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！

申请/专利权人：苏州智存宽显电子有限公司

摘要：本发明属于神经网络技术领域，具体为基于SBO‑CNN网络的显示屏缺陷检测方法，该基于SBO‑CNN网络的显示屏缺陷检测方法具体步骤流程如下：步骤一：网络结构、卷积神经网络整体架构：卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块，该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度，使得神经网络结构变得简单，适应性更强的优点，通过智能优化方法优化卷积神经网络的参数可以提高其收敛速度，加快卷积神经网络对大量原始数据的处理速度。

主权项：1.基于SBO-CNN网络的显示屏缺陷检测方法，其特征在于，该基于SBO-CNN网络的显示屏缺陷检测方法具体步骤流程如下：步骤一：网络结构卷积神经网络整体架构：卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块，该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度，卷积神经网络的低隐层是由卷积层和最大池采样层交替组成，高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器，第一个全连接层的输入是由卷积层和子采样层进行特征提取得到的特征图像，最后一层输出层是一个分类器，可以采用逻辑回归，Softmax回归甚至是支持向量机对输入图像进行分类；卷积神经网络结构包括：卷积层，降采样层，全链接层，每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元；输入图像统计和滤波器进行卷积之后，提取该局部特征，一旦该局部特征被提取出来之后，它与其他特征的位置关系也随之确定下来了，每个神经元的输入和前一层的局部感受野相连，每个特征提取层都紧跟一个用来求局部平均与二次提取的计算层，也叫特征映射层，网络的每个计算层由多个特征映射平面组成，平面上所有的神经元的权重相等；通常将输入层到隐藏层的映射称为一个特征映射，也就是通过卷积层得到特征提取层，经过pooling之后得到特征映射层；步骤二：局部感受野与权值共享卷积神经网络的核心思想就是局部感受野、是权值共享和pooling层，以此来达到简化网络参数并使得网络具有一定程度的位移、尺度、缩放、非线性形变稳定性；局部感受野：由于图像的空间联系是局部的，每个神经元不需要对全部的图像做感受，只需要感受局部特征即可，然后在更高层将这些感受得到的不同的局部神经元综合起来就可以得到全局的信息了，这样可以减少连接的数目；权值共享：不同神经元之间的参数共享可以减少需要求解的参数，使用多种滤波器去卷积图像就会得到多种特征映射，权值共享其实就是对图像用同样的卷积核进行卷积操作，也就意味着第一个隐藏层的所有神经元所能检测到处于图像不同位置的完全相同的特征，其主要的能力就能检测到不同位置的同一类型特征，也就是卷积网络能很好的适应图像的小范围的平移性，即有较好的平移不变性；步骤三：卷积层、下采样层、全连接层卷积层：因为通过卷积运算我们可以提取出图像的特征，通过卷积运算可以使得原始信号的某些特征增强，并且降低噪声，用一个可训练的滤波器fx去卷积一个输入的图像第一阶段是输入的图像，后面的阶段就是卷积特征map了，然后加一个偏置bx，得到卷积层Cx；下采样层：因为对图像进行下采样，可以减少数据处理量同时保留有用信息，采样可以混淆特征的具体位置，因为某个特征找出来之后，它的位置已经不重要了，只需要这个特征和其他特征的相对位置，可以应对形变和扭曲带来的同类物体的变化，每邻域四个像素求和变为一个像素，然后通过标量Wx+1加权，再增加偏置bx+1，然后通过一个sigmoid激活函数，产生一个大概缩小四倍的特征映射图Sx+1；全连接层：采用softmax全连接，得到的激活值即卷积神经网络提取到的图片特征。

全文数据：

权利要求：

百度查询： 苏州智存宽显电子有限公司 基于SBO-CNN网络的显示屏缺陷检测方法