CN109801286A - 一种lcd导光板的表面缺陷检测算法 - Google Patents
一种lcd导光板的表面缺陷检测算法 Download PDFInfo
- Publication number
- CN109801286A CN109801286A CN201910085601.XA CN201910085601A CN109801286A CN 109801286 A CN109801286 A CN 109801286A CN 201910085601 A CN201910085601 A CN 201910085601A CN 109801286 A CN109801286 A CN 109801286A
- Authority
- CN
- China
- Prior art keywords
- light guide
- guide plate
- lcd light
- image
- lcd
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及检测算法技术领域,具体公开了一种LCD导光板的表面缺陷检测算法,其中,所述LCD导光板的表面缺陷检测算法包括:S110、采集LCD导光板图像训练数据;S120、对所述LCD导光板图像训练数据进行纹理能量特征提取,获得训练数据的多通道纹理能量特征;S130、根据所述训练数据的多通道纹理能量特征建立高斯混合模型;S140、采集待检测的LCD导光板的图像;S150、对所述待检测的LCD导光板的图像重复步骤S130;S160、根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域,得到检测结果。本发明提供的LCD导光板的表面缺陷检测算法具有检测精度高且检测能力强的优势。
Description
技术领域
本发明涉及检测算法技术领域,尤其涉及一种LCD导光板的表面缺陷检测算法。
背景技术
液晶显示屏-导光板(Liquid Crystal Display-Light Guide Plate LCD-LGP)是生产液晶显示器背光源模组中的重要部件,其表面缺陷将影响液晶屏的显示效果。基于机器视觉的LCD导光板表面缺陷自动光学检测(Auto Optical Inspection AOI)系统,相对人工视觉检测具有检出率高、误检率底、速度快、可全天无间断工作等优点。
其中LCD导光板图像复杂背景下的缺陷检测技术是AOI系统视觉检测部分的核心,其难点问题在于:1)由于LCD导光板表面导光颗粒大小和散布密度的不同导致的背景纹理异性较大;2)成像面积较小的缺陷缺乏纹理特征容易被复杂背景干扰;3)单个导光颗粒缺失的区域无法提取用于检测的特征;4)对系统的检出率和实时性等性能指标的要求。
根据LCD导光板表面常见缺陷的种类和缺陷特征提取的方式,传统的LCD导光板缺陷检测方法有:不变矩特征检测法和频域滤波检测法。不变矩特征检测法通过提取图像的矩不变量作为描述不同区域网点结构分布的特征量,但使用高阶矩表征图像细节信息时易受到噪声等因素的影响,而且难以对划痕、异物和点、线、面状等常见缺陷进行检测,而且矩不变量的计算较为复杂,难以达到检测系统实时性的要求。频域滤波检测法是生产中常用的检测方法,利用傅里叶变换从频域的角度对图像进行分割,剔除了具有周期性的背景图案,然后利用Otsu阈值法和形态学技术完成缺陷区域前景的提取。但是傅里叶变换是一种全局性的变化,缺乏局部化分析能力,易受到图像灰度局部分布不均的干扰。使用Gabor变换在频域中对多个固定的方向和尺度提取相关特征,Gabor滤波方法具有很好的频率选择性和方位选择性,克服了傅里叶变换的缺点,但其时频窗口的大小和形状不能随频率的变化而变化,不具备自适应能力。因此对于背景纹理变化和灰度分布易受光照影响的LCD导光板图像而言,常用的频域滤波检测法在重构图像的过程中容易出现缺陷信息丢失和背景去除不彻底的现象。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种LCD导光板的表面缺陷检测算法,以解决现有技术中的问题。
作为本发明的一个方面,提供一种LCD导光板的表面缺陷检测算法,其中,所述LCD导光板的表面缺陷检测算法包括:
S110、采集LCD导光板图像训练数据;
S120、对所述LCD导光板图像训练数据进行纹理能量特征提取,获得训练数据的多通道纹理能量特征;
S130、根据所述训练数据的多通道纹理能量特征建立高斯混合模型;
S140、采集待检测的LCD导光板的图像;
S150、对所述待检测的LCD导光板的图像重复步骤S130;
S160、根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域,得到检测结果。
优选地,所述对所述LCD导光板图像训练数据进行纹理能量特征提取,获得训练数据的多通道纹理能量特征包括:
