CN105426926B - 一种对amoled进行检测分类的方法及装置 - Google Patents
一种对amoled进行检测分类的方法及装置 Download PDFInfo
- Publication number
- CN105426926B CN105426926B CN201610004771.7A CN201610004771A CN105426926B CN 105426926 B CN105426926 B CN 105426926B CN 201610004771 A CN201610004771 A CN 201610004771A CN 105426926 B CN105426926 B CN 105426926B
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- amoled
- template image
- bad
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/006—Electronic inspection or testing of displays and display drivers, e.g. of LED or LCD displays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
- G06V30/2504—Coarse or fine approaches, e.g. resolution of ambiguities or multiscale approaches
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
- G09G3/22—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources
- G09G3/30—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels
- G09G3/32—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED]
- G09G3/3208—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED] organic, e.g. using organic light-emitting diodes [OLED]
- G09G3/3225—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED] organic, e.g. using organic light-emitting diodes [OLED] using an active matrix
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Abstract
本申请公开了一种对AMOLED进行检测分类的方法及装置,用以实现AMOLED的自动检测分类,提高工作效率,以及提高AMOLED分类的准确性,避免人工检测误差以及对人眼的伤害。本申请提供的一种对AMOLED进行检测分类的方法,包括:将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配;根据匹配结果,对所述AMOLED进行分类。
Description
技术领域
本申请涉及自动控制技术领域,尤其涉及一种对AMOLED进行检测分类的方法及装置。
背景技术
有源矩阵有机发光二极体面板(AMOLED)被称为下一代显示技术,具有反应速度较快、对比度更高、视角较广等特点。电学检测作为AMOLED生产的后端工艺步骤,对保证出厂产品质量,分析前端工艺不良起着重要的作用。
目前所采用的点灯检测方法,主要依赖人工,在AMOLED点亮后通过人工进行观察,量产环境下人力需求量大,检测结果容易受到检测人员主观影响,另外,高强度的用眼也对视力造成损害,使得检测分类速度慢,准确率低。
发明内容
本申请实施例提供了一种对AMOLED进行检测分类的方法及装置,用以实现AMOLED的自动检测分类,提高工作效率,以及提高AMOLED分类的准确性,避免人工检测误差以及对人眼的伤害。
本申请实施例提供的一种对有源矩阵有机发光二极体面板AMOLED进行检测分类的方法,包括:
将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配;
根据匹配结果,对所述AMOLED进行分类。
现有技术中是采用人工检测分类,而本申请实施例,通过对AMOLED采集待匹配图像;将所述待匹配图像与预设的模板图像库进行匹配,根据匹配结果,对AMOLED进行分类,实现了AMOLED的自动检测分类,提高了工作效率,以及分类的准确性,避免人工检测误差以及对人眼的伤害。
