CN110490875A - 一种屏缺陷过滤方法、装置及存储介质 - Google Patents
一种屏缺陷过滤方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110490875A CN110490875A CN201910982757.8A CN201910982757A CN110490875A CN 110490875 A CN110490875 A CN 110490875A CN 201910982757 A CN201910982757 A CN 201910982757A CN 110490875 A CN110490875 A CN 110490875A
- Authority
- CN
- China
- Prior art keywords
- defect
- area
- similarity
- filter
- unfiltered
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 296
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 102
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 1
- 230000016507 interphase Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 16
- 238000007689 inspection Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G06T5/77—
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
本发明提供了一种屏缺陷过滤方法、装置及存储介质。所述方法用于对已检测的缺陷进行过滤,且所述方法包括以下步骤中的至少一个:根据未过滤的所述缺陷的概率值与预设卡控阈值的比较确定是否将所述缺陷过滤;根据未过滤的所述缺陷的面积与预设面积阈值的比较确定是否将所述缺陷过滤;计算未过滤的所述缺陷与样本图片的相似度,根据所述相似度与预设相似度阈值的比较确定是否将所述缺陷过滤。本发明具有人力成本低、过滤精度高、效率高、主观影响因素少的优点。
Description
技术领域
本发明涉及显示技术领域,尤其涉及一种屏缺陷过滤方法、装置及存储介质。
背景技术
LCD等显示屏被广泛应用在电脑、通讯、消费型电子等行业中。显示屏的制造工艺比较复杂,从而导致显示屏可能存在缺陷,因此需要进行显示屏缺陷检测。现有技术中通常采用算法进行缺陷检测。
然而,在生产、转运或者其他环节不可避免地出现各种微小缺陷或者具有干扰的非真实缺陷。例如,空气中的细小灰尘会导致LCD屏形成气泡,或者屏幕在生产过程中沾染污渍,或者搬运时出现轻微磕伤,或者面胶涂布不均等产生的轻微缺陷或者非真实缺陷。这些缺陷的存在并不会对屏幕的正常使用带来影响。但现有技术中进行缺陷检测时,会因为以上因素不可避免地将这些轻微的缺陷检测出来,产生大量不合格显示屏,即为产生大量过检。为了提升面板生产的良率,一般采用人力复查的方法来过滤轻微的屏缺陷,即将轻微缺陷或非真实缺陷屏从不合格屏中过滤出来。然而采用人力复查过滤的方法,人力成本高,过滤精度较低,效率低,主观影响因素较多,因此需要设计合理的过滤方法,用于降低过检,提升面板生产的良率。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种屏缺陷过滤方法、装置及存储介质,能够解决现有技术中人力复查过滤人力成本高、过滤精度较低、效率低、主观影响因素较多等问题。
根据本发明的一个方面,本发明提供了一种屏缺陷过滤方法,所述方法用于对已检测的缺陷进行过滤,且所述方法包括以下步骤中的至少一个:
S1,根据未过滤的缺陷的概率值与预设卡控阈值的比较确定是否将该缺陷过滤;
S2,根据未过滤的缺陷的面积与预设面积阈值的比较确定是否将该缺陷过滤;
S6,计算未过滤的所述缺陷与样本图片的相似度,根据该相似度与预设相似度阈值的比较确定是否将该缺陷过滤。
作为本发明的进一步改进,在步骤S6之前,该方法包括以下步骤中的至少一个:
S3,判断未过滤的缺陷是否位于黑边区,如果该缺陷位于该黑边区,则根据该缺陷的面积占该黑边区总面积的比与预设占比阈值的比较确定是否将该缺陷过滤;
S4,判断未过滤的缺陷是否位于特殊区域,如果该缺陷位于该特殊区域,则根据该缺陷的类型与该特殊区域所有可能的缺陷类型是否匹配确定是否将该缺陷过滤;
S5,采用深度学习方法对未过滤的缺陷进行分类,根据该缺陷分类结果与预设分类阈值的比较确定是否将该缺陷过滤。
作为本发明的进一步改进,方法中的多个步骤被按顺序依次执行,若在前步骤中缺陷未被过滤则将该缺陷输出到其下一步骤。
作为本发明的进一步改进,步骤S6具体是:
提取缺陷的特征向量和样本图片的特征向量;
计算缺陷与样本图片的相似度;
比较相似度与预设相似度阈值,若相似度小于预设相似度阈值,则将缺陷过滤,若相似度大于预设相似度阈值,则不将该缺陷过滤。
作为本发明的进一步改进,所述计算缺陷与样本图片的相似度具体是:
根据公式所述缺陷与样本图片的相似度,其中f(x,y)表示相似度,k为预先设定的固定值, 为缺陷的第i个采样点的特征向量, 为样本图片的第i个采样点的特征向量,n为提取特征向量的采样点个数。
作为本发明的进一步改进,在所述步骤S2或步骤S3之前,还包括步骤:定位未过滤的缺陷区域,获取缺陷的实际面积;
所述步骤S2为根据缺陷的实际面积与预设面积阈值的比较确定是否将该缺陷过滤;
所述步骤S3为判断缺陷是否位于黑边区,如果该缺陷位于该黑边区,则根据该缺陷的实际面积占该黑边区总面积的比与预设占比阈值的比较确定是否将该缺陷过滤;
根据本发明的另一个方面,本发明提供了一种屏缺陷过滤装置,该装置用于对已检测的缺陷进行过滤,且该装置包括以下模块中的至少一个:
卡控过滤模块,用来根据未过滤的所述缺陷的概率值与预设卡控阈值的比较确定是否将所述缺陷过滤;
面积过滤模块,用来根据未过滤的所述缺陷的面积与预设面积阈值的比较确定是否将所述缺陷过滤;
相似度过滤模块,用来根据未过滤的所述缺陷与样本图片的相似度与预设相似度阈值的比较确定是否将所述缺陷过滤。
根据本发明的另一个方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项方法。
综上所述,总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
(1)该方法采用卡控阈值过滤、面积过滤、相似度过滤中的至少一个方法,可以实现缺陷的自动过滤,可以解决现有技术中人力复查过滤人力成本高、过滤精度较低、效率低、主观影响因素较多等问题,具有人力成本较低,过滤精度高,效率高,主观影响因素少的优点;
(2)当该方法还包括黑边区过滤、特殊区域过滤、DL分类过滤等步骤中的一个或多个,多个步骤相互联系,紧密配合,过滤精度逐级得到进一步提高,可以实现较好的过滤效果;
(3)当方法中包含对面积进行二次定位的步骤时,可以解决缺陷的检测框大于实际缺陷的问题,可以进一步精确定位缺陷面积,防止因面积阈值过大出现小面积缺陷漏检,大大提高过滤精确度。
附图说明
图1是本发明实施例提供的一种屏缺陷过滤方法流程图;
图2是本发明实施例提供的面积缺陷二次定位原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明可以应用到现有电脑、通讯、消费型电子等行业中,本文所指的屏包括但不限于各种类型的面板、LED显示屏、LCD显示屏、OLED显示屏、手机屏、游戏机屏幕、玻璃、亚克力板等。
本发明实施例的一种屏缺陷过滤方法,用来对经过缺陷检测流程检测出来的缺陷进行过滤,将非真实缺陷或微小缺陷过滤掉,具体流程可以如图1所示,包括以下步骤中的至少一个:
步骤1,根据未过滤的缺陷的概率值与预设卡控阈值的比较确定是否将该缺陷过滤。
阈值卡控过滤。首先判断已检测的缺陷是否进行阈值卡控。进行屏缺陷过滤前,可以采用现有技术中的缺陷检测方法检测,确定屏缺陷为各类缺陷的概率值。当开启阈值卡控时,判断各类缺陷的概率值是否小于预设卡控阈值,根据比较结果判断是否将缺陷过滤;当不开启阈值卡控或者缺陷检测概率大于给定阈值,就会将检测的缺陷转交下一步处理,这种方法可以有效降低过检。例如,预设卡控阈值可以为0.2,当缺陷为某类缺陷的概率值为0.1,表示缺陷实际为该类缺陷的概率值较小,则将该缺陷过滤掉。预设卡控阈值可以根据实际情况略微调整。
步骤2,根据未过滤的缺陷的面积与预设面积阈值的比较确定是否将该缺陷过滤。
面积过滤,比较缺陷面积与预设的面积阈值进行比较,若缺陷面积大于过滤阈值,此缺陷就转交下一步确认,若缺陷面积小于过滤面积阈值缺陷就会被过滤。
可选地,可以在比较前进行缺陷二次定位,获取缺陷的实际面积。如果面积过滤前可以先进行缺陷二次定位,首先准确计算缺陷的实际面积,然后将实际面积与给定的面积阈值进行比较,大于过滤阈值,此缺陷就转交下一步确认,小于过滤阈值缺陷就会被过滤。缺陷二次定位,用于解决缺陷的检测框大于实际缺陷的问题。由于进行缺陷检测时,缺陷的检测面积一般会明显大于缺陷实际面积,所以在比较前进行二次定位,可以进一步精确定位缺陷面积,防止因面积阈值过大出现小面积缺陷漏检,大大提高过滤精确度。可采用自适应阈值分割方法,对缺陷进行二次定位,缺陷计算面积将会更准确,有利于缺陷下一步处理。
步骤6,根据未过滤的所述缺陷和样本图片的相似度与预设相似度阈值的比较确定是否将该缺陷过滤。
根据相似度比对,即将检测缺陷与实际过检缺陷进行比较,计算两者之间的距离,然后转化为概率值,如果相似度高于预设相似度阈值就认为此缺陷为过检,反之为真实缺陷。
可选地,该方法还包括以下步骤中的至少一个。
步骤3,判断未过滤的所述缺陷是否位于黑边区,如果该缺陷位于该黑边区,则根据该缺陷的面积占该黑边区总面积的比与预设占比阈值的比较确定是否将该缺陷过滤。
黑边区(BM)过滤:属于面板上一个特定区域,该区域如果存在缺陷,则根据该缺陷的面积占该黑边区总面积的比与预设占比阈值的比较确定是否将该缺陷过滤。例如占比阈值可以被设定为1/2,只要缺陷不超出实际方位的1/2,就认为该缺陷属于非真实缺陷可以过滤;如果超过范围将会将缺陷转交下一步做处理。
可选地,该缺陷的面积占该黑边区总面积的比与预设占比阈值也可以进行缺陷二次定位,获取实际面积。将该实际面积占该黑边区总面积的比与预设占比阈值进行比较。
步骤4,判断未过滤的所述缺陷是否位于特殊区域,如果该缺陷位于该特殊区域,则根据该缺陷的类型与该特殊区域所有可能的缺陷类型是否匹配确定是否将该缺陷过滤。
特殊区域过滤:特殊区域过滤用于过滤部分特定位置的缺陷,首先定位缺陷的位置,如果该缺陷的类型与该特殊区域所有可能的缺陷类型不匹配,即不是此区域的缺陷出现在该位置,就认为该缺陷属于过检缺陷,需要过滤。特殊区域可以是例如排线区域。
步骤5,采用深度学习方法对未过滤的所述缺陷进行分类,根据所述缺陷分类的概率与预设分类阈值的比较确定是否将该缺陷过滤。
缺陷DL分类:采用深度学习方法对所述缺陷进行分类,根据所述缺陷分类的概率与预设分类阈值的比较确定是否将该缺陷过滤,若该缺陷未被过滤则将该缺陷输出到下一步骤。首先,需要收集过检样本图片与真实缺陷图片;然后使用收集的样本图片进行深度学习训练,得到分类模型;最后,使用分类模型对检测缺陷进行分类;如果缺陷分类的概率低于预设分类阈值,就过滤该缺陷,如果高于该阈值,就会将缺陷转交下一步处理;如果不开过滤,直接将缺陷转交下一步处理。
上述所有的过滤逻辑都可选择是否开启,如果都不开启就会直接输出检出缺陷;如果全部开启就会经过所有的过滤模块,缺陷经过过滤后再将缺陷输出;也可以只开启部分过滤功能,例如只开启黑边区过滤和相似度过滤,或者例如只开启二次定位和特殊区域过滤。具体的功能需要依据实际需求判断;以上多种功能可以根据需求自动添加,可以在过滤前获取客户需求,根据客户需求,选择执行某一个或多个步骤,将过滤功能调制最佳效果。
可选地,当所述方法包括多个步骤时,所述多个步骤被依次执行。例如当包含步骤1、2、3、4、5、6 时,依次执行步骤1、2、3、4、5、6。例如当包含步骤1、3、6 时,依次执行步骤1、3、6。多个步骤相互配合,过滤精度逐级得到进一步提高,可以实现较好的过滤效果。
其中,缺陷面积过滤包括缺陷二次定位以及面积过滤两个过滤模块,过滤效果如图2所示。先精确定位缺陷区域,再计算缺陷的实际面积,将实际面积与给定的面积阈值进行比较,如果大于该值,缺陷输出到下一步;如果小于给定的面积阈值就会对缺陷进行过滤,认为此缺陷不用输出,属于非真实缺陷。
其中,相似度比较可以采用方法如下:
其原理是计算检测缺陷与实际过检缺陷之间的距离,然后将距离转换成为概率值。首先,提取过检图片的特征向量;然后再提取检测缺陷的特征向量,然后计算两个特征向量之间的距离,最后将距离除以固定值,将距离转换成为两缺陷之间的相似度,具体计算公式如下:
其中:f(x,y)表示两缺陷之间的相似度, 为所述缺陷的第i个采样点的特征向量;为所述样本图片的第i个采样点的特征向量;所述n为提取特征向量的采样点个数;k为固定值,通过计算取得,用于将检测缺陷与过检缺陷之间的距离转化为相似度概率,便于阈值过滤。图片特征提取采用主成分分析(PCA)法。
本发明的屏缺陷过滤方法,通过采用相似度过滤的方法,可以解决解决现有技术中人力复查过滤人力成本高、过滤精度较低、效率低、主观影响因素较多等问题,具有人力成本较低,过滤精度高,效率高,主观影响因素少的优点。并且当该方法还可以执行阈值卡控过滤、面积过滤、黑边区过滤、特殊区域过滤、DL分类过滤、相似度过滤等步骤中的一个或多个,可以在过滤前获取客户需求,根据客户需求,选择执行某一个或多个步骤,将过滤功能调制最佳效果。并且当依次执行多个步骤时,过滤精度逐级得到进一步提高,可以实现较好的过滤效果。当方法中包含对面积进行二次定位的步骤时,可以解决缺陷的检测框大于实际缺陷的问题,可以进一步精确定位缺陷面积,防止因面积阈值过大出现小面积缺陷漏检,大大提高过滤精确度。
本发明实施例的一种屏缺陷过滤装置,用于对已检测的缺陷进行过滤,该装置包括以下模块中的至少一个:
卡控过滤模块,用来根据未过滤的缺陷的概率值与预设卡控阈值的比较确定是否将该缺陷过滤;
面积过滤模块,用来根据未过滤的缺陷的面积与预设面积阈值的比较确定是否将该缺陷过滤;
相似度过滤模块,用来根据未过滤的缺陷与样本图片的相似度与预设相似度阈值的比较确定是否将缺陷过滤。
可选地,该装置还包括以下模块中的至少一个:
黑边区过滤模块,用来判断未过滤的缺陷是否位于黑边区,如果该缺陷位于该黑边区,则根据该缺陷的面积占该黑边区总面积的比与预设占比阈值的比较确定是否将该缺陷过滤;
特殊区域过滤模块,用来判断未过滤的缺陷是否位于特殊区域,如果该缺陷位于该特殊区域,则根据该缺陷的类型与该特殊区域所有可能的缺陷类型是否匹配确定是否将该缺陷过滤;
分类概率过滤模块,用来采用深度学习方法对未过滤的所述缺陷进行分类,根据所述缺陷分类的概率与预设分类阈值的比较确定是否将该缺陷过滤。
可选地,屏缺陷过滤装置的多个模块被按顺序串联,若在前模块未将该缺陷过滤则将该缺陷输出到其连接的后一模块。输入的缺陷依次经过此多个模块进行逐层过滤。例如,当该装置包括卡控过滤模块、面积过滤模块、分类概率过滤模块、相似度过滤模块,则将输入的缺陷依次经过卡控过滤模块、面积过滤模块、分类概率过滤模块、相似度过滤模块进行过滤。当该装置包括卡控过滤模块、面积过滤模块、相似度过滤模块,则将输入的缺陷依次经过卡控过滤模块、面积过滤模块、相似度过滤模块进行过滤。
可选地,相似度过滤模块包括:
特征向量提取模块,用来提取缺陷的特征向量和样本图片的特征向量;
相似度获取模块,用来计算缺陷与样本图片的相似度;
相似度比较模块,用来比较相似度与预设相似度阈值,若相似度小于预设相似度阈值,则将缺陷过滤,若相似度大于预设相似度阈值,则不将缺陷过滤。
可选地,屏缺陷过滤装置还包括与黑边区过滤模块或特殊区域过滤模块连接的定位模块,用来定位未过滤的缺陷区域,获取缺陷的实际面积;
黑边区过滤模块用来根据缺陷的实际面积与预设面积阈值的比较确定是否将该缺陷过滤;
特殊区域过滤模块用来判断缺陷是否位于黑边区,如果该缺陷位于该黑边区,则根据该缺陷的实际面积占该黑边区总面积的比与预设占比阈值的比较确定是否将该缺陷过滤。
屏缺陷过滤装置其实现原理和技术效果和上述过滤方法类似,此处不再赘述。
为了实现上述实施例,本发明实施例还提出一种电子设备,包括:处理器和存储器。其中,存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。
存储器中存储有计算机程序,计算机程序被处理器执行时可以实现上述任一方法实施例的技术方案。存储器中存储有屏过滤方法的计算机程序,包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理。
处理器可以是一种集成电路芯片,具有信号的处理能力。处理器在接收到执行指令后,执行程序。可选的,上述存储器内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通信,从而提供其他软件组件的运行环境。
本实施例提供的电子设备,可以用于执行上述任一方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现上述任一方法实施例的技术方案。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种屏缺陷过滤方法,其特征在于,所述方法用于对已检测的缺陷进行过滤,且所述方法包括以下步骤中的至少一个:
S1,根据未过滤的所述缺陷的概率值与预设卡控阈值的比较确定是否将所述缺陷过滤;
S2,根据未过滤的所述缺陷的面积与预设面积阈值的比较确定是否将所述缺陷过滤;
S6,计算未过滤的所述缺陷与样本图片的相似度,根据所述相似度与预设相似度阈值的比较确定是否将所述缺陷过滤。
2.如权利要求1所述的一种屏缺陷过滤方法,其特征在于,在步骤S6之前,所述方法包括以下步骤中的至少一个:
S3,判断未过滤的所述缺陷是否位于黑边区,如果所述缺陷位于所述黑边区,则根据所述缺陷的面积占所述黑边区总面积的比与预设占比阈值的比较确定是否将所述缺陷过滤;
S4,判断未过滤的所述缺陷是否位于特殊区域,如果所述缺陷位于所述特殊区域,则根据所述缺陷的类型与所述特殊区域所有可能的缺陷类型是否匹配确定是否将所述缺陷过滤;
S5,采用深度学习方法对未过滤的所述缺陷进行分类,根据所述缺陷分类结果与预设分类阈值的比较确定是否将所述缺陷过滤。
3.如权利要求1或2所述的一种屏缺陷过滤方法,其特征在于,所述步骤S6具体是:
提取所述缺陷的特征向量和所述样本图片的特征向量;
计算所述缺陷与所述样本图片的相似度;
比较所述相似度与预设相似度阈值,若所述相似度小于预设相似度阈值,则将所述缺陷过滤,若所述相似度大于所述预设相似度阈值,则不将所述缺陷过滤。
4.如权利要求3所述的一种屏缺陷过滤方法,其特征在于,所述计算所述缺陷与所述样本图片的相似度具体是:
根据公式计算所述缺陷与所述样本图片的相似度,其中f(x,y)表示相似度,k为预先设定的固定值, 为所述缺陷的第i个采样点的特征向量, 为所述样本图片的第i个采样点的特征向量,n为提取特征向量的采样点个数。
5.如权利要求2所述的一种屏缺陷过滤方法,其特征在于,在所述步骤S2或步骤S3之前,还包括步骤:定位未过滤的所述缺陷区域,获取所述缺陷的实际面积;
所述步骤S2为根据所述缺陷的实际面积与预设面积阈值的比较确定是否将所述缺陷过滤;
所述步骤S3为判断所述缺陷是否位于黑边区,如果所述缺陷位于所述黑边区,则根据所述缺陷的实际面积占所述黑边区总面积的比与预设占比阈值的比较确定是否将所述缺陷过滤。
6.一种屏缺陷过滤装置,其特征在于,所述装置用于对已检测的缺陷进行过滤,且所述装置包括以下模块中的至少一个:
卡控过滤模块,用来根据未过滤的所述缺陷的概率值与预设卡控阈值的比较确定是否将所述缺陷过滤;
面积过滤模块,用来根据未过滤的所述缺陷的面积与预设面积阈值的比较确定是否将所述缺陷过滤;
相似度过滤模块,用来根据未过滤的所述缺陷与样本图片的相似度与预设相似度阈值的比较确定是否将所述缺陷过滤。
7.如权利要求6所述的一种屏缺陷过滤装置,其特征在于,还包括以下模块中的至少一个:
黑边区过滤模块,用来判断未过滤的所述缺陷是否位于黑边区,如果所述缺陷位于所述黑边区,则根据所述缺陷的面积占所述黑边区总面积的比与预设占比阈值的比较确定是否将所述缺陷过滤;
特殊区域过滤模块,用来判断未过滤的所述缺陷是否位于特殊区域,如果所述缺陷位于所述特殊区域,则根据所述缺陷的类型与所述特殊区域所有可能的缺陷类型是否匹配确定是否将所述缺陷过滤;
分类概率过滤模块,用来采用深度学习方法对未过滤的所述缺陷进行分类,根据所述缺陷分类的概率与预设分类阈值的比较确定是否将所述缺陷过滤。
8.如权利要求6或7所述的一种屏缺陷过滤装置,其特征在于,所述相似度过滤模块包括:
特征向量提取模块,用来提取所述缺陷的特征向量和所述样本图片的特征向量;
相似度获取模块,用来计算所述缺陷与所述样本图片的相似度;
相似度比较模块,用来比较所述相似度与预设相似度阈值,若所述相似度小于预设相似度阈值,则将所述缺陷过滤,若所述相似度大于所述预设相似度阈值,则不将所述缺陷过滤。
9.如权利要求7所述的一种屏缺陷过滤装置,其特征在于,还包括与黑边区过滤模块或特殊区域过滤模块连接的定位模块,用来定位未过滤的所述缺陷区域,获取所述缺陷的实际面积;
所述黑边区过滤模块用来根据所述缺陷的实际面积与预设面积阈值的比较确定是否将所述缺陷过滤;
所述特殊区域过滤模块用来判断所述缺陷是否位于黑边区,如果所述缺陷位于所述黑边区,则根据所述缺陷的实际面积占所述黑边区总面积的比与预设占比阈值的比较确定是否将所述缺陷过滤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982757.8A CN110490875B (zh) | 2019-10-16 | 2019-10-16 | 一种屏缺陷过滤方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982757.8A CN110490875B (zh) | 2019-10-16 | 2019-10-16 | 一种屏缺陷过滤方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490875A true CN110490875A (zh) | 2019-11-22 |
CN110490875B CN110490875B (zh) | 2020-01-21 |
Family
ID=68544791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910982757.8A Active CN110490875B (zh) | 2019-10-16 | 2019-10-16 | 一种屏缺陷过滤方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490875B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1038815A (ja) * | 1996-07-23 | 1998-02-13 | Nikon Corp | 欠陥検査装置及び欠陥検査方法 |
CN1276577A (zh) * | 1999-06-02 | 2000-12-13 | 松下电器产业株式会社 | 图案缺陷检测方法 |
US20030007677A1 (en) * | 2001-07-09 | 2003-01-09 | Takashi Hiroi | Method and its apparatus for inspecting a pattern |
CN103913461A (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点灯自动光学检测的图像处理方法 |
CN106093073A (zh) * | 2016-06-02 | 2016-11-09 | 昆山国显光电有限公司 | 基板缺陷位置定位方法及装置和系统 |
CN108594494A (zh) * | 2018-06-14 | 2018-09-28 | 广东速美达自动化股份有限公司 | 一种不带fpc液晶屏自动检测流水线 |
CN109856156A (zh) * | 2019-01-22 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于aoi的显示面板微小缺陷判定方法与装置 |
CN110009622A (zh) * | 2019-04-04 | 2019-07-12 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测网络及其缺陷检测方法 |
-
2019
- 2019-10-16 CN CN201910982757.8A patent/CN110490875B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1038815A (ja) * | 1996-07-23 | 1998-02-13 | Nikon Corp | 欠陥検査装置及び欠陥検査方法 |
CN1276577A (zh) * | 1999-06-02 | 2000-12-13 | 松下电器产业株式会社 | 图案缺陷检测方法 |
US20030007677A1 (en) * | 2001-07-09 | 2003-01-09 | Takashi Hiroi | Method and its apparatus for inspecting a pattern |
CN103913461A (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点灯自动光学检测的图像处理方法 |
CN106093073A (zh) * | 2016-06-02 | 2016-11-09 | 昆山国显光电有限公司 | 基板缺陷位置定位方法及装置和系统 |
CN108594494A (zh) * | 2018-06-14 | 2018-09-28 | 广东速美达自动化股份有限公司 | 一种不带fpc液晶屏自动检测流水线 |
CN109856156A (zh) * | 2019-01-22 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于aoi的显示面板微小缺陷判定方法与装置 |
CN110009622A (zh) * | 2019-04-04 | 2019-07-12 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测网络及其缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110490875B (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9530045B2 (en) | Method, system and non-transitory computer storage medium for face detection | |
CN111754456B (zh) | 基于深度学习的二维pcb外观缺陷实时自动检测技术 | |
CN112036755B (zh) | 一种建筑工程质量检测的监管方法及系统 | |
US9679354B2 (en) | Duplicate check image resolution | |
US11657599B2 (en) | Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence | |
CN114926463A (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN113608916B (zh) | 故障诊断的方法、装置、电子设备及存储介质 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN102901735B (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的系统 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN115311466A (zh) | 图像识别方法、电子设备及存储介质 | |
CN105989600A (zh) | 基于特征点分布统计的配电网设备外观检测方法及系统 | |
CN115546211A (zh) | 一种焊点缺陷分类方法、终端及计算机存储介质 | |
CN107403169A (zh) | 信号灯检测识别方法及装置 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN110490875A (zh) | 一种屏缺陷过滤方法、装置及存储介质 | |
CN111754497A (zh) | 一种基于几何代数的工业缺陷检测方法和系统 | |
CN114821194B (zh) | 一种设备运行状态识别方法及装置 | |
CN111163332A (zh) | 视频色情度检测方法、终端及介质 | |
CN115661757A (zh) | 一种受电弓拉弧自动检测方法 | |
CN114387230A (zh) | 一种基于重验证检测的pcb板缺陷检测方法 | |
CN114663899A (zh) | 金融票据的处理方法、装置、设备及介质 | |
CN114418951A (zh) | 一种焊盘检测方法、装置、计算机设备及存储介质 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
TWI810016B (zh) | 軟性電路板檢測系統 |
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 |