CN103792699A - 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 - Google Patents
基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 Download PDFInfo
- Publication number
- CN103792699A CN103792699A CN201310405884.4A CN201310405884A CN103792699A CN 103792699 A CN103792699 A CN 103792699A CN 201310405884 A CN201310405884 A CN 201310405884A CN 103792699 A CN103792699 A CN 103792699A
- Authority
- CN
- China
- Prior art keywords
- image
- lcd
- tft
- defect
- background
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Of Optical Devices Or Fibers (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于B样条曲面拟合的TFT-LCD Mura缺陷的机器视觉检测方法,属于LCD显示缺陷检测领域,包括以下步骤:通过CCD相机采集被点亮的待测LCD灰度图像;对原始图像滤波;提取感兴趣区域;采用双三次B样条曲面拟合的方法拟合出图像背景;用原始图像减去背景图像,得到消除亮度不均匀背景后的图像;利用Canny算子检测出Mura缺陷;确定缺陷等级。本发明的有益效果是:该检测方法具有可靠、准确度高、计算省时的优点。
Description
技术领域
本发明涉及平板显示器制造行业和液晶显示器显示缺陷检测领域,特别涉及TFT-LCD上的Mura缺陷的机器视觉检测领域。
背景技术
TFT-LCD生产过程中要经过100多道生产工艺,生产工艺繁多复杂,尽管大部分生产工艺都已经十分成熟且每个生产工序都有严格的质量控制,但是在TFT-LCD量产过程中还是不可避免地会出现一定数量的显示缺陷。TFT-LCD的显示缺陷种类繁多,按照缺陷和背景的对比度的不同,可以将这些缺陷分为以下几类:亮点缺陷、暗点缺陷、亮线缺陷、暗线缺陷、Mura缺陷(Mura是日本语,本意为脏污、玷污的意思,现为平板显示行业专用术语,Mura缺陷表示平板显示器的区块显示缺陷、显示不完美现象)。亮点缺陷、暗点缺陷、亮线缺陷、暗线缺陷一般都是因为TFT-LCD生产过程中的电气特性引起的,比如TFT阵列短路、断路或者背光灯的损坏等。而Mura缺陷是由于玻璃基板的不均匀、玻璃基板内外的压力分布不均匀、液晶分子分布不均匀等因素引起的。
在TFT-LCD的各类的显示缺陷中,由于亮点缺陷、暗点缺陷、亮线缺陷、暗线缺陷都有较高的对比度、边缘清晰、形状规则,能很容易地被人工或者机器视觉检测出来。而Mura缺陷具有边缘模糊、对比度低、形状不规则、大小变化多端、位置不固定等特点,是所有显示缺陷中最难检测的一类缺陷。目前,大多数TFT-LCD生产厂家都是使用熟练的工人用肉眼检测Mura缺陷的,判断缺陷的严重程度是通过工人感觉Mura缺陷的面积和Mura缺陷的对比度等做出的主观判定,缺乏客观评判依据。
一般情况下,在采用机器视觉检测缺陷时,只需经过滤波等预处理即可采用不同的缺陷分割方法将缺陷目标分割出来。然而,通过CCD相机采集到的TFT-LCD图像会由于外界光照的不均、TFT-LCD本身材料的不均匀、CCD相机距离TFT-LCD不同位置的距离不同等原因产生图像的整体亮度不均匀,图像背景的亮度不均匀会与Mura缺陷的亮度不均匀混在一起,即Mura缺陷的灰度变化趋势和背景的灰度变化趋势保持一致,会使得Mura缺陷淹没在背景中,从而导致不能准确地检测出Mura缺陷甚至是检测失败。
发明内容
本发明是为了解决由于图像背景亮度不均匀导致的Mura缺陷不能被准确分割的问 题,提出一种基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,通过建立一套TFT-LCD Mura缺陷检测系统和检测流程,利用先进的数字图像处理技术、双三次B样条曲面拟合技术,实现TFT-LCD Mura缺陷的准确快速检测。
本发明提出了一种基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,该方法包括以下步骤:
第1步:在暗室中通过CCD相机采集到被点亮的TFT-LCD灰度图像,按照采集图像时的要求设定采集图像时环境的照度、温度、湿度以及CCD相机的采集图像的角度和到TFT-LCD的距离,采集图像后将图像传入计算机做下一步处理;
第2步:采用巴特沃斯低通滤波器对原始图像做滤波处理,消除图像中的随机噪声;
第3步:通过全局阈值分割和Hough变换对感兴趣区域进行分割,将TFT-LCD图像从带有载物台等背景的图像中分割出来;
第4步:采用基于B样条的最小二乘法的曲面拟合方法,拟合出一个近似通过LCD图像上给定数据点、能反映图像背景基本变化趋势的B样条曲面作为图像背景,采用B样条函数做曲面拟合时,通过添加光顺项进一步控制拟合精度,并将双三次B样条函数分解为一维函数求解,且拟合图像时是对原图像的分块拟合;
第5步:用第3步得到的图像减去拟合出的背景,得到消除亮度不均匀背景后的图像;
第6步:采用Canny算子分割第5步得到的图像,将Mura缺陷区域分割出来;
第7步:采用数学形态学的方法中的腐蚀和闭运算的技术对第6步得到的缺陷分割图像进行修正,修复较大连通区域并抑制较小连通区域。
第8步:计算第7步得到的Mura区域的面积、Mura区域的亮度平均值,计算第3步得到的LCD图像背景亮度平均值;
第9步:参照SEMU标准,按照第8步计算出的缺陷面积、缺陷亮度平均值、LCD图像背景亮度平均值计算出缺陷等级。
作为本发明的进一步改进:步骤(1)包括了采集图像时的环境照度、温度、湿度参数范围。
作为本发明的进一步改进:步骤(1)包括采集图像时CCD相机采集图像的角度和距离计算方法。
作为本发明的进一步改进:步骤(2)中采用的滤波器是巴特沃斯低通滤波器。
作为本发明的进一步改进:步骤(3)包括全局阈值法和Hough变换。
作为本发明的进一步改进:步骤(4)包括双三次B样条的最小二乘曲面拟合、双三 次B样条曲面的光顺拟合、双三次B样条函数的乘积型原理分解。
作为本发明的进一步改进:是对原始图像的分块拟合,分块拟合后拼接成原始图像大小的背景图像。
作为本发明的进一步改进:在步骤(4)和步骤(5)之间包括数学形态学处理方法。
作为本发明的进一步改进:步骤(5)包括在滤波处理和感兴趣区域分割之后的LCD图像上每个像素都加上一个常量,避免背景相减后出现像素值为负值的现象。
有益效果:
本发明的有益效果是,可简单有效地建立TFT-LCD Mura缺陷的机器视觉检测系统,且操作简单、检测结果准确客观、检测速度快,能够克服人工视觉检测所具有的主观性强、容易疲劳等缺点,同时也可以克服传统的阈值分割造成的Mura缺陷分割不准确的缺点。具体来说:
(1)本发明通过巴特沃斯低通滤波器滤除原始图像的随机噪声,可以消除随机噪声对缺陷分割造成的影响;
(2)本发明采用全局阈值和Hough变换的方法将LCD图像区域从原始图像中提取出来,可以避免原始图像中载物台、TFT-LCD点亮设备等对Mura缺陷分割造成的干扰;
(3)本发明采用基于双三次B样条曲面拟合的背景抑制方法,可以消除背景亮度不均匀对Mura缺陷分割造成的影响;
(4)本发明在采用双三次B样条曲面拟合出不均匀背景时,添加了光顺项并将双三次B样条函数分解为一元函数,进一步控制了拟合精度并提高了算法计算速度,解决了机器视觉检测Mura缺陷实时性不强的问题;
(5)本发明在分割出缺陷区域后,计算出缺陷区域的面积、缺陷区域的平均亮度值、TFT-LCD图像背景的平均亮度值,并参照SEMU标准给出TFT-LCD的缺陷等级,使得TFT-LCD缺陷的等级划分标准化、客观化。
附图说明
图1为本发明提出的一种基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检系统的整体结构图。
图2为本发明提出的一种基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检系统的检测整体流程图。
图3为图像滤波的方法示意图。
图4为感兴趣区域提取的方法示意图。
图5为基于B样条曲面拟合的背景抑制方法示意图。
图6为缺陷分割和形态学处理后的结果示意图。
具体实施方式
下面结合附图对本发明的技术方案作详细地说明。
本发明的思路是,采用B样条曲面拟合的方法拟合出一个背景图像,该背景图像通过经预处理后的TFT-LCD图像上的大部分的点、能最大程度地代表该图像的灰度变化趋势,然后用预处理后的TFT-LCD图像减去背景图像,从而得到不含亮度不均匀的背景的图像,进而可以准确检测出Mura缺陷。下面对该方法的硬件系统及具体实现方法进行详细介绍。
按照图1以及图1中的数字部分,Mura缺陷检测系统硬件部分主要包括以下部分,1代表暗室,用于控制环境光照以滤除外界光照对图像采集造成的影响,此外,采集图像环境的温度、湿度等参数也在暗室中设置;2代表CCD相机支架,用以安装CCD相机,调整CCD相机角度和高度;3代表CCD相机滑杆,CCD相机可以在滑杆上上下滑动以控制CCD相机到TFT-LCD的距离;4是CCD相机,集成了CCD摄像头和数字图像采集卡,用以完成对TFT-LCD发光图像的采集;5代表被测TFT-LCD;6代表TFT-LCD点亮装置和载物台,用以放置TFT-LCD并负责将被测TFT-LCD驱动点亮;7代表线缆,负责连接CCD相机、CCD相机滑杆控制器和计算机;8代表计算机,包括主机、显示器、键盘、鼠标等通用的标准输入输出设备,用以控制CCD相机的高度、CCD相机的拍照、存储并处理通过CCD相机采集到的图像。进行Mura缺陷检测时,检测流程如图2所示。其中,在检测硬件部分和检测环境中,CCD相机为16位相机,分辨率为1600×1200,采集视角为90°±1°,即摄像头中轴线与TFT-LCD屏幕平面垂直。按照国际半导体设备与材料组织(SEMI)中关于Mura量化标准对于测试条件中测量距离的要求以及实际的实验测试,对于15英寸的屏幕,采集距离为500mm,按照相似三角形原理,实际的采集图像距离计算公式为d=(500/15)*Size,式中Size为实际的屏幕尺寸,且单位以英寸计算。采集图像时环境照度控制在5Lux以下,温度控制在10—40℃之间,推荐环境温度为25℃,环境相对湿度为65±20RH。图像采集完成后,通过线缆7将图像传给计算机8,由计算机8进行图像分析最终检测出缺陷并给出缺陷等级。
参照图2,采集图像后,要对采集到的图像进行滤波处理,滤波过程如图3所示。在图3中,原图像即是经CCD相机采集到图像,原始图像中包含了加性随机噪声,记为 n(x,y)。n(x,y)是非相关的、具有零均值的随机噪声,其变化频率出于高频状态,可以通过巴特沃斯低通滤波器滤除。图3中的“*”表示卷积运算,巴特沃斯低通滤波器为其频率响应图,原始图像经巴特沃斯低通滤波器滤波后,最终得到滤波后的图像。下面给出巴特沃斯低通滤波器的频域响应函数,其中D0是巴特沃斯低通滤波器的截止频率;n为滤波器的阶数。从图3中的巴特沃斯低通滤波器的频率响应图可以看出,其高频和低频之间的过渡比较平缓,没有明显的突变,因此滤波器效果较好。本发明中,取D0=2,n=1作为巴特沃斯低通滤波器的参数。参照图2,完成图像的滤波后,要将感兴趣区域的TFT-LCD屏幕从整体图像中提取出来,感兴趣区域提取过程如图4所示。在图4中,(a)代表经巴特沃斯低通滤波器滤波后的图像,(a)中带有黑色背景和部分亮点,黑色背景为载物台,亮点表示TFT-LCD驱动点亮装置上的信号灯,为实现Mura缺陷的准确分割,必须将载物台和信号灯等背景部分从原图像出去掉;(b)代表对(a)进行全局阈值分割后的图像;(c)表示(b)经过Hough变换后得到了代表TFT-LCD图像区域的图像;(d)代表经图像(c)和图像(a)进行像素“与”操作(“与”操作的具体操作方式详见下文)后得到的感兴趣区域提取后的图像。
经图2中滤波处理后的图像由于包含黑色的载物台和亮点等干扰信息,导致滤波后的图像的灰度直方图呈现出双峰特性,灰度值较低的峰代表了黑色的载物台背景,灰度值较高的峰代表了TFT-LCD屏幕区域和驱动点亮装置上的亮点,其中TFT-LCD屏幕区域为感兴趣区域。由于感兴趣区域和背景对比度很大,因此可以通过全局阈值法分割感兴趣区域,基本的处理方式是:根据选定的阈值对图像进行二值化处理,根据连通区域的几何性质检测出代表TFT-LCD显示屏画面的连通区域,将其置为1,其他部分置0。设滤波后的图像可以表示为f(I,j),阈值分割后的图像表示为g(i,j),则对滤波后的图像进行全局阈值分割可以参照下式进行: 其中T表示自适应全局阈值,其获取方式如下:
(a)初始化一个长度为256的一维数组A,用来存放每个灰度值的频度信息,即每一个灰度值在图像中出现的次数,数组的下标就是对应的灰度值;
(b)为了消除异常点的干扰,对数组A进行中值滤波;
(c)对数组A中的离散数据进行拟合,得到一条连续的曲线;
(d)运用解析数学的方法求两个峰值(极大值)之间的谷底(极小值),此即自适应阈值。
经全局阈值分割后,得到二值化图像,如图4中的(b)所示,结果图中包含有多个连通区域,中间最大的部分代表TFT-LCD屏幕画面,而另外的连通区域则表示背景。由先验知识,TFT-LCD屏幕画面是由直线围起来的,而其他的连通区域则是由不规则的封闭曲线围成,因此可以通过检测二值图像中的直线,进而确定代表TFT-LCD屏幕画面的区域。本发明采用的是Hough变换的方式检测出二值图像中的直线,设待处理的图像大小为m*n像素,则具体实施方式如下:
(1)将参数空间设置成m*n个单元(和原始图像一样),并初始化每个单元的值为0;
(2)将源图像中的每一点(xk,yk)(k=1,2,…mn))代入下式中,b=-kx0+y0,从而计算出k-b平面中对应的直线,将这条直线经过的所有点都加1。上式是从直线方程y=kx+b变形而来的,式中,k,b分别表示直线的斜率和截距;
(3)待x-y平面上所有的点都经过计算之后,统计参数空间中每个单元对应的值,必有一个出现最大值,这个单元对应的坐标(k0,b0)就是原图片中直线的斜率和截距;
(4)对参数空间中的值进行排序,参数空间中的值越大,表示对应的直线通过的点越多。选出排序后最大的4条直线作为TFT-LCD区域的边缘;
(5)如果图像中出现x为常数形式的直线,即k-∞,b-∞,则采用如下方法检测该种类型的直线:采用直线方程的参数方程,即ρ=xcosθ+ysinθ。其中ρ为原点到直线的垂直距离,θ为ρ与x轴的夹角。图像中处于同一条直线上的点,在ρ-θ平面上对应着一条正弦曲线,直线上所有的点的正弦曲线在ρ-θ平面中相较于一点,因此可以通过步骤(1)~(4)找出所有点中的最大值,在按上式反变换到x-y平面上即可;
经以上步骤可以得到滤波图像后TFT-LCD区域的四条边界,将这四条边界围成的连通区域内的像素值设置为1,其余像素值全部设置为0,可以得到仅含TFT-LCD一个连通区域的二值图像,如图4(c)所示。将图4(c)与图4(a)进行“与”运算,即可得到提取了感兴趣区域后的图像,“与”运算的具体操作如下:对图4(a)和图4(c)进行逐点扫描,凡是图4(c)中灰度值为1的像素,则将其在图4(a)中对应的像素值保留,其余的像素则删去。
参照图2,提取目标TFT-LCD感兴趣区域后,需要对TFT-LCD图像进行背景抑制,背景抑制过程如图5所示。图5中(a)代表TFT-LCD图像的灰度数据三维重构,其中黑色虚线椭圆圈内表示Mura缺陷,由此可以看出Mura缺陷完全淹没在不均匀的背景之中;图5中(b)代表经过双三次B样条曲面拟合得到的拟合背景的像素灰度值的三维重构,其变化 趋势同图5中(a)的变化趋势大致相同,且通过了图5中(a)图中的大部分像素灰度值;图5中(c)表示TFT-LCD背景抑制后的图像,即图5中(a)图“减去”(b)图得到的结果,其中“减去”操作将在下文详细公开。
参照图5,本发明采用双三次B样条曲面拟合的方法拟合出TFT-LCD图像的背景,在双三次B样条曲面拟合的方法中,主要包括3个部分,即最小二乘法则约束、添加光顺项控制拟合精度、乘积型计算原理降维以提高计算速度。具体操作步骤如下:
(1)首先构造出与图像相关的大小为m×n的背景的双三次B样条曲面函数 其中πu:0=u0<…<um+1=1,πv:0=vO<…<vn+1=1为归一化参数,Fi(u)、Fj(v)(i=0,…,m+1,j=0,…,n+1)表示B样条核函数,可以表示如下:
其中,j=[nu],[x]表示不大于x的最大整数,则j∈[0,n],Pi,j为控制顶点,求解曲面拟合的问题就是在已知r(u,v)(图像上点的灰度值)、Fi(u)、Fj(v)(根据图像上点的坐标值计算出)的情况下反求控制顶点;
(2)为了使得拟合出的背景尽可能多地通过原始图像中的点并最大程度地反映原始图像上点的灰度值的变化趋势,本发明采用最小二乘法则对步骤(1)的双三次B样条函数进行约束,具体方法如下:根据双三次B样条可以构造出最小二乘目标函数,其中z(xi,yj)表示TFT-LCD图像上点的灰度值,令上式分别对Pi,j求导并将其置为零,即可得(m+2)×(n+2)个方程组,从而得到Pi,j的最小二乘解,进而得到图像的最小二乘拟合曲面;
通过步骤(2)得出的最小二乘曲面是在整体上与原始图像非常逼近,但是在图像局部,得到的图像并不是最光顺的,这样容易使Mura缺陷检测不够准确,为了避免这个问题,在第二步的基础上添加一项光顺项,以进一步控制曲面的拟合精度。具体方法如下:在最小二乘 拟合的公式的基础上,添加光顺系数和偏离系数,得到如下公式: 其中α、β分别表示偏离系数和光顺系数,且α+β=1。偏离系数α表达了对拟合曲面的偏离程度,α越大则拟合曲面越靠近原始图像上的点;光顺系数β表达了对拟合曲面的平滑程度,β越大则拟合的曲面越顺滑。r″(ui,vj)为r(ui,vj)的二阶导,为了使拟合效果达到最优,取α=0.988,β=0.002;
(1)为了提高双三次B样条曲面拟合方法的计算速度,本发明提出对双三次B样条函数进行降维处理,即将双三次B样条二维函数通过乘积型计算原理分解为一系列一维函数求解,具体方法如下:第一步,固定拟合背景的行坐标即参数,求出每行的控制顶点。第二步,根据每行的顶点,固定每列的坐标即参数,求出全部的控制顶点;
(2)根据步骤(4)求出的控制顶点,将这些控制顶点分别带入步骤(1)中的双三次B样条公式中,即可得到与TFT-LCD图像大小相同、代表曲面变化趋势且尽可能多地通过图像上点的拟合曲面,该拟合曲面即为拟合出的背景。
参照图5,得到拟合背景后,要将TFT-LCD图像“减去”拟合的背景图像,“减去”的具体操作如下:
(1)建立一个大小为mn的一维数组,数组元素的值的类型为有符号整型,其值是图5中(a)上每一个像素值减去图5中(b)上相应的像素值得到的差值,数组的元素值可能为正,也可能为负;
(2)将步骤(1)中的一维数组的元素值逐个取为其本身的绝对值,对新数组进行遍历,求出最大的数c;
(3)建立一个二维数组,其大小为m*n,其元素值是图5中(a)上每一个像素值减去图5中(b)上相应的像素值得到差值,相减之前,在图5中(a)上的每一个像素值上加上步骤(2)的得到的常数,这样就得到抑制亮度不均匀背景后的图像。
参照图2,背景抑制后,需要对TFT-LCD图像做缺陷分割和数学形态学处理,缺陷分割和数学形态学处理的过程如图6所示。图6中(a)代表经背景抑制后的图像;图6中(b)代表对图6(a)运用Canny算子检测缺陷边缘后得到的图像;图6中(c)代表对Mura缺陷分割后进行数学形态学处理后得到二值图像,白色区域代表Mura缺陷,黑色区域代表背景,这是Mura缺陷分割后的最终图像。
参照图6,首先对背景抑制后的TFT-LCD图像运用Canny算子做Mura缺陷分割。Canny算子边缘检测主要操作过程如下:
(1)在每一点计算局部梯度和边缘方向α(x,y)=arctan(Gy/Gx),其中Gx、Gy分别为图像的3×3模板在x、y方向上的梯度,可按下式计算出:Gx=(z7+2z8+z9)-(z1+2z2+z3),Gy=(z3+2z6+z9)-(z1+2z4+z7),其中zi,i=1,2,…,9为图像在模板内的像素灰度值,边缘点定义为梯度方向上其强度局部最大的点;在步骤(1)中确定的边缘点会导致梯度幅度图像中出现脊,然后追踪所有脊的顶部,并将所有不在脊的顶部的像素设为零,以便在输出中给出一条细线,这是非最大值抑制处理。脊像素使用全局自适应阈值T(获取方法同全局阈值滤波部分)做阈值处理,大于T的脊像素保留,其余的设为零;
(2)将步骤(2)获得的脊像素连接成连通区域,得到连通区域的细线,该细线即为Mura缺陷的边缘,连通区域内的像素值被置为1,其余像素值被置为0,这样得到的二值图像即为缺陷分割后的图像。
经Mura缺陷分割后得到的二值图像,除了Mura缺陷连通区域外,还有一些小的点或线,连通区域内部也有一些小的“孔洞”,而且边缘也不光滑,呈“犬牙状”。这些都是由于前期多步图像处理,破坏了Mura缺陷的完整性。参照图6,本发明采用数学形态学的方法对图像的局部不完整性进行修复,且主要采用的数学形态学的方法有腐蚀运算和闭运算。具体方法是,先用腐蚀运算消除图像中较小的连通区域,再对处理结果进行闭运算操作。其中腐蚀操作采用了6*6的正方形模板,而闭运算则设为Mura缺陷区域内的孔洞面积的1/2,即自适应模板。经过数学形态学运算后的Mura缺陷分割效果示意图如图6(c)所示。
参照图2,准确分割出Mura缺陷区域后,要根据Mura缺陷区域的面积、灰度值对比度等信息对TFT-LCD缺陷等级进行量化。Mura缺陷的等级量化是参照国际半导体设备与材料组织(SEMI)于2003年发布的关于平板显示器的Mura缺陷等级划分标准即SEMU标准,SEMU是一个计算公式,其中是Mura缺陷区域的平均亮度和背景区域的平均亮度之间的比值;表示Mura缺陷最小可识别差的对比度差异,“jnd”是just noticeable differenc即最小可识别差的缩写,Sjnd表示jnd条件下Mura缺陷的最小面积。此外,SEMU标准还规定,若果SEMU大于1,则表示该亮度不均匀区域可以被人眼察觉到,证明该区域存在Mura缺陷,且Mura缺陷的严重程度与SEMU值的大小成正比;
按照SEMU标准,计算出Mura缺陷区域的面积,通过计算Mura缺陷分割后的连通区域 的像素个数,再乘以Mura缺陷的实际面积即可,像素的实际面积和CCD相机有关,本发明中使用的CCD相机的像素实际面积是S0=2.8*10-2mm,计算出面积后还要参照缺陷分割后的二值图像在原图像中的相应位置上计算出Mura缺陷的平均亮度以及背景的平均亮度。将以上参数带入公式即可得出被测TFT-LCD的缺陷等级。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,包括如下步骤:
(1)在暗室中通过CCD相机采集到被点亮的TFT-LCD灰度图像,设定了采集图像时环境的照度、温度、湿度以及CCD相机的采集图像的角度和到TFT-LCD的距离,将图像传入计算机;
(2)对原始图像做滤波处理;
(3)感兴趣区域分割,将LCD图像从带有载物台背景的图像中分割出来;
(4)采用基于B样条的最小二乘法的曲面拟合方法,拟合出一个近似通过LCD图像上给定数据点、能反映图像背景基本变化趋势的B样条曲面;
(5)用滤波处理和感兴趣区域分割之后的LCD图像减去拟合出的背景,得到消除亮度不均匀背景后的图像;
(6)采用Canny算子分割步骤(5)得到的图像,将Mura缺陷区域分割出来;
(7)计算步骤(6)得到的Mura区域的面积、Mura区域亮度平均值,计算步骤(3)得到LCD图像背景亮度平均值;
(8)参照SEMU标准,按照步骤(7)计算出的缺陷面积、缺陷亮度平均值、LCD图像背景亮度平均值计算出缺陷等级。
2. 根据权利要求1所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,步骤(1)包括了采集图像时的环境照度、温度、湿度参数范围。
3.根据权利要求1所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,步骤(1)包括采集图像时CCD相机采集图像的角度和距离计算方法。
4.根据权利要求1所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,步骤(2)中采用的滤波器是巴特沃斯低通滤波器。
5.根据权利要求1所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,步骤(3)包括全局阈值法和Hough变换。
6.根据权利要求1所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,步骤(4)包括双三次B样条的最小二乘曲面拟合、双三次B样条曲面的光顺拟合、双三次B样条函数的乘积型原理分解。
7.根据权利要求6所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,是对原始图像的分块拟合,分块拟合后拼接成原始图像大小的背景图像。
8.根据权利要求1所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,在步骤(4)和步骤(5)之间包括数学形态学处理方法。
9.根据权利要求1所述的基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法,其特征在于,步骤(5)包括在滤波处理和感兴趣区域分割之后的LCD图像上每个像素都加上一个常量,避免背景相减后出现像素值为负值的现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310405884.4A CN103792699A (zh) | 2013-09-09 | 2013-09-09 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310405884.4A CN103792699A (zh) | 2013-09-09 | 2013-09-09 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103792699A true CN103792699A (zh) | 2014-05-14 |
Family
ID=50668535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310405884.4A Pending CN103792699A (zh) | 2013-09-09 | 2013-09-09 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103792699A (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN105301810A (zh) * | 2015-11-24 | 2016-02-03 | 上海斐讯数据通信技术有限公司 | 一种屏幕缺陷检测方法及装置 |
CN105303531A (zh) * | 2015-10-15 | 2016-02-03 | 深圳市华星光电技术有限公司 | 一种对比度调整方法及装置 |
CN105405109A (zh) * | 2015-11-16 | 2016-03-16 | 华北电力大学 | 一种基于带状背景建模的脏点检测方法 |
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN106200047A (zh) * | 2016-08-29 | 2016-12-07 | 武汉精测电子技术股份有限公司 | 一种基于GPU的TFT‑LCD Mura缺陷检测的方法 |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN106782251A (zh) * | 2017-01-21 | 2017-05-31 | 合肥惠科金扬科技有限公司 | 一种显示屏缺陷评价方法及其系统 |
WO2017107264A1 (zh) * | 2015-12-21 | 2017-06-29 | 深圳市华星光电技术有限公司 | Dumura系统中亮度的补偿方法、系统及显示面板 |
CN107316303A (zh) * | 2017-08-25 | 2017-11-03 | 深圳市华星光电半导体显示技术有限公司 | 显示面板Mura区域侦测方法 |
CN107367241A (zh) * | 2017-03-15 | 2017-11-21 | 山东交通学院 | 一种基于机器视觉的汽车轮胎花纹识别方法 |
CN107464236A (zh) * | 2017-07-28 | 2017-12-12 | 武汉华星光电半导体显示技术有限公司 | 一种基于aoi的柔性显示基板缺陷判别方法 |
CN107664647A (zh) * | 2016-07-29 | 2018-02-06 | 上海微电子装备(集团)股份有限公司 | 一种发光面板检测装置及其检测方法 |
CN107678192A (zh) * | 2017-07-16 | 2018-02-09 | 中科院成都信息技术股份有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和系统 |
CN107843991A (zh) * | 2017-09-05 | 2018-03-27 | 努比亚技术有限公司 | 屏幕漏光的检测方法、系统、终端及计算机可读存储介质 |
CN108008553A (zh) * | 2017-11-22 | 2018-05-08 | 深圳市华星光电技术有限公司 | 一种Mura检测校正方法和系统 |
CN108074225A (zh) * | 2016-11-11 | 2018-05-25 | 中国石油化工股份有限公司抚顺石油化工研究院 | 硫化物信息提取方法及装置 |
CN108074238A (zh) * | 2017-12-29 | 2018-05-25 | 惠州市华星光电技术有限公司 | 基于霍夫变换及高斯拟合的面内mura检测方法及检测系统 |
CN108459030A (zh) * | 2018-02-08 | 2018-08-28 | 东华大学 | 一种应用于非平面塑料光滑表面瑕疵在线检测装置与方法 |
CN108830834A (zh) * | 2018-05-23 | 2018-11-16 | 重庆交通大学 | 一种爬索机器人视频缺陷信息自动提取方法 |
CN109064441A (zh) * | 2018-06-19 | 2018-12-21 | 深圳市华星光电半导体显示技术有限公司 | 基于独立成分自适应选择的Mura侦测方法 |
CN109166092A (zh) * | 2018-07-05 | 2019-01-08 | 深圳市国华光电科技有限公司 | 一种图像缺陷检测方法及系统 |
CN109285143A (zh) * | 2018-08-08 | 2019-01-29 | 深圳市华星光电技术有限公司 | Mura侦测方法及装置 |
CN109471276A (zh) * | 2018-11-07 | 2019-03-15 | 凌云光技术集团有限责任公司 | 一种液晶屏色偏缺陷检测方法及装置 |
CN109596637A (zh) * | 2017-09-30 | 2019-04-09 | 湖南海擎智能科技有限责任公司 | 物体凹凸瑕疵视觉检测方法及检测装置 |
CN109692820A (zh) * | 2018-12-19 | 2019-04-30 | 河南大学 | 基于图像处理的光纤金属件表面缺陷在线检测装置和方法 |
CN109828394A (zh) * | 2019-03-22 | 2019-05-31 | 惠科股份有限公司 | 一种显示面板的检测方法和检测机台 |
CN110299114A (zh) * | 2019-06-25 | 2019-10-01 | 深圳Tcl新技术有限公司 | 显示均匀性的判断方法、装置及存储介质 |
CN110349133A (zh) * | 2019-06-25 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 物体表面缺陷检测方法、装置 |
WO2020019807A1 (zh) * | 2018-07-25 | 2020-01-30 | 昆山国显光电有限公司 | 获取Mura补偿数据的方法、装置、计算机设备及存储介质 |
CN111127415A (zh) * | 2019-12-19 | 2020-05-08 | 信利(仁寿)高端显示科技有限公司 | 一种基于准分子激光退火的Mura的量化方法 |
CN111369491A (zh) * | 2018-12-25 | 2020-07-03 | 宁波舜宇光电信息有限公司 | 图像污点检测方法、装置、系统及存储介质 |
US10740889B2 (en) | 2017-12-29 | 2020-08-11 | Huizhou China Star Optoelectronics Technology Co., Ltd. | Method and system for detection of in-panel mura based on hough transform and gaussian fitting |
CN111563889A (zh) * | 2020-05-06 | 2020-08-21 | 深圳市斑马视觉科技有限公司 | 基于计算机视觉的液晶屏幕Mura缺陷检测方法 |
CN111598801A (zh) * | 2020-05-11 | 2020-08-28 | 苏州佳智彩光电科技有限公司 | 一种用于微弱Mura缺陷的识别方法 |
CN111882529A (zh) * | 2020-07-15 | 2020-11-03 | 苏州佳智彩光电科技有限公司 | 基于Gaussian-Surface保边滤波的显示屏Mura缺陷检测方法及装置 |
CN112102762A (zh) * | 2020-09-30 | 2020-12-18 | 卡莱特(深圳)云科技有限公司 | 一种识别led屏幕异常灯点的方法及装置 |
CN113870223A (zh) * | 2021-09-28 | 2021-12-31 | 广州绿怡信息科技有限公司 | 设备屏幕漏液检测方法及装置 |
US12039714B2 (en) | 2019-03-22 | 2024-07-16 | HKC Corporation Limited | Inspection method and inspection machine for display panel |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928535A (zh) * | 2006-09-07 | 2007-03-14 | 哈尔滨工业大学 | 一种基于机器视觉的液晶显示器斑痕缺陷检测方法与系统 |
CN101655614A (zh) * | 2008-08-19 | 2010-02-24 | 京东方科技集团股份有限公司 | 液晶显示面板云纹缺陷的检测方法和检测装置 |
-
2013
- 2013-09-09 CN CN201310405884.4A patent/CN103792699A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928535A (zh) * | 2006-09-07 | 2007-03-14 | 哈尔滨工业大学 | 一种基于机器视觉的液晶显示器斑痕缺陷检测方法与系统 |
CN101655614A (zh) * | 2008-08-19 | 2010-02-24 | 京东方科技集团股份有限公司 | 液晶显示面板云纹缺陷的检测方法和检测装置 |
Non-Patent Citations (3)
Title |
---|
唐剑: "TFT-LCD Mura缺陷检测研究", 《北京交通大学硕士学位论文》 * |
张昱: "基于机器视觉的TFT-LCD屏mura缺陷检测技术研究", 《哈尔滨工业大学博士学位论文》 * |
朱长青: "双三次样条插值函数乘积型计算原理及其应用", 《测绘工程》 * |
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
US10210604B2 (en) | 2015-10-15 | 2019-02-19 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Method and device for adjusting contrast |
CN105303531A (zh) * | 2015-10-15 | 2016-02-03 | 深圳市华星光电技术有限公司 | 一种对比度调整方法及装置 |
CN105303531B (zh) * | 2015-10-15 | 2018-01-26 | 深圳市华星光电技术有限公司 | 一种对比度调整方法及装置 |
CN105405109A (zh) * | 2015-11-16 | 2016-03-16 | 华北电力大学 | 一种基于带状背景建模的脏点检测方法 |
CN105301810A (zh) * | 2015-11-24 | 2016-02-03 | 上海斐讯数据通信技术有限公司 | 一种屏幕缺陷检测方法及装置 |
WO2017107264A1 (zh) * | 2015-12-21 | 2017-06-29 | 深圳市华星光电技术有限公司 | Dumura系统中亮度的补偿方法、系统及显示面板 |
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN106157310B (zh) * | 2016-07-06 | 2018-09-14 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN107664647A (zh) * | 2016-07-29 | 2018-02-06 | 上海微电子装备(集团)股份有限公司 | 一种发光面板检测装置及其检测方法 |
CN106200047A (zh) * | 2016-08-29 | 2016-12-07 | 武汉精测电子技术股份有限公司 | 一种基于GPU的TFT‑LCD Mura缺陷检测的方法 |
WO2018040118A1 (zh) * | 2016-08-29 | 2018-03-08 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
US10552952B2 (en) | 2016-08-29 | 2020-02-04 | Wuhan Jingce Electronic Group Co., Ltd. | GPU-based TFT-LCD Mura defect detection method |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN106650770B (zh) * | 2016-09-29 | 2019-12-17 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN108074225B (zh) * | 2016-11-11 | 2022-03-08 | 中国石油化工股份有限公司抚顺石油化工研究院 | 硫化物信息提取方法及装置 |
CN108074225A (zh) * | 2016-11-11 | 2018-05-25 | 中国石油化工股份有限公司抚顺石油化工研究院 | 硫化物信息提取方法及装置 |
CN106782251A (zh) * | 2017-01-21 | 2017-05-31 | 合肥惠科金扬科技有限公司 | 一种显示屏缺陷评价方法及其系统 |
CN107367241B (zh) * | 2017-03-15 | 2020-06-30 | 山东交通学院 | 一种基于机器视觉的汽车轮胎花纹识别方法 |
CN107367241A (zh) * | 2017-03-15 | 2017-11-21 | 山东交通学院 | 一种基于机器视觉的汽车轮胎花纹识别方法 |
CN107678192A (zh) * | 2017-07-16 | 2018-02-09 | 中科院成都信息技术股份有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
CN107464236B (zh) * | 2017-07-28 | 2020-05-05 | 武汉华星光电半导体显示技术有限公司 | 一种基于aoi的柔性显示基板缺陷判别方法 |
CN107464236A (zh) * | 2017-07-28 | 2017-12-12 | 武汉华星光电半导体显示技术有限公司 | 一种基于aoi的柔性显示基板缺陷判别方法 |
CN107316303B (zh) * | 2017-08-25 | 2021-11-02 | 深圳市华星光电半导体显示技术有限公司 | 显示面板Mura区域侦测方法 |
CN107316303A (zh) * | 2017-08-25 | 2017-11-03 | 深圳市华星光电半导体显示技术有限公司 | 显示面板Mura区域侦测方法 |
CN107843991A (zh) * | 2017-09-05 | 2018-03-27 | 努比亚技术有限公司 | 屏幕漏光的检测方法、系统、终端及计算机可读存储介质 |
CN109596637A (zh) * | 2017-09-30 | 2019-04-09 | 湖南海擎智能科技有限责任公司 | 物体凹凸瑕疵视觉检测方法及检测装置 |
CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和系统 |
CN107845087B (zh) * | 2017-10-09 | 2020-07-03 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和系统 |
CN108008553A (zh) * | 2017-11-22 | 2018-05-08 | 深圳市华星光电技术有限公司 | 一种Mura检测校正方法和系统 |
CN108074238A (zh) * | 2017-12-29 | 2018-05-25 | 惠州市华星光电技术有限公司 | 基于霍夫变换及高斯拟合的面内mura检测方法及检测系统 |
US10740889B2 (en) | 2017-12-29 | 2020-08-11 | Huizhou China Star Optoelectronics Technology Co., Ltd. | Method and system for detection of in-panel mura based on hough transform and gaussian fitting |
CN108459030A (zh) * | 2018-02-08 | 2018-08-28 | 东华大学 | 一种应用于非平面塑料光滑表面瑕疵在线检测装置与方法 |
CN108830834B (zh) * | 2018-05-23 | 2022-03-11 | 重庆交通大学 | 一种爬索机器人视频缺陷信息自动提取方法 |
CN108830834A (zh) * | 2018-05-23 | 2018-11-16 | 重庆交通大学 | 一种爬索机器人视频缺陷信息自动提取方法 |
CN109064441B (zh) * | 2018-06-19 | 2020-07-28 | 深圳市华星光电半导体显示技术有限公司 | 基于独立成分自适应选择的Mura侦测方法 |
CN109064441A (zh) * | 2018-06-19 | 2018-12-21 | 深圳市华星光电半导体显示技术有限公司 | 基于独立成分自适应选择的Mura侦测方法 |
CN109166092A (zh) * | 2018-07-05 | 2019-01-08 | 深圳市国华光电科技有限公司 | 一种图像缺陷检测方法及系统 |
WO2020019807A1 (zh) * | 2018-07-25 | 2020-01-30 | 昆山国显光电有限公司 | 获取Mura补偿数据的方法、装置、计算机设备及存储介质 |
US11170680B2 (en) | 2018-07-25 | 2021-11-09 | Kunshan Go-Visionox Opto-Electronics Co., Ltd. | Method and apparatus for acquiring Mura compensation data, computer device and storage medium |
CN109285143A (zh) * | 2018-08-08 | 2019-01-29 | 深圳市华星光电技术有限公司 | Mura侦测方法及装置 |
CN109471276B (zh) * | 2018-11-07 | 2021-10-08 | 凌云光技术股份有限公司 | 一种液晶屏色偏缺陷检测方法及装置 |
CN109471276A (zh) * | 2018-11-07 | 2019-03-15 | 凌云光技术集团有限责任公司 | 一种液晶屏色偏缺陷检测方法及装置 |
CN109692820A (zh) * | 2018-12-19 | 2019-04-30 | 河南大学 | 基于图像处理的光纤金属件表面缺陷在线检测装置和方法 |
CN111369491A (zh) * | 2018-12-25 | 2020-07-03 | 宁波舜宇光电信息有限公司 | 图像污点检测方法、装置、系统及存储介质 |
US12039714B2 (en) | 2019-03-22 | 2024-07-16 | HKC Corporation Limited | Inspection method and inspection machine for display panel |
WO2020192494A3 (zh) * | 2019-03-22 | 2020-11-12 | 惠科股份有限公司 | 显示面板的检测方法和检测机台 |
CN109828394A (zh) * | 2019-03-22 | 2019-05-31 | 惠科股份有限公司 | 一种显示面板的检测方法和检测机台 |
CN110299114A (zh) * | 2019-06-25 | 2019-10-01 | 深圳Tcl新技术有限公司 | 显示均匀性的判断方法、装置及存储介质 |
CN110349133A (zh) * | 2019-06-25 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 物体表面缺陷检测方法、装置 |
CN110349133B (zh) * | 2019-06-25 | 2021-11-23 | 杭州汇萃智能科技有限公司 | 物体表面缺陷检测方法、装置 |
CN111127415A (zh) * | 2019-12-19 | 2020-05-08 | 信利(仁寿)高端显示科技有限公司 | 一种基于准分子激光退火的Mura的量化方法 |
CN111127415B (zh) * | 2019-12-19 | 2023-07-25 | 信利(仁寿)高端显示科技有限公司 | 一种基于准分子激光退火的Mura的量化方法 |
CN111563889B (zh) * | 2020-05-06 | 2023-06-27 | 深圳市斑马视觉科技有限公司 | 基于计算机视觉的液晶屏幕Mura缺陷检测方法 |
CN111563889A (zh) * | 2020-05-06 | 2020-08-21 | 深圳市斑马视觉科技有限公司 | 基于计算机视觉的液晶屏幕Mura缺陷检测方法 |
CN111598801A (zh) * | 2020-05-11 | 2020-08-28 | 苏州佳智彩光电科技有限公司 | 一种用于微弱Mura缺陷的识别方法 |
CN111882529A (zh) * | 2020-07-15 | 2020-11-03 | 苏州佳智彩光电科技有限公司 | 基于Gaussian-Surface保边滤波的显示屏Mura缺陷检测方法及装置 |
CN111882529B (zh) * | 2020-07-15 | 2024-06-07 | 苏州佳智彩光电科技有限公司 | 显示屏Mura缺陷检测方法及装置 |
CN112102762A (zh) * | 2020-09-30 | 2020-12-18 | 卡莱特(深圳)云科技有限公司 | 一种识别led屏幕异常灯点的方法及装置 |
CN113870223A (zh) * | 2021-09-28 | 2021-12-31 | 广州绿怡信息科技有限公司 | 设备屏幕漏液检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103792699A (zh) | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 | |
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN103413288B (zh) | 一种lcd总体检测缺陷方法 | |
CN100454006C (zh) | 一种基于机器视觉的液晶显示器斑痕缺陷检测方法与系统 | |
CN110349126A (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN110728681B (zh) | 一种Mura缺陷检测方法及装置 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN105976382B (zh) | 一种基于缺陷区预判和水平集的TFT-LCD Mura缺陷检测方法 | |
CN109801286B (zh) | 一种lcd导光板的表面缺陷检测方法 | |
CN109444169A (zh) | 一种轴承缺陷检测方法及系统 | |
KR20160054151A (ko) | 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
CN110473194A (zh) | 基于多图像块阈值分割算法的水果表面缺陷检测方法 | |
CN108318491A (zh) | 一种基于频谱曲率分析的织物缺陷检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN103295225A (zh) | 弱光照条件下的列车转向架边缘检测方法 | |
CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN105044127A (zh) | 一种oled微型显示器缺陷检测装置及检测方法 | |
CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
CN110751170A (zh) | 面板质量检测方法、系统、终端设备及计算机可读介质 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
CN106841231B (zh) | 一种微小零件的视觉精密测量系统及方法 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20170315 |
|
C20 | Patent right or utility model deemed to be abandoned or is abandoned |