较佳地,所述对AMOLED采集得到的待匹配图像包括:将对AMOLED分别采集得到的红、绿、蓝、第一灰、第二灰、第三灰、黑七个待匹配图像;
所述预设的模板图像库包括优良模板图像库,该优良模板图像库包括红、绿、蓝、第一灰、第二灰、第三灰、黑七个优良模板图像子库;
所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,具体包括:分别将对AMOLED采集到的任一所述待匹配图像与相应颜色的优良模板图像子库进行匹配;
所述根据匹配结果,对AMOLED进行分类,具体包括:当所述七个待匹配图像,与相应颜色的所述七个优良模板图像子库分别全部匹配时,为该AMOLED设置用于表示该AMOLED为优良产品的标记。
较佳地,所述预设的模板图像库,还包括不良模板图像库,该不良模板图像库中包括n个不良子库,其中n为大于或等于1的正整数;
所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,还包括:当对AMOLED分别采集到的任一所述待匹配图像与相应颜色的优良模板图像子库不匹配时,将该待匹配图像与不良模板图像库中的不良子库进行匹配;
所述根据匹配结果,对AMOLED进行分类,还包括:当对AMOLED分别采集到的待匹配图像与一不良子库i匹配时,为该AMOLED设置标记i,其中i大于或等于1,且小于或等于n。
较佳地,所述根据匹配结果,对AMOLED进行分类,还包括:
当对AMOLED分别采集到的待匹配图像与任一不良子库均不匹配时,将该待匹配图像存入不良模板图像库,并确定该待匹配图像所属的不良子库;
该方法还包括:重新对该AMOLED进行检测分类。
较佳地,所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,具体包括:
计算对所述AMOLED采集得到的待匹配图像与预设的模板图像库中的图像的相似度,并将该相似度与预设的相似度阈值进行比较。
本申请实施例提供的一种对有源矩阵有机发光二极体面板AMOLED进行检测分类的装置,包括:
第一单元,用于将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配;
第二单元,用于根据匹配结果,对所述AMOLED进行分类。
较佳地,所述对AMOLED采集得到的待匹配图像包括:将对AMOLED分别采集得到的红、绿、蓝、第一灰、第二灰、第三灰、黑七个待匹配图像;
所述预设的模板图像库包括优良模板图像库,该优良模板图像库包括红、绿、蓝、第一灰、第二灰、第三灰、黑七个优良模板图像子库;
所述第一单元,具体用于:分别将对AMOLED采集到的任一所述待匹配图像与相应颜色的优良模板图像子库进行匹配;
所述第二单元,具体用于:当所述七个待匹配图像,与相应颜色的所述七个优良模板图像子库分别全部匹配时,为该AMOLED设置用于表示该AMOLED为优良产品的标记。
较佳地,所述预设的模板图像库,还包括不良模板图像库,该不良模板图像库中包括n个不良子库,其中n为大于或等于1的正整数;
所述第一单元,还用于:当对AMOLED分别采集到的任一所述待匹配图像与相应颜色的优良模板图像子库不匹配时,将该待匹配图像与不良模板图像库中的不良子库进行匹配;
所述第二单元,还用于:当对AMOLED分别采集到的待匹配图像与一不良子库i匹配时,为该AMOLED设置标记i,其中i大于或等于1,且小于或等于n。
较佳地,所述第二单元,还用于:
当对AMOLED分别采集到的待匹配图像与任一不良子库均不匹配时,将该待匹配图像存入不良模板图像库,并确定该待匹配图像所属的不良子库;并触发第一单元重新对该AMOLED进行检测分类。
较佳地,所述第一单元将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,具体是指:所述第一单元计算对所述AMOLED采集得到的待匹配图像与预设的模板图像库中的图像的相似度,并将该相似度与预设的相似度阈值进行比较。
附图说明
图1为本申请实施例提供的一种对AMOLED进行检测分类的方法的流程示意图;
图2为本申请实施例提供的对AMOLED进行检测分类的原理示意图;
图3为本申请实施例提供的一种对AMOLED进行检测分类的具体流程示意图;
图4为本申请实施例提供的一种对AMOLED进行检测分类的装置的结构示意图。
具体实施方式
本申请实施例提供了一种对AMOLED进行检测分类的方法及装置,用以实现AMOLED的自动检测分类,提高工作效率,以及提高AMOLED分类的准确性,避免人工检测误差以及对人眼的伤害。
