CN109285144A - Mura侦测方法及装置 - Google Patents
Mura侦测方法及装置 Download PDFInfo
- Publication number
- CN109285144A CN109285144A CN201810899215.XA CN201810899215A CN109285144A CN 109285144 A CN109285144 A CN 109285144A CN 201810899215 A CN201810899215 A CN 201810899215A CN 109285144 A CN109285144 A CN 109285144A
- Authority
- CN
- China
- Prior art keywords
- image
- mura
- detecting
- background
- parameter
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
本发明涉及一种Mura侦测方法及装置。该Mura侦测方法包括:步骤10、输入测试图像;步骤20、对测试图像执行直方图均衡化操作后,进行Mura缺陷分割,获得第一Mura图像;步骤30、对测试图像执行PCA操作,进行背景重建以获得第一背景图像,差分测试图像和第一背景图像以获得第二Mura图像;步骤40、对测试图像执行DCT操作,进行背景重建以获得第二背景图像,差分测试图像和第二背景图像以获得第三Mura图像;步骤50、对第二Mura图像和第三Mura图像进行交集操作,以获得第四Mura图像;步骤60、对第一Mura图像和第四Mura图像进行并集操作,以获得第五Mura图像。本发明的Mura侦测方法及装置能够改善传统背景重建算法准确性及流程,克服Mura侦测类型单一的缺点,使得检测结果准确率更高。
Description
技术领域
本发明涉及显示技术领域,尤其涉及一种Mura侦测方法及装置。
背景技术
平板显示装置具有机身薄、省电、无辐射等众多优点,得到了广泛的应用。目前的显示面板由于生产工艺等原因经常会具有亮暗不均(Mura)缺陷,因而需要适合面板制造行业的Mura侦测方法。
参见图1,其为传统离散余弦变换(DCT)背景重建的Mura侦测流程图,侦测Mura的流程主要包括:将输入图像进行DCT变换;提取DCT系数,经验性选择合适的截止频率;进行DCT逆变换得到重建的背景图像;采用差分图像的方式进行Mura缺陷分割,用输入图像减去背景图像,从而得到反映Mura缺陷分割结果的Mura图像,将Mura图像作为结果输出。传统DCT背景重建需要选用合适的截止频率来进行背景重建;但由于截止频率的选择有主观特性,因此还原出的背景并不准确,侦测的结果有很大误差;当Mura缺陷对比度较低时,还原的效果较差,Mura侦测类型单一。
发明内容
因此,本发明的目的在于提供一种Mura侦测方法及装置,改善传统背景重建算法准确性及流程,克服Mura侦测类型单一的缺点。
为实现上述目的,本发明提供了一种Mura侦测方法,包括:
步骤10、输入测试图像;
步骤20、对测试图像执行直方图均衡化操作后,选择合适的或最佳化CV模型参数进行Mura缺陷分割,获得第一Mura图像;
步骤30、对测试图像执行PCA操作,选择合适的或最佳化主特征值参数进行背景重建以获得第一背景图像,差分测试图像和第一背景图像以获得第二Mura图像;
步骤40、对测试图像执行DCT操作,选择合适的或最佳化截止频率参数进行背景重建以获得第二背景图像,差分测试图像和第二背景图像以获得第三Mura图像;
步骤50、对第二Mura图像和第三Mura图像进行交集操作,以获得第四Mura图像;
步骤60、对第一Mura图像和第四Mura图像进行并集操作,以获得第五Mura图像。
其中,还包括使用带有Mura缺陷的训练样本图像训练最佳化CV模型参数的步骤。
其中,还包括使用带有Mura缺陷的训练样本图像训练最佳化主特征值参数的步骤。
其中,还包括使用带有Mura缺陷的训练样本图像训练最佳化截止频率参数的步骤。
其中,所述CV模型所采用的能量函数如下:
E(C)=μL(C)+v*Area(inside(C))+λ1∫inside(C)|I(x,y)-c0|2dxdy+λ2∫outside(C)|I(x,y)-cb|2dxdy
,其中,C表示用于分割图像中Mura缺陷与非Mura区的闭合曲线,μL(C)为长度约束项,v*Area(inside(C))为面积约束项,λ1∫inside(C)|I(x,y)-c0|2dxdy表示曲线C的内部均方差之和;λ2∫outside(C)|I(x,y)-cb|2dxdy表示曲线C的外部均方差之和;I(x,y)是图像内任一像素点的灰度;C0表示曲线C内部区域的平均灰度;Cb表示曲线C外部区域的平均灰度;μ,ν,λ1,以及λ2为固定系数。
本发明还提供了一种Mura侦测装置,包括:
输入模块,用于输入测试图像;
CV模型模块,用于对测试图像执行直方图均衡化操作,然后选择合适的CV模型参数进行Mura缺陷分割,获得第一Mura图像;
PCA模块,用于对测试图像执行PCA操作,选择合适的主特征值参数进行背景重建以获得第一背景图像,差分测试图像和第一背景图像以获得第二Mura图像;
DCT模块,用于对测试图像执行DCT操作,选择合适的截止频率参数进行背景重建以获得第二背景图像,差分测试图像和第二背景图像以获得第三Mura图像;
交集模块,用于对第二Mura图像和第三Mura图像进行交集操作,以获得第四Mura图像;
并集模块,用于对第一Mura图像和第四Mura图像进行并集操作,以获得第五Mura图像。
其中,还包括CV模型参数训练模块,用于使用带有Mura缺陷的训练样本图像训练最佳化CV模型参数。
其中,还包括PCA主特征值参数训练模块,用于使用带有Mura缺陷的训练样本图像训练最佳化主特征值参数。
其中,还包括DCT截止频率参数训练模块,用于使用带有Mura缺陷的训练样本图像训练最佳化截止频率参数。
其中,所述CV模型所采用的能量函数如下:
E(C)=μL(C)+v*Area(inside(C))+λ1∫inside(C)|I(x,y)-c0|2dxdy+λ2∫outside(C)|I(x,y)-cb|2dxdy
,其中,C表示用于分割图像中Mura缺陷与非Mura区的闭合曲线,μL(C)表示长度约束项,v*Area(inside(C))表示面积约束项,λ1∫inside(C)|I(x,y)-c0|2dxdy表示曲线C的内部均方差之和;λ2∫outside(C)|I(x,y)-cb|2dxdy表示曲线C的外部均方差之和;I(x,y)是图像内任一像素点的灰度;C0表示曲线C内部区域的平均灰度;Cb表示曲线C外部区域的平均灰度;μ,ν,λ1,以及λ2为固定系数。
综上,本发明的Mura侦测方法及装置能够改善传统背景重建算法准确性及流程,克服Mura侦测类型单一的缺点,使得检测结果准确率更高。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其他有益效果显而易见。
附图中,
图1为传统DCT背景重建侦测Mura的Mura侦测流程图;
图2A为本发明Mura侦测方法的流程图;
图2B为本发明Mura侦测方法一较佳实施例的流程图;
图2C为本发明Mura侦测方法一较佳实施例的侦测结果示意图;
图3A至3D为本发明Mura侦测方法一较佳实施例的参数训练流程图;
图4A为本发明Mura侦测方法利用CV模型侦测Mura缺陷的演示图;
图4B为本发明Mura侦测方法利用CV模型侦测Mura缺陷的结果示意图;
图5A为本发明Mura侦测方法中采用CV模型侦测Mura的流程图;
图5B为本发明Mura侦测方法中采用PCA侦测Mura的流程图;
图5C为本发明Mura侦测方法中采用DCT侦测Mura的流程图。
具体实施方式
参见图2A、2B及2C,图2A为本发明Mura侦测方法的流程图,图2B为本发明Mura侦测方法一较佳实施例的流程图,图2C为该较佳实施例的侦测结果示意图。结合图2A、2B及2C,本发明的Mura侦测方法提供了一种基于多背景重建交叉图像处理的Mura侦测流程,主要包括:
步骤10、输入测试图像;
步骤20、对测试图像执行直方图均衡化操作后,选择合适的或最佳化CV模型参数进行Mura缺陷分割,获得第一Mura图像;
此步骤基于CV模型处理测试图像,获得第一Mura图像Mura1;通过使用直方图均衡化,能够增强测试图像中Mura缺陷的对比度;使用CV模型基于能量最小化的方式,能够侦测对比度小且难以区分的Mura,避免传统背景重建方式无法分割此类Mura的缺陷;通过选择使用预先确定的最佳化CV模型参数,能够提高Mura侦测结果准确性;
步骤30、对测试图像执行PCA操作,选择合适的或最佳化主特征值参数进行背景重建以获得第一背景图像,差分测试图像和第一背景图像以获得第二Mura图像;
此步骤基于PCA(主成分分析)背景重建方法处理测试图像,获得第二Mura图像Mura2;通过选择使用预先确定的最佳化主特征值参数,能够提高Mura侦测结果准确性;
步骤40、对测试图像执行DCT操作,选择合适的或最佳化截止频率参数进行背景重建以获得第二背景图像,差分测试图像和第二背景图像以获得第三Mura图像;
此步骤基于DCT背景重建方法处理测试图像,获得第三Mura图像Mura3;通过选择使用预先确定的最佳化截止频率参数,能够提高Mura侦测结果准确性;
步骤50、对第二Mura图像和第三Mura图像进行交集操作,以获得第四Mura图像;
此步骤将PCA及DCT两个背景重建方法得到的Mura图像之间进行AND即交集操作以得到新的第四Mura图像,即对Mura2和Mura3执行交集操作得到New_Mura 1;通过进行交集处理,避免PCA及DCT二者形成的多余高频噪声干扰;
