CN110530894B - 导光板亮点缺陷检测方法 - Google Patents

导光板亮点缺陷检测方法 Download PDF

Info

Publication number
CN110530894B
CN110530894B CN201910513783.6A CN201910513783A CN110530894B CN 110530894 B CN110530894 B CN 110530894B CN 201910513783 A CN201910513783 A CN 201910513783A CN 110530894 B CN110530894 B CN 110530894B
Authority
CN
China
Prior art keywords
image
area
region
defect
light guide
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.)
Active
Application number
CN201910513783.6A
Other languages
English (en)
Other versions
CN110530894A (zh
Inventor
楼小栋
李俊峰
李越
卢彭飞
万超杨
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.)
Hangzhou Shunhao Technology Co ltd
Original Assignee
Hangzhou Shunhao 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 Hangzhou Shunhao Technology Co ltd filed Critical Hangzhou Shunhao Technology Co ltd
Priority to CN201910513783.6A priority Critical patent/CN110530894B/zh
Publication of CN110530894A publication Critical patent/CN110530894A/zh
Application granted granted Critical
Publication of CN110530894B publication Critical patent/CN110530894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种导光板亮点缺陷检测方法，通过分区来检测亮点缺陷，对导光板的密区和疏区采用了不同的处理方法，减少了导光点疏密不同所带来的影响。本发明能适应多种类型的挡光板，对在实际现场的光线变化有很好的适应能力；实际运用于其他类型的挡光板时，只需根据实际情况调整相应参数即可实现自动检测；本发明算法稳定性高，抗干扰能力强，效率高。

Description

导光板亮点缺陷检测方法
技术领域
本发明涉及一种导光板检测方法，具体涉及一种导光板亮点缺陷检测方法。
背景技术
导光板(light guide plate)是利用光学级的亚克力/PC板材，然后用具有极高反射率且不吸光的高科技材料，在光学级的亚克力板材底面用激光雕刻、V型十字网格雕刻、UV网版印刷技术印上导光点。导光板具有导引光线的功能，通过导光板，能够将LED发出的点光源转化为均匀的面光源，也是背光模组中的关键组件。由于导光板具有体积小、发光均匀且发光效率高等优点，因此被广泛应用于液晶显示器背光源、超薄广告灯箱、医疗X光看片器、平板型的灯饰照明、亮光工程的光效运用、发光标示牌等场合。在导光板生产过程中，由于实际生产工艺的限制，导光板可能会出现各种表面刮伤、污渍、亮点、黑点、暗影等缺陷，其中导光板亮点缺陷是较常见的缺陷之一。含有亮点缺陷的导光板，从产品本身来讲，这种产品发光不均匀，对其发光效率、使用寿命都会有较大的影响；从消费者角度来看，使用缺陷产品直接影响到消费者的使用体验，更为严重的是，这种产品对人眼视力会产生一定的损害；从企业层面来说，使用含有亮点缺陷的产品影响企业自身的良好信誉，降低产品在市场的竞争力，不利于企业长期健康发展。因此，无论在产品质量要求上，还是在消费者或企业本身的发展上，都有必要对导光板进行亮点缺陷检测，从产品线上剔除有缺陷的产品。
目前，国内导光板缺陷检测主要依靠人工操作去完成，但人工检测缺陷的局限性非常明显，主要在于：(1)人工检测环境不佳，工人长期面对导光板，会严重损害员工视力；(2)导光板缺陷检测主要凭借人眼判断识别，存在着人为主观因素，难以形成可以量化的质量标准；(3)人工操作易受到多种因素干扰，如外界环境，人眼疲劳等，使得实际检测效率与精度都会受到一定的影响；(4)导光板检测复杂度高，难度大，缺陷种类多，员工很难掌握相关检测技术。
导光板出现亮点只要是以下原因导致的：在导光板丝印过程中，由于印压力度出现偏差，导致开孔过大，亮点缺陷在线阵相机拍摄图像中表现为某一颗导光点亮度明显大于周围导光点，其面积也比正常导光点要大。
目前导光板亮点缺陷检测主要通过人工完成，在检验治具的灯光下，检测人员目测导光板某处或多处是否出现亮点，如果出现，则说明存在亮点缺陷。由于人工检测缺陷的各种局限性，人工亮点检测的精度、效率、稳定性等很难适应企业的要求。为取得高质量导光板检测图像，需要采用高分辨率的面阵相机进行取像，获得的导光板缺陷图像大小在20M左右。在工业现场，企业对导光板缺陷检测有时间上的要求，要求在5秒之内完成对一张导光板的缺陷检测，这也对亮点缺陷的检测效率提出了更高的要求。
因此，需要对现有技术进行改进。
发明内容
本发明要解决的技术问题是提供一种高效的导光板亮点缺陷检测方法。
为解决上述技术问题，本发明提供一种导光板亮点缺陷检测方法：包括以下步骤：
(1)采集导光板图像F；执行步骤(2)；
(2)检测导光板边缘，得到导光板边缘图像；执行步骤(3)；
(3)对导光板边缘图像进行分区操作，得到疏区图像与密区图像；执行步骤(4)；
(4)对疏区图像进行检测边缘，得到疏区边缘图像；执行步骤(5)；
(5)对疏区边缘图像和疏区图像进行加法运算，并阈值提取可能亮点缺陷，得到疏区可能亮点缺陷图像；执行步骤(6)；
(6)求取疏区可能亮点缺陷图像的连通域，得到疏区连通域图像；执行步骤(7)；
(7)根据特征选择疏区连通域图像，得到疏区可能缺陷区域图像；执行步骤(8)；
(8)提取疏区可能缺陷区域图像的骨架，得到疏区骨架图像；执行步骤(9)；
(9)对疏区骨架图像进行特征提取，得到特征提取后疏区图像；执行步骤(10)；
(10)使用SVM分类特征提取后疏区图像的亮点缺陷与非亮点缺陷，得到疏区亮点缺陷图像；执行步骤(11)；
(11)检测密区图像缺陷，均值滤波，得到第一次密区均值滤波结果图和第二次密区值滤波结果图；执行步骤(12)；
(12)第一次密区均值滤波结果图减去第二次密区值滤波结果图，得到密区缺陷图像；执行步骤(13)；
(13)对步骤(12)中的密区缺陷图像求取标准差，进一步凸显缺陷，得到密区灰度值处理后的标准差图像；执行步骤(14)；
(14)对密区灰度值处理后的标准差图像消除背景影响，得到缺陷明显的密区缺陷图像；执行步骤(15)；
(15)对缺陷明显的密区缺陷图像进行灰度变换和阈值分割，得到密区可能亮点缺陷图像；执行步骤(16)；
