CN103440654A - 一种lcd异物缺陷检测方法 - Google Patents

Abstract

本发明公开了LCD异物缺陷检测方法，包含如下步骤：图像缩放：利用双线性插值算法将图像缩放；标签检测：检测出标签位置，消除标签，得到图像OI；图像重建：利用奇异值分解方法对图像OI进行重建得到重建图像CI，并用图像OI减去重建图像CI获取差图DI；点状异物缺陷检测：对获取的差图DI进行阈值化缺陷分割，并通过轮廓检测统计轮廓数量并计算缺陷的总面积，判断是否存在点状异物缺陷；区域状异物缺陷检测：将差图DI分成num个窗口，对每个窗口进行区域异物缺陷检测，统计每个窗口中的平均灰度值和方差；线状异物缺陷检测：对差图DI使用边缘检测算法进行边缘检测，判断是否发生线状异物缺陷。

Description

一种LCD异物缺陷检测方法

技术领域

本发明涉及一种LCD缺陷检测领域，特别是一种LCD异物(mura)缺陷检测方法。

背景技术

近些年来，随着技术的进步，良品率不断提高，液晶显示屏蓬勃发展，随处可见并且已经全面取代笨重的CRT显示屏占领了显示屏市场。特别是TFT-LCD(Thin FilmTransistor)即薄膜场效应晶体管液晶显示屏，是目前唯一在亮度、对比度、功耗、寿命、体积和重量等综合性能上全面赶上和超过CRT的显示器件。随着液晶显示屏市场的火爆升温，人们越来越关注液晶显示屏行业，而检测作为生产工序中必不可少的一环，同样也受到了国内外许多研究人员的关注。为了取代传统的人工检测方法，研究人员开始寻求新的途径，设计出符合实际的自动检测系统。检测的常见LCD缺陷包括：点缺陷检测、线缺陷检测、mura缺陷检测，其中mura缺陷是最难检测的一种缺陷，它又包括点状mura、线状mura、块状mura。获取的LCD图片检测往往会受到光照纹理的因素影响，这些信息对mura缺陷的检测具有非常强烈的干扰。因此如何能够有效的检测出所有三种mura缺陷是一个很值得研究的问题。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种LCD异物缺陷检测方法，能够有效检测出LCD是否有mura缺陷。

为了解决上述技术问题，本发明公开了LCD mura缺陷检测方法，包含如下步骤：

步骤1，图像缩放：利用双线性插值算法将图像缩放。

步骤2，标签检测：检测出标签位置，消除标签，得到图像OI。

步骤3，图像重建：利用奇异值分解方法(SINGULAR VALUE DECOMPOSITION)对图像OI进行重建得到重建图像CI，并用图像OI减去重建图像CI获取差图DI。

步骤4，点状异物(mura)缺陷检测：对获取的差图DI进行阂值化缺陷分割，并通过轮廓检测统计轮廓数量并计算缺陷的总面积，判断是否存在点状异物缺陷。

步骤5，区域状mura缺陷检测：将差图D1分成num个窗口，对每个窗口进行区域异物缺陷检测，统计每个窗口中的平均灰度值和方差，num取值为大于等于2的自然数。

步骤6，线状mura缺陷检测：对差图DI使用边缘检测算法进行边缘检测，判断是否发生线状异物缺陷。

步骤1图像缩放具体包括如下步骤：

首先使用模板对原图像使用均值滤波，

$\mathrm{If}(i,j)=\frac{\underset{u=i-s}{\overset{i+s}{\mathrm{\Σ}}}\underset{\mathrm{\υ}=j-s}{\overset{j+s}{\mathrm{\Σ}}}I(u,\mathrm{\υ})}{{(2s+1)}^2},$

得到滤波后的图像If。

步骤2标签检测具体包括如下步骤：

对标签模板进行均值平滑，消除随机噪声的影响，并选择速度较快的匹配方法，匹配函数为：

$L(i_1,j_1)=\underset{x=1}{\overset{m_1}{\mathrm{\Σ}}}\underset{y=1}{\overset{n_1}{\mathrm{\Σ}}}{[S^{i_1{j}_1}(x,y)-T(x,y)]}^2,$