步骤60、对第一Mura图像和第四Mura图像进行并集操作,以获得第五Mura图像;
此步骤对利用CV模型得到的低对比度Mura图像Mura1与新的第四Mura图像New_Mura 1执行OR即并集操作,从而得到第五Mura图像作为最终的Mura侦测结果,并输出结果。
本发明Mura侦测方法处理测试图像时,可以使用采用最佳化参数的CV模型,PCA,以及DCT进行Mura侦测,并且可以适应于不同类型Mura缺陷侦测;使用直方图均衡化增强Mura对比度;对基于PCA及DCT背景重建的方法所获得Mura图像进行交集处理,减少高频噪声的影响,使得差分图像更加准确;并且通过使用CV模型基于能量最小化的方式,进行侦测对比度小且难以区分的Mura,避免传统背景重建方法无法分割此类Mura的缺陷。
本发明Mura侦测方法进一步还可以包括利用训练样本图像训练最佳参数的步骤。参见图3A至3D,其为本发明Mura侦测方法一较佳实施例的参数训练流程图。参见图3A,各参数训练过程使用带有Mura缺陷的训练样本图像训练最佳化参数并存储;对于训练样本图像,专业作业员已经提前标识Mura区域;对于CV模型,在进行参数训练时,同样先进行直方图均衡化以增强Mura对比度。
参见图3B,利用训练样本图像进行参数训练以获得最佳化CV模型参数的步骤主要包括:
输入带有Mura缺陷的训练样本图像;
执行直方图均衡化操作;
选择CV模型参数v;
进行Mura缺陷分割,得到分割结果;
判断分割结果是否满足预设条件;
若不满足则返回前述步骤,重新选择CV模型参数v,若满足则存储当前参数。
参见图3C,利用训练样本图像进行参数训练以获得最佳化PCA主特征值参数的步骤主要包括:
输入带有Mura缺陷的训练样本图像;
进行PCA变换;
选择主特征值参数K;
进行背景重建;
通过差分图像进行Mura缺陷分割,得到分割结果;
判断分割结果是否满足预设条件;
若不满足则返回前述步骤,重新选择主特征值参数K,若满足则存储当前参数。
参见图3D,利用训练样本图像进行参数训练以获得最佳化DCT截止频率参数的步骤主要包括:
输入带有Mura缺陷的训练样本图像;
进行DCT变换;
选择截止频率参数F;
进行背景重建;
通过差分图像进行Mura缺陷分割,得到分割结果;
判断分割结果是否满足预设条件;
若不满足则返回前述步骤,重新选择截止频率参数F,若满足则存储当前参数。
其中,各参数训练过程中,判断分割结果是否满足预设条件可以一致,例如均为:分割得到的Mura图像与训练样本图像Mura区重叠面积>90%。
参见图4A,其为本发明Mura侦测方法利用CV模型侦测Mura缺陷的演示图。本发明使用CV模型基于能量最小化的方式侦测图像中的Mura缺陷以及进行CV模型参数训练,具体使用的CV模型的能量函数可以为如下形式:
E(C)=μL(C)+v*Area(inside(C))+λ1∫inside(C)|I(x,y)-c0|2dxdy+λ2∫outside(C)|I(x,y)-cb|2dxdy
,其中,C表示用于分割图像中Mura缺陷与非Mura区的闭合曲线,μL(C)为长度约束项,v*Area(inside(C))为面积约束项,Ein=λ1∫insidc(C)|I(x,y)-c0|2dxdy,Ein表示曲线C的内部均方差之和;Eout=λ2∫outsidc(C)|I(x,y)-cb|2dxdy,Eout表示曲线C的外部均方差之和;I(x,y)是图像内任一像素点的灰度;C0表示内部区域的平均灰度;Cb表示外部区域的平均灰度;μ,ν,λ1,以及λ2为固定系数。
图4A所示(a)~(d)各个图像中白色封闭线条表示曲线C,黑色部分表示待分割的目标,即Mura缺陷,灰色部分表示背景,即非Mura区;利用CV模型侦测Mura缺陷的过程就是调整曲线C与目标之间位置关系的过程,曲线C与目标的位置关系可如图4A中(a)~(d)所示:
(a)曲线C位于目标的外部,此时Ein>0,Eout=0;
(b)曲线C位于目标的内部,此时Ein=0,Eout>0;
(c)曲线C的内部区域同时包含目标和背景,此时Ein>0,Eout>0;
(d)曲线C恰好处于目标边缘,此时Ein=0,Eout=0。
根据上述位置关系可知,当Mura缺陷分割准确时,Ein=0,Eout=0,因此可以通过求能量函数E(C)的最小值实现Mura缺陷的准确侦测。
参见图4B,其为本发明Mura侦测方法利用CV模型侦测Mura缺陷的结果示意图,图中三个Mura图都是举例说明本发明利用CV模型侦测出的Mura缺陷,三个Mura图都可以用于后续的并集操作。在本发明中,CV模型是基于能量最小化处理侦测Mura缺陷,主要适用于侦测对比度较小的Mura,选择合适的v值可以较准确的侦测Mura缺陷。
参见图5A,其为本发明Mura侦测方法中采用CV模型侦测Mura的流程图,可以适用于侦测图像中的Mura缺陷以及进行CV模型参数训练,主要包括:输入测试图像;对测试图像执行直方图均衡化操作,以增强Mura对比度;选择CV模型参数v;进行Mura缺陷分割,得到分割结果;输出Mura图像,例如Mura1。
参见图5B,其为本发明Mura侦测方法中采用PCA侦测Mura的流程图,可以适用于侦测图像中的Mura缺陷以及进行主特征值参数训练,主要包括:输入测试图像;根据测试图像,计算矩阵协方差及相应主特征值;选择前K个主特征值(按从大到小排列);进行背景重建,得到背景图像;采用差分图像的方式进行Mura缺陷分割,用输入的测试图像减去背景图像,将得到的Mura图像作为结果输出,例如图2B中的Mura2。
参见图5C,其为本发明Mura侦测方法中采用DCT侦测Mura的流程图,可以适用于侦测图像中的Mura缺陷以及进行截止频率参数训练,主要包括:输入测试图像;对测试图像执行DCT变换;选择合适截止频率F;进行DCT逆变换得到重建的背景图像;采用差分图像的方式进行Mura缺陷分割,用输入的测试图像减去背景图像,将得到的Mura图像作为结果输出,例如图2B中的Mura3。
基于本发明的Mura侦测方法,本发明还提供了相应的Mura侦测装置,可以用于执行本发明Mura侦测方法,主要包括:
输入模块,用于输入测试图像;
CV模型模块,用于对测试图像执行直方图均衡化操作,然后选择合适的CV模型参数进行Mura缺陷分割,获得第一Mura图像;
PCA模块,用于对测试图像执行PCA操作,选择合适的主特征值参数进行背景重建以获得第一背景图像,差分测试图像和第一背景图像以获得第二Mura图像;
DCT模块,用于对测试图像执行DCT操作,选择合适的截止频率参数进行背景重建以获得第二背景图像,差分测试图像和第二背景图像以获得第三Mura图像;
交集模块,用于对第二Mura图像和第三Mura图像进行交集操作,以获得第四Mura图像;
并集模块,用于对第一Mura图像和第四Mura图像进行并集操作,以获得第五Mura图像。
综上,本发明的Mura侦测方法及装置能够改善传统背景重建算法准确性及流程,克服Mura侦测类型单一的缺点,使得检测结果准确率更高。
以上所述,对于本领域的普通技术人员来说,可以根据本发明的技术方案和技术构思作出其他各种相应的改变和变形,而所有这些改变和变形都应属于本发明后附的权利要求的保护范围。
Claims (10)
1.一种Mura侦测方法,其特征在于,包括:
步骤10、输入测试图像;
步骤20、对测试图像执行直方图均衡化操作后,选择合适的或最佳化CV模型参数进行Mura缺陷分割,获得第一Mura图像;
步骤30、对测试图像执行PCA操作,选择合适的或最佳化主特征值参数进行背景重建以获得第一背景图像,差分测试图像和第一背景图像以获得第二Mura图像;
步骤40、对测试图像执行DCT操作,选择合适的或最佳化截止频率参数进行背景重建以获得第二背景图像,差分测试图像和第二背景图像以获得第三Mura图像;
步骤50、对第二Mura图像和第三Mura图像进行交集操作,以获得第四Mura图像;
步骤60、对第一Mura图像和第四Mura图像进行并集操作,以获得第五Mura图像。
2.如权利要求1所述的Mura侦测方法,其特征在于,还包括使用带有Mura缺陷的训练样本图像训练最佳化CV模型参数的步骤。
3.如权利要求1所述的Mura侦测方法,其特征在于,还包括使用带有Mura缺陷的训练样本图像训练最佳化主特征值参数的步骤。
4.如权利要求1所述的Mura侦测方法,其特征在于,还包括使用带有Mura缺陷的训练样本图像训练最佳化截止频率参数的步骤。
5.如权利要求1所述的Mura侦测方法,其特征在于,所述CV模型所采用的能量函数如下:
E(C)=μL(C)+v*Area(insid(C))+λ1∫inside(C)|I(x,y)-c0|2dxdy+λ2∫outside(C)|I(x,y)cb|2dxdy,
其中,C表示用于分割图像中Mura缺陷与非Mura区的闭合曲线,μL(C)为长度约束项,v*Area(inside(C))为面积约束项,λ1∫inside(C)|I(x,y)-c0|2dxdy表示曲线C的内部均方差之和;λ2∫outside(C)|I(x,y)-cb|2dxdy表示曲线C的外部均方差之和;I(x,y)是图像内任一像素点的灰度;C0表示曲线C内部区域的平均灰度;Cb表示曲线C外部区域的平均灰度;μ,v,λ1,以及λ2为固定系数。
6.一种Mura侦测装置,其特征在于,包括:
输入模块,用于输入测试图像;
CV模型模块,用于对测试图像执行直方图均衡化操作,然后选择合适的CV模型参数进行Mura缺陷分割,获得第一Mura图像;
PCA模块,用于对测试图像执行PCA操作,选择合适的主特征值参数进行背景重建以获得第一背景图像,差分测试图像和第一背景图像以获得第二Mura图像;
DCT模块,用于对测试图像执行DCT操作,选择合适的截止频率参数进行背景重建以获得第二背景图像,差分测试图像和第二背景图像以获得第三Mura图像;
交集模块,用于对第二Mura图像和第三Mura图像进行交集操作,以获得第四Mura图像;