采用相干增强扩散滤波对所述LCD导光板图像进行预处理;
将预处理后的LCD导光板图像进行纹理能量特征提取,获得训练数据的多通道纹理能量特征。
优选地,所述采用相干增强扩散滤波对所述LCD导光板图像进行预处理包括:
构建依赖于结构张量的相干增强扩散模型,其中所述相干增强扩散模型为:
其中,x、y表示LCD导光板图像像素的坐标,I(x,y,t)表示t时刻的LCD导光板图像数据,I0(x,y)表示t=0的LCD导光板图像的初始图像数据,D表示2×2的扩散矩阵,且为正定对称矩阵;表示结构张量;扩散矩阵D的特征向量与结构张量Jρ相同;
构建结构张量,并计算所述结构张量的特征值,其中所述结构张量表示为:
计算Jρ的两个特征值为λ1,λ2:
其中,Kρ表示高斯半径为ρ的高斯卷积核,令Jρ的特征值λ1>λ2,λ1,λ2对应的特征向量分别为v1,v2,v1与所述LCD导光板图像梯度方向平行,v2与所述LCD导光板图像梯度方向垂直;当λ1≈λ2≈0时,所述LCD导光板图像的相应区域有光滑特性;当λ1>>λ2≈0时,所述LCD导光板图像的相应区域有边缘或流线状结构;
通过相干性公式中的相干性测度C来定义所述LCD导光板图像局部区域的相干性,其中,所述相干性公式表示为:
C:=(λ1-λ2)2;
根据构建的所述相干增强扩散模型对所述LCD导光板图像进行滤波。
优选地,所述将预处理后的LCD导光板图像进行纹理能量特征提取,获得训练数据的多通道纹理能量特征包括:
选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作,且在纹理能量变化阶段增加高斯平滑操作。
优选地,所述选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作,且在纹理能量变化阶段增加高斯平滑操作包括:
将一维Laws模板向量两两卷积得到二维Laws纹理滤波模板;
将经过CED滤波的LCD导光板图像和未经过CED滤波的LCD导光板图像采用多组二维Laws纹理滤波模板进行卷积操作;
根据高斯滤波器对卷积操作后的LCD导光板图像进行纹理能量变换;
将经过高斯平滑后的多个纹理特征分量按顺序组成多通道纹理能量图,完成LCD导光板图像的特征提取。
优选地,所述根据所述训练数据的多通道纹理能量特征建立高斯混合模型包括:
构建高斯混合模型,将多通道纹理能量特征采用K个高斯函数联合表示为:
其中,Xj=n=[x1,n,x2,n,...,xd,n]T,αm,j表示j张训练数据中像素的观测值来自第m个分模型的先验概率;且αm,j满足αm,j≥0,θ={θ1,j,θ2,j,...,θm,j;α1,j,α2,j,...,αm,j}表示参数集合;φ(Xj|θm,j)表示Xj是第m个高斯分布的概率密度函数,对应d维高斯分布的参数为θm,j且均值和协方差分布为μm,j、Σm,j,φ(Xj|θm,j)的表达式为:
将多通道纹理能量图像分区域添加至对应的高斯混合模型进行训练,计算对数似然函数的期望,以确定Q函数;
根据Q函数求解,直至对数似然函数收敛于最优值。
优选地,所述根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域,得到检测结果包括:
将待检测的LCD导光板的图像以逐个像素点读入数据;
计算待检测的LCD导光板的图像所属第m个分布后的后验概率;
将所述后验概率与相应的高斯混合模型不匹配的像素作为缺陷检测结果输出;
汇总每个区域所对应的高斯混合模型的判别结果,输出包含缺陷的子图像。
优选地,所述对所述待检测的LCD导光板的图像重复步骤S130包括:
对所述待检测的LCD导光板的图像根据所述训练数据的多通道纹理能量特征建立高斯混合模型。
本发明提供的LCD导光板的表面缺陷检测算法,通过相干增强扩散滤波进行预处理,使用不同的纹理能量滤波模板对相同区域提取多组纹理能量特征,将随机纹理背景的多通道纹理能量特征作为高斯混合模型的训练数据,最后应用高斯混合模型识别图像中的缺陷,利用相干增强扩散滤波减少噪声和图像背景纹理信息的干扰,并增强了缺陷区域内部的连续性,提高了缺陷的线状纹理特征;组成的多通道纹理能量图像扩大了背景和缺陷纹理特性的差异;由于传统阈值法判别目标缺陷的精准度不高,本发明采用背景建模的思想,结合高斯混合模型对缺陷区域进行判别;对微小缺陷、点结构缺失等难以检测的表面缺陷有很好的检测能力。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的LCD导光板的表面缺陷检测算法的流程图。
图2为本发明提供的算法流程示意图。
图3为本发明步骤S110中采集的规则纹理无缺陷LCD导光板图像。
图4为本发明步骤S110中采集的随机纹理无缺陷LCD导光板图像。
图5为本发明步骤S140中采集的随机纹理背景含压伤缺陷LCD导光板图像。
图6为本发明步骤S140中采集的随机纹理背景含异物缺陷LCD导光板图像。
图7为本发明步骤S140中采集的规则纹理背景含划痕缺陷LCD导光板图像。
图8为本发明步骤S140中采集的规则纹理背景含微划痕缺陷LCD导光板图像。
图9为本发明步骤S120中对规则纹理无缺陷LCD导光板图像进行相干增强扩散滤波图像。
图10为本发明步骤S120中对随机纹理无缺陷LCD导光板图像进行相干增强扩散滤波图像。
图11为本发明步骤S120中对随机纹理无缺陷LCD导光板滤波后图像进行模板为E5L5的卷积图像。
图12为本发明步骤S120中对采集的有压伤缺陷LCD导光板图像进行相干增强扩散滤波图像。
图13为本发明步骤S120中对有压伤缺陷LCD导光板滤波后图像进行模板为L5E5的纹理能量提取图像。
图14为本发明步骤S130中对有压伤缺陷LCD导光板图像缺陷区域的识别。
图15为本发明步骤S120中对采集的有异物缺陷LCD导光板图像进行相干增强扩散滤波图像。
图16为本发明步骤S120中对有异物缺陷LCD导光板滤波后图像进行纹理能量提取图像。
图17为本发明步骤S130中对有异物缺陷LCD导光板图像缺陷区域的识别。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
需要说明的是,LCD-LGP:Liquid Crystal Display-Light Guide Plate,液晶屏导光板;CED:Coherence Enhancing Diffusion相干增强扩散;TEM:Texture EnergyMeasure纹理能量测度;GMM:Gaussian mixture model高斯混合模型。
作为本发明的一个方面,提供一种LCD导光板的表面缺陷检测算法,其中,如图1所示,所述LCD导光板的表面缺陷检测算法包括:
S110、采集LCD导光板图像训练数据;
S120、对所述LCD导光板图像训练数据进行纹理能量特征提取,获得训练数据的多通道纹理能量特征;
S130、根据所述训练数据的多通道纹理能量特征建立高斯混合模型;
S140、采集待检测的LCD导光板的图像;
S150、对所述待检测的LCD导光板的图像重复步骤S130;
S160、根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域,得到检测结果。
本发明提供的LCD导光板的表面缺陷检测算法,通过相干增强扩散滤波进行预处理,使用不同的纹理能量滤波模板对相同区域提取多组纹理能量特征,将随机纹理背景的多通道纹理能量特征作为高斯混合模型的训练数据,最后应用高斯混合模型识别图像中的缺陷,利用相干增强扩散滤波减少噪声和图像背景纹理信息的干扰,并增强了缺陷区域内部的连续性,提高了缺陷的线状纹理特征;组成的多通道纹理能量图像扩大了背景和缺陷纹理特性的差异;由于传统阈值法判别目标缺陷的精准度不高,本发明采用背景建模的思想,结合高斯混合模型对缺陷区域进行判别;对微小缺陷、点结构缺失等难以检测的表面缺陷有很好的检测能力。
需要说明的是,使用高分辨率线扫描相机采集LCD导光板图像数据,采用透射光的打光方式,由于LCD导光板表面导光颗粒微小,表面的导光颗粒分布密度由疏到密,结合本发明中的高斯混合模型拟合背景纹理图像的思想和实际产品中导光颗粒分布情况,将相机采集的数据划分为多个待检测区域,对每个区域进行纹理采样,即选取固定长宽的Region对划分的区域按Region的面积无重复的选择若干张子图像,确保选择的所有子图像能表征该区域的纹理分布,标准经研究发现,划分区域越多则单个区域纹理采样数量越小,本发明根据实际产品型号和尺寸把划分区域数量、纹理采样数量和采样Region的长宽作为可调节外部参数。
具体地,所述对所述LCD导光板图像训练数据进行纹理能量特征提取,获得训练数据的多通道纹理能量特征包括:
采用相干增强扩散滤波对所述LCD导光板图像进行预处理;
将预处理后的LCD导光板图像进行纹理能量特征提取,获得训练数据的多通道纹理能量特征。
所述采用相干增强扩散滤波对所述LCD导光板图像进行预处理包括:
构建依赖于结构张量的相干增强扩散模型,其中所述相干增强扩散模型为:
其中,x、y表示LCD导光板图像像素的坐标,I(x,y,t)表示t时刻的LCD导光板图像数据,I0(x,y)表示t=0的LCD导光板图像的初始图像数据,D表示2×2的扩散矩阵,且为正定对称矩阵;表示结构张量;扩散矩阵D的特征向量与结构张量Jρ相同;
构建结构张量,并计算所述结构张量的特征值,其中所述结构张量表示为:
计算Jρ的两个特征值为λ1,λ2:
其中,Kρ表示高斯半径为ρ的高斯卷积核,令Jρ的特征值λ1>λ2,λ1,λ2对应的特征向量分别为v1,v2,v1与所述LCD导光板图像梯度方向平行,v2与所述LCD导光板图像梯度方向垂直;当λ1≈λ2≈0时,所述LCD导光板图像的相应区域有光滑特性;当λ1>>λ2≈0时,所述LCD导光板图像的相应区域有边缘或流线状结构,即图像相应局部的灰度值具有相干性;
通过相干性公式中的相干性测度C来定义所述LCD导光板图像局部区域的相干性,其中,所述相干性公式表示为:
具体地,
其中,η通常取较小的正数,如η=0.001,μ1,μ2分别对应着反映图像灰度变化快慢的特征向量v1,v2,显然,exp(-1/(λ1-λ2)2)接近于1时,图像局部具有很强的相干性。其中,和预处理效果有关的重要参数有:反映抑制噪声的高斯平滑参数为σ、反映边缘纹理结构的尺度参数为ρ和迭代的次数T,迭代次数T和CED滤波计算时间成正相关,通过大量实验对比,本发明σ取0.5、参数ρ取0.8、迭代次数T取10。
需要说明的是,这一公式从出处为Weickert J.Coherence-Enhancing Diffusion Filtering[J].International Journalof Computer Vision,1999,31(2-3):111-127.。
根据构建的所述相干增强扩散模型对所述LCD导光板图像进行滤波。
具体地,所述将预处理后的LCD导光板图像进行纹理能量特征提取,获得训练数据的多通道纹理能量特征包括:
选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作,且在纹理能量变化阶段增加高斯平滑操作。
所述选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作,且在纹理能量变化阶段增加高斯平滑操作包括:
将一维Laws模板向量两两卷积得到二维Laws纹理滤波模板;
将经过CED滤波的LCD导光板图像和未经过CED滤波的LCD导光板图像采用多组二维Laws纹理滤波模板进行卷积操作;
根据高斯滤波器对卷积操作后的LCD导光板图像进行纹理能量变换;
将经过高斯平滑后的多个纹理特征分量按顺序组成多通道纹理能量图,完成LCD导光板图像的特征提取。
进一步具体地,将Laws一维模板向量两两卷积得到如下表所示的二维滤波模板:
表1 25个2-D滤波模板
其中,模板E5L5用于描述水平边缘纹理特征;L5S5和L5E5对垂直边缘纹理特征比较敏感;R5R5模板的中心位置数值最大,围绕中心位置每向外一周的数值符号正负交替,用来提取尺寸过大导光点的高频信息。每个2-D模板与图像做卷积操作,均能凸显出与模板相应的纹理特征。本发明采用E5L5、L5E5、E5S5、S5E5、E5E5、R5R5、L5S5 7个2维纹理滤波模板进行滤波操作;纹理能量特征提取阶段图像的输入数据中,不完全采用CED滤波的预处理操作,因为扩散张量中参数ρ的设置相对σ偏小会造成边缘保护程度的减小,从而削弱高频缺陷的特征,如具有圆形特征的亮点异物和单个导光颗粒半径过大等缺陷特征,并且经过对2-D纹理卷积模板研究后对模板E5E5、R5R5、E5S5直接采用原图进行纹理能量提取操作,同时也降低了CED滤波过程的计算量。
将上述经过CED滤波的图像ICED和未经过CED滤波的原图I0,按照本发明采用的7个2-D纹理能量模板进行卷积操作:
其中,m+n=7,gn表示输入图像I0直接与模板Mn进行卷积,gm表示滤波后ICED图像与模板Mm卷积的结果。将经过模板处理后的图像均通过纹理能量变换的宏窗口再次滤波,宏窗口定义如下:
其中,g(k,l)表示2-D Laws模板卷积后图像,m(i,j)表示窗口内g(k,l)的平均值;
采用方差为σ的高斯滤波器完成纹理能量变换:
经过大量对比实验,宏窗口均值滤波器的窗口大小取值为15*15;此处高斯函数的方差参数σ取值为1.075,能量变换的效果最佳;
将经过高斯平滑后的7个纹理特征分量按顺序组成7通道纹理能量图,完成特征提取阶段。
具体地,所述根据所述训练数据的多通道纹理能量特征建立高斯混合模型包括:
构建高斯混合模型,将多通道纹理能量特征采用K个高斯函数联合表示为:
其中,Xj=n=[x1,n,x2,n,...,xd,n]T,αm,j表示j张训练数据中像素的观测值来自第m个分模型的先验概率;且αm,j满足αm,j≥0,θ={θ1,j,θ2,j,...,θm,j;α1,j,α2,j,...,αm,j}表示参数集合;φ(Xj|θm,j)表示Xj是第m个高斯分布的概率密度函数,对应d维高斯分布的参数为θm,j且均值和协方差分布为μm,j、Σm,j,φ(Xj|θm,j)的表达式为:
可以理解的是,具体地可以将7通道的背景纹理能量特征图采用K个高斯函数联合表示如上面公式所示。本发明根据采集的图像表面的背景纹理分布密度,将混合模型中高斯函数的数量设为5,即对图像所划分的每个区域均使用5个高斯函数去拟合背景纹理的分布情况。
将多通道纹理能量图像分区域添加至对应的高斯混合模型进行训练,计算对数似然函数的期望,以确定Q函数;
具体地,可以将7通道的背景纹理能量图像分区域添加至对应的高斯混合模型进行训练,计算对数似然函数的期望,即确定Q函数。其中,加入隐含变量Z后完全数据的似然函数为:
包含隐变量的完全数据的对数似然函数为:
计算对数似然函数的期望:
Q(θ,θ(s))=E[lnp(X,Z|θ)|X,θ(s)];
其中,θ(s)是第S次迭代得出的参数估计值。
需要说明的是,上述似然函数的出处为Dempster A P.Maximum Likelihood fromIncomplete Data via the EM Algorithm[J].The Journal of the Royal StatisticalSociety,series B,1977,39.。
根据Q函数求解,直至对数似然函数收敛于最优值。
具体地,迭代求解期望最大化算法,直到对数似然函数值收敛于最优值,估计出拟合该区域背景纹理分布的高斯混合模型的参数,并保存参数。
具体地,所述根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域,得到检测结果包括:
将待检测的LCD导光板的图像以逐个像素点读入数据;
计算待检测的LCD导光板的图像所属第m个分布后的后验概率;
将所述后验概率与相应的高斯混合模型不匹配的像素作为缺陷检测结果输出;
汇总每个区域所对应的高斯混合模型的判别结果,输出包含缺陷的子图像。
具体地,所述对所述待检测的LCD导光板的图像重复步骤S130包括:
对所述待检测的LCD导光板的图像根据所述训练数据的多通道纹理能量特征建立高斯混合模型。
如图1所示,本发明提供的LCD导光板的表面缺陷检测算法具体可以包括离线训练阶段和在线检测阶段,离线训练阶段具体如上述步骤S110至步骤S130的处理过程,在线检测阶段具体如上述步骤S140至S160的处理过程。
在线检测阶段对待检图像进行采集,经过相干增强滤波处理和纹理能量特征提取后,将待检测图像中以逐个像素点读入数据,计算其所属第m个分布的后验概率,与相应的高斯混合模型不匹配的像素作为缺陷检测结果输出。最后汇总每个区域所对应的高斯混合模型的判别结果,输出包含缺陷的子图像。
下面结合图3至图17对本发明提供的LCD导光板的表面缺陷检测算法的具体实施过程进行详细描述。
1、利用高分辨率线扫描相机采集与待检测产品同型号的合格无缺陷产品的图像,如图3所示;
2、对图像进行分块和采样,根据产品型号等具体信息建立N个高斯混合模型检测区域,本实施方式中:N取6,即划分为6个区域,每个区域的训练数据为25张图片,大小为(采样Region)600pixels*600pixels;
3、对采样后的图片进行相干增强扩散滤波,选择较小的ρ(ρ=0.8),有效的抑制单个圆形形状的导光颗粒的边缘,并根据扩散张量的特征值进行CED扩散滤波,结构张量和扩散张量的特征值公式如下,选择迭代次数为13次,得到滤波后的图像如图9所示;
4、对CED滤波后的图像ICED分别与2-D Laws纹理滤波模板E5L5、L5E5、E5S5、S5E5进行卷积运算,得到包含四个纹理分量的图像gm,将原图I0分别与2-D Laws纹理滤波模板E5E5、R5R5、L5S5进行卷积运算,得到包含四个纹理分量的图像gn;
5、每个纹理分量与宏窗口均值滤波器和高斯平滑的步骤之后组成包含7个通道的纹理能量特征图像,其中与E5L5卷积的结果如图13所示;
5、将该训练区域中所有的7通道纹理特征图像作为相应高斯混合模型的训练数据,训练所建立的6个高斯混合模型;
6、确定期望最大化算法中的Q函数,计算公式如下:
Q(θ,θ(s))=E[lnp(X,Z|θ)|X,θ(s)]
7、求解Q(θ,θ(s))对θ的极大值直至收敛,计算公式如下;
8、在线检测阶段对相应的高斯混合模型检测区域进行等面积的划分,本实施方式将每个区域按照采样Region的大小将图像分块处理;
9、经过同训练阶段相同的特征提取操作;
10、按照区域的划分,将每张分块后的图像应用训练好的高斯混合模型检测,待检测图像中,非背景纹理的像素将被标记;
11、计算连通域后将缺陷以边缘拟合的方式显示,如图14所示。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种LCD导光板的表面缺陷检测算法,其特征在于,所述LCD导光板的表面缺陷检测算法包括:
S110、采集LCD导光板图像训练数据;
S120、对所述LCD导光板图像训练数据进行纹理能量特征提取,获得训练数据的多通道纹理能量特征;
S130、根据所述训练数据的多通道纹理能量特征建立高斯混合模型;
S140、采集待检测的LCD导光板的图像;
S150、对所述待检测的LCD导光板的图像重复步骤S130;
S160、根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域,得到检测结果。
2.根据权利要求1所述的LCD导光板的表面缺陷检测算法,其特征在于,所述对所述LCD导光板图像训练数据进行纹理能量特征提取,获得训练数据的多通道纹理能量特征包括:
采用相干增强扩散滤波对所述LCD导光板图像进行预处理;
将预处理后的LCD导光板图像进行纹理能量特征提取,获得训练数据的多通道纹理能量特征。
3.根据权利要求2所述的LCD导光板的表面缺陷检测算法,其特征在于,所述采用相干增强扩散滤波对所述LCD导光板图像进行预处理包括:
构建依赖于结构张量的相干增强扩散模型,其中所述相干增强扩散模型为:
其中,x、y表示LCD导光板图像像素的坐标,I(x,y,t)表示t时刻的LCD导光板图像数据,I0(x,y)表示t=0的LCD导光板图像的初始图像数据,D表示2×2的扩散矩阵,且为正定对称矩阵;表示结构张量;扩散矩阵D的特征向量与结构张量Jρ相同;
构建结构张量,并计算所述结构张量的特征值,其中所述结构张量表示为:
计算Jρ的两个特征值为λ1,λ2:
其中,Kρ表示高斯半径为ρ的高斯卷积核,令Jρ的特征值λ1>λ2,λ1,λ2对应的特征向量分别为v1,v2,v1与所述LCD导光板图像梯度方向平行,v2与所述LCD导光板图像梯度方向垂直;当λ1≈λ2≈0时,所述LCD导光板图像的相应区域有光滑特性;当λ1>>λ2≈0时,所述LCD导光板图像的相应区域有边缘或流线状结构;
通过相干性公式中的相干性测度C来定义所述LCD导光板图像局部区域的相干性,其中,所述相干性公式表示为:
C:=(λ1-λ2)2;
根据构建的所述相干增强扩散模型对所述LCD导光板图像进行滤波。
4.根据权利要求2所述的LCD导光板的表面缺陷检测算法,其特征在于,所述将预处理后的LCD导光板图像进行纹理能量特征提取,获得训练数据的多通道纹理能量特征包括:
选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作,且在纹理能量变化阶段增加高斯平滑操作。
5.根据权利要求4所述的LCD导光板的表面缺陷检测算法,其特征在于,所述选择多组二维Laws纹理滤波模板对所述LCD导光板图像进行卷积操作,且在纹理能量变化阶段增加高斯平滑操作包括:
将一维Laws模板向量两两卷积得到二维Laws纹理滤波模板;
将经过CED滤波的LCD导光板图像和未经过CED滤波的LCD导光板图像采用多组二维Laws纹理滤波模板进行卷积操作;
根据高斯滤波器对卷积操作后的LCD导光板图像进行纹理能量变换;
将经过高斯平滑后的多个纹理特征分量按顺序组成多通道纹理能量图,完成LCD导光板图像的特征提取。
6.根据权利要求1所述的LCD导光板的表面缺陷检测算法,其特征在于,所述根据所述训练数据的多通道纹理能量特征建立高斯混合模型包括:
构建高斯混合模型,将多通道纹理能量特征采用K个高斯函数联合表示为:
其中,Xj=n=[x1,n,x2,n,...,xd,n]T,αm,j表示j张训练数据中像素的观测值来自第m个分模型的先验概率;且αm,j满足αm,j≥0,θ={θ1,j,θ2,j,...,θm,j;α1,j,α2,j,...,αm,j}表示参数集合;φ(Xj|θm,j)表示Xj是第m个高斯分布的概率密度函数,对应d维高斯分布的参数为θm,j且均值和协方差分布为μm,j、Σm,j,φ(Xj|θm,j)的表达式为:
将多通道纹理能量图像分区域添加至对应的高斯混合模型进行训练,计算对数似然函数的期望,以确定Q函数;
根据Q函数求解,直至对数似然函数收敛于最优值。
7.根据权利要求2所述的LCD导光板的表面缺陷检测算法,其特征在于,所述根据所述高斯混合模型识别所述待检测的LCD导光板的图像的多通道纹理能量特征中的缺陷区域,得到检测结果包括:
将待检测的LCD导光板的图像以逐个像素点读入数据;
计算待检测的LCD导光板的图像所属第m个分布后的后验概率;
将所述后验概率与相应的高斯混合模型不匹配的像素作为缺陷检测结果输出;
汇总每个区域所对应的高斯混合模型的判别结果,输出包含缺陷的子图像。
8.根据权利要求1所述的LCD导光板的表面缺陷检测算法,其特征在于,所述对所述待检测的LCD导光板的图像重复步骤S130包括:
对所述待检测的LCD导光板的图像根据所述训练数据的多通道纹理能量特征建立高斯混合模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085601.XA CN109801286B (zh) | 2019-01-29 | 2019-01-29 | 一种lcd导光板的表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085601.XA CN109801286B (zh) | 2019-01-29 | 2019-01-29 | 一种lcd导光板的表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109801286A true CN109801286A (zh) | 2019-05-24 |
CN109801286B CN109801286B (zh) | 2023-06-06 |
Family
ID=66559153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910085601.XA Active CN109801286B (zh) | 2019-01-29 | 2019-01-29 | 一种lcd导光板的表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801286B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110296994A (zh) * | 2019-06-21 | 2019-10-01 | 杭州舜浩科技有限公司 | 导光板v-cut结构视觉检测方法 |
CN110530894A (zh) * | 2019-06-14 | 2019-12-03 | 杭州舜浩科技有限公司 | 导光板亮点缺陷检测方法 |
WO2021168733A1 (zh) * | 2020-02-27 | 2021-09-02 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
CN113689390A (zh) * | 2021-08-06 | 2021-11-23 | 广东工业大学 | 一种无缺陷样本学习的异常检测方法 |
CN115082745A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市成天泰电缆实业发展有限公司 | 基于图像的电缆绞线质量检测方法及其系统 |
CN116843689A (zh) * | 2023-09-01 | 2023-10-03 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
-
2019
- 2019-01-29 CN CN201910085601.XA patent/CN109801286B/zh active Active
Non-Patent Citations (3)
Title |
---|
严成宸等: "不依赖于边缘的TFT-LCD面板缺陷自动检测方法", 《河南科技学院学报(自然科学版)》 * |
余鹏等: "一种新的基于高斯混合模型的纹理图像分割方法", 《武汉大学学报(信息科学版)》 * |
朱光等: "复杂背景下TFT-LCD表面缺陷检测系统的设计", 《电子测量与仪器学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530894A (zh) * | 2019-06-14 | 2019-12-03 | 杭州舜浩科技有限公司 | 导光板亮点缺陷检测方法 |
CN110530894B (zh) * | 2019-06-14 | 2022-05-13 | 杭州舜浩科技有限公司 | 导光板亮点缺陷检测方法 |
CN110296994A (zh) * | 2019-06-21 | 2019-10-01 | 杭州舜浩科技有限公司 | 导光板v-cut结构视觉检测方法 |
CN110296994B (zh) * | 2019-06-21 | 2021-10-22 | 金名山光电(吴江)有限公司 | 导光板v-cut结构视觉检测方法 |
WO2021168733A1 (zh) * | 2020-02-27 | 2021-09-02 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
CN113689390A (zh) * | 2021-08-06 | 2021-11-23 | 广东工业大学 | 一种无缺陷样本学习的异常检测方法 |
CN113689390B (zh) * | 2021-08-06 | 2023-10-24 | 广东工业大学 | 一种无缺陷样本学习的异常检测方法 |
CN115082745A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市成天泰电缆实业发展有限公司 | 基于图像的电缆绞线质量检测方法及其系统 |
CN116843689A (zh) * | 2023-09-01 | 2023-10-03 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
CN116843689B (zh) * | 2023-09-01 | 2023-11-21 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109801286B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801286A (zh) | 一种lcd导光板的表面缺陷检测算法 | |
Liu et al. | Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner | |
Elbehiery et al. | Surface defects detection for ceramic tiles using image processing and morphological techniques | |
CN108648168A (zh) | Ic晶圆表面缺陷检测方法 | |
CN109934802A (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 | |
CN108346141A (zh) | 单边侧入光式导光板缺陷提取方法 | |
CN108416766A (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN105740829A (zh) | 一种基于扫描线处理的指针式仪表自动读数方法 | |
Yang et al. | An accurate mura defect vision inspection method using outlier-prejudging-based image background construction and region-gradient-based level set | |
Chen et al. | Structure-aware-based crack defect detection for multicrystalline solar cells | |
Wen et al. | Verifying edges for visual inspection purposes | |
CN114945938A (zh) | 缺陷实际面积的检测方法、显示面板的检测方法及装置 | |
Hussein et al. | A novel edge detection method with application to the fat content prediction in marbled meat | |
Chen et al. | An efficient detection algorithm based on anisotropic diffusion for low-contrast defect | |
Peng et al. | Automated product boundary defect detection based on image moment feature anomaly | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
Fu et al. | Medicine glass bottle defect detection based on machine vision | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN110987954B (zh) | 一种消除皮革表面缺陷检测盲区的方法及系统 | |
Bu et al. | Thermography sequence processing and defect edge identification of tbc structure debonding defects detection using long-pulsed infrared wave non-destructive testing technology | |
Qiu et al. | Uneven illumination surface defects inspection based on saliency detection and intrinsic image decomposition | |
WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN109509168B (zh) | 一种针对图像质量客观评测枯叶图的细节自动分析方法 | |
CN114719749A (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
Yang et al. | Development of machine vision system for off-line inspection of fine defects on glass screen surface |
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 |