CN107678192A - 一种基于机器视觉的Mura缺陷检测方法及系统 - Google Patents

Abstract

本发明属于液晶屏显示缺陷检测技术领域，具体涉及一种基于机器视觉的Mura缺陷检测方法及系统。所述检测系统包含线阵CCD相机(1)、线光源(2)、液晶屏(3)、液晶屏传送装置(4)、图像缺陷检测设备(5)。本发明对比基于高斯混合模型的空间域背景分离法及阴影消除法中计算全局像素平均，该检测方法仅采用局域计算，不需要建立标准，且计算量小；避免了成像过程中光照不均匀的情况下，全局运算带来的误差；具有线性时间复杂度，且鲁棒性好，且参数设计合理人工干预少，效率高，适合于工业检测。

Description

一种基于机器视觉的Mura缺陷检测方法及系统

技术领域

本发明属于液晶屏显示缺陷检测技术领域，具体涉及一种基于机器视觉的Mura缺陷检测方法及系统。

背景技术

近年来，由于液晶屏广泛应用于个人电脑、桌面显示器、液晶电视、手持设备如手机、移动设备如车载显示等产品，其需求量呈现出爆发式的增长。特别是最近两年，液晶屏分辨率不断提高，尤其是视网膜级的液晶屏的逐渐普及，消费者的体验要求日益苛刻，液晶屏厂商之间的竞争日益激烈，亚像素缺陷检测的需求日益凸显，在液晶屏质量控制中扮演着日益重要的角色。

由于目前该行业的检测主要还是依靠人工裸眼检测，检测结果受人主观判别影响较大，视觉疲劳易影响缺陷的检测和分析，并且由于缺陷判断缺乏统一的量化标准，难以保证检测结果的一致性，不利于缺陷的定量分析。

机器视觉法通过采集液晶屏图像，利用图像分析算法识别和测量缺陷。由于机器视觉法具有精确性、可重复性、速度快等优点，受到液晶屏制造商的广泛关注。机器视觉法不会产生疲劳效应，可实现非接触式的长时间快速在线缺陷检测。利用机器视觉法替代传统的人工视觉法，为液晶屏缺陷检测研究带来一种全新的思路。因此研究基于机器视觉的缺陷自动检测方法成了目前液晶屏检测一个重要发展方向。

目前，基于机器视觉的液晶屏的Mura缺陷检测方法主要有：Jiang等用方差分析和指数加权平均进行缺陷检测，但该方法主要检测较大面积的Mura缺陷,对面积较小的Mura缺陷检出率很低；还有部分研究学者采用纹理消除和背景拟合的方法来进行Mura检测，如Lu等[2]分别采用奇异值分解方法消除液晶屏图像的重复纹理背景；Fan等[4]针对区域Mura缺陷提出了一种基于改进的回归诊断的检测方法，首先将图像分块，然后对每块与使用2D曲线拟合估计背景图进行差分得到差分图像，然后对差分图阈值化，获得二值图像中白色区域即为缺陷；中国专利201610761614.0《一种基于GPU的TFT-LCD Mura缺陷检测的方法》公开了一种基于GPU硬件加速的回归诊断缺陷检测方法，该方法主要通过硬件改善回归缺陷检测方法效率低下问题。这些基于背景曲面拟合差分缺陷检测和回归诊断缺陷检测，都是从检测算法角度提高检测准确率且算法时间复杂度都较高，没有在成像技术上进行研究，探索适合在线检测的快速、鲁棒性上，还需进一步研究。

发明内容

本发明的目的就是针对现有技术的检测复杂度高、时间长、成像系统研究不深入的问题，提供一种快速、高鲁棒性的在线检测的Mura缺陷的方法及系统。

为实现上述目的，本发明所提供的一种基于机器视觉的Mura缺陷检测方法的具体步骤为：

S1、图像采集：线阵CCD相机采集液晶屏的灰度图像I，传输至缺陷检测处理设备；

S2、预处理：对液晶屏图像I采用梯度阈值的边缘检测法，获取液晶屏的边缘，按边缘分割，得到待检测液晶屏图像P；并对液晶屏图像P进行高斯模糊，得到待处理的图像S；

S3、背景消除：对于图像S采用公式一的基于领域信息的背景消除法，获得前景图像M：

M(x,y)＝|S(x+Δd,y)+S(x-Δd,y)+S(x,y+Δd)+S(x,y-Δd)-4M(x,y)|公式一

其中x，y表示图像中像素点的二维坐标，Δd是增强边缘的宽度；

S4、二值化：对前景图M采用阈值μ进行阈值化，获得二值图像B；

S5、去噪：基于形态学滤波的去噪方法，得到去噪图像BW；

S6、缺陷判定：对二值图像BW统计连通域面积，如果面积大于设定的检测阈值T则认为该处存在缺陷，否则认为是噪声点。

以上方法中，步骤S3能有效的消除背景，同时能够明显增强Mura缺陷边缘，与基于高斯混合模型的空间域背景分离法及阴影消除法相比更具有优势。另外，步骤S6中T是根据不同检测标准设定的一个缺陷判定值。

优选的，所述步骤S4中，对图像M按像素值255～0进行直方图统计，使不超过1％的定义为缺陷或者噪声点，得到阈值μ。

优选的，所述步骤S2中，采用3*3的模板大小对液晶屏图像P进行高斯模糊。

优选的，所述步骤S6中，统计以(x,y)为中心的3*3的邻域白色点，白色点个数大于等于4，认为是缺陷，否则认为是噪声点。

优选的，所述步骤S3中，Δd的取值范围是4～10。

本发明还提供了一种实现基于机器视觉的Mura缺陷检测的检测系统，所述检测系统包含线阵CCD相机(1)、线光源(2)、液晶屏(3)、液晶屏传送装置(4)、图像缺陷检测设备(5)；所述液晶屏(3)置于液晶屏传送装置(4)上，所述线阵CCD相机(1)、线光源(2)置于待检测的液晶屏(3)上方；采用高精度光栅尺固定于液晶屏传送装置(4)两侧与液晶屏传送装置(4)同步控制线阵CCD相机成像。

优选的，所述线阵CCD相机(1)、将检测设备固定于传送带4，采集相机、线光源(2)与传送装置(4)上液晶屏(3)都保持25°～60°。

优选的，所述线阵CCD相机(1)装定焦镜头；所述图像缺陷检测设备为计算机。

本发明基于机器视觉的Mura缺陷检测的检测方法及系统的有益效果是：(1)对比基于高斯混合模型的空间域背景分离法及阴影消除法中计算全局像素平均，该检测方法通过步骤S3仅采用局域计算，不需要建立标准，且计算量小；更重要的是，避免了成像过程中光照不均匀的情况下，全局运算带来的误差；(2)利用本检测方法避免了裸眼检测的疲劳，提高缺陷检测稳定性，提高产品的良品率，增加企业的市场竞争力；(3)本发明所述的检测系统采用线阵CCD相机，避免面阵相机的光照不均和畸变效应，采集到高质量的屏幕图像，能更好的呈现Mura缺陷。

总之，本发明所采用的缺陷检测方法和检测系统在实际应用中，具有线性时间复杂度，且鲁棒性好，且参数设计合理人工干预少，效率高，适合于工业检测。

附图说明

附图用来提供对本发明的进一步理解，并不构成对本发明的限制。

图1为本发明所述检测系统的装置示意图。

图2为本发明所述检测方法的流程图。

图3为本发明所述检测方法实施例中步骤S1的采集图像I。

图4为本发明所述检测方法实施例中步骤S3的背景差分后的前景图像M。

图5为本发明所述检测方法实施例中步骤S4的二值图像B。

具体实施方式

下面结合实施例，对本发明的实施作进一步的描述。

如图1所示，本发明基于机器视觉的Mura缺陷检测的检测系统，包含线阵CCD相机(1)、线光源(2)、液晶屏(3)、液晶屏传送装置(4)、图像缺陷检测设备(5)；所述液晶屏(3)置于液晶屏传送装置(4)上，所述线阵CCD相机(1)、线光源(2)置于待检测的液晶屏(3)上方；采用高精度光栅尺固定于液晶屏传送装置(4)两侧与液晶屏传送装置(4)同步控制线阵CCD相机成像。

其中，所述线阵CCD相机(1)、将检测设备固定于传送带4，采集相机、线光源(2)与传送装置(4)上液晶屏(3)都保持25°～60°。所述线阵CCD相机(1)装定焦镜头；所述图像缺陷检测设备为计算机。

如图2所示，本发明基于机器视觉的Mura缺陷检测的检测方法的具体步骤为：

S1、图像采集：线阵CCD相机采集液晶屏的灰度图像I，传输至缺陷检测处理设备；

S2、预处理：对液晶屏图像I采用梯度阈值的边缘检测法，获取液晶屏的边缘，按边缘分割，得到待检测液晶屏图像P；并对液晶屏图像P进行高斯模糊，得到待处理的图像S；

S3、背景消除：对于图像S采用公式一的基于领域信息的背景消除法，获得前景图像M：

M(x,y)＝|S(x+Δd,y)+S(x-Δd,y)+S(x,y+Δd)+S(x,y-Δd)-4M(x,y)|公式一

其中x，y表示图像中像素点的二维坐标，Δd是增强边缘的宽度；

S4、二值化：对前景图M采用阈值μ进行阈值化，获得二值图像B；

S5、去噪：基于形态学滤波的去噪方法，得到去噪图像BW；

S6、缺陷判定：对二值图像BW统计连通域面积，如果面积大于设定的检测阈值T则认为该处存在缺陷，否则认为是噪声点。

所述步骤S4中，对图像M按像素值255～0进行直方图统计，使不超过1％的定义为缺陷或者噪声点，得到阈值μ。此步骤中，由于噪声点和增强的边缘点是有限且大致服从高斯分布，因此本发明提出基于3σ准则的阈值化方法，即认为99％的像素点是背景，仅有1％的像素点是缺陷或者噪声。

所述步骤S2中，采用3*3的模板大小对液晶屏图像P进行高斯模糊。

所述步骤S6中，统计以(x,y)为中心的3*3的邻域白色点，白色点个数大于等于4，认为是缺陷，否则认为是噪声点。

所述步骤S3中，Δd的取值范围是4～10。

实施例

根据附图2中的步骤，利用本发明检测系统获得如图3的采集图像I。

本实施例中，基于机器视觉的Mura缺陷检测的检测方法的具体步骤为：

S1、图像采集：线阵CCD相机采集液晶屏的灰度图像I，传输至缺陷检测处理设备；如图3所示；

S2、预处理：对液晶屏图像I采用梯度阈值的边缘检测法，获取液晶屏的边缘，按边缘分割，得到待检测液晶屏图像P；采用3*3的模板大小对液晶屏图像P进行高斯模糊，得到待处理的图像S；

S3、背景消除：对于图像S采用公式一的基于领域信息的背景消除法，获得前景图像M：如图4所示；

M(x,y)＝|S(x+Δd,y)+S(x-Δd,y)+S(x,y+Δd)+S(x,y-Δd)-4M(x,y)|公式一

其中x，y表示图像中像素点的二维坐标，Δd是增强边缘的宽度；取Δd的值为5。

S4、二值化：对前景图M采用阈值μ进行阈值化，获得二值图像B；如图5所示；

S5、去噪：基于形态学滤波的去噪方法，得到去噪图像BW；

S6、缺陷判定：对二值图像BW统计连通域面积，如果面积大于设定的检测阈值T则认为该处存在缺陷，否则认为是噪声点。

本实施例中，如果面积大于设定的检测阈值25则认为该处存在缺陷，否则认为是噪声点。

以上结合对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (8)

1.一种基于机器视觉的Mura缺陷检测方法，其特征在于：所述方法的具体步骤为：

S1、图像采集：线阵CCD相机采集液晶屏的灰度图像I，传输至缺陷检测处理设备；

S2、预处理：对液晶屏图像I采用梯度阈值的边缘检测法，获取液晶屏的边缘，按边缘分割，得到待检测液晶屏图像P；并对液晶屏图像P进行高斯模糊，得到待处理的图像S；

S3、背景消除：对于图像S采用公式一的基于领域信息的背景消除法，获得前景图像M：

M(x,y)＝|S(x+Δd,y)+S(x-Δd,y)+S(x,y+Δd)+S(x,y-Δd)-4M(x,y)|公式一

其中x，y表示图像中像素点的二维坐标，Δd是增强边缘的宽度；

S4、二值化：对前景图M采用阈值μ进行阈值化，获得二值图像B；

S5、去噪：基于形态学滤波的去噪方法，得到去噪图像BW；

S6、缺陷判定：对二值图像BW统计连通域面积，如果面积大于设定的检测阈值T则认为该处存在缺陷，否则认为是噪声点。

2.根据权利要求1所述的基于机器视觉的Mura缺陷检测方法，其特征在于：所述步骤S4中，对图像M按像素值255～0进行直方图统计，使不超过1％的定义为缺陷或者噪声点，得到阈值μ。

3.根据权利要求1、2任一项所述的基于机器视觉的Mura缺陷检测方法，其特征在于：所述步骤S2中，采用3*3的模板大小对液晶屏图像P进行高斯模糊。

4.根据权利要求3所述的基于机器视觉的Mura缺陷检测方法，其特征在于：所述步骤S6中，统计以(x,y)为中心的3*3的邻域白色点，白色点个数大于等于4，认为是缺陷，否则认为是噪声点。

5.根据权利要求1、2、4任一项所述的基于机器视觉的Mura缺陷检测方法，其特征在于：所述步骤S3中，Δd的取值范围是4～10。

6.一种实现如权利要求1所述的基于机器视觉的Mura缺陷检测方法的检测系统，其特征在于：所述检测系统包含线阵CCD相机(1)、线光源(2)、液晶屏(3)、液晶屏传送装置(4)、图像缺陷检测设备(5)；所述液晶屏(3)置于液晶屏传送装置(4)上，所述线阵CCD相机(1)、线光源(2)置于待检测的液晶屏(3)上方；采用高精度光栅尺固定于液晶屏传送装置(4)两侧与液晶屏传送装置(4)同步控制线阵CCD相机成像。

7.根据权利要求6所述的基于机器视觉的Mura缺陷检测系统，其特征在于：所述线阵CCD相机(1)、将检测设备固定于传送带4，采集相机、线光源(2)与传送装置(4)上液晶屏(3)都保持25°～60°。

8.根据权利要求6、7任一项所述的基于机器视觉的Mura缺陷检测系统，其特征在于：所述线阵CCD相机(1)装定焦镜头；所述图像缺陷检测设备为计算机。