(16)对密区可能亮点缺陷图像进行腐蚀操作，得到密区腐蚀后图像；执行步骤(17)；
(17)对密区腐蚀后图像求取连通域，得到密区缺陷区域图像；执行步骤(18)；
(18)根据特征对密区缺陷区域图像选择缺陷区域，得到密区亮点缺陷图像；执行步骤(19)：
(19)显示缺陷区域，得到导光板亮点缺陷检测图。
作为对本发明导光板亮点缺陷检测方法的改进：步骤(2)为通过Canny边缘检测算法检测出导光板图像的边缘，包括以下步骤：
第一步，进行高斯平滑滤波，大小为(2k+1)×(2k+1)的高斯滤波器核公式如下：
Figure GDA0002227224830000031
式中σ为标准差；H是高斯滤波核矩阵；Hij为高斯滤波核矩阵第i行第j列元素；i是高斯滤波核矩阵行索引；i是高斯滤波核矩阵列索引；
使用高斯滤波器与图像进行卷积，卷积运算公式如下：
fs(x，y)＝H*f(x，y)
式中fs(x，y)是高斯滤波后的图像点(x，y)处的灰度值，H是高斯滤波器，f(x，y)是要进行高斯滤波的图像，*表示卷积运算；
第二步，计算梯度幅度与方向，确定像素点的梯度M(x，y)和方向α(x，y)；
Figure GDA0002227224830000032
Figure GDA0002227224830000033
式中
Figure GDA0002227224830000034
fs是第一步中高斯滤波后的图像；gx和gy分别是水平和垂直方向的一阶导数值；
第三步，应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应；
第四，用双阈值处理和连接分析来检测并连接边缘；对gN(x，y)进行阈值处理，以便减少伪边缘点；得到导光板边缘图像。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(4)为：
采用Sobel算子检测边缘；Sobel算子有两个，分别是：
Figure GDA0002227224830000041
Figure GDA0002227224830000042
分别用模板A和B与疏区图像做卷积操作，得到：
Figure GDA0002227224830000043
Figure GDA0002227224830000044
式中，gxs、gys分别是经Sobel算子A、B卷积后的图像f在x、y方向上的梯度分量，zi(1≤i≤9)是被模板覆盖区域的9个像素值；
令
g(x，y)＝(|gx|+|gy|)/2
即可得到采用Sobel算子模板检测到的疏区边缘图像g(x，y)。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(5)包括：
第一步，把疏区图像与疏区边缘图像g(x，y)的加法运算，加法运算公式：
Figure GDA0002227224830000045
式中，g1(x，y)，g2(x，y)是参与图像加法运算的两图像在(x，y)处的灰度值，g(x，y)是经过图像加法运算后图像在(x，y)处的灰度值，gadd(x，y)＝[g1(x，y)+g2(x，y)]×Mult+Add，Mult是乘数因子，Add是灰度补偿值；
第二步，对第一步中获得图像进行阈值分割，得到疏区可能亮点缺陷图像。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(9)包括：
先以骨架为中心生成一定大小的矩形区域，然后从矩阵区域中提取区域特征；提取的主要特征如下所示：
Figure GDA0002227224830000046
Figure GDA0002227224830000047
式中，R是所选的区域，p是区域内的像素点，g(p)是像素点p对应的灰度值，F为区域R的面积，Mean是区域R的灰度均值，Dev是区域R的灰度方差；
灰度共生矩阵G：G为一个矩阵，其元素gij是灰度为zi和z1的像素对出现在f中由Q指定位置处的次数，其中1≤i，j≤L；Q是定义两个像素彼此位置的一个算子，图像f具有L个可能灰度级；
从K×K灰度共生矩阵中提取特征，有一致性Energy，相关性Correlation，同质性Homogeneity，对比度Contrast，公式如下：
Figure GDA0002227224830000051
Figure GDA0002227224830000052
Figure GDA0002227224830000053
Figure GDA0002227224830000054
式中pij＝gij/n，n是满足Q的像素对总数；mr、mc、σr、σc的公式如下：
Figure GDA0002227224830000055
Figure GDA0002227224830000056
mr是沿归一化后的G的行计算的均值，mc是沿归一化后的G的列计算的均值；σr和σc是分别沿行和列计算的标准差；
提取的其他特征还有区域R中灰度最大值Max、最小值Min、灰度值范围Range，公式如下：
Figure GDA0002227224830000057
Figure GDA0002227224830000058
Range＝Max-Min。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(10)包括：
连通处理后的疏区缺陷区域，通过支持向量机的方法来进行分类，从而判断是否是亮点缺陷，线性支持向量机可以写成：
Figure GDA0002227224830000061
w*、b*是下面优化问题的最优解；
Figure GDA0002227224830000062
s.t.yi[(w·xi)+b]-1＝0，i＝1，2，3，…，N
式中(x1，y1)，(x2，y2)，…，(xN，yN)，xi∈Rd，yi∈{+1，-1}
是训练样本集，x是特征向量，y是类别标号。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(11)包括：
通过均值滤波平滑噪声时，分别采用(2m+1)×(2m+1)与(2n+1)×(2n+1)的模板对密区图像进行均值滤波，即使用模板对图像进行卷积运算；(2m+1)×(2m+1)均值滤波的模板是：
Figure GDA0002227224830000063
(2m+1)×(2m+1)均值滤波的公式是：
Figure GDA0002227224830000064
式中，f(x，y)是给定的图像在(x，y)处的灰度值，g(x，y)是经过均值滤波后的图像在(x，y)处的灰度值，M是所取领域中各邻近像素的坐标，(2m+1)×(2m+1)是邻域中包含的邻近像素的个数；
采用(2m+1)×(2m+1)的模板对密区图像进行均值滤波得到第一次密区均值滤波结果图；
采用(2n+1)×(2n+1)的模板对密区图像进行均值滤波得到第二次密区值滤波结果图。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(12)包括：
图像相减即在两幅图像之间对应像素做减法运算，本发明中利用两次均值滤波后的图像做相减运算，公式如下：
Figure GDA0002227224830000071
式中，g1(x，y)，g2(x，y)是参与图像相减运算的两图像在(x，y)处的灰度值，g(x，y)是经过图像相减后图像在(x，y)处的灰度值，gsub(x，y)＝g1(x，y)-g2(x，y)；
