CN108460757A - 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 - Google Patents

一种手机TFT-LCD屏Mura缺陷在线自动检测方法 Download PDF

Info

Publication number
CN108460757A
CN108460757A CN201810139707.9A CN201810139707A CN108460757A CN 108460757 A CN108460757 A CN 108460757A CN 201810139707 A CN201810139707 A CN 201810139707A CN 108460757 A CN108460757 A CN 108460757A
Authority
CN
China
Prior art keywords
image
mobile phone
mura defects
screen
tft
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.)
Granted
Application number
CN201810139707.9A
Other languages
English (en)
Other versions
CN108460757B (zh
Inventor
廖苗
赵于前
黄培坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen xinxinteng Technology Co.,Ltd.
Original Assignee
SHENZHEN ITC TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHENZHEN ITC TECHNOLOGY Co Ltd filed Critical SHENZHEN ITC TECHNOLOGY Co Ltd
Priority to CN201810139707.9A priority Critical patent/CN108460757B/zh
Publication of CN108460757A publication Critical patent/CN108460757A/zh
Application granted granted Critical
Publication of CN108460757B publication Critical patent/CN108460757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Liquid Crystal (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种手机TFT‑LCD屏Mura缺陷在线自动检测方法，先通过CCD工业相机采集待检测手机屏幕图像；再对待检测图像进行感兴趣区域提取、几何校正以及滤波预处理，获取图像中的TFT‑LCD屏幕区域；然后对屏幕区域进行分块操作，并根据每个子图像块的灰度分布特征，利用自适应局部增强算法增强图像中的Mura缺陷；最后采用阈值法和形态学开操作提取图像中的Mura缺陷。本发明主能自动识别对比度低、边缘模糊的Mura缺陷，准确率高、鲁棒性强，可有效解决生产过程中人工检测成本高、效率低、准确率低的问题，对于提高手机TFT‑LCD屏幕的生产效率和质量具有重要意义。