检测到标签之后，使用旁边的区域代替标签区域，以消除标签的影响。

步骤3图像重建具体包括如下步骤：

把缩放和标签去除后的图像记为OI，对图像OI进行奇异值分解，选择最大的前k个特征值，k>1，对图像OI进行重建，得到重建图像CI，用图像OI减去重建图像CI，得到差图DI；DI=OI-CI+δ，δ表示偏移量取值128。

步骤4点状mura缺陷检测具体步骤如下：

使用以下公式对获取的差图DI进行阈值化缺陷分割：

$\mathrm{DB}(i,j)=\left\{\begin{array}{cc}1& \mathrm{DI}(i,j)\&GreaterEqual;T\\ 0& \mathrm{DI}(i,j)<T\end{array}\right.,$

其中，DB是阈值化之后的二值图像，DB(i，j)表示DB的第i行j列的像素值，i，j为大于0的自然数；T是分割阈值，采用以下公式计算：

T=μ_DI+t·σ_DI，

$\mathrm{\&mu;}\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)}{M\&times;N},$

${\mathrm{\&sigma;}}^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-\mathrm{\&mu;}\left(\mathrm{DI}\right)]}^2}{M\&times;N},$

其中，图像DI的大小为M×N，M、N为DI的横向和纵向的像素数目，μ(DI)和σ²(DI)分别表示DI的像素均值和像素方差，t为比例系数，1>t>0。

重新计算背景图像DI的灰度统计均值μ₁(DI)和方差(DI)，计算公式如下：

${\mathrm{\&mu;}}_1\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N},$

${\mathrm{\&sigma;}}_1^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-\mathrm{\&mu;}\left(\mathrm{DI}\right)]}^2\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N},$

其中，图像DI的大小为M*N。对二值图像DB(大小为M*N)进行形态学中的开运算，然后轮廓检测，统计轮廓的数量。

轮廓数量即为亮点数量。

步骤5区域状mura检测具体包括如下步骤：

使用w*h大小的窗口在图像DI上以△w和△h步长进行水平和垂直滑动，Δw和△h分别为水平方向和垂直方向步长；△w和△h为分别等于w和h，w和h为分别小于M和N的币整数。统计每个窗口W_DI的平均灰度值μ₂(W_DI)和方差

(W_DI)：

统计每个窗口W_DI的平均灰度值μ₂(W_DI)和方差

(W_DI)：

${\mathrm{\&mu;}}_2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{W}_{\mathrm{DI}}(i,j)}{w\&times;h},$

${\mathrm{\&sigma;}}_2^2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{[W_{\mathrm{DI}}(i,j)-{\text{\&mu;}}_2\left(W_{\mathrm{DI}}\right)]}^2}{w\&times;h},$

W_DI(i，j)表示窗口的第i行j列像素值。

最后根据阈值，确定当前窗口是否存在缺陷：如果当前窗口方差大于阈值Tf则判定存在缺陷，否则不存在缺陷，其中阈值Tf为10副无缺陷图片的方差的均值。

步骤6包括如下步骤：

对差图DI使用canny这里进行边缘检测，图片中若有边缘，则边缘像素为1非边缘像素为0，再用线检测算法来检测图片中是否有线判断是否发生缺陷。首先对DI使用canny算子进行边缘检测。算子的需要设立的参数分别为image，sigma，threshhold，其中image为输入图像，直接取DI即可，sigma为canny算子进行边缘检测第一步中高斯滤波器的标准差(sigma取大于0的整数)，threshhold是canny算子的敏感度阈值参数，可任意指定，默认值为空，无特别需要可以取默认值即可。结果可以得到边缘检测后的二值图像DI1。接着对二值图像DI1使用线段检测算子进行直线检测，这里需要设立的参数为image2，image2为算子的输入图像，取DI1。该算子会将直线部分以矩形标记出，以获得缺陷区域。

Canny算子包括滤波、增强、检测和定位等四个阶段的处理。基本思想是首先对图像进行高斯平滑去除噪声，再求梯度值，根据梯度幅值判定初步确定边缘点，最后精确定位边缘位置并细化，使效果更清晰。Canny分割算法采用一阶偏导的有限差分来计算梯度的幅值和方向。Canny算法中减少假边缘数量的方法是采用双阈值法。选择两个阈值，根据高阈值得到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘可能不闭合，未解决这样一个问题采用了另外一个低阈值。在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8-邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。本发明是专门针对LCD mura缺陷提出的检测方法。本发明具有以下特征：1)使用了奇异值分解对灰模式图像进行背景重建。通常眼睛显示表面带有垂直和水平的液晶排列结构，在图像中表现为结构纹理，这种纹理对mura缺陷的检测具有较强的干扰性而使用奇异值分解对背景进行重建可以有效的消除这些影响。2)针对不同的mura缺陷采用不同的检测算法，弥补了其他算法在图像重建之后采用单一阈值检测算法的不足。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本发明流程图。

具体实施方式

如图1所示，本发明公开了LCD mura缺陷的检测方法，包含如下步骤：

步骤1，图像缩放：利用双线性插值算法将图像缩放。

步骤2，标签检测：在生产过程中不同批次的产品会打上不同的标签，所以本申请使用模板匹配检测去除标签，得到图像OI，即为背景图像。

步骤3，图像重建：利用奇异值分解对图像OI进行重建得到重建图像CI，并用图像OI减去重建图像CI获取差图DI。

步骤4，点状mura缺陷检测：对获取的差图DI进行阈值化缺陷分割，并通过轮廓检测统计轮廓数量并计算缺陷的总面积，判断是否存在点状异物缺陷。

步骤5，区域状mura缺陷检测：将差图DI分成num个窗口，对每个窗口进行区域异物缺陷检测，统计每个窗口中的平均灰度值和方差，num取值为大于等于2的自然数。

步骤6，线状mura缺陷检测：对差图DI使用边缘检测算法进行边缘检测，判断是否发生线状异物缺陷。

步骤1图像缩放具体包括如下步骤：

首先使用模板对原图像使用均值滤波，

$\mathrm{If}(i,j)=\frac{\underset{u=i-s}{\overset{i+s}{\mathrm{\&Sigma;}}}\underset{v=j-s}{\overset{j+s}{\mathrm{\&Sigma;}}}I(u,v)}{{(2s+1)}^2},$

If为滤波后的图像，If(i，j)表示第i行j列像素值，I为原图像，I(u，v)表示第u行v列像素值。2s+1(5＞s＞0)为滤波器模板边长，s为滤波器边长的一半取整。接着使用双线性插值算法把图像缩放。双线性插值的原理是，目标图像各点的像素值通过原图像中对应点周围四个点的灰度值进行加权平均获得。双线性插值的计算公式如下：

g(i，j)＝(1-m)(1-n)f(i′，j′)+(1-m)nf(i′，j′+1)+m(1-n)f(i′+1，j′)+mnf(i′+1，j′+1)，

$(i^{\&prime;},j^{\&prime;})=\left(\right[\frac{i}{\mathrm{RX}}],[\frac{j}{\mathrm{RY}}\left]\right),$

$(m,n)=(\frac{i}{\mathrm{RX}-i^{\&prime;}},\frac{j}{\mathrm{RY}-j^{\&prime;}}),$

其中f为原图像(i′，j′)为原图中相应的坐标，RX、RY分别为水平和垂直缩放系数，为大于0的整数，(m，n)为小数部分用来计算权重，0＜m，n＜1权重由这四个像素到精确目标点的距离决定。

步骤2标签检测具体包括如下步骤：

对LCD标签模板进行均值平滑，消除随机噪声的影响，这里LCD标签模板即为标签二值图像。使用模板匹配算法并选择速度较快的匹配方法，匹配函数为：

$L(i_1,j_1)=\underset{x=1}{\overset{m_1}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n_1}{\mathrm{\&Sigma;}}}{[S^{i_1{j}_1}(x,y)-T(x,y)]}^2,$

以单通道图像为例，L为匹配函数，x，y表示

和T的x行y列，被匹配图像I分辨率为M×N，LCD标签模板T分辨率为m₁*n₁。模板在图像上移动，图像中被模板覆盖的部分标记为

，(i₁，j₁)为子图在图像I中的坐标位置。目标搜索的范围是：

(1，1)≤(i₁，j₁)≤(M-m₁，N-n₁)，

检测到标签之后，使用标签外围一周区域像素均值代替标签区域，以消除标签的影响。

步骤3图像重建具体包括如下步骤：

把缩放和标签去除后的图像记为OI，对图像OI进行奇异值分解，选择最大的前k个特征值，k＞1，对图像OI进行重建，得到重建图像CI，用图像OI减去重建图像CI，得到差图DI；DI＝OI-CI+δ，δ表示偏移量取值128。

奇异值分解可以用来分解一幅数字图像，并获得一个对角矩阵，其中对角线上的值就是奇异值。图像中大部分信息都可以用较大的奇异值来表示，而较小的奇异值则表示了图像中的细节部分。针对数字图像来介绍奇异值分解过程，考虑一幅数字图像I的分辨率为M×N，对于单通道图像可以看成一个矩阵，不妨假设M≥N。可以用r维子空间来表示源图像I，其中r表示矩阵I的秩，r≤N。用下面的公式可以将矩阵I分解为正交矩阵：

I＝USV^T

其中U为M×r维矩阵，由I×I^T的正交化后的特征向量组成；V为N×r维矩阵，由I^T×I的正交化后的特征向量组成；S是由IT×I的所有特征值的非负平方根组成的r×r维对角矩阵。

用符号σ来表示这些奇异值，并且以非递增的顺序对它们排序σ₁≥σ₂≥…σ_r≥0。奇异值σ代表了矩阵I不同子空间中的投影的能量值，不同的图像带有的信息也不一样，表现为它们的特征值及其分布也各不相同。如果一幅图像中的纹理表现为水平或者垂直正交的结构纹理，那么它们只表现为少数几个较大的奇异值，而其他奇异值都趋于零。通常情况下，较大的奇异值能够近似的表示图像全局特征，其他较小的奇异值表现的是图像中局部和细节特征。因此，选择若干较小的奇异值用来图像重建，消除背景全局纹理的干扰，仅仅表现出局部特征。选择需要的k个奇异值，并用下面的公式进行重建：

$\mathrm{Ic}={\mathrm{\&Sigma;}}_{j=k+1}^r{U}_j{\mathrm{\&sigma;}}_j{V}_j^T$

其中，Ic表示重建之后的图像，U_j和V_j分别为矩阵U和V中的第j列向量，σj是S中的第j个奇异值，r是矩阵I的秩。

步骤4点状mura检测

使用以下公式对获取的差图DI进行阈值化缺陷分割：

$\mathrm{DB}(i,j)=\left\{\begin{array}{cc}1& \mathrm{DI}(i,j)\&GreaterEqual;T\\ 0& \mathrm{DI}(i,j)<T\end{array}\right.$

其中，DB是阈值化之后的二值图像，DB(i，j)表示DB的第i行j列的像素值，i，j为大于0的自然数；T是分割阈值，采用以下公式计算：

T＝μ_DI+t·σ_DI

$\mathrm{\&mu;}\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)}{M\&times;N}$

${\mathrm{\&sigma;}}^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-\mathrm{\&mu;}\left(\mathrm{DI}\right)]}^2}{M\&times;N}$

其中，图像DI的大小为M×N，M、N为DI的横向和纵向的像素数目，μ(DI)和σ²(DI)分别表示DI的像素均值和像素方差，t为比例系数，1＞t＞0。

重新计算背景图像DI的灰度统计均值μ₁(DI)和方差

计算公式如下：

${\mathrm{\&mu;}}_1\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N}$

${\mathrm{\&sigma;}}_1^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-{\mathrm{\&mu;}}_1\left(\mathrm{DI}\right)]}^2\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N}$

其中，图像DI的大小为M×N。对二值图像DB(大小为M×N)进行形态学变换中的开运算，然后轮廓检测，统计轮廓的数量。

轮廓数量即为亮点数量。

步骤5区域状mura缺陷检测具体包括如下步骤：

使用w*h大小的窗口在图像DI上以Δw和△h步长进行水平和垂直滑动，Δw和△h分别为水平方向和垂直方向步长；△w和△h为分别等于w和h，w和h为分别小于M和N的正整数。统计每个窗口W_DI的平均灰度值μ₂(W_DI)和方差

统计每个窗口W_DI的平均灰度值μ₂(W_DI)和方差

${\mathrm{\&mu;}}_2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{W}_{\mathrm{DI}}(i,j)}{w\&times;h},$

${\mathrm{\&sigma;}}_2^2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{[W_{\mathrm{DI}}(i,j)-{\mathrm{\&mu;}}_2\left(W_{\mathrm{DI}}\right)]}^2}{w\&times;h},$

W_DI(i，i)表示窗口的第i行i列像素值。

最后根据阈值，确定当前窗口是否存在缺陷，若者方差大于阈值Tf则判定存在缺陷，否则不存在缺陷，其中阈值Tf为10副无缺陷图片的方差的均值。

步骤6线状mura缺陷检测

对差图DI使用canny算子进行边缘检测，图片中若有边缘，则边缘像素为1非边缘像素为0，再用线检测算法来检测图片中是否有线判断是否发生缺陷。

首先对DI使用canny算子进行边缘检测。这里的需要设立的参数分别为image，sigma，threshhold，其中image为输入图像，直接取DI即可，sigma为canny算子进行边缘检测第一步中高斯滤波器的标准差(sigma取大于0的整数)，threshhold是canny算子的敏感度阈值参数，可任意指定，默认值为空，无特别需要可以取默认值即可。结果可以得到边缘检测后的二值图像DI1。接着对二值图像DI1使用线段检测算子进行直线检测，这里需要设立的参数为image2，image2为算子的输入图像，取DI1。该算子会将直线部分以矩形标记出，以获得缺陷区域。

实施例

本实施例包括以下部分：

1.图像缩放具体包括如下步骤：

首先使用9*9的模板对原图像使用均值滤波，

$\mathrm{If}(i,j)=\frac{\underset{u=i-s}{\overset{i+s}{\mathrm{\&Sigma;}}}\underset{v=j-s}{\overset{j+s}{\mathrm{\&Sigma;}}}I(u,v)}{{(2s+1)}^2},$

2s+1为滤波器模板边长，s＝4。接着使用双线性插值算法把图像缩放到480*320。

2.标签检测具体包括如下步骤：

对标签模板imgTemp用3×3的模板进行均值平滑，消除随机噪声的影响，使用模板匹配算法并选择速度较快的匹配方法，匹配函数为

$L(i_1,j_1)=\underset{x=1}{\overset{m_1}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n_1}{\mathrm{\&Sigma;}}}{[S^{i_1{j}_1}(x,y)-T(x,y)]}^2,$

算法总共四个参数，第一个参数是待匹配图片，这里取DI，第二个参数为模板，这里取imgTemp，第三个参数是匹配结果矩阵，取名为DO，为输出图片，第四个参数是匹配算法类型，这里就选择如上匹配函数L。在DO中找到最大值，若该值大于1，则将该处对应DI中的矩形区域为标签区域，将该区域像素值替换为对应像素点正下方距离为m₁的像素点的像素值。

3.图像重建具体包括如下步骤：

把缩放和标签去除后的图像记为OI，并进行奇异值分解分解，选择最大的前2个特征值，对图像OI进行重建，得到重建图像CI。用缩放后的图像OI减去重建图像CI，得到差图DI；DI＝OI-CI+δ其中δ＝128。

4.点状mura检测

对图像进行阈值化分割缺陷

$\mathrm{DB}(i,j)=\left\{\begin{array}{cc}1& \mathrm{DI}(i,j)\&GreaterEqual;T\\ 0& \mathrm{DI}(i,j)<T\end{array}\right.$

其中，DB是阈值化之后的二值图像，T是分割阈值，由下面的式子求出：

T=μ_DI+t·σ_DI

$\mathrm{\&mu;}\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)}{M\&times;N}$

${\mathrm{\&sigma;}}^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-\mathrm{\&mu;}\left(\mathrm{DI}\right)]}^2}{M\&times;N}$

接下来，重新计算背景区域的灰度统计均值和方差，并对图像进行二值化。背景区域灰度统计均值和方差的计算公式如下：

${\mathrm{\&mu;}}_1\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N}$

${\mathrm{\&sigma;}}_1^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-{\mathrm{\&mu;}}_1\left(\mathrm{DI}\right)]}^2\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N}$

其中，图像DI的大小为M×N。对二值图像DB(大小为M×N)进行形态学变换中的开运算，然后轮廓检测，遍历轮廓检测返回的矩形轮廓信息，若矩形轮廓的数量大于2则认为存在点状mura缺陷，接着重新遍历轮廓，用红色将轮廓标记出。

5.区域状mura缺陷检测具体包括如下步骤

使用16*16大小的窗口在图像DI上以16和16为步长进行水平和垂直滑动，

统计每个窗口W_DI的平均灰度值μ₂(W_DI)和方差

${\mathrm{\&mu;}}_2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{W}_{\mathrm{DI}}(i,j)}{w\&times;h},$

${\mathrm{\&sigma;}}_2^2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{[W_{\mathrm{DI}}(i,j)-{\mathrm{\&mu;}}_2\left(W_{\mathrm{DI}}\right)]}^2}{w\&times;h},$

最后根据阈值，确定当前窗口是否存在缺陷，若

大于3，则存在缺陷。否则不存在缺陷。

6.线状mura缺陷检测

对差图DI使用canny算子进行边缘检测，图片中若有边缘，则边缘像素为1非边缘像素为0，再用线检测算法来检测图片中是否有线判断是否发生缺陷。

首先对DI使用canny算子进行边缘检测。这里需要设立的参数分别为image，sigma，threshhold，其中image为输入图像，直接取DI即可，sigma为canny算子进行边缘检测第一步中高斯滤波器的标准差(sigma取大于0的整数)，threshhold是canny算子的敏感度阈值参数，可任意指定，默认值为空，无特别需要可以取默认值即可。结果可以得到边缘检测后的二值图像DI1。接着对二值图像DI1使用线段检测算子进行直线检测，这里需要设立的参数为image2，image2为算子的输入图像，取DI1。该算子会将直线部分以矩形标记出，以获得缺陷区域。

7.计算检出率和误检率

本实施例中总共使用了600张型号为LCD图片，已知每张是否有缺陷，其中有mura缺陷的为12张，其余无mura缺陷。最终检测出有mura缺陷的为9张，无正常图片被检测为有mura缺陷的图片，则检出率为9/12即75％，误检率为0/(600-12)即0％。由于mura缺陷发生率较小，该检出率已经符合工业要求，且比使用单一阈值算法的效果要好，平均每张图片的检测时间为2s。

本发明提供了一种LCD异物缺陷检测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种LCD异物缺陷检测方法，其特征在于，包含如下步骤：