一般而言，为进一步体现图像间差异，图像相减会增加乘数因子和灰度补偿值，即
g(x，y)＝[g1(x，y)-g2(x，y)]×Mult+Add
式中，Mult是乘数因子，Add是灰度补偿值；若发生下溢出或上溢出，则分别置0和置255，Mult与Add大小可根据实际情况选取。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(13)包括：
第一，分别计算m×n与n×m矩阵掩模的标准差图像，m×n矩阵掩模标准差公式如下：
Figure GDA0002227224830000072
式中，f(x，y)是给定的图像在(x，y)处的灰度值，g(x，y)是经过计算标准差后的图像在(x，y)处的灰度值，M是矩阵掩模中各邻近像素的坐标，m×n是矩阵掩模中包含的邻近像素的个数，μ(x，y)是矩阵掩模中灰度均值；得到密区第一次标准差结果图和密区第二次标准差结果图；
第二步，对第一步中获得的第一次标准差结果图和密区第二次标准差结果图取对应位置灰度值最大的值，构成密区灰度值处理后的标准差图像，从而进一步凸显缺陷，公式如下：
g(x，y)＝max{g1(x，y)，g2(x，y)}
式中，g1(x，y)，g2(x，y)是参与标准差运算的两图像在(x，y)处的灰度值，g(x，y)是经过取最大灰度后图像在(x，y)处的灰度值。
作为对本发明导光板亮点缺陷检测方法的进一步改进：步骤(14)包括：
第一步，对步骤(13)中的图像进行开运算，开运算公式如下：
Figure GDA0002227224830000073
式中，A为输入图像，B为结构元素，
Figure GDA0002227224830000076
表示利用B对A进行开运算，
Figure GDA0002227224830000074
表示利用利用B对A进行腐蚀运算，
Figure GDA0002227224830000075
表示利用利用B对A进行膨胀运算；可以看出，开运算实际上是A先被B腐蚀，然后再被B膨胀的结果；
第二步，对开运算的图像进行均值滤波，并将开运算后的图像与均值滤波后的图像进行减法运算，得到缺陷明显的密区缺陷图像。
本发明导光板亮点缺陷检测方法的技术优势为：
与其他亮点检测方法相比，本发明通过分区来检测亮点缺陷方法难度低，程序相对简单，适应外界干扰能力强，而且，通过对导光板图像进行分区，对导光板的密区和疏区采用了不同的处理方法，减少了导光点疏密不同所带来的影响，提高了检测精度。现场实验结果表明：该发明提供的亮点检测缺陷程序运行稳定，检测效率与准确性可满足工业现场要求，能够实际运用于现场。
具体优点如下：
(1)本发明能适应多种类型的挡光板，对在实际现场的光线变化有很好的适应能力；
(2)实际运用于其他类型的挡光板时，只需根据实际情况调整相应参数即可实现自动检测；
(3)本发明算法稳定性高，抗干扰能力强，效率高。
(4)当前亮点缺陷均在多角度光源下用线扫相机高精度成像进行检测，图像大小高达400MB，检测效率低下。本发明在Led灯带点亮下用面阵相机成像进行检测，图像只有20MB，检测效率比较高；
(5)本发明根据导光板光学原理及成像特点，把其图像分为密区和疏区分别设计算法进行检测，可以大大提高检测的精度和效率。
(6)本发明在导光板缺陷提取的基础上，对疑似缺陷再利用支持向量机进行二次确认，可以进一步提高检测方法的精度，适应不同类型导光板缺陷检测的需要。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1为本发明导光板亮点缺陷检测方法的算法流程图；
图2为步骤1得到的导光板图像F；
图3为步骤2得到的导光板边缘图像；
图4为步骤3得到的导光板边界图像；
图5为步骤3得到的疏区图像与密区图像的分区示意图；
图6为步骤4得到的疏区边缘图像；
图7为步骤5得到的疏区边缘图像和疏区图像进行加法运算后的图像；
图8为步骤5得到的本发明实验一中疏区可能亮点缺陷图像；
图9为步骤6得到的本疏区连通域图像；
图10为步骤7得到的疏区可能缺陷区域图像；
图11为步骤8得到的疏区骨架图像；
图12为步骤9得到的以骨架为中心生成一定大小矩形区域的图；
图13为步骤9得到的特征提取后疏区图像；
图14为步骤10得到的疏区亮点缺陷图像；
图15为步骤11得到的第一次密区均值滤波结果图；
图16为步骤11得到的第二次密区均值滤波结果图；
图17为步骤12得到的密区缺陷图像；
图18为步骤13得到的密区第一次标准差结果图；
图19为步骤13得到的密区第二次标准差结果图；
图20为步骤13得到的密区灰度值处理后的标准差图像；
图21为步骤15得到的密区可能亮点缺陷图像；
图22为步骤16得到的密区腐蚀后图像；
图23为步骤17得到的密区缺陷区域图像；
图24为步骤18得到的密区亮点缺陷图像；
图25为步骤19得到的导光板亮点缺陷检测图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
实施例1、导光板亮点缺陷检测方法，如图1所示，包括以下步骤：
(1)考虑到要对导光板进行整体的亮点缺陷检测，必须先获得高质量的导光板图像，因此使用面阵相机来采集导光板图像F；执行步骤2；
经过观察，通过工业相机采集到的导光板图像发光均匀，灰度变化均匀，疏密有致，比较适合进行图像缺陷的识别于检测。
(2)检测导光板边缘，得到导光板边缘图像；执行步骤3；
由于导光板图像分为疏区与密区，疏区与密区灰度值分布情况不同，若直接进行全局亮点缺陷检测，极易造成误检，因此，为保证检测精度，需要对导光板进行分区操作。本发明中通过Canny边缘检测算法检测出导光板图像的边缘，然后按照一定比例对导光板进行分区，分为疏区与密区。Canny边缘检测算法主要分为以下几步：
第一步，进行高斯平滑滤波，为了尽可能减少噪声对边缘检测结果的影响，所以必须滤除噪声以防止由噪声引起的错误检测。大小为(2k+1)×(2k+1)的高斯滤波器核公式如下：
Figure GDA0002227224830000101
式中σ为标准差；H是高斯滤波核矩阵；Hij为高斯滤波核矩阵第i行第j列元素；i是高斯滤波核矩阵行索引；i是高斯滤波核矩阵列索引。
为了平滑图像，使用高斯滤波器与图像进行卷积，该步骤将平滑图像，以减少边缘检测器上明显的噪声影响，卷积运算公式如下：
fs(x，y)＝H*f(x，y)
式中fs(x，y)是高斯滤波后的图像点(x，y)处的灰度值，H是高斯滤波器，f(x，y)是要进行高斯滤波的图像，*表示卷积运算。
第二步，计算梯度幅度与方向。图像中的边缘可以指向各个方向，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。边缘检测的算子(如Roberts，Prewitt，Sobel等)返回水平gx和垂直gy方向的一阶导数值，由此便可以确定像素点的梯度M(x，y)和方向d(x，y)；
Figure GDA0002227224830000102
Figure GDA0002227224830000103
式中
Figure GDA0002227224830000104
fs是第一步中高斯滤波后的图像。
第三步，应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应。此操作又主要分为以下两个步骤，
选择最接近α(x，y)的方向dk；
若M(x，y)的值至少小于dk的两个邻居之一，则令gN(x，y)＝0(抑制)；否则，令gN(x，y)＝M(x，y)，这里gN(x，y)是指非最大抑制后的图像。