Description

一种手机TFT-LCD屏Mura缺陷在线自动检测方法
技术领域
本发明属于手机生产过程中TFT-LCD屏质量检测领域，具体涉及一种在线自动检测手机TFT-LCD屏Mura缺陷的方法。
背景技术
薄膜晶体管液晶显示器(Thin film transistor liquid crystal display,TFT-LCD)是一种由微电子技术和液晶光学技术结合而成的新型显示器件。它因具有高分辨率、高轻薄性、响应速度快及低功耗等特点，已成为当前智能手机的主流显示器。TFT-LCD屏结构复杂、制造工序繁多，生产过程中不可避免会出现各式缺陷，其中以Mura缺陷较为常见且难以检测。Mura一词来源于日语音译，意为“云团”、“云斑”。Mura缺陷产生原因多样，包括偏光板材料质量较差、薄膜晶体管漏电不均和背光源发光不均等，主要表现为显示屏局部亮度不均，且具有形状不固定、对比度低、边缘模糊等特点。当前生产线上的Mura缺陷检测主要依靠人工肉眼辨别，这种方法成本高、效率低、准确性低、主观性强，检测结果严重依赖于工作人员的经验，无法满足手机TFT-LCD屏大批量、大尺寸、高品质的生产要求。因此，开发出一种能够在线自动检测手机TFT-LCD屏Mura缺陷的方法，对于提高手机TFT-LCD屏的生产效率和质量具有重要意义。
发明内容
本发明提供了一种在线自动检测手机TFT-LCD屏Mura缺陷的方法，其目的在于解决现有技术中人工目视检测效率低、准确率低、成本高的问题。
一种在线自动检测手机TFT-LCD屏Mura缺陷的方法，包括以下步骤：
(1)在暗室环境，将手机TFT-LCD屏设置为白屏模式，采用CCD工业相机进行垂直拍摄，获得待检测的手机屏幕原始图像；
(2)对待检测图像进行感兴趣区域提取、几何校正以及滤波等预处理，获取图像中的TFT-LCD屏幕区域；
(3)对屏幕区域进行两次分块操作，分别将其划分成连续不重叠的大小为a×b和b×a(a、b均不能被彼此整除)的子图像，并对分块后的图像进行自适应局部增强，得到两种不同分块方式下的屏幕区域增强图像，记作f1和f2。
(4)为了去除分块操作带来的块效应，对于屏幕区域的每个像素点，取其在增强图像f1和f2中的较大值作为该像素点的最终增强结果，获取最终增强图像f；
(5)对增强图像f的直方图进行高斯函数拟合，根据高斯分布的置信区间估计增强图像f的阈值，并利用该阈值对增强图像f进行二值化，提取Mura候选区域；
(6)对二值化结果进行形态学开操作去除其中可能存在的噪声，得到最终的Mura缺陷检测结果。
在所述的第(2)步中，手机TFT-LCD屏幕原始图像的预处理具体包括：采用阈值法对待检测图像进行二值化并取最大连通域，以获取手机屏幕的感兴趣区域；提取感兴趣区域的四个顶点，根据顶点坐标计算手机屏幕的偏移角度，通过旋转操作对屏幕区域进行几何校正；对校正后的屏幕区域进行中值滤波，达到去除噪声、平滑图像的目的。
在所述的第(3)步中，自适应局部增强方法包括以下步骤：
(a)采用高斯函数拟合每一个子图像的灰度概率分布，并根据高斯分布的置信区间获取每一个子图像的大致灰度范围[Imin,Imax]，Imin表示灰度最小值，Imax表示灰度最大值。
(b)对于每一个子图像中可能存在的Mura缺陷，采用如下公式进行增强：
其中，I为图像灰度，k为正常数，用于调节Mura缺陷与正常区域的对比度，优选k为0.1～2之间的任意正常数。手机屏幕图像中像素的灰度I偏离灰度范围[Imin,Imax]中心值的程度越大，计算得到的fenhance(I)值越小，表明该像素点属于Mura缺陷的概率越大。
在所述的第(5)步中，利用阈值对图像f进行二值化时，将f中大于所设阈值的像素标记为“0”，即为正常屏幕区域，小于所设阈值的像素标记为“1”，即为Mura候选区域。
在所述的第(6)步中，优选半径为r的圆形结构作为形态学开操作的结构元素，其中r优选2～20的自然数。
由于采用了屏幕区域进行两次分块操作，本发明能够在线自动检测手机TFT-LCD屏的Mura缺陷，准确率高、成本低，可有效提高产品的生产质量和效率。
附图说明
图1CCD相机采集的手机TFT-LCD屏原始图像；
图2感兴趣区域提取结果；
图3预处理结果；
图4将屏幕区域分为60×200的子图像示意；
图5将屏幕区域分为200×60的子图像示意；
图6 60×200的子图像自适应局部增强结果；
图7 200×60的子图像自适应局部增强结果；
图8去除块效应后的增强结果；
图9实施例3的Mura缺陷检测结果。
具体实施方式
实施例1
一种手机TFT-LCD屏幕图像预处理方法，具体实现步骤如下：图1为CCD相机采集的大小为2712×3360的手机TFT-LCD屏原始图像，首先采用Otsu算法对该图像进行二值化并取最大连通域，以获取手机TFT-LCD屏幕的感兴趣区域，如图2所示，然后提取感兴趣区域的四个顶点，如图2中灰色空心点所示，再根据顶点坐标计算出手机屏幕的偏移角度，通过旋转操作对屏幕进行几何校正，最后采用(2n+1)×(2n+1)的模板对校正后的屏幕区域进行中值滤波，达到去除噪声、平滑图像的目的，其中n优选1～10的自然数，本实施例中优选n＝3，采用本实施例得到的预处理结果如图3所示。
实施例2
一种手机TFT-LCD屏幕图像自适应局部增强方法，具体实现步骤如下：
(1)对于任意给定的屏幕图像局部区域，首先采用最小二乘法对其灰度概率分布进行高斯拟合：
其中，c为高斯分布的峰值，μ和σ分别表示高斯分布的均值和标准差。根据高斯分布的概率理论，[μ-σ,μ+σ]、[μ-2σ,μ+2σ]和[μ-3σ,μ+3σ]的灰度范围分别包含整个区域约68％、95％、99％的像素。本实施例优选手机屏幕局部区域的最小和最大灰度估值分别为Imin＝μ-2σ，Imax＝μ+2σ。
(2)针对局部区域可能存在的Mura缺陷，采用如下公式进行增强：
其中，I为图像灰度，k为正常数，本实施例优选为0.3。手机屏幕图像中像素的灰度I偏离灰度范围[Imin,Imax]中心值的程度越大，计算得到的fenhance(I)值越小，表明该像素点属于Mura缺陷的概率越大。
实施例3
一种手机TFT-LCD屏Mura缺陷在线自动检测方法，具体实现步骤如下：
(1)采用实施例1的方法获取手机TFT-LCD屏幕区域后，将屏幕区域分为a×b和b×a(a、b均不能被彼此整除)的子图像，本实施例优选a＝60,b＝200，分块操作结果如图4和图5所示，可以看到，尽管图像整体亮度不均，但进行分块处理之后，每个子图像正常屏幕区域灰度基本一致。
(2)采用实施例2的方法对两次分块后的图像分别进行自适应局部增强，增强结果如图6和7所示，分别记作f1和f2，可以看到，Mura缺陷虽被有效增强，但增强后的结果将不可避免地存在一定的块效应，即在子图像边界存在伪影痕迹。
(3)为了去除块效应，对于屏幕区域的每个像素点，取其在增强图像f1和f2中的较大值作为该像素点的最终增强结果，获取最终增强图像f，如图8所示。
(4)采用最小二乘法对增强图像f的直方图进行高斯拟合，获取高斯分布的均值α与标准差β，并根据高斯分布的置信区间估计图像阈值θ，本实施例优选θ＝α+3β；
(5)利用阈值θ对图像f进行二值化，将增强图像f中大于阈值θ的像素标记为“0”，即为正常屏幕区域，小于阈值θ的像素标记为“1”，即为Mura候选区域；
(6)对二值化结果进行形态学开操作去除其中可能出现的噪声，得到最终的Mura缺陷检测结果，本实施例优选半径为5的圆形结构作为形态学开操作的结构元素。
图9为采用本实施例方法得到的Mura缺陷检测结果，可以看到，其中的Mura缺陷区域均被完整有效地分割。
实施例4
采用实施例3的方法对手机生产线上提供的数据集进行测试统计。数据集包含40幅由CCD工业相机在暗室环境中采集的白屏模式下的手机屏幕图像，图像大小均为2712×3360，每幅图像的TFT-LCD屏幕区域均存在不同尺寸和数目的Mura缺陷。采用真阳性率(Ture Positive Rate,TPR)和真阴性率(Ture Negative Rate,TNR)对测试结果进行定量评价，分别定义如下：
其中，TP为被正确检测的Mura缺陷像素数目，TN为被正确检测的背景(即正常屏幕)像素数目，FN表示被误检测为背景的Mura缺陷像素数目，FP则表示被误检测为Mura缺陷的背景像素数目。TPR和TNR值越大表示算法检测效果越好。由本实施例检测得到的真阳性率TPR和真阴性率TNR的均值和方差分别达92.35％±5.52％和97.12％±1.83％，表明本发明方法能在正确识别正常TFT-LCD屏幕区域的情况下有效检测Mura缺陷，且准确率高，鲁棒性强。

Claims (7)

1.一种手机TFT-LCD屏Mura缺陷在线自动检测方法，其特征在于，包括以下步骤：
(1)在暗室环境，将手机TFT-LCD屏设置为白屏模式，采用CCD工业相机进行垂直拍摄，获得待检测的手机屏幕原始图像；
(2)对待检测图像进行预处理获取图像中的TFT-LCD屏幕区域；
(3)对屏幕区域进行两次分块操作，分别将其划分成连续不重叠的大小为a×b和b×a的子图像，其中a、b均不能被彼此整除，并对分块后的图像进行自适应局部增强，得到两种不同分块方式下的屏幕区域增强图像，分别记作f1和f2；
(4)对于屏幕区域的每个像素点，取其在增强图像f1和f2中的较大值作为该像素点的最终增强结果，即可获得最终增强图像f；
(5)对增强图像f的直方图进行高斯函数拟合，根据高斯分布的置信区间估计增强图像f的阈值，并利用该阈值对增强图像f进行二值化，提取Mura候选区域；
(6)对二值化结果进行形态学开操作去除其中可能存在的噪声，得到最终的Mura缺陷检测结果。
2.如权利要求1所述的手机TFT-LCD屏Mura缺陷在线自动检测方法，其特征在于，在所述的第(2)步中，预处理包括以下步骤：采用阈值法对待检测图像进行二值化并取最大连通域，以获取手机屏幕的感兴趣区域；提取感兴趣区域的四个顶点，根据顶点坐标计算手机屏幕的偏移角度，通过旋转操作对屏幕区域进行几何校正；对校正后的屏幕区域进行中值滤波。
3.如权利要求1所述的手机TFT-LCD屏Mura缺陷在线自动检测方法，其特征在于在所述的第(3)步中，自适应局部增强方法包括以下步骤：
(1)采用高斯函数拟合每一个子图像的灰度概率分布，并根据高斯分布的置信区间获取每一子图像的灰度范围[Imin,Imax]，Imin表示灰度最小值，Imax表示灰度最大值；
(2)对于每一个子图像中可能存在的Mura缺陷，采用如下公式进行增强：
其中，I为图像灰度，k为正常数，用于调节Mura缺陷与正常屏幕区域的对比度。
4.如权利要求3所述的手机TFT-LCD屏Mura缺陷在线自动检测方法，其特征在于：所述k为0.1～2的正常数。
5.如权利要求1所述的手机TFT-LCD屏Mura缺陷在线自动检测方法，其特征在于：在所述的第(5)步中，利用阈值对图像f进行二值化时，将f中大于所设阈值的像素标记为“0”，即为正常屏幕区域，小于所设阈值的像素标记为“1”，即为Mura候选区域。
6.如权利要求1所述的手机TFT-LCD屏Mura缺陷在线自动检测方法，其特征在于：在所述的第(6)步中，选半径为r的圆形结构作为形态学开操作的结构元素。
7.如权利要求6所述的手机TFT-LCD屏Mura缺陷在线自动检测方法，其特征在于：所述r为2～20的自然数。
CN201810139707.9A 2018-02-11 2018-02-11 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 Active CN108460757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810139707.9A CN108460757B (zh) 2018-02-11 2018-02-11 一种手机TFT-LCD屏Mura缺陷在线自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810139707.9A CN108460757B (zh) 2018-02-11 2018-02-11 一种手机TFT-LCD屏Mura缺陷在线自动检测方法

Publications (2)

Publication Number Publication Date
CN108460757A true CN108460757A (zh) 2018-08-28
CN108460757B CN108460757B (zh) 2020-04-14

Family

ID=63240030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810139707.9A Active CN108460757B (zh) 2018-02-11 2018-02-11 一种手机TFT-LCD屏Mura缺陷在线自动检测方法

Country Status (1)

Country Link
CN (1) CN108460757B (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047066A (zh) * 2019-03-30 2019-07-23 天津大学 一种基于条纹偏折的光滑内壁微小缺陷检测方法
CN110175992A (zh) * 2019-05-27 2019-08-27 武汉中导光电设备有限公司 大尺寸液晶面板上宏观mura缺陷的检测方法和系统
CN110445921A (zh) * 2019-09-06 2019-11-12 东北大学 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置
CN110490864A (zh) * 2019-08-22 2019-11-22 易思维（杭州）科技有限公司 图像的自适应缺陷检测方法
CN111325717A (zh) * 2020-01-21 2020-06-23 上海悦易网络信息技术有限公司 手机缺陷位置识别方法及设备
CN111353942A (zh) * 2018-12-20 2020-06-30 核动力运行研究所 一种超声波信号噪声提取及量化算法
CN111427173A (zh) * 2020-04-02 2020-07-17 深圳益实科技有限公司 一种基于超广角图像采样的lcd显示屏在线监测系统及方法
CN111524101A (zh) * 2020-04-10 2020-08-11 苏州赛腾精密电子股份有限公司 一种基于机器视觉技术的电子屏幕缺陷检测方法
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
CN111563883A (zh) * 2020-04-22 2020-08-21 惠州旭鑫智能技术有限公司 屏幕视觉定位方法、定位设备及存储介质
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
CN111693549A (zh) * 2020-05-14 2020-09-22 西安电子科技大学 一种手机盖板玻璃缺陷检测与分类方法
CN112508922A (zh) * 2020-12-14 2021-03-16 深圳精智达技术股份有限公司 Mura检测方法、装置、终端设备以及存储介质
CN112782179A (zh) * 2020-12-22 2021-05-11 北京市新技术应用研究所 一种产品反光表面缺陷检测方法及系统
CN112862694A (zh) * 2019-11-12 2021-05-28 合肥欣奕华智能机器有限公司 屏幕位置矫正方法、装置、计算设备和存储介质
CN112954304A (zh) * 2021-01-18 2021-06-11 湖北经济学院 显示面板Mura缺陷评估方法、系统以及可读存储介质
CN113570605A (zh) * 2021-09-28 2021-10-29 深圳市绘晶科技有限公司 一种基于液晶显示面板的缺陷检测方法和系统
CN113838053A (zh) * 2021-11-26 2021-12-24 深圳市鑫信腾科技股份有限公司 屏幕缺陷的检测方法、装置、设备及存储介质
CN114255232A (zh) * 2022-02-28 2022-03-29 季华实验室 Led显示屏显示缺陷检测方法、电子设备及装置
CN114612320A (zh) * 2022-03-04 2022-06-10 业成科技（成都）有限公司 图像亮度优化方法、装置、计算机设备和存储介质
CN114936981A (zh) * 2022-06-10 2022-08-23 重庆尚优科技有限公司 一种基于云平台的场所扫码登记系统
CN115631117A (zh) * 2022-12-21 2023-01-20 中科慧远视觉技术(北京)有限公司 缺陷检测用的图像增强方法、装置、检测系统及存储介质
CN115797342A (zh) * 2023-02-06 2023-03-14 深圳市鑫旭飞科技有限公司 一种工业控制电容触摸lcd显示总成缺陷检测方法
CN116128717A (zh) * 2023-04-17 2023-05-16 四川观想科技股份有限公司 一种基于神经网络的图像风格迁移方法
CN116797590A (zh) * 2023-07-03 2023-09-22 深圳市拓有软件技术有限公司 一种基于机器视觉的Mura缺陷检测方法及系统
CN116993718A (zh) * 2023-09-25 2023-11-03 深圳市东陆科技有限公司 基于机器视觉的tft阵列基板缺陷检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI294244B (zh) * 2005-08-26 2008-03-01 Utechzone Co Ltd
CN103913858A (zh) * 2013-01-07 2014-07-09 北京兆维电子(集团)有限责任公司 一种tft-lcd屏自动光学检测中的滤波方法
CN106570833A (zh) * 2016-10-31 2017-04-19 湖南国科微电子股份有限公司 视频图像自适应对比度增强方法和装置
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
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI294244B (zh) * 2005-08-26 2008-03-01 Utechzone Co Ltd
CN103913858A (zh) * 2013-01-07 2014-07-09 北京兆维电子(集团)有限责任公司 一种tft-lcd屏自动光学检测中的滤波方法
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
CN106570833A (zh) * 2016-10-31 2017-04-19 湖南国科微电子股份有限公司 视频图像自适应对比度增强方法和装置
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HANI JAMLEH 等: "Automatic mura detection based on thresholding the fused normalized first and second derivatives in four directions", 《SOCIETY FOR INFORMATION DISPLAY》 *
窦智 等: "内容相关的分块处理自适应图像对比度增强算法", 《计算机科学》 *