并集模块,用于对第一Mura图像和第四Mura图像进行并集操作,以获得第五Mura图像。
7.如权利要求6所述的Mura侦测装置,其特征在于,还包括CV模型参数训练模块,用于使用带有Mura缺陷的训练样本图像训练最佳化CV模型参数。
8.如权利要求6所述的Mura侦测装置,其特征在于,还包括PCA主特征值参数训练模块,用于使用带有Mura缺陷的训练样本图像训练最佳化主特征值参数。
9.如权利要求6所述的Mura侦测装置,其特征在于,还包括DCT截止频率参数训练模块,用于使用带有Mura缺陷的训练样本图像训练最佳化截止频率参数。
10.如权利要求6所述的Mura侦测装置,其特征在于,所述CV模型所采用的能量函数如下:
E(C)=μL(C)+v*Area(inside(C))+λ1∫inside(C)|I(x,y)-c0|2dxdy+λ2∫outside(C)|I(x,y)-cb|2dxdy,
其中,C表示用于分割图像中Mura缺陷与非Mura区的闭合曲线,μL(C)表示长度约束项,v*Area(inside(C))表示面积约束项,λ1∫inside(C)|I(x,y)-c0|2dxdy表示曲线C的内部均方差之和;
λ2∫outside(C)|I(x,y)-cb|2dxdy表示曲线C的外部均方差之和;I(x,y)是图像内任一像素点的灰度;C0表示曲线C内部区域的平均灰度;Cb表示曲线C外部区域的平均灰度;μ,v,λ1,以及λ2为固定系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810899215.XA CN109285144B (zh) | 2018-08-08 | 2018-08-08 | Mura侦测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810899215.XA CN109285144B (zh) | 2018-08-08 | 2018-08-08 | Mura侦测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285144A true CN109285144A (zh) | 2019-01-29 |
CN109285144B CN109285144B (zh) | 2021-04-23 |
Family
ID=65182697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810899215.XA Active CN109285144B (zh) | 2018-08-08 | 2018-08-08 | Mura侦测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285144B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913419A (zh) * | 2016-04-07 | 2016-08-31 | 南京汇川图像视觉技术有限公司 | 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法 |
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 |
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 |
US9880109B2 (en) * | 2014-07-09 | 2018-01-30 | Samsung Display Co., Ltd. | Vision inspection apparatus and method of detecting Mura thereof |
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 |
-
2018
- 2018-08-08 CN CN201810899215.XA patent/CN109285144B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9880109B2 (en) * | 2014-07-09 | 2018-01-30 | Samsung Display Co., Ltd. | Vision inspection apparatus and method of detecting Mura thereof |
CN105913419A (zh) * | 2016-04-07 | 2016-08-31 | 南京汇川图像视觉技术有限公司 | 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法 |
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 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
北京图像图形学学会编: "《图像图形技术研究与应用2009》", 31 March 2009, 北京:中国传媒大学出版社 * |
陈凌海等: "基于改进Chan-Vese模型的液晶显示屏Mura缺陷分割", 《液晶与显示》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109285144B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhargav et al. | Measurement of the Zone of Inhibition of an Antibiotic | |
CN105158258B (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN104200442B (zh) | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 | |
Usamentiaga et al. | More than fifty shades of grey: Quantitative characterization of defects and interpretation using SNR and CNR | |
CN109785250B (zh) | 一种基于Criminisi算法的图像修复方法 | |
US10572987B2 (en) | Determination of localised quality measurements from a volumetric image record | |
CN105717163A (zh) | 红外热像检测缺陷的方法 | |
CN110930427B (zh) | 一种基于语义轮廓信息的图像分割方法、设备和存储介质 | |
CN106204517B (zh) | 周期性图案的自动光学检测方法 | |
CN104637067B (zh) | 一种纹理表面的缺陷检测方法 | |
JP7078175B2 (ja) | 検査装置及び方法 | |
CN109727233A (zh) | 一种lcd缺陷检测方法 | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN116740061B (zh) | 一种爆珠生产质量视觉检测方法 | |
CN109859132A (zh) | 一种基于增强图像识别技术的产品质量在线检测方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN109613023A (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
CN103839271A (zh) | 一种基于最佳匹配的图像纹理合成方法 | |
CN110084768A (zh) | 基于背景滤波的lcd导光板的缺陷检测方法 | |
CN114186596B (zh) | 一种谱图峰的多窗口识别方法、装置以及电子设备 | |
CN105699397A (zh) | 一种苹果表面光泽度检测方法 | |
CN109285144A (zh) | Mura侦测方法及装置 | |
TWI735967B (zh) | 信息處理方法及計算機程序 | |
KR101959627B1 (ko) | 실제 반도체 제조물을 복제한 가상 반도체 제조물 제공 방법 및 시스템 | |
Bhuiyan et al. | Retinal artery and venular caliber grading: a semi-automated evaluation tool |
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 | ||
CB02 | Change of applicant information |
Address after: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Applicant after: TCL Huaxing Photoelectric Technology Co.,Ltd. Address before: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Applicant before: Shenzhen China Star Optoelectronics Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |