CN105046695A - 基于一维图像的投射电容触摸屏ito电路缺陷检测方法 - Google Patents

Abstract

本发明提供了一种基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，其特征在于，依次包括一维模板建立阶段和缺陷检测阶段。首先采用三个单元图像进行处理分析以构建标准模板；之后将计算待检测图像的一维图的过参考线点个数，判断其是否与标准模板的一维图的过参考线点个数相等，以确定待检测图像是否含有缺陷。该方法实时性高，具有很高的检测速率和精度。

Description

基于一维图像的投射电容触摸屏ITO电路缺陷检测方法

技术领域

本发明涉及一种基于图像处理的表面缺陷检测方法，特别是涉及一种基于一维图像的投射电容触摸屏ITO电路缺陷检测的方法。

背景技术

触摸屏，作为一种信息输入设备，目前被广泛应用于笔记本电脑、平板电脑及智能手机等设备中。其中，由于投射电容触摸屏(PCTP,ProjectiveCapacitiveTouchPanel)在透光率、分辨率、多点触控及成本方面具有显著的优势，其已成为市场主流。在PCTP的生产工艺中，在基板两侧均匀涂覆ITO(氧化铟锡，IndiumTinOxide)材料，然后通过湿蚀刻、等离子刻蚀或光刻中的任一种方法，刻蚀出ITO电路。但目前所有刻蚀方法都不可避免会对ITO电路造成缺陷(可分为：孔洞、刮蹭、污点、短路及断路)，并且这种缺陷通常会造成PCTP的失效。为了保证产品的质量及成品率，因此在制造中对PCTP的ITO电路进行缺陷检测无比重要。

在一张基板上会同时刻蚀几排，每排若干个相同的PCTP，数量是由基板大小确定。在采用线阵成像系统对PCTP的ITO电路成像时，单次扫描可同时对多个PCTP成像于一张图像上。PCTP的ITO电路线阵检测检测的特点为：1).随着半导体制造技术的发展，刻蚀的ITO电路密度已从几十微米向几微米发展，因此微观缺陷本身就极大增加了缺陷识别的难度；2).刻蚀密度的增加，使得相同尺寸基板上的信息总量成倍增加。因为检测中具有高实时性与高生成率的要求，故结合复杂数学变换或统计量计算的算法无法满足要求；3).对此类大幅面为目标体的机器视觉检测系统通常是由线阵相机阵列构成成像系统，但由于环境、光源不均及线阵相机成像所必然造成的机械振动的影响，成像不可避免存在变形。故此最简单的模板匹配算法无法有效直接应用于此。若先对成像图像进行校正的话，将极大耗费时间，满足不了实时性的要求。随着PCTP的ITO电路线距从几十微米到几微米发展，曾经适用的探针通电检测已无法满足当前的需要，并且该方法只能检测出断路与短路缺陷。目前有一些研究人员对PCTP的ITO电路缺陷检测提出了一些基于机器视觉的方法。这些方法可归纳为：1).基于面阵相机的成像系统并采用静态的图像处理算法。此种方法采集的图像不存在如线阵成像系统振动引起的图像畸变，故基于此法的研究都是基于没有畸变图像且静态下的图像处理算法。工业实际应用中面阵相机构成的系统无法满足高生产率的要求，故不存在无畸变的图像及静态的环境，此类算法研究无法应用于实际工业生产；2).结合复杂的数学变换提出的图像处理算法，如傅里叶变换、小波变换及独立成分分析等。该类方法不具备直观的数学及物理意义，且计算量大且复杂，无法满足线阵检测时对高实时性与高检测速度的需要。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于一维图像、高实时性、高检测速率、高精度的投射电容触摸屏ITO电路缺陷检测方法。该方法充分利用线阵光学系统成像特点、数据结构特点及投射电容触摸屏ITO电路特点，对其一维图像直接进行比较处理，以确定缺陷的位置。

为了达到上述目的，本发明通过下述技术方案予以实现：基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，其特征在于，依次包括一维模板建立阶段和缺陷检测阶段；其中，

所述一维模板建立阶段包括如下步骤：

第一步，采用线阵相机对基板扫描形成图像；将图像分割成若干个尺寸为N×M的单元图像，各个单元图像上分别包括一个完整的投射电容触摸屏ITO电路；任意选取三个单元图像，并将三个单元图像分别设定为P₁、P₂和P₃；

第二步，将P₁、P₂和P₃进行空间对齐；

第三步，将P₁、P₂和P₃分别分解为：

V_i＝(v_(i,0),v_(i,1),…,v_(i,M-1))，

X_i＝(x_(i,0),x_(i,1),…,x_(i,M-1))，

Y_i＝(y_(i,0),y_(i,1),…,y_(i,M-1))，

其中，i∈(0,N-1)；

第四步，选取V_i为目标一维图像，X_i和Y_i为参考一维图像；分别对V_i、X_i和Y_i进行处理和分析，分别求取其判断样本点矩阵V_ci、X_ci与Y_ci；

第五步，判别目标一维图像中是否存在缺陷边缘点，并记录缺陷边缘点的位置坐标；目标一维图像中偶数坐标缺陷边缘点与其左侧奇数坐标缺陷边缘点组成缺陷区间；

第六步，利用参考一维图像的元素对目标一维图像的缺陷区间进行修复，完成一维模板的构建；然后i＝i+1，并跳至第四步，直至i＝M，完成整幅标准模板构建；

第七步，将整幅标准模板储存为P_t，标准模板P_t的一维图像的分解为：T_i＝(t_(i,0),t_(i,1),…,t_(i,M-1))；

所述缺陷检测阶段包括如下步骤：

第Ⅰ步，读入待检测图像；

第Ⅱ步，将待检测图像与标准模板P_t进行空间对齐，并将待检测图像裁剪为标准模板P_t的尺寸；

第Ⅲ步，将待检测图像的一维图像分解为D_i＝(d_(i,0),d_(i,1),…,d_(i,M-1))；

第Ⅳ步，采用Otsu法分别求取T_i与D_i在第i行的参考比较点ε_ti与ε_di；以参考比较点ε_ti与ε_di为灰度基准进行变换得到T_εi、D_εi：

$\left\{\begin{array}{c}{T}_{\mathrm{\ϵ}i}=T_i-{\mathrm{\ϵ}}_{ti}E=(t_{(i,0)}-{\mathrm{\ϵ}}_{ti},t_{(i,1)}-{\mathrm{\ϵ}}_{ti},\mathrm{...},t_{(i,M-1)}-{\mathrm{\ϵ}}_{ti})\\ D_{\mathrm{\ϵ}i}=D_i-{\mathrm{\ϵ}}_{di}E=(d_{(i,0)}-{\mathrm{\ϵ}}_{di},d_{(i,1)}-{\mathrm{\ϵ}}_{di},\mathrm{...},d_{(i,M-1)}-{\mathrm{\ϵ}}_{di})\end{array}\right.$

第Ⅴ步，分别计算T_εli和D_εli：

$\left\{\begin{array}{c}{T}_{\mathrm{\&epsiv;}li}=T_{\mathrm{\&epsiv;}i}<<1=(t_{(i,1)}-{\mathrm{\&epsiv;}}_{ti},\mathrm{...},t_{(i,M-1)}-{\mathrm{\&epsiv;}}_{ti},1),{\mathrm{ift}}_{(i,j)}={\mathrm{\&epsiv;}}_{ti}then{t}_{(i,j)}=t_{(i,j-1)}\\ D_{\mathrm{\&epsiv;}li}=D_{\mathrm{\&epsiv;}i}<<1=(d_{(i,1)}-{\mathrm{\&epsiv;}}_{di},\mathrm{...},d_{(i,M-1)}-{\mathrm{\&epsiv;}}_{di},1),if{d}_{(i,j)}={\mathrm{\&epsiv;}}_{di},then{d}_{(i,j)}=d_{(i,j-1)}\end{array}\right.$