谢瑞: "TFT-LCD Mura缺陷自动检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
黄刚: "液晶显示屏缺陷自动检测方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353942A (zh) * 2018-12-20 2020-06-30 核动力运行研究所 一种超声波信号噪声提取及量化算法
CN111353942B (zh) * 2018-12-20 2024-01-12 核动力运行研究所 一种超声波信号噪声提取及量化算法
CN110047066B (zh) * 2019-03-30 2023-03-21 天津大学 一种基于条纹偏折的光滑内壁微小缺陷检测方法
CN110047066A (zh) * 2019-03-30 2019-07-23 天津大学 一种基于条纹偏折的光滑内壁微小缺陷检测方法
CN110175992A (zh) * 2019-05-27 2019-08-27 武汉中导光电设备有限公司 大尺寸液晶面板上宏观mura缺陷的检测方法和系统
CN110490864A (zh) * 2019-08-22 2019-11-22 易思维（杭州）科技有限公司 图像的自适应缺陷检测方法
CN110490864B (zh) * 2019-08-22 2021-09-21 易思维（杭州）科技有限公司 图像的自适应缺陷检测方法
CN110445921A (zh) * 2019-09-06 2019-11-12 东北大学 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置
CN112862694A (zh) * 2019-11-12 2021-05-28 合肥欣奕华智能机器有限公司 屏幕位置矫正方法、装置、计算设备和存储介质
CN111325717A (zh) * 2020-01-21 2020-06-23 上海悦易网络信息技术有限公司 手机缺陷位置识别方法及设备
CN111325717B (zh) * 2020-01-21 2023-08-29 上海万物新生环保科技集团有限公司 手机缺陷位置识别方法及设备
CN111427173A (zh) * 2020-04-02 2020-07-17 深圳益实科技有限公司 一种基于超广角图像采样的lcd显示屏在线监测系统及方法
CN111524101A (zh) * 2020-04-10 2020-08-11 苏州赛腾精密电子股份有限公司 一种基于机器视觉技术的电子屏幕缺陷检测方法
CN111563883A (zh) * 2020-04-22 2020-08-21 惠州旭鑫智能技术有限公司 屏幕视觉定位方法、定位设备及存储介质
CN111563883B (zh) * 2020-04-22 2023-05-05 惠州旭鑫智能技术有限公司 屏幕视觉定位方法、定位设备及存储介质
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
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
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
CN111693549A (zh) * 2020-05-14 2020-09-22 西安电子科技大学 一种手机盖板玻璃缺陷检测与分类方法
CN111693549B (zh) * 2020-05-14 2021-08-20 西安电子科技大学 一种手机盖板玻璃缺陷检测与分类方法
CN112508922A (zh) * 2020-12-14 2021-03-16 深圳精智达技术股份有限公司 Mura检测方法、装置、终端设备以及存储介质
CN112782179A (zh) * 2020-12-22 2021-05-11 北京市新技术应用研究所 一种产品反光表面缺陷检测方法及系统
CN112954304A (zh) * 2021-01-18 2021-06-11 湖北经济学院 显示面板Mura缺陷评估方法、系统以及可读存储介质
CN113570605B (zh) * 2021-09-28 2021-12-31 深圳市绘晶科技有限公司 一种基于液晶显示面板的缺陷检测方法和系统
CN113570605A (zh) * 2021-09-28 2021-10-29 深圳市绘晶科技有限公司 一种基于液晶显示面板的缺陷检测方法和系统
CN113838053A (zh) * 2021-11-26 2021-12-24 深圳市鑫信腾科技股份有限公司 屏幕缺陷的检测方法、装置、设备及存储介质
CN114255232A (zh) * 2022-02-28 2022-03-29 季华实验室 Led显示屏显示缺陷检测方法、电子设备及装置
CN114612320B (zh) * 2022-03-04 2023-09-29 业成科技（成都）有限公司 图像亮度优化方法、装置、计算机设备和存储介质
CN114612320A (zh) * 2022-03-04 2022-06-10 业成科技（成都）有限公司 图像亮度优化方法、装置、计算机设备和存储介质
CN114936981A (zh) * 2022-06-10 2022-08-23 重庆尚优科技有限公司 一种基于云平台的场所扫码登记系统
CN114936981B (zh) * 2022-06-10 2023-07-07 重庆尚优科技有限公司 一种基于云平台的场所扫码登记系统
CN115631117A (zh) * 2022-12-21 2023-01-20 中科慧远视觉技术(北京)有限公司 缺陷检测用的图像增强方法、装置、检测系统及存储介质
CN115631117B (zh) * 2022-12-21 2023-02-28 中科慧远视觉技术(北京)有限公司 缺陷检测用的图像增强方法、装置、检测系统及存储介质
CN115797342A (zh) * 2023-02-06 2023-03-14 深圳市鑫旭飞科技有限公司 一种工业控制电容触摸lcd显示总成缺陷检测方法
CN116128717A (zh) * 2023-04-17 2023-05-16 四川观想科技股份有限公司 一种基于神经网络的图像风格迁移方法
CN116797590A (zh) * 2023-07-03 2023-09-22 深圳市拓有软件技术有限公司 一种基于机器视觉的Mura缺陷检测方法及系统
CN116993718A (zh) * 2023-09-25 2023-11-03 深圳市东陆科技有限公司 基于机器视觉的tft阵列基板缺陷检测方法
CN116993718B (zh) * 2023-09-25 2023-12-22 深圳市东陆科技有限公司 基于机器视觉的tft阵列基板缺陷检测方法

Also Published As

Publication number Publication date
CN108460757B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN108460757A (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN109934802B (zh) 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN106157310B (zh) 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
CN107657606B (zh) 一种显示装置的亮度缺陷检测方法与装置
CN111563889A (zh) 基于计算机视觉的液晶屏幕Mura缺陷检测方法
CN105301810A (zh) 一种屏幕缺陷检测方法及装置
US11238301B2 (en) Computer-implemented method of detecting foreign object on background object in an image, apparatus for detecting foreign object on background object in an image, and computer-program product
CN109801286B (zh) 一种lcd导光板的表面缺陷检测方法
CN108830857B (zh) 一种自适应的汉字碑帖图像二值化分割方法
CN107240084A (zh) 一种单幅图像去雨方法及装置
CN111611907B (zh) 一种图像增强的红外目标检测方法
Tsai et al. Low-contrast surface inspection of mura defects in liquid crystal displays using optical flow-based motion analysis
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
Hassanpour et al. Image quality enhancement using pixel-wise gamma correction via SVM classifier
CN103413311A (zh) 一种基于边缘的模糊检测方法
CN110910372B (zh) 基于深度卷积神经网络的匀光板缺陷检测方法
CN108830851B (zh) 一种lcd粗糙斑缺陷检测方法
CN109064439B (zh) 基于分区的单侧入光式导光板暗影缺陷提取方法
CN116091421A (zh) 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法
CN111079688A (zh) 一种人脸识别中的基于红外图像的活体检测的方法
CN116823686A (zh) 一种基于图像增强的夜间红外与可见光图像融合方法
CN111223110A (zh) 一种显微图像增强方法、装置及计算机设备
Ma et al. An automatic detection method of Mura defects for liquid crystal display
CN112330613A (zh) 一种细胞病理数字图像质量的评价方法及系统
Bi et al. An automatic detection method of Mura defects for liquid crystal display using real Gabor filters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Huang Peikun

Inventor before: Liao Miao

Inventor before: Zhao Yuqian

Inventor before: Huang Peikun

CB03 Change of inventor or designer information
CP01 Change in the name or title of a patent holder

Address after: 518101 3rd floor, building C1, Jiaan Industrial Park, 72 District, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen xinxinteng Technology Co.,Ltd.

Address before: 518101 3rd floor, building C1, Jiaan Industrial Park, 72 District, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN CITY SYSTEM TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder
CP02 Change in the address of a patent holder

Address after: 518000 B201, building a, 201, 301, 501, building B, C, building a, Hongwei Industrial Park, No. 6, liuxiansan Road, Xingdong community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen xinxinteng Technology Co.,Ltd.

Address before: 518101 3rd floor, building C1, Jiaan Industrial Park, 72 District, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen xinxinteng Technology Co.,Ltd.

CP02 Change in the address of a patent holder