针对目前电学检测都用利用人工检测方式,检测结果具有操作人员的主观思想,眼睛长期观察显示器件容易产生视觉疲劳,造成结果会误判的现象,本申请实施例提供的技术方案,是一种基于相似度匹配的AMOLED电学检测自动分类方案。与现有的机器视觉显示屏缺陷检测相比,避免了多次的图像处理步骤,加快了机器判断速度,提高了生产效率,可以节省大量人力成本,降低企业成本。
下面结合附图对本申请实施例提供的技术方案进行说明。
参见图1,本申请实施例提供的一种对AMOLED进行检测分类的方法,包括:
S101、将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配;
S102、根据匹配结果,对所述AMOLED进行分类。
较佳地,所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,具体包括:
计算对所述AMOLED采集得到的待匹配图像与预设的模板图像库中的图像的相似度,并将该相似度与预设的相似度阈值进行比较。
参见图2,本申请实施例,基于相似度匹配的AMOLED电学检测自动分类,主要是将在量产前测试所积累的大量图像信息作为模板图像,将模板图像进行人工和计算机聚类方法进行分类,在量产时求取待匹配图像和模板图像之间的相似度,即将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,当待匹配图像与某一类中图像的相似度大于或等于预设的阈值时,则认为待匹配图像与该类图像一致,为待匹配图像进行分类标记,若对所有类比较后不能实现分类的,则将该待匹配图像保存为模板图像,对模板图像进行重新分类标记作为模板图像库中的模板图像,然后再对该AMOLED重新分类,最终实现AMOLED自动筛选分类。随着模板图像的不断增多,待匹配图像的匹配成功几率也就越高。
较佳地,所述对AMOLED采集得到的待匹配图像包括:将对AMOLED分别采集得到的红、绿、蓝、第一灰、第二灰、第三灰、黑七个待匹配图像;
所述预设的模板图像库包括优良模板图像库,该优良模板图像库包括红、绿、蓝、第一灰、第二灰、第三灰、黑七个优良模板图像子库;
所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,具体包括:分别将对AMOLED采集到的任一所述待匹配图像与相应颜色的优良模板图像子库进行匹配;
所述根据匹配结果,对AMOLED进行分类,具体包括:当所述七个待匹配图像,与相应颜色的所述七个优良模板图像子库分别全部匹配时,为该AMOLED设置用于表示该AMOLED为优良产品的标记。
其中,可以按照红、绿、蓝、第一灰、第二灰、第三灰、黑的顺序,依次采集AMOLED的待匹配图像,每次采集到一个待匹配图像,就与预设的模板图像库中的相应颜色的优良模板图像子库进行匹配,若匹配,则进行下一个待匹配图像的采集以及匹配,例如,先采集AMOLED的红色的待匹配图像,将红色的待匹配图像与预设的模板图像库中的红色图像进行匹配,若匹配一致,则采集AMOLED的绿色的待匹配图像,将绿色的待匹配图像与预设的模板图像库中的绿色图像进行匹配,以此类推,若AMOLED的红、绿、蓝、第一灰、第二灰、第三灰、黑色的待匹配图像,均与相应颜色的优良模板图像子库匹配,则说明该AMOLED为良品,给予相应标记进行分类。
较佳地,所述预设的模板图像库,还包括不良模板图像库,该不良模板图像库中包括n个不良子库,其中n为大于或等于1的正整数;
所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,还包括:当对AMOLED分别采集到的任一所述待匹配图像与相应颜色的优良模板图像子库不匹配时,将该待匹配图像与不良模板图像库中的不良子库进行匹配;
所述根据匹配结果,对AMOLED进行分类,还包括:当对AMOLED分别采集到的待匹配图像与一不良子库i匹配时,为该AMOLED设置标记i,其中i大于或等于1,且小于或等于n,即i属于[1,n]。
例如,按照红、绿、蓝、第一灰、第二灰、第三灰、黑的顺序,先采集AMOLED的红色的待匹配图像,将红色的待匹配图像与预设的模板图像库中的红色图像进行匹配,若不匹配,则将红色的待匹配图像与不良模板图像库中的不良子库进行匹配;若匹配一致,则采集AMOLED的绿色的待匹配图像;
将绿色的待匹配图像与预设的模板图像库中的绿色图像进行匹配,若不匹配,则将绿色的待匹配图像与不良模板图像库中的不良子库进行匹配;若匹配一致,则采集AMOLED的蓝色的待匹配图像;
将蓝色的待匹配图像与预设的模板图像库中的蓝色图像进行匹配,若不匹配,则将蓝色的待匹配图像与不良模板图像库中的不良子库进行匹配;若匹配一致,则采集AMOLED的第一灰色的待匹配图像;
将第一灰色的待匹配图像与预设的模板图像库中的第一灰色图像进行匹配,若不匹配,则将第一灰色的待匹配图像与不良模板图像库中的不良子库进行匹配;若匹配一致,则采集AMOLED的第二灰色的待匹配图像;