第Ⅵ步，分别计算T_ni和D_ni：

$\left\{\begin{array}{c}{T}_{ni}=T_{\mathrm{\&epsiv;}i}\&times;{T_{\mathrm{\&epsiv;}li}}^T=(t_{n(i,0)},t_{n(i,1)},\mathrm{...},t_{n(i,M-1)}),if{f}_{n(i,d)}\&le;0,then{t}_{n(i,b)}=0,or{t}_{n(i,d)}>0,th\mathrm{en}{t}_{n(i,d)}=1\\ D_{ni}=D_{\mathrm{\&epsiv;}i}\&times;{D_{\mathrm{\&epsiv;}li}}^T=(d_{n(i,0)},d_{n(i,1)},\mathrm{...},d_{n(i,M-1)}),if{d}_{n(i,j)}\&le;0,th\mathrm{en}{d}_{n(i,j)}=0,or{d}_{n(i,j)}>0,then{d}_{n(i,j)}=1\end{array}\right.$

第Ⅶ步，统计T_ni和D_ni中的值为0的元素数量并得到C_t和C_d；判断C_t和C_d是否相等：若C_t＝C_d，则该一维图像中无缺陷边缘点，跳至第Ⅰ步进行下一维图像的检测直至最后一维图像完成检测；若C_t≠C_d，则该一维图像中有缺陷边缘点，执行第Ⅷ步；

第Ⅷ步，将T_ni中值为0点的元素的位置坐标存储到t_k中，t_k＝(t_k1,t_k2,…)；将D_ni中值为0点的元素的位置坐标存储到d_k中，d_k＝(d_k1,d_k2,…)；

分别将各个t_k值代入到J_(i,tk)中进行计算：

J_(i,D)＝[t_n(i,tk)-p_n(i,dk)t_n(i,tk)-p_n(i,dk+1)t_n(i,tk)-p_n(i,dk-1)]＝[c_t1c_t2c_t3]

计算V₁＝c_t1&c_t2&c_t3，判断V₁的大小：若V₁≠0则d(_i,tk)是缺陷边缘点；

第Ⅸ步，记录缺陷边缘点的位置坐标，并形成缺陷区间坐标为(q_d1,q_d2)，将D_iq＝(d_(i,qd1),d_(i,qd2))设为1，其他像素设为0，以实现缺陷区间突出显示；

跳至第Ⅰ步进行下一维图像的检测直至最后一维图像完成检测。

本发明方法充分利用线阵光学系统成像特点、数据结构特点及投射电容触摸屏ITO电路特点；首先采用三个单元图像进行处理分析以构建标准模板；之后将统计待检测图像的一维图像的过参考线点个数，判断其是否与标准模板的一维图像的过参考线点个数相等，以确定待检测图像是否含有缺陷。本发明是采用比较算法来检测缺陷；具有算法简单、快速的特点，可满足实时性要求，加速检测效率，满足投射电容触摸屏的生产需求。

进一步的方案是，所述第四步包括如下步骤：

四①步，采用Otsu法分别求取V_i、X_i和Y_i在第i行的参考比较点ε_vi、ε_xi和ε_yi；

四②步，分别将V_i、X_i和Y_i以参考比较点ε_vi、ε_xi和ε_yi为灰度基准进行变换得到V_εi、X_εi、Y_εi：

V_εi＝V_i-ε_viE＝(v_(i,0)-ε_vi,v_(i,1)-ε_vi,...,v_(i,M-1)-ε_vi)

X_εi＝X_i-ε_xiE＝(x_(i,0)-ε_xi,x_(i,1)-ε_xi,...,x_(i,M-1)-ε_xi)

Y_εi＝Y_i-ε_yiE＝(y_(i,0)-ε_yi,y_(i,1)-ε_yi,...,y_(i,M-1)-ε_yi)

其中，E为1×M维全1矩阵；

四③步，分别将V_εi、X_εi与Y_εi的元素分别左移一位，并将其中值为0的元素用其左侧的元素替代，并在末尾添加元素1，得到V_εli、X_εli与Y_εli：

四④步，将V_εi、X_εi、Y_εi分别与V_εli、X_εli与Y_εli相乘获得判别向量V_ni、X_ni与Y_ni，并分别比较判别向量V_ni、X_ni与Y_ni中各个元素的大小：若元素值≤0则该元素置为1，否则该元素置为0：

V_ni＝V_εi×V_εli ^T＝(v_n(i,0),v_n(i,1),...,v_n(i,M-1)),ifv_n(i,d)≤0,thenv_n(i,d)＝1,elsev_n(i,d)＝0

X_ni＝X_εi×X_εli ^T＝(x_n(i,0),x_n(i,1),...,x_n(i,M-1)),ifx_n(i,d)≤0,thenx_n(i,d)＝1,elsex_n(i,d)＝0

Y_ni＝Y_εi×Y_εli ^T＝(y_n(i,0),y_n(i,1),...,y_n(i,M-1)),ify_n(i,d)≤0,thenv_n(i,d)＝1,elsey_n(i,d)＝0

其中，d∈(0,M-1)；

四⑤步，将V_ni、X_ni与Y_ni中的值为1的元素分别设定为判断样本点，并将其存储为新向量为：V_ci＝(v_n(i,k1),v_n(i,k2),…,v_n(i,k))，X_ci＝(x_n(i,q1),x_n(i,q2),…,x_n(i,q))与Y_ci＝(y_n(i,z1),y_n(i,z2),…,y_n(i,z))。

所述第五步包括如下步骤：

五①步，对V_ni中所有判断样本点，计算主动判别矩阵J_(i,K)；对X_ni中位置坐标不与V_ni中判断样本点重合的判断样本点，计算参考判别矩阵R_(i,Q)；

$J_{(i,K)}=\left[\begin{array}{ccc}{v}_{n(i,K)}-x_{n(i,K)}& v_{n(i,K)}-x_{n(i,K+1)}& v_{n(i,K)}-x_{n(i,K-1)}\\ v_{n(i,K)}-y_{n(i.K)}& v_{n(i,K)}-y_{n(i,K+1)}& v_{n(i,K)}-y_{n(i.K-1)}\end{array}\right]=\left[\begin{array}{ccc}{c}_1& c_2& c_3\\ c_4& c_5& c_6\end{array}\right]$

$R_{(i,Q)}=\left[\begin{array}{ccc}{x}_{n(i,Q)}-v_{n(i,Q)}& x_{n(i,Q)}-v_{n(i,Q+1)}& x_{n(i,Q)}-v_{n(i,Q-1)}\\ x_{n(i,Q)}-y_{n(i,Q)}& x_{n(i,Q)}-y_{n(i,Q+1)}& x_{n(i,Q)}-y_{n(i,Q-1)}\end{array}\right]=\left[\begin{array}{ccc}{r}_1& r_2& r_3\\ r_4& r_5& r_6\end{array}\right]$

五②步，计算V₁＝c₁&c₂&c₃,V₂＝c₄&c₅&c₆；判断V₁和V₂的大小：若V₁＝0且V₂＝0，则v_n(i,K)、x_n(i,K)和y_n(i,K)均不是缺陷边缘点；若V₁＝1且V₂＝1，则v_n(i,K)是缺陷边缘点；

五③步，对x_n(i,Q)中的判断样本点，计算V₃＝r₁&r₂&r₃,V₄＝r₄&r₅&r₆；判断V₃和V₄的大小：若V₃＝1且V₄＝0，则v_n(i,Q)是缺陷边缘点；

五④步，记录缺陷边缘点的位置坐标；将v_ni的缺陷边缘点的位置坐标存储为p_j,j＝(1,2,…)；将v_ni中偶数坐标的缺陷边缘点与其左侧奇数坐标的缺陷边缘点组成缺陷区间；v_ni的缺陷区间为(v_(i,pj),v_(i,p(j+1))。

所述第六步中的利用参考一维图像的元素对目标一维图像的缺陷区间进行修复是指：

设目标一维图像缺陷区间(v_(i,pj),v_(i,p(j+1))中，v_(i,pj)的前向缺陷区间位置坐标所对应的像素点为v_(i,e)，v_(i,p(j+1)的后向像素点为v_(i,s)，计算：

V_di＝(v_(i,e+1),...,v_(i,pj-1),v_(i,p(j+1)+1),...,v_(i,s-1))

X_di＝(x_(i,e+1),...,x_(i,pj-1),x_(i,p(j+1)+1),...,x_(i,s-1))

Y_di＝(y_(i,e+1),...,y_(i,pj-1),y_(i,p(j+1)+1),...,y_(i,s-1))

利用Otsu算法，分别计算V_di、X_di与Y_di所对应的分割值ε_ai、ε_bi与ε_ci；分别对V_di、X_di与Y_di进行阈值分割：若V_di＜ε_ai则将V_di中对应的元素归入V_il，(其中元素用v_(i,j)l表示)否则将V_di中对应的元素归入V_ih(其中元素用v_(i,j)h表示)；若X_di＜ε_bi则将X_di中对应的元素归入X_il(其中元素用x_(i,j)l表示)，否则将X_di中对应的元素归入X_ih(其中元素用x_(i,j)h表示)；若Y_di＜ε_ci则将Y_di中对应的元素归入Y_il(其中元素用y_(i,j)l表示)，否则将Y_di中对应的元素归入Y_ih(其中元素用y_(i,j)h表示)；

V_il、V_ih、X_il、X_ih与Y_il、Y_ih分别为V_di、X_di与Y_di分割后所成的新向量，其中元素的纵坐标j∈(e+1,...,pj-1，p(j+1)+1,...,s-1)；分别计算出V_il与X_il、V_ih与X_ih，V_il与Y_il、V_ih与Y_ih的第i行向量间相关像素点的Pearson相关系数r_i-、r_i+、o_i-与o_i+：

$r_{i-}=\frac{<V_{il}-{\stackrel{\&OverBar;}{V}}_{il},X_{il}-{\stackrel{\&OverBar;}{X}}_{il}>}{||V_{il}-{\stackrel{\&OverBar;}{V}}_{il}||||X_{il}-{\stackrel{\&OverBar;}{X}}_{il}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})(x_{(i,j)l}-{\stackrel{\&OverBar;}{X}}_{il})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{\left(v_{(i,j)l}{\stackrel{\&OverBar;}{V}}_{il}\right)}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(x_{(i,j)l}-{\stackrel{\&OverBar;}{X}}_{il})}^2}}$

$r_{i+}=\frac{<V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih},X_{ih}-{\stackrel{\&OverBar;}{X}}_{ih}>}{||V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih}||||X_{ih}-{\stackrel{\&OverBar;}{X}}_{ih}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})(x_{(i,j)h}-{\stackrel{\&OverBar;}{X}}_{ih})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(x_{(i,j)h}-{\stackrel{\&OverBar;}{X}}_{ih})}^2}}$

$o_{i-}=\frac{<V_{il}-{\stackrel{\&OverBar;}{V}}_{il},Y_{il}-{\stackrel{\&OverBar;}{Y}}_{il}>}{||V_{il}-{\stackrel{\&OverBar;}{V}}_{il}||||Y_{il}-{\stackrel{\&OverBar;}{Y}}_{il}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})(y_{(i,j)l}-{\stackrel{\&OverBar;}{Y}}_{il})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(y_{(i,j)l}-{\stackrel{\&OverBar;}{Y}}_{il})}^2}}$

$o_{i+}=\frac{<V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih},Y_{ih}-{\stackrel{\&OverBar;}{Y}}_{ih}>}{||V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih}||||Y_{ih}-{\stackrel{\&OverBar;}{Y}}_{ih}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})(y_{(i,j)h}-{\stackrel{\&OverBar;}{Y}}_{ih})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(y_{(i,j)h}-{\stackrel{\&OverBar;}{Y}}_{ih})}^2}}$

其中，与分别为V_il、X_il与Y_il中元素的均值；与分别为V_ih、X_ih与Y_ih中元素的均值；

判断r_i-、r_i+、o_i-与o_i+的大小：若r_i-+r_i+≥o_i-+o_i+则

(v_(i,pj),...,v_(i,p(j+1)))^T＝(x_(i,pj),...,x_(i,p(j+1)))^T；

否则，

(v_(i,pj),...,v_(i,p(j+1)))^T＝(y_(i,pj),...,y_(i,p(j+1)))^T。

本发明方法可快速、高效地生成标准模板，可为待检测图像的缺陷检测提供有效的判别标准。

与现有技术相比，本发明具有如下优点与有益效果：

1、本发明方法充分利用了投射电容触摸屏的ITO电路本身的特点来构造对其的直接数学描述，摈弃了复杂的数学变换，并基于此描述构建了缺陷检测算法；模板建立可离线实现，不占用实时检测时间；

2、本发明方法在实际检测时，只需比较待检测图像的一维图的过参考线点个数是否与相对应的标准模板的一维图的过参考线点个数相等来确定待检测图像是否含有缺陷；由于是采用比较方式进行判别，因此算法简单、快速，可满足实时性要求；

3、本发明方法检测精度高，并且适用于基于线阵系统的具有复杂结构的图案的表面缺陷。

附图说明

图1(a)和图1(b)是本发明方法的流程图；

图2(a)～图2(c)分别是实施例二中三个单元图像P₁、P₂与P₃；

图3(a)～图3(c)分别是实施例二中V₂₇、X₂₇与Y₂₇的一维图像；

图4(a)～图4(c)分别是实施例二中V_ε27、X_ε27与Y_ε27的一维图像；

图5(a)～图5(c)分别是实施例二中V_n27、X_n27与Y_n27的一维图像；

图6(a)～图6(c)分别是实施例二中V₂₇、X₂₇与Y₂₇的缺陷位置图；

图7(a)～图7(c)分别是实施例二中P₁、P₂与P₃的缺陷图；

图8(a)～图8(c)分别是实施例二中V₂₇、X₂₇与Y₂₇的中去掉缺陷后生成的新的一维图像V_d27、X_d27与Y_d27；

图9(a)～图9(f)分别是实施例二中V_d27、X_d27与Y_d27根据分割值，分割得到的新的一维图像V_27l、V_27h、X_27l、X_27h与Y_27l、Y_27h；

图10是实施例二中用Y₂₇中所对应的元素替代V₂₇中的缺陷段，修复后所得的一维图像；

图11是实施例二中标准模板的图像；

图12是实施例二中待检测图像；

图13是实施例二中对待检测图像检测后得出的缺陷图；

图14是实施例二中利用现有方法对待检测图像检测后得出的缺陷图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细的描述。

实施例一

本实施例基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，依次包括一维模板建立阶段和缺陷检测阶段；其中，

一维模板建立阶段包括如下步骤：

第一步，采用线阵相机对基板扫描形成图像；将图像分割成若干个尺寸为N×M的单元图像；一个图像上包含有S₁行、S₂列共S个单元图像；各个单元图像上分别包括一个完整的投射电容触摸屏ITO电路；任意选取三个单元图像，并将三个单元图像分别设定为P₁、P₂和P₃；

第二步，采用互相关算法将P₁、P₂和P₃进行空间对齐；

第三步，分别计算P₁、P₂和P₃的行向量，P₁、P₂和P₃的行向量分别为：

V_i＝(v_(i,0),v_(i,1),…,v_(i,M-1))，

X_i＝(x_(i,0),x_(i,1),…,x_(i,M-1))，

Y_i＝(y_(i,0),y_(i,1),…,y_(i,M-1))，

其中，i∈(0,N-1)；

选取V_i为目标一维图像，X_i和Y_i为参考一维图像；

第四步，分别对V_i、X_i和Y_i进行处理和分析，求取其判断样本点矩阵V_ci、X_ci与Y_ci；

具体地说，第四步包括如下步骤；

四①步，采用Otsu法分别求取V_i、X_i和Y_i在第i行的参考比较点ε_vi、ε_xi和ε_yi；

对线阵系统投射电容触摸屏的ITO电路成像图，其一维图像的所有像素点灰度值近似服从两个正态分布的联合，即：W_(x,y)≈w_l+w_h。

$\left\{\begin{array}{c}{g}_l~N_1({\mathrm{\&mu;}}_1,{{\mathrm{\&sigma;}}_1}^2)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_1}{e}^{-\frac{{(g_{l(x,y)}-{\mathrm{\&mu;}}_1)}^2}{2{{\mathrm{\&sigma;}}_1}^2}}\\ g_h~N_2({\mathrm{\&mu;}}_2,{{\mathrm{\&sigma;}}_2}^2)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_2}{e}^{-\frac{{(g_{h(x,y)}-{\mathrm{\&mu;}}_2)}^2}{2{{\mathrm{\&sigma;}}_2}^2}}\end{array}\right.$

其中，W_(x,y)为坐标点(x,y)处的灰度值，w_l代表为低灰度值(也即对应为基板玻璃)像素点集合，w_h代表为高灰度值(也即对应为ITO线路)像素点集合，μ₁、μ₂分别为两个正态分布N₁与N₂的位置参数，其值为相应的像素点集合中所有样本点的均值；参考比较点应设置为穿越高、低灰度值的过渡段，也即应尽量远离μ₁与μ₂；根据图像的实际物理意义分析，参考比较点可设置为分割阈值ε；为加速算法过程，故选取算法简单且快速的Otsu法求取阈值：

四②步，分别将V_i、X_i和Y_i以参考比较点ε_vi、ε_xi和ε_yi为灰度基准进行变换得到V_εi、X_εi、Y_εi：

V_εi＝V_i-ε_viE＝(v_(i,0)-ε_vi,v_(i,1)-ε_vi,...,v_(i,M-1)-ε_vi)

X_εi＝X_i-ε_xiE＝(x_(i,0)-ε_xi,x_(i,1)-ε_xi,...,x_(i,M-1)-ε_xi)

Y_εi＝Y_i-ε_yiE＝(y_(i,0)-ε_yi,y_(i,1)-ε_yi,...,y_(i,M-1)-ε_yi)

其中，E为1×M维全1矩阵；

四③步，由于投射电容触摸屏的ITO线路本身的特点，v_(i,0)≠ε_vi、x_(i,0)≠ε_xi且y_(i,0)≠ε_yi；因此分别将V_εi、X_εi与Y_εi的元素分别左移一位，并将其中值为0的元素用其左侧的元素替代，并在末尾添加元素1，得到V_εli、X_εli与Y_εli：

四④步，将V_εi、X_εi、Y_εi分别与V_εli、X_εli与Y_εli相乘获得判别向量V_ni、X_ni与Y_ni，并分别比较判别向量V_ni、X_ni与Y_ni中各个元素的大小：若元素值≤0则该元素置为1，否则该元素置为0：

V_ni＝V_εi×V_εli ^T＝(v_n(i,0),v_n(i,1),...,v_n(i,M-1)),ifv_n(i,d)≤0,thenv_n(i,d)＝1,elsev_n(i,d)＝0

X_ni＝X_εi×X_εli ^T＝(x_n(i,0),x_n(i,1),...,x_n(i,M-1)),ifx_n(i,d)≤0,thenx_n(i,d)＝1,elsex_n(i,d)＝0

Y_ni＝Y_εi×Y_εli ^T＝(y_n(i,0),y_n(i,1),...,y_n(i,M-1)),ify_n(i,d)≤0,thenv_n(i,d)＝1,elsey_n(i,d)＝0

其中，d∈(0,M-1)；

四⑤步，将V_ni、X_ni与Y_ni中的值为1的元素分别设定为判断样本点，并将其存储为新向量为：V_ci＝(v_n(i,k1),v_n(i,k2),…,v_n(i,k))，X_ci＝(x_n(i,q1),x_n(i,q2),…,x_n(i,q))与Y_ci＝(y_n(i,z1),y_n(i,z2),…,y_n(i,z))。

第五步，判别目标一维图像中是否存在缺陷边缘点，并记录缺陷边缘点的位置坐标；目标一维图像中偶数坐标缺陷边缘点与其左侧奇数坐标缺陷边缘点组成缺陷区间；

具体地说，第五步包括如下步骤：

五①步，对V_ni中所有判断样本点，计算主动判别矩阵J_(i,K)；对X_ni中位置坐标不与V_ni中判断样本点重合的判断样本点，计算参考判别矩阵R_(i,Q)；

$J_{(i,K)}=\left[\begin{array}{cccc}{v}_{n(i,K)}& -x_{n(i,K)}& v_{n(i,K)}-x_{n(i,K+1)}& v_{n(i,K)}-x_{n(i,K-1)}\\ v_{n(i,K)}& -y_{n(i,K)}& v_{n(i,K)}-y_{n(i,K+1)}& v_{n(i,K)}-y_{n(i,K-1)}\end{array}\right]=\left[\begin{array}{ccc}{c}_1& c_2& c_3\\ c_4& c_5& c_6\end{array}\right]$

$R_{(i,Q)}=\left[\begin{array}{ccc}{x}_{n(i,Q)}-v_{n(i,Q)}& x_{n(i,Q)}-v_{n(i,Q+1)}& x_{n(i,Q)}-v_{n(i,Q-1)}\\ x_{n(i,Q)}-y_{n(i,Q)}& x_{n(i,Q)}-y_{n(i,Q+1)}& x_{n(i,Q)}-y_{n(i,Q-1)}\end{array}\right]=\left[\begin{array}{ccc}{r}_1& r_2& r_3\\ r_4& r_5& r_6\end{array}\right]$

五②步，计算V₁＝c₁&c₂&c₃,V₂＝c₄&c₅&c₆；判断V₁和V₂的大小：若V₁＝0且V₂＝0，则v_n(i,K)、x_n(i,K)和y_n(i,K)均不是缺陷边缘点；只有V₁＝1且V₂＝1，则v_n(i,K)是缺陷边缘点；

五③步，对x_n(i,Q)中的判断样本点，计算V₃＝r₁&r₂&r₃,V₄＝r₄&r₅&r₆；判断V₃和V₄的大小：若V₃＝1且V₄＝0，则v_n(i,Q)是缺陷边缘点；

五④步，记录缺陷边缘点的位置坐标；将v_ni的缺陷边缘点的位置坐标存储为p_j,j＝(1,2,…)；根据ITO电路的物理结构，缺陷边缘点位置坐标个数总是为偶数，且以成对出现的；因此将v_ni中偶数坐标的缺陷边缘点与其左侧奇数坐标的缺陷边缘点组成缺陷区间；v_ni的缺陷区间为(v_(i,pj),v_(i,p(j+1))。

第六步，利用参考一维图像的元素对目标一维图像的缺陷区间进行修复，完成一维模板的构建；然后i＝i+1，并跳至第四步，直至i＝M，完成整幅标准模板构建；

具体地说，第六步中的利用参考一维图像的元素对目标一维图像的缺陷区间进行修复是指：

由于实际图像存在着扫描变形、灰度值分布不均匀等现象，需要从X_i与Y_i中选取与(v_(i,pj),v_(i,p(j+1))附近最相近的相关像素点来替代。

设目标一维图像缺陷区间(v_(i,pj),v_(i,p(j+1))中，v_(i,pj)的前向缺陷区间位置坐标所对应的像素点为v_(i,e)，v_(i,p(j+1)的后向像素点为v_(i,s)，则选取的比较像素点区间分别为(v_(i,e+1),v_(i,pj-1))∪(v_(i,p(j+1)+1),v_(i,s-1))、(x_(i,e+1),x_(i,pj-1))∪(x_(i,p(j+1)+1),x_(i,s-1))与(y_(i,e+1),y_(i,pj-1))∪(y_(i,p(j+1)+1),y_(i,s-1))，并构成新的向量：

V_di＝(v_(i,e+1),...,v_(i,pj-1),v_(i,p(j+1)+1),...,v_(i,s-1))

X_di＝(x_(i,e+1),...,x_(i,pj-1),x_(i,p(j+1)+1),...,x_(i,s-1))

Y_di＝(y_(i,e+1),...,y_(i,pj-1),y_(i,p(j+1)+1),...,y_(i,s-1))

V_di、X_di与Y_di为新的一维图像，其中所有像素点灰度值也近似服从两个正态分布的联合，Pearson相关系数只适用于近似的单峰正态分布，故需要先将其进行样本分割；利用Otsu算法，分别计算V_di、X_di与Y_di所对应的分割值ε_ai、ε_bi与ε_ci；分别对V_di、X_di与Y_di进行阈值分割：若V_di＜ε_ai则将V_di中对应的元素归入V_il，(其中元素用v_(i,j)l表示)否则将V_di中对应的元素归入V_ih(其中元素用v_(i,j)h表示)；若X_di＜ε_bi则将X_di中对应的元素归入X_il(其中元素用x_(i,j)l表示)，否则将X_di中对应的元素归入X_ih(其中元素用x_(i,j)h表示)；若Y_di＜ε_ci则将Y_di中对应的元素归入Y_il(其中元素用y_(i,j)l表示)，否则将Y_di中对应的元素归入Y_ih(其中元素用y_(i,j)h表示)；

V_il、V_ih、X_il、X_ih与Y_il、Y_ih分别为V_di、X_di与Y_di分割后所成的新向量，其中元素的纵坐标j∈(e+1,...,pj-1，p(j+1)+1,...,s-1)；分别计算出V_il与X_il、V_ih与X_ih，V_il与Y_il、V_ih与Y_ih的第i行向量间相关像素点的Pearson相关系数r_i-、r_i+、o_i-与o_i+：

$r_{i-}=\frac{<V_{il}-{\stackrel{\&OverBar;}{V}}_{il},X_{il}-{\stackrel{\&OverBar;}{X}}_{il}>}{||V_{il}-{\stackrel{\&OverBar;}{V}}_{il}||||X_{il}-{\stackrel{\&OverBar;}{X}}_{il}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})(x_{(i,j)l}-{\stackrel{\&OverBar;}{X}}_{il})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(x_{(i,j)l}-{\stackrel{\&OverBar;}{X}}_{il})}^2}}$

$r_{i+}=\frac{<V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih},X_{ih}-{\stackrel{\&OverBar;}{X}}_{ih}>}{||V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih}||||X_{ih}-{\stackrel{\&OverBar;}{X}}_{ih}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})(x_{(i,j)h}-{\stackrel{\&OverBar;}{X}}_{ih})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(x_{(i,j)h}-{\stackrel{\&OverBar;}{X}}_{ih})}^2}}$

$o_{i-}=\frac{<V_{il}-{\stackrel{\&OverBar;}{V}}_{il},Y_{il}-{\stackrel{\&OverBar;}{Y}}_{il}>}{||V_{il}-{\stackrel{\&OverBar;}{V}}_{il}||||Y_{il}-{\stackrel{\&OverBar;}{Y}}_{il}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})(y_{(i,j)l}-{\stackrel{\&OverBar;}{Y}}_{il})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(y_{(i,j)l}-{\stackrel{\&OverBar;}{Y}}_{il})}^2}}$

$o_{i+}=\frac{<V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih},Y_{ih}-{\stackrel{\&OverBar;}{Y}}_{ih}>}{||V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih}||||Y_{ih}-{\stackrel{\&OverBar;}{Y}}_{ih}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})(y_{(i,j)h}-{\stackrel{\&OverBar;}{Y}}_{ih})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(y_{(i,j)h}-{\stackrel{\&OverBar;}{Y}}_{ih})}^2}}$

其中，与分别为V_il、X_il与Y_il中元素的均值；与分别为V_ih、X_ih与Y_ih中元素的均值；

判断r_i-、r_i+、o_i-与o_i+的大小：若r_i-+r_i+≥o_i-+o_i+则

(v_(i,pj),...,v_(i,p(j+1)))^T＝(x_(i,pj),...,x_(i,p(j+1)))^T；

否则，

(v_(i,pj),...,v_(i,p(j+1)))^T＝(y_(i,pj),...,y_(i,p(j+1)))^T。

第七步，将整幅标准模板储存为P_t，标准模板P_t的一维图像的分解为：T_i＝(t_(i,0),t_(i,1),…,t_(i,M-1))；

缺陷检测阶段包括如下步骤：

第Ⅰ步，读入待检测图像；

第Ⅱ步，将待检测图像与标准模板P_t进行空间对齐，并将待检测图像裁剪为标准模板P_t的尺寸；

第Ⅲ步，将待检测图像的一维图像分解为D_i＝(d_(i,0),d_(i,1),…,d_(i,M-1))，其中i∈(0,N-1)；

第Ⅳ步，采用Otsu法分别求取T_i与D_i在第i行的参考比较点ε_ti与ε_di；以参考比较点ε_ti与ε_di为灰度基准进行变换得到T_εi、D_εi：

$\left\{\begin{array}{c}{T}_{\mathrm{\&epsiv;}i}=T_i-{\mathrm{\&epsiv;}}_{ti}E=(t_{(i,0)}-{\mathrm{\&epsiv;}}_{ti},t_{(i,1)}-{\mathrm{\&epsiv;}}_{ti},\mathrm{...},t_{(i,M-1)}-{\mathrm{\&epsiv;}}_{ti})\\ D_{\mathrm{\&epsiv;}i}=D_i-{\mathrm{\&epsiv;}}_{di}E=(d_{(i,0)}-{\mathrm{\&epsiv;}}_{di},d_{(i,1)}-{\mathrm{\&epsiv;}}_{di},\mathrm{...},d_{(i,M-1)}-{\mathrm{\&epsiv;}}_{di})\end{array}\right.$

第Ⅴ步，分别将T_εi、D_εi的元素分别左移一位，并将其中值为0的元素用其左侧的元素替代，并在末尾添加元素1，得到T_εli和D_εli：

$\left\{\begin{array}{c}{T}_{\mathrm{\&epsiv;}li}=T_{\mathrm{\&epsiv;}i}<<1=(t_{(i,1)}-{\mathrm{\&epsiv;}}_{ti},\mathrm{...},t_{(i,M-1)}-{\mathrm{\&epsiv;}}_{ti},1),if{t}_{(i,j)}={\mathrm{\&epsiv;}}_{ti},then{t}_{(i,j-1)}=t_{(i,j-1)}\\ D_{\mathrm{\&epsiv;}li}=D_{\mathrm{\&epsiv;}i}<<1=(d_{(i,1)}-{\mathrm{\&epsiv;}}_{di},\mathrm{...},d_{(i,M-1)}-{\mathrm{\&epsiv;}}_{di},1),if{d}_{(i,j)}={\mathrm{\&epsiv;}}_{di},then{d}_{(i,j)}=d_{(i,j-1)}\end{array}\right.$

第Ⅵ步，将T_εi和D_εi分别与T_εli和D_εli相乘得到T_ni和D_ni，并分别比较T_ni和D_ni中各个元素的大小：若元素≤0则元素置为0，否则元素置为1：

$\left\{\begin{array}{c}{T}_{ni}=T_{\mathrm{\&epsiv;}i}\&times;{T_{\mathrm{\&epsiv;}li}}^T=(t_{n(i,0)},t_{n(i,1)},\mathrm{...},t_{n(i,M-1)}),\mathrm{if}{f}_{n(i,d)}\&le;0,th\mathrm{en}{t}_{n(i,b)}=0,or{t}_{n(i,d)}>0,th\mathrm{en}{t}_{n(i,d)}=1\\ D_{ni}=D_{\mathrm{\&epsiv;}i}\&times;{D_{\mathrm{\&epsiv;}li}}^T=(d_{n(i,0)},d_{n(i,1)},\mathrm{...},d_{n(i,M-1)}),\mathrm{if}{d}_{n(i,j)}\&le;0,then{d}_{n(i,j)}=0,\mathrm{or}{d}_{n(i,j)}>0,then{d}_{n(i,j)}=1\end{array}\right.$

第Ⅶ步，统计T_ni和D_ni中的值为0的元素数量并得到C_t和C_d；判断C_t和C_d是否相等：若C_t＝C_d，则该一维图像中无缺陷边缘点，跳至第Ⅰ步进行下一维图像的检测直至最后一维图像完成检测；若C_t≠C_d，则该一维图像中有缺陷边缘点，执行第Ⅷ步；；

第Ⅷ步，将T_ni中值为0点的元素的位置坐标存储到t_k中，t_k＝(t_k1,t_k2,…)；将D_ni中值为0点的元素的位置坐标存储到d_k中，d_k＝(d_k1,d_k2,…)；

分别将各个t_k值代入到J_(i,tk)中进行计算：

J_(i,D)＝[t_n(i,tk)-p_n(i,dk)t_n(i,tk)-p_n(i,dk+1)t_n(i,tk)-p_n(i,dk-1)]＝[c_t1c_t2c_t3]

计算V₁＝c_t1&c_t2&c_t3，判断V₁的大小：若V₁≠0则d(_i,tk)是缺陷边缘点；

第Ⅸ步，记录缺陷边缘点的位置坐标，并形成缺陷区间坐标为(q_d1,q_d2)，将D_iq＝(d_(i,qd1),d_(i,qd2))设为1，其他像素设为0，以实现缺陷区间突出显示；

跳至第i步进行下一个一维图像的检测直至最后一个一维图像完成检测(也即i＝N)。

本发明方法的优点在于：本发明相对于现有技术的主要优点及有益效果是：(1)本发明充分利用了PCTP的ITO电路本身的特点来构造对其的直接数学描述，摈弃了复杂的数学变换，并基于此描述构建了缺陷检测算法；模板建立可离线实现，不占用实时检测时间；(2)实际检测时，只需比较待检测图像的每一维图的过参考线点个数是否与相对应的标准模板的一维图的过参考线点个数相等来确定此一维图是否含有缺陷；仅仅是一种比较算法。算法简单、快速，可满足实时性要求；(3)本算法检测精度高，并且适用于基于线阵系统的具有复杂结构的图案的表面缺陷。

实施例二

本实施例以具体例子进行说明。基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，依次包括一维模板建立阶段和缺陷检测阶段；其中，

一维模板建立阶段包括如下步骤：

第一步，扫描图像后，将图像分割成若干个单元图像，从中任取三个单元图像P₁、P₂与P₃，尺寸为：209×429(像素)，如图2(a)～图2(c)所示；

第二步，对P₁、P₂与P₃分别进行一维图像分解为：V_i、X_i与Y_i，i∈(0,208)；以i＝27为例，V₂₇、X₂₇与Y₂₇以Otsu法求取的参考比较点都为93，如图3(a)～图3(c)所示；

第三步，分别生成V_ε27、X_ε27与Y_ε27，如图4(a)～图4(c)所示；

第四步，分别构建过参考线的新三幅一维图像V_n27、X_n27与Y_n27，如图5(a)～图5(c)所示；

V_n27过参考线的像素点集合为：(172175199202233237270274289293311315334338357361380384402406421425)；

X_n27过参考线的像素点集合为：(171176198203233237251256270275288293311316334339356361379384401407420425)；

Y_n27过参考线的像素点集合为：(171176198203233237251256270274289293311316334338357361380384402406420425)；

第五步，计算主动判别矩阵与参考判别矩阵，以X_n27中像素坐标为251与256为例；

$R_{(i,Q)}=\left[\begin{array}{ccc}{r}_1& r_2& r_3\\ r_4& r_5& r_6\end{array}\right]=\left[\begin{array}{ccc}14& 13& 12\\ 0& -1& 1\end{array}\right]$

V₃＝r₁&r₂&r₃＝1,V₄＝r₄&r₅&r₆＝0，故该点为缺陷边缘点，并且位于V_n27中；

V₂₇、X₂₇与Y₂₇的缺陷显示如图6(a)～图6(c)所示；P₁、P₂与P₃的缺陷显示如图7(a)～图7(c)所示，缺陷图为二值图像，无缺陷处置1，有缺陷处置0。

第六步，V₂₇、X₂₇与Y₂₇三个一维图像中，只有V₂₇存在缺陷，其缺陷像素集合的位置坐标为：(251,256)，则无缺陷像素集合的位置坐标为：(1,250)∪(257,429)，并由无缺陷像素集合构成的新的无缺陷一维图像为：

$\left\{\begin{array}{c}{V}_{d27}=(v_{(27,1)},\mathrm{...},v_{(27,250)},v_{(27,257)},\mathrm{...},v_{(27,429)})\\ X_{d27}=(x_{(27,1)},\mathrm{...},x_{(27,250)},x_{(27,257)},\mathrm{...},x_{(27,429)})\\ Y_{d27}=(y_{(27,1)},\mathrm{...},y_{(27,250)},y_{(27,257)},\mathrm{...},y_{(27,429)})\end{array}\right.$

利用Otsu算法，分别计算V_d27、X_d27与Y_d27，如图8(a)～图8(c)所示；所对应的分割值都为93，并根据该分割值将V₂₇、X₂₇与Y₂₇分割得到的新的一维图像V_27l、V_27h、X_27l、X_27h与Y_27l、Y_27h，如图9(a)～图9(f)所示；并计算r_i-、r_i+与O_i-、O_i+分别为：0.866、0.9528、0.9354、0.9736。由于(O_i++O_i-)/2>(r_i++r_i-)/2，故用Y₂₇中所对应的缺陷替代V₂₇中的缺陷段，修复后的一维图像如图10所示；

按照此算法遍历整幅图像后的标准模板图11所示；

缺陷检测阶段包括如下步骤：

第Ⅰ步，载入由上列算法得到的无缺陷模板，如图11所示；并载入待检测图像；

第Ⅱ步，采用简单的互相关算法使两者在空间对齐，并裁剪其尺寸相同，如图12所示；

第Ⅲ步，分别构建其一维图像T_i与D_i、ε_ti与ε_di、T_εi、D_εi、T_εli和D_εli、T_ni和D_ni；

第Ⅳ步，分别计算T_ni和D_ni的值为0的元素数量得到C_t和C_d，来确定待检测图像中是否含有缺陷，例：C_t＝Count(t_n(30,:)＝0)＝26，C_d＝Count(d_n(30,:)＝0)＝28，则D₃₀中存在缺陷；并将缺陷边缘点的像素值突出显示；整个待检测图像遍历后，其缺陷如图13所示。

下面分别采用本发明方法和现有方法进行试验对比：以采用图11作为标准模板，图12作为待检测图像进行缺陷检测。现有方法中，首先利用Canny算子，求取模板中ITO线路的亚像素边缘，然后根据边缘的梯度方向构建一个容错的边缘模板；之后求取待检测图像的边缘后，逐点比较待检测图像边缘是否被包含于容错边缘模板中；若被包含，则该点不是缺陷；若未包含，则改点为缺陷并用黄色显示，最后检测的缺陷图如图14所示。在同样的计算机上运算，现有方法用时为1.3s，而本发明提出的算法只耗时0.8s。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，其特征在于，依次包括一维模板建立阶段和缺陷检测阶段；其中，

所述一维模板建立阶段包括如下步骤：

第一步，采用线阵相机对基板扫描形成图像；将图像分割成若干个尺寸为N×M的单元图像，各个单元图像上分别包括一个完整的投射电容触摸屏ITO电路；任意选取三个单元图像，并将三个单元图像分别设定为P₁、P₂和P₃；

第二步，将P₁、P₂和P₃进行空间对齐；

第三步，将P₁、P₂和P₃分别分解为：

V_i＝(v_(i,0),v_(i,1),…,v_(i,M-1))，

X_i＝(x_(i,0),x_(i,1),…,x_(i,M-1))，

Y_i＝(y_(i,0),y_(i,1),…,y_(i,M-1))，

其中，i∈(0,N-1)；

选取V_i为目标一维图像，X_i和Y_i为参考一维图像；

第四步，分别对V_i、X_i和Y_i进行处理和分析，求取其判断样本点矩阵V_ci、X_ci与Y_ci；

第五步，判别目标一维图像中是否存在缺陷边缘点，并记录缺陷边缘点的位置坐标；目标一维图像中偶数坐标缺陷边缘点与其左侧奇数坐标缺陷边缘点组成缺陷区间；

第六步，利用参考一维图像的元素对目标一维图像的缺陷区间进行修复，完成一维模板的构建；然后i＝i+1，并跳至第四步，直至i＝M，完成整幅标准模板构建；

第七步，将整幅标准模板储存为P_t，标准模板P_t的一维图像的分解为：T_i＝(t_(i,0),t_(i,1),…,t_(i,M-1))；

所述缺陷检测阶段包括如下步骤：

第Ⅰ步，读入待检测图像；

第Ⅱ步，将待检测图像与标准模板Pt进行空间对齐，并将待检测图像裁剪为标准模板P_t的尺寸；

第Ⅲ步，将待检测图像的一维图像分解为D_i＝(d_(i,0),d_(i,1),…,d_(i,M-1))；

第Ⅳ步，采用Otsu法分别求取T_i与D_i在第i行的参考比较点ε_ti与ε_di；以参考比较点ε_ti与ε_di为灰度基准进行变换得到T_εi、D_εi：

$\left\{\begin{array}{c}{T}_{\mathrm{\&epsiv;}i}=T_i-{\mathrm{\&epsiv;}}_{ti}E=(t_{(i,0)}-{\mathrm{\&epsiv;}}_{ti},t_{(i,1)}-{\mathrm{\&epsiv;}}_{ti},...,t_{(i,M-1)}-{\mathrm{\&epsiv;}}_{ti})\\ D_{\mathrm{\&epsiv;}i}=D_i-{\mathrm{\&epsiv;}}_{di}E=(d_{(i,0)}-{\mathrm{\&epsiv;}}_{di},d_{(i,1)}-{\mathrm{\&epsiv;}}_{di},...,d_{(i,M-1)}-{\mathrm{\&epsiv;}}_{di})\end{array}\right.$

第Ⅴ步，分别计算T_εli和D_εli：

$\left\{\begin{array}{c}{T}_{\mathrm{\&epsiv;}li}=T_{\mathrm{\&epsiv;}i}<<1=(t_{(i,1)}-{\mathrm{\&epsiv;}}_{ti},...,t_{(i,M-1)}-{\mathrm{\&epsiv;}}_{ti},1),if{t}_{(i,j)}={\mathrm{\&epsiv;}}_{ti},then{t}_{(i,j)}=t_{(i,j-1)}\\ D_{\mathrm{\&epsiv;}li}=D_{\mathrm{\&epsiv;}i}<<1=(d_{(i,1)}-{\mathrm{\&epsiv;}}_{di},...,d_{(i,M-1)}-{\mathrm{\&epsiv;}}_{di},1),if{d}_{(i,j)}={\mathrm{\&epsiv;}}_{di},then{d}_{(i,j)}=d_{(i,j-1)}\end{array}\right.$

第Ⅵ步，分别计算T_ni和D_ni：

$\left\{\begin{array}{c}{T}_{ni}=T_{\mathrm{\&epsiv;}i}\&times;{T_{\mathrm{\&epsiv;}li}}^T=(t_{n(i,0)},t_{n(i,1)},...,t_{n(i,M-1)}),if{f}_{n(i,d)}<0,then{t}_{n(i,b)}=0,or{t}_{n(i,d)}>0,then{t}_{n(i,d)}=1\\ D_{ni}=D_{\mathrm{\&epsiv;}i}\&times;{D_{\mathrm{\&epsiv;}li}}^T=(d_{n(i,0)},d_{n(i,1)},...,d_{n(i,M-1)}),if{d}_{n(i,j)}<0,then{d}_{n(i,j)}=0,or{d}_{n(i,j)}>0,then{d}_{n(i,j)}=1\end{array}\right.$

第Ⅶ步，统计T_ni和D_ni中的值为0的元素数量并得到C_t和C_d；判断C_t和C_d是否相等：若C_t＝C_d，则该一维图像中无缺陷边缘点，跳至第Ⅰ步进行下一维图像的检测直至最后一维图像完成检测；若C_t≠C_d，则该一维图像中有缺陷边缘点，执行第Ⅷ步；；

第Ⅷ步，将T_ni中值为0点的元素的位置坐标存储到t_k中，t_k＝(t_k1,t_k2,…)；将D_ni中值为0点的元素的位置坐标存储到d_k中，d_k＝(d_k1,d_k2,…)；

分别将各个t_k值代入到J_(i,tk)中进行计算：

J_(i,D)＝[t_n(i,tk)-p_n(i,dk)t_n(i,tk)-p_n(i,dk+1)t_n(i,tk)-p_n(i,dk-1)]＝[c_t1c_t2c_t3]

计算V₁＝c_t1&c_t2&c_t3，判断V₁的大小：若V₁≠0则d(_i,tk)是缺陷边缘点；

第Ⅸ步，记录缺陷边缘点的位置坐标，并形成缺陷区间坐标为(q_d1,q_d2)，将D_iq＝(d_(i,qd1),d_(i,qd2))设为1，其他像素设为0，以实现缺陷区间突出显示；

跳至第Ⅰ步进行下一维图像的检测直至最后一维图像完成检测。

2.根据权利要求1所述的基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，其特征在于，所述第四步包括如下步骤：

四①步，采用Otsu法分别求取V_i、X_i和Y_i在第i行的参考比较点ε_vi、ε_xi和ε_yi；

四②步，分别将V_i、X_i和Y_i以参考比较点ε_vi、ε_xi和ε_yi为灰度基准进行变换得到V_εi、X_εi、Y_εi：

V_εi＝V_i-ε_viE＝(v_(i,0)-ε_vi,v_(i,1)-ε_vi,...,v_(i,M-1)-ε_vi)

X_εi＝X_i-ε_xiE＝(x_(i,0)-ε_xi,x_(i,1)-ε_xi,...,x_(i,M-1)-ε_xi)

Y_εi＝Y_i-ε_yiE＝(y_(i,0)-ε_yi,y_(i,1)-ε_yi,...,y_(i,M-1)-ε_yi)

其中，E为1×M维全1矩阵；

四③步，分别将V_εi、X_εi与Y_εi的元素分别左移一位，并将其中值为0的元素用其左侧的元素替代，并在末尾添加元素1，得到V_εli、X_εli与Y_εli：

四④步，将V_εi、X_εi、Y_εi分别与V_εli、X_εli与Y_εli相乘获得判别向量V_ni、X_ni与Y_ni，并分别比较判别向量V_ni、X_ni与Y_ni中各个元素的大小：若元素值≤0则该元素置为1，否则该元素置为0：

V_ni＝V_εi×V_εli ^T＝(v_n(i,0),v_n(i,1),...,v_n(i,M-1)),ifv_n(i,d)≤0,thenv_n(i,d)＝1,elsev_n(i,d)＝0

X_ni＝X_εi×X_εli ^T＝(x_n(i,0),x_n(i,1),...,x_n(i,M-1)),ifx_n(i,d)≤0,thenx_n(i,d)＝1,elsex_n(i,d)＝0

Y_ni＝Y_εi×Y_εli ^T＝(y_n(i,0),y_n(i,1),...,y_n(i,M-1)),ify_n(i,d)≤0,thenv_n(i,d)＝1,elsey_n(i,d)＝0

其中，d∈(0,M-1)；

将值为0的元素分别设定为判断样本点；

四⑤步，将V_ni、X_ni与Y_ni中的值为0的元素分别设定为判断样本点，并将其存储为新向量为：V_ci＝(v_n(i,k1),v_n(i,k2),…,v_n(i,k))，X_ci＝(x_n(i,q1),x_n(i,q2),…,x_n(i,q))与Y_ci＝(y_n(i,z1),y_n(i,z2),…,y_n(i,z))。

3.根据权利要求2所述的基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，其特征在于，所述第五步包括如下步骤：

五①步，对V_ni中所有判断样本点，计算主动判别矩阵J_(i,K)；对X_ni中位置坐标不与V_ni中判断样本点重合的判断样本点，计算参考判别矩阵R_(i,Q)；

$J_{(i,K)}=\left[\begin{array}{ccc}{v}_{n(i,K)}-x_{n(i,K)}& v_{n(i,K)}-x_{n(i,K+1)}& v_{n(i,K)}-x_{n(i,K-1)}\\ v_{n(i,K)}-y_{n(i,K)}& v_{n(i,K)}-y_{n(i,K+1)}& v_{n(i,K)}-y_{n(i,K-1)}\end{array}\right]=\left[\begin{array}{ccc}{c}_1& c_2& c_3\\ c_4& c_5& c_6\end{array}\right]$

$R_{(i,Q)}=\left[\begin{array}{ccc}{x}_{n(i,Q)}-v_{n(i,Q)}& x_{n(i,Q)}-v_{n(i,Q+1)}& x_{n(i,Q)}-v_{n(i,Q-1)}\\ x_{n(i,Q)}-y_{n(i,Q)}& x_{n(i,Q)}-y_{n(i,Q+1)}& x_{n(i,Q)}-y_{n(i,Q-1)}\end{array}\right]=\left[\begin{array}{ccc}{r}_1& r_2& r_3\\ r_4& r_5& r_6\end{array}\right]$

五②步，计算V₁＝c₁&c₂&c₃,V₂＝c₄&c₅&c₆；判断V₁和V₂的大小：若V₁＝0且V₂＝0，则v_n(i,K)、x_n(i,K)和y_n(i,K)均不是缺陷边缘点；若V₁＝1且V₂＝1，则v_n(i,K)是缺陷边缘点；

五③步，对x_n(i,Q)中的判断样本点，计算V₃＝r₁&r₂&r₃,V₄＝r₄&r₅&r₆；判断V₃和V₄的大小：若V₃＝1且V₄＝0，则v_n(i,Q)是缺陷边缘点；

五④步，记录缺陷边缘点的位置坐标；将v_ni的缺陷边缘点的位置坐标存储为p_j,j＝(1,2,…)；将v_ni中偶数坐标的缺陷边缘点与其左侧奇数坐标的缺陷边缘点组成缺陷区间；v_ni的缺陷区间为(v_(i,pj),v_(i,p(j+1))。

4.根据权利要求3所述的基于一维图像的投射电容触摸屏ITO电路缺陷检测方法，其特征在于，所述第六步中的利用参考一维图像的元素对目标一维图像的缺陷区间进行修复是指：

设目标一维图像缺陷区间(v_(i,pj),v_(i,p(j+1))中，v_(i,pj)的前向缺陷区间位置坐标所对应的像素点为v_(i,e)，v_(i,p(j+1)的后向像素点为v_(i,s)，计算：

V_di＝(v_(i,e+1),...,v_(i,pj-1),v_(i,p(j+1)+1),...,v_(i,s-1))

X_di＝(x_(i,e+1),...,x_(i,pj-1),x_(i,p(j+1)+1),...,x_(i,s-1))

Y_di＝(y_(i,e+1),...,y_(i,pj-1),y_(i,p(j+1)+1),...,y_(i,s-1))

利用Otsu算法，分别计算V_di、X_di与Y_di所对应的分割值ε_ai、ε_bi与ε_ci；分别对V_di、X_di与Y_di进行阈值分割：若V_di＜ε_ai则将V_di中对应的元素归入V_il，(其中元素用v_(i,j)l表示)否则将V_di中对应的元素归入V_ih(其中元素用v_(i,j)h表示)；若X_di＜ε_bi则将X_di中对应的元素归入X_il(其中元素用x_(i,j)l表示)，否则将X_di中对应的元素归入X_ih(其中元素用x_(i,j)h表示)；若Y_di＜ε_ci则将Y_di中对应的元素归入Y_il(其中元素用y_(i,j)l表示)，否则将Y_di中对应的元素归入Y_ih(其中元素用y_(i,j)h表示)；

V_il、V_ih、X_il、X_ih与Y_il、Y_ih分别为V_di、X_di与Y_di分割后所成的新向量，其中元素的纵坐标j∈(e+1,...,pj-1，p(j+1)+1,...,s-1)；分别计算出V_il与X_il、V_ih与X_ih，V_il与Y_il、V_ih与Y_ih的第i行向量间相关像素点的Pearson相关系数r_i-、r_i+、o_i-与o_i+：

$r_{i-}=\frac{<V_{il}-{\stackrel{\&OverBar;}{V}}_{il},X_{il}-{\stackrel{\&OverBar;}{X}}_{il}>}{||V_{il}-{\stackrel{\&OverBar;}{V}}_{il}||||X_{il}-{\stackrel{\&OverBar;}{X}}_{il}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})(x_{(i,j)l}-{\stackrel{\&OverBar;}{X}}_{il})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(x_{(i,j)l}-{\stackrel{\&OverBar;}{X}}_{il})}^2}}$

$r_{i+}=\frac{<V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih},X_{ih}-{\stackrel{\&OverBar;}{X}}_{ih}>}{||V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih}||||X_{ih}-{\stackrel{\&OverBar;}{X}}_{ih}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})(x_{(i,j)h}-{\stackrel{\&OverBar;}{X}}_{ih})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(x_{(i,j)h}-{\stackrel{\&OverBar;}{X}}_{ih})}^2}}$

$o_{i-}=\frac{<V_{il}-{\stackrel{\&OverBar;}{V}}_{il},Y_{il}-{\stackrel{\&OverBar;}{Y}}_{il}>}{||V_{il}-{\stackrel{\&OverBar;}{V}}_{il}||||Y_{il}-{\stackrel{\&OverBar;}{Y}}_{il}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})(y_{(i,j)l}-{\stackrel{\&OverBar;}{Y}}_{il})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)l}-{\stackrel{\&OverBar;}{V}}_{il})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(y_{(i,j)l}-{\stackrel{\&OverBar;}{Y}}_{il})}^2}}$

$o_{i+}=\frac{<V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih},Y_{ih}-{\stackrel{\&OverBar;}{Y}}_{ih}>}{||V_{ih}-{\stackrel{\&OverBar;}{V}}_{ih}||||Y_{ih}-{\stackrel{\&OverBar;}{Y}}_{ih}||}=\frac{\underset{j=0}{\overset{M}{\&Sigma;}}(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})(y_{(i,j)h}-{\stackrel{\&OverBar;}{Y}}_{ih})}{\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(v_{(i,j)h}-{\stackrel{\&OverBar;}{V}}_{ih})}^2}\sqrt{\underset{j=0}{\overset{M}{\&Sigma;}}{(y_{(i,j)h}-{\stackrel{\&OverBar;}{Y}}_{ih})}^2}}$

其中，与分别为V_il、X_il与Y_il中元素的均值；与分别为V_ih、X_ih与Y_ih中元素的均值；

判断r_i-、r_i+、o_i-与o_i+的大小：若r_i-+r_i+≥o_i-+o_i+则

(v_(i,pj),...,v_(i,p(j+1)))^T＝(x_(i,pj),...,x_(i,p(j+1)))^T；

否则，

(v_(i,pj),...,v_(i,p(j+1)))^T＝(y_(i,pj),...,y_(i,p(j+1)))^T。