步骤1，图像缩放：利用双线性插值算法将图像缩放；

步骤2，标签检测：检测出标签位置，消除标签，得到图像OI；

步骤3，图像重建：利用奇异值分解方法对图像OI进行重建得到重建图像CI，并用图像OI减去重建图像CI获取差图DI；

步骤4，点状异物缺陷检测：对获取的差图DI进行阈值化缺陷分割，并通过轮廓检测统计轮廓数量并计算缺陷的总面积，判断是否存在点状异物缺陷；

步骤5，区域状异物缺陷检测：将差图DI分成num个窗口，对每个窗口进行区域异物缺陷检测，统计每个窗口中的平均灰度值和方差，num取值为大于等于2的自然数；

步骤6，线状异物缺陷检测：对差图DI使用边缘检测算法进行边缘检测，判断是否发生线状异物缺陷。

2.根据权利要求1所述的一种LCD异物缺陷检测方法，其特征在于，步骤3图像重建具体步骤如下：

对图像OI进行奇异值分解，选择最大的前k个特征值，k>1，对图像OI进行重建，得到重建图像CI，用图像OI减去重建图像CI，得到差图DI；DI=OI-CI+δ，δ表示偏移量取值128。

3.根据权利要求2所述的一种LCD异物缺陷检测方法，其特征在于，步骤4包括以下步骤：

使用以下公式对获取的差图DI进行阈值化缺陷分割：

$\mathrm{DB}(i,j)=\left\{\begin{array}{cc}1& \mathrm{DI}(i,j)\&GreaterEqual;T\\ 0& \mathrm{DI}(i,j)<T\end{array}\right.,$

其中，DB是阈值化之后的二值图像，DB(i，j)表示DB的第i行j列的像素值，i，j为大于0的自然数；T是分割阈值，采用以下公式计算：

T=μ(DI)+t·σ(DI)，

$\mathrm{\&mu;}\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)}{M\&times;N},$

${\mathrm{\&sigma;}}^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-\mathrm{\&mu;}\left(\mathrm{DI}\right)]}^2}{M\&times;N},$

其中，图像DI的大小为M×N，M、N为DI的横向和纵向的像素数目，μ(DI)和σ²(DI)分别表示DI的像素均值和像素方差，t为比例系数，1>t>0；

重新计算背景图像DI的灰度统计均值μ₁(DI)和方差

计算公式如下：

${\mathrm{\&mu;}}_1\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{DI}(i,j)\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N},$

${\mathrm{\&sigma;}}_1^2\left(\mathrm{DI}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[\mathrm{DI}(i,j)-{\mathrm{\&mu;}}_1\left(\mathrm{DI}\right)]}^2\&times;[1-\mathrm{DB}(i,j)]}{M\&times;N};$

对图像DB进行形态学变换中的开运算，然后轮廓检测，统计轮廓的数量

轮廓数量即为亮点数量。

4.根据权利要求3所述的一种LCD异物缺陷检测方法，其特征在于，步骤5包括如下步骤：

使用w*h大小的窗口在图像DI上以△w和△h步长进行水平和垂直滑动，Δw和△h分别为水平方向和垂直方向步长；△w和△h为分别等于w和h，w和h为分别小于M和N的正整数，统计每个窗口W_DI的平均灰度值μ₂(W_DI)和方差

${\mathrm{\&mu;}}_2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{W}_{\mathrm{DI}}(i,j)}{w\&times;h},$

${\mathrm{\&sigma;}}_2^2\left(W_{\mathrm{DI}}\right)=\frac{\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{[W_{\mathrm{DI}}(i,j)-{\mathrm{\&mu;}}_2\left(W_{\mathrm{DI}}\right)]}^2}{w\&times;h},$

W_DI(i，j)表示窗口的第i行j列像素值；

最后根据阈值，确定当前窗口是否存在缺陷：如果当前窗口方差大于阈值Tf则判定存在缺陷，否则不存在缺陷，其中阈值Tf为10副无缺陷图片的方差的均值。

5.根据权利要求4所述的一种LCD异物缺陷检测方法，其特征在于，步骤6包括如下步骤：

对差图DI使用canny算子进行边缘检测，图片中若有边缘，则边缘像素为1非边缘像素为0，再用线检测算法来检测图片中是否有线判断是否发生缺陷。

Images