将第二灰色的待匹配图像与预设的模板图像库中的第二灰色图像进行匹配,若不匹配,则将第二灰色的待匹配图像与不良模板图像库中的不良子库进行匹配;若匹配一致,则采集AMOLED的第三灰色的待匹配图像;
将第三灰色的待匹配图像与预设的模板图像库中的第三灰色图像进行匹配,若不匹配,则将第三灰色的待匹配图像与不良模板图像库中的不良子库进行匹配;若匹配一致,则采集AMOLED的黑色的待匹配图像;
将黑色的待匹配图像与预设的模板图像库中的黑色图像进行匹配,若不匹配,则将黑色的待匹配图像与不良模板图像库中的不良子库进行匹配;若匹配一致,则说明该AMOLED为良品,给予相应标记进行分类,例如标记P。
其中,在将任一所述颜色的待匹配图像与不良模板图像库中的不良子库进行匹配时,其匹配过程与将任一所述颜色的待匹配图像与优良模板图像子库的匹配过程同理,即分别与每一预设的不良模板图像库中不良子库进行匹配,若与一不良子库匹配上了,则给予相应的标记。例如与不良子库i匹配上了,则为该AMOLED标记i。
较佳地,所述根据匹配结果,对AMOLED进行分类,还包括:
当对AMOLED分别采集到的待匹配图像与任一不良子库均不匹配时,将该待匹配图像存入不良模板图像库,并确定该待匹配图像所属的不良子库;
该方法还包括:重新对该AMOLED进行检测分类。
参见图3,本申请实施例提供的一种具体的对AMOLED进行检测分类的方法包括:
一、模板图像采集
采用电荷耦合元件(Charge-Coupled Device,CCD)对点亮后的AMOLED图像进行采集,为了避免光源等噪声对图像采集造成的影响,采集图像时在完全黑暗的情况下进行。对不同状况下的AMOLED显示的图像进行采集,用于后续建立模板图像库,库中包含所有优良和目前已经出现的不良显示器件图像,即优良模板图像库和不良模板图像库,该优良模板图像库包括红、绿、蓝、第一灰、第二灰、第三灰、黑七个优良模板图像子库,该不良模板图像库中包括n个不良子库,其中n为大于或等于1的正整数。
二、人工分类
经过人工筛选,将满足条件的优良图像选出作为优良模板图像库,然后按照点亮方式划分为红色、绿色、蓝色、灰1(即第一灰)、灰2(即第二灰)、灰3(即第三灰)和黑一共7个优良模板图像子库。对采集和人工筛选以后的图像存入计算机,以数据矩阵的形式保存。计算机对图像进行的所有操作都是对数据矩阵的处理。
三、聚类
对其余不满足优良模板图像库的图像进行聚类。减法聚类(SubtractionClustering)可以用来估计一组数据中聚类的个数。为此首先利用减法聚类对不良模板图像库进行初次聚类,获得聚类个数。将聚类个数与人工经验划分结果相结合,同时考虑设备硬件能力,最终确定不良子库的个数n。在确定不良子库个数的情况下,采用模糊C均值聚类算法(Fuzzy C-Means Algorithm)对不良模板图像库进行再次聚类,获得聚类结果。在模糊聚类中,每一个模板图像并不是非常严格的被分到一不良子库中,而是根据其隶属度函数的大小来决定属于的不良子库。模糊聚类后每一个不良子库中都存放着具有相同特征的不良模板图像,分别标记为不良1,不良2…不良n。
四、求取待匹配图像与模板图像的相似度,即将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配。
待匹配的图像与模板图像在相同环境下,采用相同参数的CCD进行采集,对同一个AMOLED分别按顺序采集红、绿、蓝、灰1、灰2、灰3和黑一共7个待匹配图像。预先设置相似度阈值α和β,α和β的值根据实际经验实际需求进行设置,阈值过小则匹配的成功率较高,但是准确率会下降,阈值设置的过大,会造成原本能够匹配到的但却没能匹配得到,为了保证产品出厂的合格率,α一般取0.9以上为益,β一般也取0.9以上为益。
按顺序依次求取7个图像,每采集到一个图像就将其与所对应的优良模板图像进行匹配,求取相似度值,如果该相似度值大于α则依次继续后面6个图像的匹配,否则停止在优良模板图像库中的匹配,转到不良模板图像库进行匹配。
假设将7个待匹配图像分别与红、绿、蓝、灰1、灰2、灰3和黑优良模板图像子库进行匹配,求取的相似度分别为α1、α2、α3、α4,α5、α6和α7。例如:先采集到红色图像与优良模板库红色子图进行匹配求得相似度α1,如果α1<α,则停止匹配,如果α1≥α,则继续采集绿色图像继续进行匹配,以此类推,直到α1、α2、α3、α4,α5、α6和α7都大于α时,则认为该AMOLED为合格产品,标记P。
对于α1、α2、α3、α4,α5、α6和α7任意一个不能满足相似度α时,则需要在不良模板图像库中继续匹配,逐一求取与不良子库1…n的相似度值,直到β1、β2…βn任意一个大于β,则停止匹配并为该AMOLED设置标记i,i大于或等于1,且小于或等于n。
如果待匹配图像在所有不良子库中仍然没有能够匹配成功,则将该AMOLED的待匹配图像存入不良模板图像库,然后重新聚类重复以上步骤进行匹配。
随着不良模板图像库存入的图像逐渐增多,待匹配图像的匹配率也会提高。
其中,较佳地,求取待匹配图像与任一模板图像的相似度的步骤包括:
步骤一:求取待匹配图像与模板图像的马哈拉诺比斯距离(Mahalanobis),简称马氏距离,用来表征两个图像之间的距离,马氏距离的求取公式如下:
(式一)
其中,ρ表示所述马氏距离,表示模板图像的均值;表示待匹配图像的均值;表示待匹配图像的协方差阵的伪逆。
步骤二:将步骤一中求得的马氏距离转化为待匹配图像与模板图像的相似度,采用的公式如下:
(式二)
其中,S表示待匹配图像与模板图像的相似度。d为积分公式的表示符号,t表示马氏距离的积分变量,通常把自变量t的增量Δt称为自变量的微分,记作dt,即dt=Δt。erf()表示误差函数。
与上述方法相对应地,参见图4,本申请实施例提供的一种对有源矩阵有机发光二极体面板AMOLED进行检测分类的装置,包括:
第一单元11,用于将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配;
第二单元12,用于根据匹配结果,对所述AMOLED进行分类。
较佳地,所述对AMOLED采集得到的待匹配图像包括:将对AMOLED分别采集得到的红、绿、蓝、第一灰、第二灰、第三灰、黑七个待匹配图像;
所述预设的模板图像库包括优良模板图像库,该优良模板图像库包括红、绿、蓝、第一灰、第二灰、第三灰、黑七个优良模板图像子库;
所述第一单元,具体用于:分别将对AMOLED采集到的任一所述待匹配图像与相应颜色的优良模板图像子库进行匹配;
所述第二单元,具体用于:当所述七个待匹配图像,与相应颜色的所述七个优良模板图像子库分别全部匹配时,为该AMOLED设置用于表示该AMOLED为优良产品的标记。
较佳地,所述预设的模板图像库,还包括不良模板图像库,该不良模板图像库中包括n个不良子库,其中n为大于或等于1的正整数;
所述第一单元,还用于:当对AMOLED分别采集到的任一所述待匹配图像与相应颜色的优良模板图像子库不匹配时,将该待匹配图像与不良模板图像库中的不良子库进行匹配;
所述第二单元,还用于:当对AMOLED分别采集到的待匹配图像与一不良子库i匹配时,为该AMOLED设置标记i,其中i大于或等于1,且小于或等于n。
较佳地,所述第二单元,还用于:
当对AMOLED分别采集到的待匹配图像与任一不良子库均不匹配时,将该待匹配图像存入不良模板图像库,并确定该待匹配图像所属的不良子库;并触发第一单元重新对该AMOLED进行检测分类。
较佳地,所述第一单元将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,具体是指:所述第一单元计算对所述AMOLED采集得到的待匹配图像与预设的模板图像库中的图像的相似度,并将该相似度与预设的相似度阈值进行比较。
其中,所述的第一单元和第二单元,均可以由处理器等实体器件实现。当然,除此之外,该对AMOLED进行检测分类的装置,还可以包括存储器等实体器件,用于存储相关数据等。
综上所述,现有技术中是采用人工检测分类,而本申请实施例,通过对AMOLED采集待匹配图像;将所述待匹配图像与预设的模板图像库进行匹配,根据匹配结果,对AMOLED进行分类标记,根据标记的结果对不同类别的AMOLED进行分类存放。实现了AMOLED的自动检测分类,提高了工作效率,以及分类的准确性,避免人工检测误差以及对人眼的伤害。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (4)
1.一种对有源矩阵有机发光二极体面板AMOLED进行检测分类的方法,其特征在于,该方法包括:
将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配;
根据匹配结果,对所述AMOLED进行分类;
其中,所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,包括:计算对所述AMOLED采集得到的待匹配图像与预设的模板图像库中的图像的相似度,并将该相似度与预设的相似度阈值进行比较,其中,求取所述待匹配图像与任一模板图像的相似度包括:采用公式(1)求取待匹配图像与模板图像的马哈拉诺比斯距离,并将马哈拉诺比斯距离通过公式(2)转化为待匹配图像与模板图像的相似度;
所述预设的模板图像库,还包括不良模板图像库,该不良模板图像库中包括n个不良子库,其中n为大于或等于1的正整数;
所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,还包括:当对AMOLED分别采集到的任一所述待匹配图像与相应颜色的优良模板图像子库不匹配时,将该待匹配图像与不良模板图像库中的不良子库进行匹配;
所述根据匹配结果,对AMOLED进行分类,还包括:当对AMOLED分别采集到的待匹配图像与一不良子库i匹配时,为该AMOLED设置标记i,其中i大于或等于1,且小于或等于n;当对AMOLED分别采集到的待匹配图像与任一不良子库均不匹配时,将该待匹配图像存入不良模板图像库,并确定该待匹配图像所属的不良子库,重新对该AMOLED进行检测分类;
公式(1)为公式(2)为ρ表示所述马哈拉诺比斯距离,表示模板图像的均值;表示待匹配图像的均值;表示待匹配图像的协方差阵的伪逆,F表示待匹配图像与模板图像的相似度,d为积分公式的表示符号,t表示马氏距离的积分变量,erf表示误差函数。
2.根据权利要求1所述的方法,其特征在于,所述对AMOLED采集得到的待匹配图像包括:将对AMOLED分别采集得到的红、绿、蓝、第一灰、第二灰、第三灰、黑七个待匹配图像;
所述预设的模板图像库包括优良模板图像库,该优良模板图像库包括红、绿、蓝、第一灰、第二灰、第三灰、黑七个优良模板图像子库;
所述将对AMOLED采集得到的待匹配图像与预设的模板图像库进行匹配,具体包括:分别将对AMOLED采集到的任一所述待匹配图像与相应颜色的优良模板图像子库进行匹配;
所述根据匹配结果,对AMOLED进行分类,具体包括:当所述七个待匹配图像,与相应颜色的所述七个优良模板图像子库分别全部匹配时,为该AMOLED设置用于表示该AMOLED为优良产品的标记。
3.一种对有源矩阵有机发光二极体面板AMOLED进行检测分类的装置,其特征在于,该装置包括:
第一单元,用于计算对所述AMOLED采集得到的待匹配图像与预设的模板图像库中的图像的相似度,并将该相似度与预设的相似度阈值进行比较,其中,求取所述待匹配图像与任一模板图像的相似度包括:采用公式(1)求取待匹配图像与模板图像的马哈拉诺比斯距离,并将马哈拉诺比斯距离通过公式(2)转化为待匹配图像与模板图像的相似度;
第二单元,用于根据匹配结果,对所述AMOLED进行分类;
所述预设的模板图像库,还包括不良模板图像库,该不良模板图像库中包括n个不良子库,其中n为大于或等于1的正整数;
所述第一单元,还用于:当对AMOLED分别采集到的任一所述待匹配图像与相应颜色的优良模板图像子库不匹配时,将该待匹配图像与不良模板图像库中的不良子库进行匹配;
所述第二单元,还用于:当对AMOLED分别采集到的待匹配图像与一不良子库i匹配时,为该AMOLED设置标记i,其中i大于或等于1,且小于或等于n,以及还用于:当对AMOLED分别采集到的待匹配图像与任一不良子库均不匹配时,将该待匹配图像存入不良模板图像库,并确定该待匹配图像所属的不良子库,并触发第一单元重新对该AMOLED进行检测分类;
其中,公式(1)为公式(2)为ρ表示马哈拉诺比斯距离,表示模板图像的均值;表示待匹配图像的均值;表示待匹配图像的协方差阵的伪逆,F表示待匹配图像与模板图像的相似度,d为积分公式的表示符号,t表示马氏距离的积分变量,erf表示误差函数。
4.根据权利要求3所述的装置,其特征在于,所述对AMOLED采集得到的待匹配图像包括:将对AMOLED分别采集得到的红、绿、蓝、第一灰、第二灰、第三灰、黑七个待匹配图像;
所述预设的模板图像库包括优良模板图像库,该优良模板图像库包括红、绿、蓝、第一灰、第二灰、第三灰、黑七个优良模板图像子库;
所述第一单元,具体用于:分别将对AMOLED采集到的任一所述待匹配图像与相应颜色的优良模板图像子库进行匹配;
所述第二单元,具体用于:当所述七个待匹配图像,与相应颜色的所述七个优良模板图像子库分别全部匹配时,为该AMOLED设置用于表示该AMOLED为优良产品的标记。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610004771.7A CN105426926B (zh) | 2016-01-04 | 2016-01-04 | 一种对amoled进行检测分类的方法及装置 |
US15/202,526 US10043108B2 (en) | 2016-01-04 | 2016-07-05 | Method and apparatus for detecting and classifying active matrix organic light emitting diode panel |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610004771.7A CN105426926B (zh) | 2016-01-04 | 2016-01-04 | 一种对amoled进行检测分类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426926A CN105426926A (zh) | 2016-03-23 |
CN105426926B true CN105426926B (zh) | 2019-09-24 |
Family