第四，用双阈值处理和连接分析来检测并连接边缘。对gN(x，y)进行阈值处理，以便减少伪边缘点。Canny算法通过使用滞后阈值来减少伪边缘点，它使用两个阈值：一个低阈值TL和高阈值TH，高阈值和低阈值的比率被建议为2∶1或3∶1。
双阈值处理公式如下：
gNH(x，y)＝gN(x，y)≥TH
gNL(x，y)＝gN(x，y)≥TL
式中，gNH(x，y)，gNL(x，y)是分别用高阈值与低阈值形成的图像。开始时gNH(x，y)和gNL(x，y)均被置为零。阈值处理后，gNH(x，y)的非零像素通常比gNL(x，y)少，但gNH(x，y)中的所有非零像素都将包含在gNL(x，y)中。通过令
gNL(x，y)＝gNL(x，y)-gNH(x，y)
得到的gNH(x，y)和gNL(x，y)中的非零像素可分别视为“强”和“弱”边缘像素，再通过连接分析即可得到边缘。
(3)对导光板边缘图像进行分区操作，得到疏区图像与密区图像；执行步骤4；
根据步骤2中Canny算法获得的边缘，不能直接得到导光板的上下边界与左右边界，在导光板中间还存在着大量的边缘，需要从中挑选出可以确定导光板边界的边缘。本算法将步骤2得到的边缘分割成XLD轮廓，再将其分割成线段，然后根据线段角度、长度等特征确定哪些XLD轮廓属于边界(具体设置长度在50-9999pixel范围从输入XLD轮廓选择出可能属于导光板边界的XLD轮廓，得到可能的边界XLD轮廓后，根据角度在-15°-15°范围内得到属于导光板横向边界的XLD轮廓，根据角度在75°-105°范围内得到属于导光板纵向边界的XLD轮廓)；
然后通过合并属于边界XLD轮廓可以得到导光板边界图像，最后通过XLD轮廓的坐标关系拟合矩形，即可得到导光板的完整边界。根据坐标关系按照一定的比例关系(横向长度不变，将纵向长度按照4：1的比例来划分疏区与密区，其中疏区：密区为4：1)可将导光板图片分成疏区与密区。步骤3为常见的现有技术。
(4)对疏区图像进行检测边缘，得到疏区边缘图像；执行步骤5；
对于疏区图像，导光点分布间隙比较大，且导光点灰度值较高，要提取出可能的亮点缺陷，本算法采用Sobel算子检测边缘。采用Sobel算子检测边缘，Sobel算子有两个，分别是：
Figure GDA0002227224830000111
Figure GDA0002227224830000112
分别用模板A与B与图像做卷积操作，得到
Figure GDA0002227224830000113
Figure GDA0002227224830000121
式中，gxs、gys分别是经Sobel算子A、B卷积后的图像f在x、y方向上的梯度分量，zi(1≤i≤9)是被模板覆盖区域的9个像素值。
令
g(x，y)＝(|gx|+|gy|)/2
即可得到采用Sobel算子模板检测到的疏区边缘图像g(x，y)。
(5)对疏区边缘图像和疏区图像进行加法运算，并阈值提取可能亮点缺陷，得到疏区可能亮点缺陷图像；执行步骤6；
利用图像加法提高对比度，最后通过阈值分割可以提取出可能的亮点缺陷。
第一步，把疏区图像与疏区边缘图像g(x，y)的加法运算，加法运算公式：
Figure GDA0002227224830000122
式中，g1(x，y)，g2(x，y)是参与图像加法运算的两图像在(x，y)处的灰度值，g(x，y)是经过图像加法运算后图像在(x，y)处的灰度值，gadd(x，y)＝[g1(x，y)+g2(x，y)]×Mult+Add，Mult是乘数因子，Add是灰度补偿值，Mutt与Add大小可根据实际情况选取。
第二步，对第一步中获得图像进行阈值分割，由于亮点的灰度值较高，所以选择适当的阈值下限TL和阈值下限TH就可以提取出可能的亮点缺陷，得到步骤5的结果图像。
(6)求取疏区可能亮点缺陷图像的连通域，得到疏区连通域图像；执行步骤7；
对步骤5的疏区可能亮点缺陷图像进行连通域求取；其实就是将此没有连接在一起的区域块均当成一个个特征不同的小区域，为以下进行特征提取做准备。
(7)根据特征选择疏区连通域图像，得到疏区可能缺陷区域图像；执行步骤8；
对步骤6中获得的疏区连通域图像进行特征提取，此处主要是求取所有区域中面积，适当选取面积的阈值下限SL，公式如下：
Schoose＝{Si|Si≥SL，i＝1，2，3，…}，
式中，Schoose是连通域中所有满足Si≥SL的区域，Si，i＝1，2，3，…是步骤6中连通域图像中的连通处理得到的各个小区域。
此处求取特征主要是为了去除疏区图像中除影响导光板亮点缺陷检测的其他干扰部分，便于后续操作。
(8)提取疏区可能缺陷区域图像的骨架，得到疏区骨架图像；执行步骤9；
对步骤7中根据特征选择的区域，提取所选区域骨架。一个区域的骨架可以用Blum[1967]提出的中轴变换(MAT)来定义。边界为B的区域R的MAT定义如下：
对R中的每个点p，我们在B中找到与其最接近的邻点，如果p有多个这样的零点，则认为p属于R的中轴(骨架)。
此处对疏区可能缺陷区域图像提取骨架主要是为后面的提取区域特征做准备，保证检测的准确性。
(9)对疏区骨架图像进行特征提取，得到特征提取后疏区图像；执行步骤10；
亮点缺陷属于区域上的缺陷，如果直接考虑从步骤9中获得的区域，检测效果不佳，需要考虑亮点缺陷与周围像素点之间的关系，才能更好地区分亮点缺陷。本发明中，先以骨架为中心生成一定大小的矩形区域，矩形区域大小可以根据骨架大小确定，然后从矩阵区域中提取区域特征。提取的主要特征如下所示：
Figure GDA0002227224830000131
Figure GDA0002227224830000132
式中，R是所选的区域，p是区域内的像素点，g(p)是像素点p对应的灰度值，F为区域R的面积，Mean是区域R的灰度均值，Dev是区域R的灰度方差。
灰度共生矩阵G：G为一个矩阵，其元素gij是灰度为zi和zj的像素对出现在f中由Q指定位置处的次数，其中1≤i，j≤L。Q是定义两个像素彼此位置的一个算子，图像f具有L个可能灰度级。
从K×K灰度共生矩阵中提取特征，有一致性(也称为能量)Energy，相关性Correlation，同质性Homogeneity，对比度Contrast，公式如下：
Figure GDA0002227224830000133
Figure GDA0002227224830000134
Figure GDA0002227224830000135
Figure GDA0002227224830000141
式中pij＝gij/n，n是满足Q的像素对总数。mr、mc、σr、σc的公式如下：
Figure GDA0002227224830000142
Figure GDA0002227224830000143
mr是沿归一化后的G的行计算的均值，mc是沿归一化后的G的列计算的均值。σr和σc是分别沿行和列计算的标准差(方差的平方根)。
提取的其他特征还有区域R中灰度最大值Max、最小值Min、灰度值范围Range等，公式如下：
Figure GDA0002227224830000144
Figure GDA0002227224830000145
Range＝Max-Min
此处提取区域的很多特征，主要是为了从疑似的亮点缺陷中挑选出真正的亮点缺陷，排除干扰缺陷，为后续的SVM分类做准备。
(10)使用SVM分类特征提取后疏区图像的亮点缺陷与非亮点缺陷，得到疏区亮点缺陷图像；执行步骤11；
连通处理后的疏区缺陷区域，通过支持向量机的方法来进行分类，从而判断是否是亮点缺陷，线性支持向量机可以写成：
Figure GDA0002227224830000146
w*、b*是下面优化问题的最优解。
Figure GDA0002227224830000147
s.t.yi[(w·xi)+b]-1＝0，i＝1，2，3，…，N
式中(x1，y1)，(x2，y2)，…，(xN，yN)，xi∈Rd，yi∈{+1，-1}
是训练样本集，x是特征向量，y是类别标号。
通过训练好的支持向量机分类器，将步骤9中获得的特征输入到分类器中，就可以判别出该缺陷区域是否是亮点缺陷。
(11)检测密区图像缺陷，均值滤波，得到第一次密区均值滤波结果图和第二次密区值滤波结果图；执行步骤12；
由于得到的导光板密区图像整体灰度变化不大，导光点密集，不适合采用舒区检测方法检测缺陷。密区图像对比度不够强，所以需要对图像提高对比度，从而更好地检测到到缺陷，若直接进行全局缺陷检测，很容易造成误检，因此，为提高检测精度，本发明首先通过均值滤波平滑噪声。
分别采用(2m+1)×(2m+1)与(2n+1)×(2n+1)的模板对密区图像进行均值滤波，即使用模板对图像进行卷积运算；(2m+1)×(2m+1)均值滤波的模板是：
Figure GDA0002227224830000151
(2m+1)×(2m+1)均值滤波的公式是：
Figure GDA0002227224830000152
式中，f(x，y)是给定的图像在(x，y)处的灰度值，g(x，y)是经过均值滤波后的图像在(x，y)处的灰度值，M是所取领域中各邻近像素的坐标，(2m+1)×(2m+1)是邻域中包含的邻近像素的个数。
采用(2m+1)×(2m+1)的模板对密区图像进行均值滤波得到第一次密区均值滤波结果图；
采用(2n+1)×(2n+1)的模板对密区图像进行均值滤波得到第二次密区值滤波结果图。
实际中取m＝0，n＝49。
(12)第一次密区均值滤波结果图减去第二次密区值滤波结果图，凸显密区缺陷，得到密区缺陷图像；执行步骤13；
图像相减即在两幅图像之间对应像素做减法运算，本发明中利用两次均值滤波后的图像做相减运算，公式如下：
Figure GDA0002227224830000161
式中，g1(x，y)，g2(x，y)是参与图像相减运算的两图像在(x，y)处的灰度值，g(x，y)是经过图像相减后图像在(x，y)处的灰度值，gsub(x，y)＝g1(x，y)-g2(x，y)。
一般而言，为进一步体现图像间差异，图像相减会增加乘数因子和灰度补偿值，即
g(x，y)＝[g1(x，y)-g2(x，y)]×Mult+Add
式中，Mult是乘数因子，Add是灰度补偿值。若发生下溢出或上溢出，则分别置0和置255，Mult与Add大小可根据实际情况选取。
通过上述公式，图像的均值滤波与图像相减，就是采用均值滤波后的图像做减法运算，从而提高图像的对比度，可以更好地显示图像中存在地缺陷。
(13)对步骤12中的密区缺陷图像求取标准差，进一步凸显缺陷，得到密区灰度值处理后的标准差图像；执行步骤14；
通过均值滤波与图像减法运算后，需要进一步凸显缺陷，主要分为两步，第一，分别计算m×n与n×m矩阵掩模的标准差图像，m×n矩阵掩模标准差公式如下：
Figure GDA0002227224830000162
式中，f(x，y)是给定的图像在(x，y)处的灰度值，g(x，y)是经过计算标准差后的图像在(x，y)处的灰度值，M是矩阵掩模中各邻近像素的坐标，m×n是矩阵掩模中包含的邻近像素的个数，μ(x，y)是矩阵掩模中灰度均值。n×m矩阵掩模标准差公式与之类似，类比即可得出。得到密区第一次标准差结果图和密区第二次标准差结果图。
第二步，对第一步中获得的第一次标准差结果图和密区第二次标准差结果图取对应位置灰度值最大的值，构成密区灰度值处理后的标准差图像，从而进一步凸显缺陷，公式如下：
g(x，y)＝max{g1(x，y)，g2(x，y)}
式中，g1(x，y)，g2(x，y)是参与标准差运算的两图像在(x，y)处的灰度值，g(x，y)是经过取最大灰度后图像在(x，y)处的灰度值。
(14)对密区灰度值处理后的标准差图像消除背景影响，得到缺陷明显的密区缺陷图像；执行步骤15；
进行步骤13后，导光板图像中缺陷部分被显现出来，但由背景导光点形成的其他干扰仍未被消除，要消除其他干扰因素，主要分为两步，第一步，对步骤13中的图像进行开运算，开运算公式如下：
Figure GDA0002227224830000171
式中，A为输入图像，B为结构元素，
Figure GDA0002227224830000172
表示利用B对A进行开运算，
Figure GDA0002227224830000173
表示利用利用B对A进行腐蚀运算，
Figure GDA0002227224830000174
表示利用利用B对A进行膨胀运算。可以看出，开运算实际上是A先被B腐蚀，然后再被B膨胀的结果。
开运算通常用来消除小对象物、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其体积。
第二步，对开运算的图像进行均值滤波，并将开运算后的图像与均值滤波后的图像进行减法运算，从而消除了大部分背景的影响，得到缺陷明显的密区缺陷图像。
(15)对缺陷明显的密区缺陷图像进行灰度变换和阈值分割，得到密区可能亮点缺陷图像；执行步骤16；
把上面得到的缺陷明显的密区缺陷图像进行灰度变换，消除背景低灰度值像素点干扰，获得密区缺陷图像，灰度线性变换公式如下：
Figure GDA0002227224830000175
式中，输入图像f的灰度级为0-Mf级，输出图像g的灰度级为0-Mg级，f(x，y)、g(x，y)分别是图像f、g在(x，y)处的灰度值。对灰度区间[a，b]进行了线性变换，而灰度区间[0，a]和[b，Mf]受到了压缩，a、b、c、d的值可在实际情况进行适当调节。
[a，b]是对图像f进行灰度变换的区间，a、b为灰度值，[c、d]为图像f灰度值在[a，b]之间的灰度经灰度变换后的图像g对应的灰度值区间。
经过灰度线性变换，密区缺陷凸显出来，然后进行阈值分割，处理后亮点缺陷的灰度值较高，选择适当的阈值下限TL和阈值下限TH就可以提取出可能的亮点缺陷。
(16)对密区可能亮点缺陷图像进行腐蚀操作，得到密区腐蚀后图像；执行步骤17；
对可能的亮点缺陷进行腐蚀操作，表示为
Figure GDA0002227224830000176
的B对A的腐蚀定义为
Figure GDA0002227224830000177
式中，A为输入图像，B为结构元素。B对A的腐蚀是一个用z平移的B包含在A中所有点的集合。
通过腐蚀操作，可以消除细小的干扰噪声。
(17)对密区腐蚀后图像求取连通域，得到密区缺陷区域图像；执行步骤18；
对步骤16中的结果图像求取连通域，具体做法与步骤6相同；
(18)根据特征选择缺陷区域，得到密区亮点缺陷图像；执行步骤19；
对步骤17中的结果图像，根据面积大小选择亮点缺陷，具体做法与步骤7相同；此时，密区的亮点缺陷已检测完毕。
(19)显示缺陷区域，得到导光板亮点缺陷检测图；
将步骤10提取到的疏区亮点缺陷与步骤18中提取到的密区亮点缺陷在导光板图像F上显示出来。
实验一
(1)使用面阵相机采集导光板原图像。
(2)使用Canny算法检测导光板边界；
(3)分割步骤2中得到的边缘为XLD轮廓，再分割XLD轮廓为线段，根据长度、角度等特征确定那些线段属于边界，进而进行分区操作，将导光板分为疏区与密区；
(4)用Sobel算子对疏区检测边缘：
Figure GDA0002227224830000181
Figure GDA0002227224830000182
g(x，y)＝(|gx|+|gy|)/2
(5)把疏区图像与步骤4地结果图像做加法运算，随后做阈值分割；
Figure GDA0002227224830000183
(6)对步骤5中结果图像求取连通域；
(7)对步骤6中获得的连通区域图像进行特征提取，根据区域面接特征选取可能的亮点缺陷区域；
Schoose＝{Si|Si≥SL，i＝1，2，3，…}，
(8)对步骤7中根据特征选择的区域，提取所选区域骨架。
(9)以步骤8中生成的骨架为中心生成一定大小的矩形区域，对生成的矩阵区域进行特征提取；
Figure GDA0002227224830000191
Figure GDA0002227224830000192
Figure GDA0002227224830000193
Figure GDA0002227224830000194
Figure GDA0002227224830000195
Figure GDA0002227224830000196
Figure GDA0002227224830000197
Figure GDA0002227224830000198
Range＝Max-Min
(10)根据步骤9中提取到区域的特征，使用SVM方法对步骤7中的可能缺陷进行正确分类；
Figure GDA0002227224830000199
(11)检测密区缺陷，对导光板密区图像分别进行两次均值滤波；
Figure GDA00022272248300001910
Figure GDA00022272248300001911
(12)对步骤11中得到的两次均值滤波图像做图像减法，凸显密区缺陷；
Figure GDA00022272248300001912
g(x，y)＝[g1(x，y)-g2(x，y)]×Mult+Add
(13)对步骤12中的结果图求取两次标准差图像，取两个标准差图像，取对应位置灰度值最大的值作为最终的标准差图像；
Figure GDA0002227224830000201
g(x，y)＝max{g1(x，y)，g2(x，y)}
(14)对步骤13中的结果图像进行开运算，并对开运算后的图像进行均值滤波，再将开运算后的图像与均值滤波后的图像进行减法运算，消除背景影响；
Figure GDA0002227224830000202
(15)灰度变换，阈值分割，提取出可能的亮点缺陷；
Figure GDA0002227224830000203
(16)对步骤15中的结果图像进行腐蚀操作；
Figure GDA0002227224830000204
(17)对步骤16中的区域求取连通域；
(18)对步骤17的连通域，根据特征选择缺陷区域；执行步骤19；
对步骤17中的结果图像，根据面积大小选择亮点缺陷，面积大小一般在5以上。
(19)显示缺陷区域。
最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (9)

1.导光板亮点缺陷检测方法，其特征在于：包括以下步骤：
(1)采集导光板图像F；执行步骤(2)；
(2)检测导光板边缘，得到导光板边缘图像；执行步骤(3)；
步骤(2)为通过Canny边缘检测算法检测出导光板图像的边缘，包括以下步骤：
第一步，进行高斯平滑滤波，大小为(2k+1)×(2k+1)的高斯滤波器核公式如下：
Figure FDA0003531087480000011
式中σ为标准差；H是高斯滤波核矩阵；Hij为高斯滤波核矩阵第i行第j列元素；i是高斯滤波核矩阵行索引；j是高斯滤波核矩阵列索引；
使用高斯滤波器与图像进行卷积，卷积运算公式如下：
fs(x,y)＝H*f(x,y)
式中fs(x,y)是高斯滤波后的图像点(x,y)处的灰度值，H是高斯滤波器，f(x,y)是要进行高斯滤波的图像，*表示卷积运算；
第二步，计算梯度大小与方向，确定像素点的梯度大小M(x,y)和方向α(x,y)；
Figure FDA0003531087480000012
Figure FDA0003531087480000013
式中
Figure FDA0003531087480000014
fs是第一步中高斯滤波后的图像；gx和gy分别是水平和垂直方向的一阶导数值；
第三步，应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应；
此操作主要分为以下两个步骤，
选择最接近α(x,y)的方向dk；
若M(x,y)的值至少小于dk的两个邻居的梯度大小之一，则令gN(x,y)＝0，gN(x,y)＝0表示抑制；否则，令gN(x,y)＝M(x,y)，这里gN(x,y)是指非最大抑制后的图像；
第四，用双阈值处理和连接分析来检测并连接边缘；对gN(x,y)进行阈值处理，以便减少伪边缘点；得到导光板边缘图像；
(3)对导光板边缘图像进行分区操作，得到疏区图像与密区图像；执行步骤(4)；
(4)对疏区图像进行检测边缘，得到疏区边缘图像；执行步骤(5)；
(5)对疏区边缘图像和疏区图像进行加法运算，并阈值提取可能亮点缺陷，得到疏区可能亮点缺陷图像；执行步骤(6)；
(6)求取疏区可能亮点缺陷图像的连通域，得到疏区连通域图像；执行步骤(7)；
(7)根据特征选择疏区连通域图像，得到疏区可能缺陷区域图像；执行步骤(8)；
(8)提取疏区可能缺陷区域图像的骨架，得到疏区骨架图像；执行步骤(9)；
(9)对疏区骨架图像进行特征提取，得到特征提取后疏区图像；执行步骤(10)；
(10)使用SVM分类特征提取后疏区图像的亮点缺陷与非亮点缺陷，得到疏区亮点缺陷图像；执行步骤(11)；
(11)检测密区图像缺陷，均值滤波，得到第一次密区均值滤波结果图和第二次密区值滤波结果图；执行步骤(12)；
(12)第一次密区均值滤波结果图减去第二次密区值滤波结果图，得到密区缺陷图像；执行步骤(13)；
(13)对步骤(12)中的密区缺陷图像求取标准差，进一步凸显缺陷，得到密区灰度值处理后的标准差图像；执行步骤(14)；
(14)对密区灰度值处理后的标准差图像消除背景影响，得到缺陷明显的密区缺陷图像；执行步骤(15)；
(15)对缺陷明显的密区缺陷图像进行灰度变换和阈值分割，得到密区可能亮点缺陷图像；执行步骤(16)；
(16)对密区可能亮点缺陷图像进行腐蚀操作，得到密区腐蚀后图像；执行步骤(17)；
(17)对密区腐蚀后图像求取连通域，得到密区缺陷区域图像；执行步骤(18)；
(18)根据特征对密区缺陷区域图像选择缺陷区域，得到密区亮点缺陷图像；执行步骤(19)；
(19)显示缺陷区域，得到导光板亮点缺陷检测图。
2.根据权利要求1所述的导光板亮点缺陷检测方法，其特征在于：步骤(4)为：
采用Sobel算子检测边缘；Sobel算子有两个，分别是：
Figure FDA0003531087480000021
Figure FDA0003531087480000022
分别用模板A和B与疏区图像做卷积操作，得到：
Figure FDA0003531087480000031
Figure FDA0003531087480000032
式中，gxs、gys分别是经Sobel算子A、B卷积后的图像f在x、y方向上的梯度分量，zi(1≤i≤9)是被模板覆盖区域的9个像素值；
令
g(x,y)＝(|gxs|+|gys|)/2
即可得到采用Sobel算子模板检测到的疏区边缘图像g(x,y)。
3.根据权利要求2所述的导光板亮点缺陷检测方法，其特征在于：步骤(5)包括：
第一步，把疏区图像与疏区边缘图像g(x,y)的加法运算，加法运算公式：
Figure FDA0003531087480000033
式中，g1(x,y)，g2(x,y)是参与图像加法运算的两图像在(x,y)处的灰度值，g(x,y)是经过图像加法运算后图像在(x,y)处的灰度值，gadd(x,y)＝[g1(x,y)+g2(x,y)]×Mult+Add，Mult是乘数因子，Add是灰度补偿值；
第二步，对第一步中获得图像进行阈值分割，得到疏区可能亮点缺陷图像。
4.根据权利要求3所述的导光板亮点缺陷检测方法，其特征在于：步骤(9)包括：
先以骨架为中心生成一定大小的矩形区域，然后从矩阵区域中提取区域特征；提取的主要特征如下所示：
Figure FDA0003531087480000034
Figure FDA0003531087480000035
式中，R是所选的区域，p是区域内的像素点，g(p)是像素点p对应的灰度值，F为区域R的面积，Mean是区域R的灰度均值，Dev是区域R的灰度方差；
灰度共生矩阵G：G为一个矩阵，其元素gij是灰度为zi和zj的像素对出现在f中由Q指定位置处的次数，其中1≤i,j≤L；Q是定义两个像素彼此位置的一个算子，图像f具有L个可能灰度级；
从K×K灰度共生矩阵中提取特征,有一致性Energy，相关性Correlation，同质性Homogeneity，对比度Contrast，公式如下：
Figure FDA0003531087480000041
Figure FDA0003531087480000042
Figure FDA0003531087480000043
Figure FDA0003531087480000044
式中pij＝gij/n，n是满足Q的像素对总数；mr、mc、σr、σc的公式如下：
Figure FDA0003531087480000045
Figure FDA0003531087480000046
mr是沿归一化后的G的行计算的均值，mc是沿归一化后的G的列计算的均值；σr和σc是分别沿行和列计算的标准差；
提取的其他特征还有区域R中灰度最大值Max、最小值Min、灰度值范围Range，公式如下：
Figure FDA0003531087480000047
Figure FDA0003531087480000048
Range＝Max-Min。
5.根据权利要求4所述的导光板亮点缺陷检测方法，其特征在于：步骤(10)包括：
连通处理后的疏区缺陷区域，通过支持向量机的方法来进行分类，从而判断是否是亮点缺陷，线性支持向量机可以写成：
Figure FDA0003531087480000049
w*、b*是下面优化问题的最优解；
Figure FDA00035310874800000410
s.t.yi[(w·xi)+b]-1＝0，i＝1,2,3,…,N
式中(x1，y1)，(x2，y2)，…，(xN，yN)，xi∈Rd,yi∈{+1，-1}
是训练样本集，x是特征向量，y是类别标号。
6.根据权利要求5所述的导光板亮点缺陷检测方法，其特征在于：步骤(11)包括：
通过均值滤波平滑噪声时，分别采用(2m+1)×(2m+1)与(2n+1)×(2n+1)的模板对密区图像进行均值滤波，即使用模板对图像进行卷积运算；(2m+1)×(2m+1)均值滤波的模板是：
Figure FDA0003531087480000051
(2m+1)×(2m+1)均值滤波的公式是：
Figure FDA0003531087480000052
式中，f(x,y)是给定的图像在(x,y)处的灰度值，g(x,y)是经过均值滤波后的图像在(x,y)处的灰度值，M是所取领域中各邻近像素的坐标，(2m+1)×(2m+1)是邻域中包含的邻近像素的个数；
采用(2m+1)×(2m+1)的模板对密区图像进行均值滤波得到第一次密区均值滤波结果图；
采用(2n+1)×(2n+1)的模板对密区图像进行均值滤波得到第二次密区值滤波结果图。
7.根据权利要求6所述的导光板亮点缺陷检测方法，其特征在于：步骤(12)包括：
图像相减即在两幅图像之间对应像素做减法运算，利用两次均值滤波后的图像做相减运算，公式如下：
Figure FDA0003531087480000053
式中，g1(x,y)，g2(x,y)是参与图像相减运算的两图像在(x,y)处的灰度值，g(x,y)是经过图像相减后图像在(x,y)处的灰度值，gsub(x,y)＝g1(x,y)-g2(x,y)；
一般而言，为进一步体现图像间差异，图像相减会增加乘数因子和灰度补偿值，即
g(x,y)＝[g1(x,y)-g2(x,y)]×Mult+Add
式中，Mult是乘数因子，Add是灰度补偿值；若发生下溢出或上溢出，则分别置0和置255，Mult与Add大小可根据实际情况选取。
8.根据权利要求7所述的导光板亮点缺陷检测方法，其特征在于：步骤(13)包括：
第一，分别计算m×n与n×m矩阵掩模的标准差图像，m×n矩阵掩模标准差公式如下：
Figure FDA0003531087480000061
式中，f(x,y)是给定的图像在(x,y)处的灰度值，g(x,y)是经过计算标准差后的图像在(x,y)处的灰度值，M是矩阵掩模中各邻近像素的坐标，m×n是矩阵掩模中包含的邻近像素的个数，μ(x,y)是矩阵掩模中灰度均值；得到密区第一次标准差结果图和密区第二次标准差结果图；
第二步，对第一步中获得的第一次标准差结果图和密区第二次标准差结果图取对应位置灰度值最大的值，构成密区灰度值处理后的标准差图像，从而进一步凸显缺陷，公式如下：
g(x,y)＝max{g1(x,y),g2(x,y)}
式中，g1(x,y)，g2(x,y)是参与标准差运算的两图像在(x,y)处的灰度值，g(x,y)是经过取最大灰度后图像在(x,y)处的灰度值。
9.根据权利要求8所述的导光板亮点缺陷检测方法，其特征在于：步骤(14)包括：
第一步，对步骤(13)中的图像进行开运算，开运算公式如下：
Figure FDA0003531087480000062
式中，A为输入图像，B为结构元素，
Figure FDA0003531087480000063
表示利用B对A进行开运算，
Figure FDA0003531087480000064
表示利用利用B对A进行腐蚀运算，
Figure FDA0003531087480000065
表示利用利用B对A进行膨胀运算；可以看出，开运算实际上是A先被B腐蚀，然后再被B膨胀的结果；
第二步，对开运算的图像进行均值滤波，并将开运算后的图像与均值滤波后的图像进行减法运算，得到缺陷明显的密区缺陷图像。
CN201910513783.6A 2019-06-14 2019-06-14 导光板亮点缺陷检测方法 Active CN110530894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910513783.6A CN110530894B (zh) 2019-06-14 2019-06-14 导光板亮点缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910513783.6A CN110530894B (zh) 2019-06-14 2019-06-14 导光板亮点缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110530894A CN110530894A (zh) 2019-12-03
CN110530894B true CN110530894B (zh) 2022-05-13

Family

ID=68659506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910513783.6A Active CN110530894B (zh) 2019-06-14 2019-06-14 导光板亮点缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110530894B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598847A (zh) * 2020-04-28 2020-08-28 浙江华睿科技有限公司 玻璃表面缺陷检测方法、装置和计算机可读存储介质
CN112017172A (zh) * 2020-08-31 2020-12-01 佛山科学技术学院 一种基于树莓派的深度学习产品缺陷检测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002148031A (ja) * 2000-10-20 2002-05-22 Applied Materials Inc パターン検査方法及び装置
KR20130143226A (ko) * 2012-06-21 2013-12-31 주식회사 넥스트아이 도광판 검사장치
CN108346141A (zh) * 2018-01-11 2018-07-31 浙江理工大学 单边侧入光式导光板缺陷提取方法
CN109102497A (zh) * 2018-07-13 2018-12-28 杭州舜浩科技有限公司 高分辨率的导光板图像缺陷检测方法
CN109272525A (zh) * 2018-09-17 2019-01-25 浙江理工大学 一种导光板白点缺陷检测方法
CN109801286A (zh) * 2019-01-29 2019-05-24 江南大学 一种lcd导光板的表面缺陷检测算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002148031A (ja) * 2000-10-20 2002-05-22 Applied Materials Inc パターン検査方法及び装置
KR20130143226A (ko) * 2012-06-21 2013-12-31 주식회사 넥스트아이 도광판 검사장치
CN108346141A (zh) * 2018-01-11 2018-07-31 浙江理工大学 单边侧入光式导光板缺陷提取方法
CN109102497A (zh) * 2018-07-13 2018-12-28 杭州舜浩科技有限公司 高分辨率的导光板图像缺陷检测方法
CN109272525A (zh) * 2018-09-17 2019-01-25 浙江理工大学 一种导光板白点缺陷检测方法
CN109801286A (zh) * 2019-01-29 2019-05-24 江南大学 一种lcd导光板的表面缺陷检测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的导光板缺陷检测方法研究;李俊峰 等;《光电子·激光》;20190331;第30卷(第3期);第256-265页 *

Also Published As

Publication number Publication date
CN110530894A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN108416766B (zh) 双侧入光式导光板缺陷视觉检测方法
CN107845087B (zh) 液晶面板亮度不均匀缺陷的检测方法和系统
CN106650770B (zh) 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
CN108346141B (zh) 单边侧入光式导光板缺陷提取方法
CN108876768B (zh) 导光板暗影缺陷检测方法
KR101635461B1 (ko) 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법
CN108460757A (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
JP2004294202A (ja) 画面の欠陥検出方法及び装置
CN111982916A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法及系统
CN115908269A (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN107610085A (zh) 一种基于计算机视觉的焊点缺陷检测系统
CN113034464B (zh) 一种多背景下的液晶显示器缺陷视觉实时检测方法
CN110530894B (zh) 导光板亮点缺陷检测方法
CN111192273A (zh) 一种基于计算机视觉技术的数字化喷丸覆盖率测量方法
CN110096980A (zh) 字符检测识别系统
CN109064439B (zh) 基于分区的单侧入光式导光板暗影缺陷提取方法
CN110514665A (zh) 一种电子产品塑料外壳划痕缺陷的检测方法
CN114119591A (zh) 一种显示屏画面质量检测方法
Xia et al. An automatic machine vision-based algorithm for inspection of hardwood flooring defects during manufacturing
KR101677070B1 (ko) 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법
JP2005165387A (ja) 画面のスジ欠陥検出方法及び装置並びに表示装置
WO2019114453A1 (zh) 一种针对类镜面物体的高光区域自适应匀光的方法
CN110246139A (zh) 基于双阈值的浮游生物原位图像roi快速提取方法
Pollatou An automated method for removal of striping artifacts in fluorescent whole-slide microscopy
Yang et al. Application of highlight removal and multivariate image analysis to color measurement of flotation bubble images

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