一步地，在上述步骤101之前，还包括：
53.将已标注的样本数据集输入缺陷检测网络中的特征提取单元，得到初始图像特征，该已标注的样本数据集包括具有特征标签的训练集；
54.将初始图像特征输入缺陷检测网络中的特征处理单元，得到目标图像特征；
55.将目标图像特征输入缺陷检测网络中的缺陷预测单元，以使缺陷预测单元获取目标图像特征的特征标签与预设缺陷特征值之间的损失值，并根据损失值对缺陷检测网络进行参数调节，以使损失值降低，得到已训练的缺陷检测网络。
56.其中，在将已标注的样本数据集输入缺陷检测网络中的特征提取单元之前，需从样本数据集中随机选取若干个样本数据点作为第一样本中心簇，然后分别计算其他样本数据点与各个第一样本中心簇的相异度，并将各样本数据点划分至相异度最低的第一样本中心簇，得到第一次聚类结果，然后从多个第一样本中心簇中计算得到多个第二样本中心簇，并分别计算其他样本数据点与各个第二样本中心簇的相异度，然后将各样本数据点划分至相异度最低的第二样本中心簇，得到第二次聚类结果，重复上述过程，直至聚类结果不再变化，并根据最终的聚类结果对样本数据集进行标注。
57.将标注区域的图像特征提取出来作为初始图像特征，可选地，样本数据集包括训练集，初始图像特征用于表征训练集中缺陷区域的尺寸及坐标，在提取标注区域的图像特征之前，先对训练集进行预处理(例如，增强图像对比度)。
58.现有技术通常是使用yolov3(you only look once version3，目标检测第三版)网络提取初始图像特征，并根据提取到的初始图像特征进行多次训练，训练后的yolov3网络具备识别该初始图像特征的能力，此时再将从待检测面板中提取出的图像特征输入至训练后的yolov3网络中，以利用yolov3网络对显示面板的缺陷进行识别。
59.由于显示面板中的缺陷通常具有大小、形状差异较大、分布不均、背景复杂等特点，且yolov3网络在提取初始图像特征的过程会存在偏差，使得yolov3网络获取到的初始图像特征与样本数据集中标注区域的图像特征存在偏差，导致训练后的yolov3网络的检测准确率较低，后续若使用该yolov3网络对显示面板进行缺陷检测，容易出现漏检、误检的问题。
60.本技术实施例预先通过特征提取单元将训练集的初始图像特征提取出来，并将初始图像输入至预先搭建的缺陷检测网络，然后将初始图像特征输入至缺陷检测网络中的特征处理单元进行特征处理，以获取目标图像特征，该目标图像特征相较于所获取到的初始图像特征更加符合样本数据集中标注区域的图像特征，并将目标图像特征与对应的特征标签输入至缺陷预测单元，以使缺陷预测单元不断降低目标图像特征的特征标签与预设缺陷特征值的损失值，从而得到训练后的缺陷检测网络。可选地，特征提取单元包括yolov3网
络。
61.102.对第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，各第二图像特征的权重值反映第一图像特征在各频谱通道的权重值。
62.其中，权重值为图像特征在各频谱通道中重要程度的所占比例值，在对第一图像特征进行多频谱注意力处理的过程中，会将第一图像特征沿通道维度划分为多个子图像特征，并将这些子图像特征作为第二图像特征，其中，子图像特征的数量与频谱通道的数量相等。
63.具体地，将经划分得到的多个第二图像特征进行二维离散余弦变换，得到多个压缩图像特征，并将各压缩图像特征进行拼接，得到多频谱图像特征，之后再调用激励函数计算多频谱图像特征中各第二图像特征的特征值，得到各第二图像特征对应多频谱图像特征的权重系数，最后将多个权重系数分别乘以第一图像特征的特征值，得到与各第二图像特征对应的权重值，可选地，这些权重值与第一图像特征在各频谱通道的权重值相等，表征了第一图像特征在各频谱通道的重要程度。
64.在本实施例中，在提取出第一图像特征后，将第一图像特征输入至已训练的缺陷检测网络中的特征处理单元中，具体的，特征处理单元包括多频谱注意力模块，通过多频谱注意力模块对第一图像特征进行多频谱注意力处理，以得到多个第二图像特征及各第二图像特征的权重值。
65.在多频谱注意力处理过程中，由于多频谱注意力模块为每个第二图像特征生成了不同的权重，并将各个权重应用于多个频谱通道中，所以得到的多个第二图像特征可以反映第一图像特征在不同频谱通道的重要程度，在频谱通道的重要程度越大说明该频谱通道与需确定的目标(例如，待检测面部中的缺陷)的关联程度越大，也即说明通过该频谱通道提取出的图像特征最可能为需确定的目标特征(例如，待检测面部中的缺陷特征)。
66.例如，对第一图像特征沿通道维度划分为三个第二图像特征，这三个第二图像特征的权重值分别为20％、30％和50％，也即第一图像特征在三个频谱通道中的重要程度分别为20％、30％和50％，由于第一图像特征在50％对应的频谱通道的重要程度最大，说明与50％对应的频谱通道与需识别的缺陷的关联程度越大。
67.如图2所示，图2为本技术实施例提供的缺陷检测网络结构示意图。
68.其中，缺陷检测网络中的特征提取单元由dak模块、res模块(包括res1模块、res2模块、res4模块和res8模块)和conv模块构成，特征处理单元包括图中的frequence attention模块，缺陷预测单元由多个yolo模块(包括yolo1模块、yolo2模块以及yolo3模块)构成。
69.具体地，首先将待检测面板的面板图像依次输入特征提取单元中的dak模块、res模块和conv模块进行特征提取，得到第一图像特征，然后将第一图像特征输入特征处理单元中的frequence attention模块进行多频谱注意力处理，得到多个第二图像特征，并将各第二图像特征输入至上采样模块(即图中的upsample模块)进行上采样处理，最后将上采样处理后的各第二图像特征输入至缺陷预测单元进行缺陷识别。
70.如图3所示，图3为本技术实施例提供的多频谱注意力处理过程的示意图。
71.其中，多频谱注意力模块包括划分模块2001、拼接模块(图中未标出)、激励模块2005以及输出模块2006，第一图像特征输入划分模块2001后，以将第一图像特征沿通道维
度划分为多个第二图像特征，然后将多个第二图像特征输入拼接模块，以将多个第二特征进行二维离散余弦变换，得到多个压缩图像特征，并将各压缩图像特征进行拼接，得到多频谱图像特征，之后再将多频谱图像特征输入激励模块2005，以调用激励函数计算多频谱图像特征中各第二图像特征的特征值，得到各第二图像特征对应多频谱图像特征的权重系数，最后将多个权重系数输入输出模块2006，以通过输出模块2006将各权重系数分别乘以第一图像特征的特征值，得到第一图像特征在各频谱通道的权重值，并将各权重值作为各第二图像特征的权重值。
72.在该多频谱注意力处理过程中，多频谱注意力模块为每个第二图像特征生成了不同的权重，并将各个权重应用于多个频谱通道中，所以得到的多个第二图像特征可以反映不同频谱通道的重要程度。
73.如公式1所示，公式1为二维离散余弦变换公式：
[0074][0075]
如公式2所示，公式2为2d离散余弦反变换的公式：
[0076][0077]
具体的，将第一图像特征沿通道维度划分为n个第二图像特征xi，i∈{0,1,2,
…
,n-1}；xk表示将第一图像特征沿通道维度划分为n个第二图像特征中的第k个多频谱子图像特征，h和w分别表示第一图像特征的高度和宽度(标注框的高度与宽度)，h和w分别表示第一图像特征的位置坐标。
[0078]
如公式3所示，公式3为gap公式：
[0079][0080]
由于低频频谱特征的效果比高频频谱特征的效果更佳，因此可假设h，w的取值均为0，此时公式1即变为公式4：
[0081][0082]
经过大量试验得出n＝8，也即可将初始图像特征划分为8个第二图像特征xi，可选地，每个第二图像特征xi的h，w取值分别为(0，0)、(0，1)、(1，0)、(1，1)、(2，0)、(0，2)、(3，0)、(0，3)。
[0083]
103.基于各第二图像特征的权重值对多个第二图像特征进行特征识别，得到缺陷
识别结果。
[0084]
其中，权重值为图像特征在各通道中重要程度的所占比例分值。在本实施例中，通过已训练的缺陷检测网络中的缺陷预测单元基于各第二图像特征的权重值对第一图像特征(即多个第二图像特征)进行特征识别，由于各第二图像特征的权重值表征了第一图像在各频谱通道的重要程度，因此，在缺陷识别过程中，会重点识别重要程度较大(与缺陷的关联程度较大)的频谱通道，并忽略重要程度较小(与缺陷的关联程度较小)的频谱通道，从而有效提高缺陷识别结果的准确度以及效率。
[0085]
进一步地，在上述步骤103之后，还包括：
[0086]
基于缺陷识别结果对面板图像进行缺陷标记，得到面板缺陷识别图像。
[0087]
其中，缺陷标记包括通过人工根据缺陷识别结果在待检测面板表面进行缺陷尺寸及位置的标记，或，通过相关设备根据缺陷识别结果在待检测面板表面进行缺陷尺寸及位置的标记，缺陷标记的目的在于便于人眼直观地看到缺陷所在位置。
[0088]
由于缺陷识别结果通常由若干用于表征缺陷信息的参数(例如，缺陷尺寸参数、缺陷所在位置坐标参数)组成，而在实际应用过程中，为了提高生产效率，通常要求技术人员直接通过肉眼观察待检测面板的表面即可判断缺陷的尺寸或位置，因此，在得到缺陷识别结果后，需要基于缺陷识别结果对面板图像进行缺陷标记，得到可通过肉眼直接判断出面板缺陷尺寸及位置的面板缺陷识别图像，即可方便技术人员直接观察面板缺陷识别图像来获取缺陷的相关信息。
[0089]
如表1所示，表1为通过yolov3网络和通过本技术实施例中的缺陷检测网络对待检测面板进行缺陷检测的准确率：
[0090]
表1
[0091] 准确率yolov3网络94.3％缺陷检测网络97.5％
[0092]
由表1可见，在对待检测面板进行缺陷检测时，使用缺陷检测网络进行缺陷检测的准确率明显高于使用yolov3网络进行缺陷检测的准确率。
[0093]
由上述可知，本技术实施例提供的显示面板缺陷检测方法，获取待检测面板的面板图像的第一图像特征，然后对第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值(各第二图像特征的权重值反映第一图像特征在各频谱通道的权重值)，最后基于各第二图像特征的权重值对多个第二图像特征进行特征识别，得到缺陷识别结果。由于各第二图像特征的权重值为第一图像特征在各频谱通道的权重值，也即各第二图像特征的权重值可以反映各频谱通道的重要程度，在基于各第二图像特征的权重值对各第二图像特征进行缺陷识别时会忽略重要程度较小的频谱通道(与缺陷特征关联程度较小)，并关注重要程度较大的频谱通道(与缺陷特征关联程度较大)，从而提高了面板缺陷检测的准确率。
[0094]
根据上述实施例所描述的方法，本实施例将从显示面板缺陷检测装置的角度进一步进行描述，该显示面板缺陷检测装置具体可以作为独立的实体来实现，也可以集成在电子设备中。
[0095]
请参阅图4，图4具体描述了本技术实施例提供的显示面板缺陷检测装置，该显示
面板缺陷检测装置可以包括：第一图像特征获取模块10、第二图像特征获取模块20、识别模块30，其中：
[0096]
(1)第一图像特征获取模块10
[0097]
第一图像特征获取模块10，用于获取待检测面板的面板图像的第一图像特征。
[0098]
(2)第二图像特征获取模块20
[0099]
第二图像特征获取模块20，用于对第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，各第二图像特征的权重值反映第一图像特征在各频谱通道的权重值。
[0100]
(3)识别模块30
[0101]
识别模块30，用于基于各第二图像特征的权重值对多个第二图像特征进行特征识别，得到缺陷识别结果。
[0102]
由上述可知，本技术实施例提供的显示面板缺陷检测装置，利用第一图像特征获取模块10获取待检测面板的面板图像的第一图像特征，然后利用第二图像特征获取模块20对第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值(各第二图像特征的权重值反映第一图像特征在各频谱通道的权重值)，最后利用识别模块30基于各第二图像特征的权重值对多个第二图像特征进行特征识别，得到缺陷识别结果。由于各第二图像特征的权重值为第一图像特征在各频谱通道的权重值，也即各第二图像特征的权重值可以反映各频谱通道的重要程度，在基于各第二图像特征的权重值对各第二图像特征进行缺陷识别时会忽略重要程度较小的频谱通道(与缺陷特征关联程度较小)，并关注重要程度较大的频谱通道(与缺陷特征关联程度较大)，从而提高了面板缺陷检测的准确率。
[0103]
以上各个设备的具体实施可参见前面的实施例，在此不再赘述。
[0104]
另外，本技术实施例还提供一种电子设备。如图5所示，电子设备包括处理器501、无线模块502、存储器503、音频电路504、显示单元505、输入单元506、传感器507、电源508和射频电路509，用于实施上述实施例中提供的图像处理方法。具体地，存储器503可用于存储软件程序以及模块，存储器503可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器503可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器503还可以包括存储器控制器，以提供处理器501对存储器503的访问。
[0105]
综上，虽然本技术已以优选实施例揭露如上，但上述优选实施例并非用以限制本技术，本领域的普通技术人员，在不脱离本技术的精神和范围内，均可作各种更动与润饰，因此本技术的保护范围以权利要求界定的范围为准。

技术特征：

1.一种显示面板缺陷检测方法，其特征在于，包括：获取待检测面板的面板图像的第一图像特征；对所述第一图像特征进行多频谱注意力处理得到多个第二图像特征及各第二图像特征的权重值，各第二图像特征的权重值反映所述第一图像特征在各频谱通道的权重值；基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果。2.根据权利要求1所述的显示面板缺陷检测方法，其特征在于，所述获取待检测面板的面板图像的第一图像特征，包括：通过已训练的缺陷检测网络中的特征提取单元获取待检测面板的面板图像的第一图像特征。3.根据权利要求2所述的显示面板缺陷检测方法，其特征在于，所述对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，包括：通过所述已训练的缺陷检测网络中的特征处理单元对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，所述特征处理单元包括多频谱注意力模块，所述多频谱注意力模块包括划分模块、拼接模块、激励模块以及输出模块。4.根据权利要求3所述的显示面板缺陷检测方法，其特征在于，所述通过已训练的缺陷检测网络中的特征处理单元对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，包括：将所述第一图像特征输入所述划分模块，得到多个第二图像特征；将所述多个第二图像特征输入所述拼接模块，得到多频谱图像特征；将所述多频谱图像特征输入所述激励模块，得到多个权重系数；将所述多个权重系数输入所述输出模块，得到各第二图像特征的权重值。5.根据权利要求4所述的显示面板缺陷检测方法，其特征在于，所述将所述第一图像特征输入所述划分模块，得到多个第二图像特征，包括：将所述第一图像特征输入所述划分模块，以将所述第一图像特征沿通道维度划分为多个第二图像特征。6.根据权利要求4所述的显示面板缺陷检测方法，其特征在于，所述将所述多个第二图像特征输入所述拼接模块，得到多频谱图像特征，包括：将所述多个第二图像特征输入所述拼接模块，以将所述多个第二特征进行二维离散余弦变换，得到多个压缩图像特征；将各压缩图像特征进行拼接，得到多频谱图像特征。7.根据权利要求4所述的显示面板缺陷检测方法，其特征在于，所述激励模块中设有激励函数，所述将所述多频谱图像特征输入所述激励模块，得到多个权重系数，包括：将所述多频谱图像特征输入所述激励模块，以调用所述激励函数计算所述多频谱图像特征中各第二图像特征的特征值，得到各第二图像特征对应所述多频谱图像特征的权重系数。8.根据权利要求4所述的显示面板缺陷检测方法，其特征在于，所述将所述多个权重系数输入所述输出模块，得到各第二图像特征的权重值，包括：
将所述多个权重系数输入所述输出模块，以通过所述输出模块将各权重系数分别乘以所述第一图像特征的特征值，得到所述第一图像特征在各频谱通道的权重值，并将各权重值作为各第二图像特征的权重值。9.根据权利要求2所述的显示面板缺陷检测方法，其特征在于，所述基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果，包括：通过所述已训练的缺陷检测网络中的缺陷预测单元，基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果。10.根据权利要求9所述的显示面板缺陷检测方法，其特征在于，在所述得到缺陷识别结果之后，还包括：基于所述缺陷识别结果对所述面板图像进行缺陷标记，得到面板缺陷识别图像。11.一种显示面板缺陷检测装置，其特征在于，包括：第一图像特征获取模块，用于获取待检测面板的面板图像的第一图像特征；第二图像特征获取模块，用于对所述第一图像特征进行多频谱注意力处理，得到多个第二图像特征及各第二图像特征的权重值，各第二图像特征的权重值反映所述第一图像特征在各频谱通道的权重值；识别模块，用于基于各第二图像特征的权重值对所述多个第二图像特征进行特征识别，得到缺陷识别结果。12.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1至10任一项所述的显示面板缺陷检测方法。13.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行权利要求1至10任一项所述的显示面板缺陷检测方法中的步骤。

技术总结

本申请公开了一种显示面板缺陷检测方法、装置、存储介质及电子设备，包括：获取待检测面板的面板图像的第一图像特征，然后对第一图像特征进行多频谱注意力处理得到多个第二图像特征及各第二图像特征的权重值，最后基于各第二图像特征的权重值对多个第二图像特征进行特征识别得到缺陷识别结果。由于各第二图像特征的权重值反映第一图像特征在各频谱通道的权重值，也即各第二图像特征的权重值可以反映各频谱通道的重要程度，在基于各第二图像特征的权重值对各第二图像特征进行缺陷识别时会忽略重要程度较小的频谱通道(与缺陷特征关联程度较小)，并关注重要程度较大的频谱通道(与缺陷特征关联程度较大)，从而提高了面板缺陷检测的准确率。检测的准确率。检测的准确率。