ID=55505124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610004771.7A Active CN105426926B (zh) | 2016-01-04 | 2016-01-04 | 一种对amoled进行检测分类的方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10043108B2 (zh) |
CN (1) | CN105426926B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297653B (zh) * | 2016-10-28 | 2018-08-31 | 重庆工商职业学院 | 一种基于图像处理的led屏像素点亮度校正方法及其系统 |
US10288410B2 (en) * | 2016-11-10 | 2019-05-14 | The Boeing Company | Method and system for identifying wire contact insertion holes of a connector |
CN106910207B (zh) * | 2017-02-27 | 2020-12-08 | 网易(杭州)网络有限公司 | 用于识别图像局部区域的方法、装置及终端设备 |
CN108256564B (zh) * | 2018-01-10 | 2022-04-19 | 广东工业大学 | 一种基于距离度量相异度的自适应模版匹配方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201489795U (zh) * | 2009-08-03 | 2010-05-26 | 俞权锋 | 显示缺陷自动检测装置 |
CN102854196A (zh) * | 2012-09-24 | 2013-01-02 | 江苏物联网研究发展中心 | Mems结构缺陷的晶圆级自动检测系统及检测方法 |
CN104933978A (zh) * | 2015-07-02 | 2015-09-23 | 京东方科技集团股份有限公司 | 显示面板的检测方法和检测装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7308157B2 (en) * | 2003-02-03 | 2007-12-11 | Photon Dynamics, Inc. | Method and apparatus for optical inspection of a display |
WO2005069259A2 (en) * | 2004-01-13 | 2005-07-28 | Unisplay Sa | Correction arrangements for portable devices with oled displays |
US7084970B2 (en) * | 2004-05-14 | 2006-08-01 | Photon Dynamics, Inc. | Inspection of TFT LCD panels using on-demand automated optical inspection sub-system |
TWI330339B (en) * | 2004-06-25 | 2010-09-11 | Hon Hai Prec Ind Co Ltd | Lcd panel inspecting system and method |
EP1772828B1 (en) * | 2005-01-11 | 2011-11-09 | NEC Corporation | Template matching method and device, and recording medium where program therefor is recorded |
CN101477066B (zh) * | 2009-01-09 | 2012-02-01 | 华南理工大学 | 基于超分辨率图像重建的电路板元件安装/焊接质量检测方法及系统 |
US20100201275A1 (en) * | 2009-02-06 | 2010-08-12 | Cok Ronald S | Light sensing in display device |
US8331650B2 (en) * | 2010-07-29 | 2012-12-11 | Sharp Laboratories Of America, Inc. | Methods, systems and apparatus for defect detection |
CN102621156B (zh) * | 2012-03-07 | 2014-12-03 | 武汉理工大学 | 基于图像处理的微小零件自动分拣系统 |
US9252375B2 (en) * | 2013-03-15 | 2016-02-02 | LuxVue Technology Corporation | Method of fabricating a light emitting diode display with integrated defect detection test |
CN104463178A (zh) * | 2014-12-29 | 2015-03-25 | 广州视源电子科技股份有限公司 | 电子元件识别方法和系统 |
US9922269B2 (en) * | 2015-06-05 | 2018-03-20 | Kla-Tencor Corporation | Method and system for iterative defect classification |
-
2016
- 2016-01-04 CN CN201610004771.7A patent/CN105426926B/zh active Active
- 2016-07-05 US US15/202,526 patent/US10043108B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201489795U (zh) * | 2009-08-03 | 2010-05-26 | 俞权锋 | 显示缺陷自动检测装置 |
CN102854196A (zh) * | 2012-09-24 | 2013-01-02 | 江苏物联网研究发展中心 | Mems结构缺陷的晶圆级自动检测系统及检测方法 |
CN104933978A (zh) * | 2015-07-02 | 2015-09-23 | 京东方科技集团股份有限公司 | 显示面板的检测方法和检测装置 |
Also Published As
Publication number | Publication date |
---|---|
US10043108B2 (en) | 2018-08-07 |
CN105426926A (zh) | 2016-03-23 |
US20170193330A1 (en) | 2017-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN105426926B (zh) | 一种对amoled进行检测分类的方法及装置 | |
CN105809146B (zh) | 一种图像场景识别方法和装置 | |
CN104063713B (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
US10007834B2 (en) | Detection control device, detection system, non-transitory storage medium, and detection control method | |
CN110543892A (zh) | 一种基于多层随机森林的零部件识别方法 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN105095848B (zh) | 目标识别的方法及系统 | |
WO2014087689A1 (ja) | 画像処理装置、画像処理システム及びプログラム | |
Hobson et al. | Classifying anti-nuclear antibodies HEp-2 images: A benchmarking platform | |
CN109583357A (zh) | 一种改进lbp和轻量卷积神经网络级联的人脸识别方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN110738164A (zh) | 零件异常检测方法、模型训练方法及装置 | |
CN109983482A (zh) | 已学习模型生成方法、已学习模型生成装置、信号数据判别方法、信号数据判别装置以及信号数据判别程序 | |
CN106503638B (zh) | 用于颜色识别的图像处理、车辆颜色识别方法和系统 | |
CN107133629B (zh) | 图片分类方法、装置和移动终端 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN113688709A (zh) | 一种安全帽佩戴智能检测方法、系统、终端及介质 | |
CN112579808A (zh) | 数据标注处理方法及装置、系统 | |
CN103903009A (zh) | 一种基于机器视觉的工业品检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |