偏光片作为一种常见的偏振光学元件,是显示面板的核心组成部件之一,具有极为广泛的应用。偏光片质量对显示面板的良率有重要影响,若存在外观缺陷的偏光片流入到组装环节,可能导致整个面板的报废。因此,无论是偏光片生产厂商还是显示面板生产厂商,都需要进行严格的偏光片外观缺陷检测。而在生产过程中,检测出缺陷后,品质人员还要分析缺陷的成因,从而及时改进生产工艺和流程,因此还需要对检测出来的缺陷样品进行分类。在目前的生产中,主要采用离线人工目视的方式检测偏光片外观缺陷,再对这些缺陷样品进行手动标记和分类。人工检测的方式受质检人员主观判断的影响,存在漏检、误检以及检测效率低等问题,难以满足现代化生产的需要。因此,开发新的偏光片外观缺陷检测及自动分类技术,以进一步提高检测精度和检测速度,是偏光片生产领域中亟待解决的一个问题。本文研究内容:1、研究了一种基于暗场成像的偏光片外观缺陷检测方法。其中,检测装置包含了照明和图像采集两个主要模块。通过暗场成像的方式,偏光片待测样品成像后缺陷呈现为“亮”,背景呈现为“暗”,能够有效地增强缺陷的对比度,从而提高缺陷的检出率。对于检测方法中的关键影响因素——光线入射角度,本文进行了对比实验测试,由相关的实验结果,确定了最佳的光线入射角度为15?～30?。利用所述的检测方法,本文对5种常见类型的偏光片外观缺陷样品进行了检测,采集到每类200张,共计1000张暗场偏光片外观缺陷图像,组成暗场偏光片外观缺陷基础数据集。2、研究了一种基于远心成像的偏光片外观缺陷检测方法。针对已有偏光片外观缺陷检测方法存在的不足,本文采用远心成像的方法对偏光片外观缺陷进行检测,可以获取到更丰富的缺陷细节,为缺陷成因的判断提供更多依据,给生产商提供了一种新的偏光片质量分析方法,从而及时改进生产工艺,优化生产流程,提高产品良率。最后,通过该检测方法采集到12类,每类30张,共计360张远心偏光片外观缺陷图像,组成远心小样本偏光片外观缺陷数据集。3、研究了基于生成对抗网络的数据增强方法,并提出了一种改进的生成对抗网络:LOG-Pix2Pix。针对暗场偏光片外观缺陷图像数量不足,无法有效训练深度学习网络进行分类的问题,本文采用基于生成对抗网络生成缺陷图像的方法,对原数据集进行了扩充。针对Pix2Pix模型存在的生成图像的模糊问题,引入LOG方差对其目标函数进行改进,所得到的LOG-Pix2Pix模型能够生成更高质量的图像。本文通过LOG-Pix2Pix模型生成了每类1000张,共计5000张“虚假”暗场偏光片外观缺陷图像,然后将其加入到暗场偏光片外观缺陷基础数据集中组成暗场偏光片外观缺陷混合数据集,再进行深度学习网络的训练和分类。4、提出了一种基于Res Net18改进的融合分类网络。本文以Res Net18分类网络为基础模型,首先引入可变形卷积对其进行改进,使其能够更好地对整个缺陷区域进行卷积操作,以提取更有效的特征信息进行分类。然后,将模型中的普通3*3卷积替换为ACB卷积模块,在计算量相当的情况下,可以进一步提高模型的分类精度。最后,得到最终的融合分类网络——Res Net18-DACB。在暗场偏光片外观缺陷混合数据集和Cifar10、Cifar100、Mini-Imagenet三个公共数据集上的分类结果表明,该融合分类网络可以有效提高分类的精度。5、针对远心偏光片外观缺陷图像的小样本分类问题,本文对迁移学习、元学习和元迁移学习三种主流的深度学习方法进行了研究。通过实际的模型训练和测试,比较和分析了三种方法各自的优点与不足。在基于元迁移学习的无监督分类研究中,为了让元分类器更好地学习如何分类远心偏光片外观缺陷,本文从一些公共缺陷数据集中收集了不同类型的缺陷图像,构建了用于元迁移学习缺陷分类的数据集——MDIML,用于训练元分类器。实验结果表明,加入MDIML图像进行训练后,元迁移分类模型对于远心偏光片外观缺陷图像的分类精度得到了提升。