CN110570411A - 一种基于变异系数的Mura检测方法及装置 - Google Patents

一种基于变异系数的Mura检测方法及装置 Download PDF

Info

Publication number
CN110570411A
CN110570411A CN201910837054.6A CN201910837054A CN110570411A CN 110570411 A CN110570411 A CN 110570411A CN 201910837054 A CN201910837054 A CN 201910837054A CN 110570411 A CN110570411 A CN 110570411A
Authority
CN
China
Prior art keywords
image
calculating
variation
coefficient
edge
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.)
Pending
Application number
CN201910837054.6A
Other languages
English (en)
Inventor
王佳松
孙海江
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN201910837054.6A priority Critical patent/CN110570411A/zh
Publication of CN110570411A publication Critical patent/CN110570411A/zh
Pending legal-status Critical Current

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
    • G06T7/12—Edge-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
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种基于变异系数的Mura缺陷检测方法，包括：获取包含显示屏幕的待检测的图像；对所述待检测的图像进行灰度处理，得到待检测的图像的灰度图像；对灰度图像进行边缘处理，得到灰度图像的边缘图像；基于边缘图像提取屏幕有效区域；依据屏幕有效区域和所述灰度图像，计算待处理的图像的变异系数；基于变异系数，确定待检测的图像中Mura缺陷的位置。由此可知，本实施例中通过提取有效区域，消除了无效区域对检测结果的影响，并且减少了计算量，缩短的计算时间。除此之外，还采用对测量尺度不敏感的变异系数对Mura缺陷进行检测，增强了该检测方法的通用性。并且，对于低对比度的Mura缺陷也有着较好的检测效果。

Description

一种基于变异系数的Mura检测方法及装置
技术领域
本发明涉及图像处理领域，尤其涉及一种基于变异系数的mura检测方法及装置。
背景技术
在LED、LCD等显示器件制作的过程中，可能会由于工艺缺陷等原因造成显示器局部亮度不均匀的现象，这种因为亮度不均匀而产生的痕迹被称为 Mura缺陷。
并且，目前在所有的显示器件生产过程中，对Mura缺陷的检测是必不可少的关键技术。但是，现有技术中对Mura缺陷检测的准确度较低，效果较差。
发明内容
有鉴于此，本发明实施例公开了一种基于变异次数的Mura缺陷检测方法及装置，解决了现有技术中对Mura缺陷检测的准确度较低，效果较差的问题。
本发明实施例公开了一种基于变异系数的Mura缺陷检测方法，包括：
获取待检测的图像；所述待检测的图像为包含显示屏幕的图像；
对所述待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；
对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；
基于所述边缘图像提取屏幕有效区域；
依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数；
基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。
可选的，对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像，包括:
采用预设的高斯卷积核对所述灰度图像进行卷积操作，得到高斯模糊图像；
计算所述高斯模糊图像的梯度和方向；
基于非极大值抑制算法和双阈值检测方法对所述高斯模糊图像的梯度和方向进行处理，得到边缘图像。
可选的，基于所述边缘图像获取屏幕有效区域的位置，包括：
对所述边缘图像进行轮廓检测，得到所述边缘图像中所有闭合区域的大小和位置；
提取出所述边缘图像中大于预设阈值的闭合区域，并将大于所述预设阈值的闭合区域作为有效区域。
可选的，所述依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数，包括：
计算所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值；
基于所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值和所述灰度图像，计算每个像素点预设邻域范围内的方差；
基于每个像素点预设邻域范围内的平均灰度值和每个像素点预设邻域范围的平均灰度值，计算每个像素点的变异系数。
可选的，所述基于所述变异系数，确定所述待监测的图像中Mura缺陷的位置，包括：
采用自动分割方法计算缺陷阈值；
提取出所述变异系数大于所述缺陷阈值的像素点；
基于提取到的所述变异系数大于所述缺陷阈值的像素点，确定Mura缺陷位置。
本发明实施例公开了一种基于变异系数的Mura缺陷检测装置，包括：
获取单元，用于获取待检测的图像；所述待检测的图像为包含显示屏幕的图像；
灰度处理单元，用于对所述待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；
边缘处理单元，用于对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；
提取单元，用于基于所述边缘图像提取屏幕有效区域；
计算单元，用于依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数；
Mura缺陷的位置确定单元，用于基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。
可选的，所述边缘处理单元，包括:
卷积子单元，用于采用预设的高斯卷积核对所述灰度图像进行卷积操作，得到高斯模糊图像；
第一计算子单元，用于计算所述高斯模糊图像的梯度和方向；
边缘处理子单元，用于基于非极大值抑制算法和双阈值检测方法对所述高斯模糊图像的梯度和方向进行处理，得到边缘图像。
可选的，所述提取单元，包括：
轮廓检测子单元，用于对所述边缘图像进行轮廓检测，得到所述边缘图像中所有闭合区域的大小和位置；
第一提取子单元，用于提取出所述边缘图像中大于预设阈值的闭合区域，并将大于所述预设阈值的闭合区域作为有效区域。
可选的，所述计算单元，包括：
第二计算子单元，用于计算所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值；
第三计算子单元，用于基于所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值和所述灰度图像，计算每个像素点预设邻域范围内的方差；
第四计算子单元，用于基于每个像素点预设邻域范围内的平均灰度值和每个像素点预设邻域范围的平均灰度值，计算每个像素点的变异系数。
可选的，所述Mura缺陷的位置确定单元，包括：
第五计算子单元，用于采用自动分割方法计算缺陷阈值；
第二提取子单元用于提取出所述变异系数大于所述缺陷阈值的像素点；
Mura缺陷位置确定子单元，用于基于提取到的所述变异系数大于所述缺陷阈值的像素点，确定Mura缺陷位置。
本发明实施例公开了一种基于变异系数的Mura缺陷检测方法，包括：获取待检测的图像；所述待检测的图像为包含显示屏幕的图像；对所述待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；基于所述边缘图像提取屏幕有效区域；依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数；基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。由此可知，本实施例中通过提取有效区域，消除了无效区域对检测结果的影响，并且减少了计算量，缩短的计算时间。除此之外，还采用对测量尺度不敏感的变异系数对Mura缺陷进行检测，降低了对光照和屏幕亮度的要求，使得该检测方法实现了通用性的目的；并且，对于该Mura检测方法具有较强的灵敏度，对于低对比度的Mura缺陷也有着较好的检测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种基于变异系数的Mura缺陷检测方法的流程示意图；
图2示出了本发明实施例提供的一种待检测的图像的示意图；
图3示出了本发明实施例提供的待检测图像的灰度图像的示意图；
图4示出了本发明实施例提供的提取出有效区域的边缘图像的示意图；
图5示出了本发明实施例提供的确定出变异位置的图像的示意图；
图6示出了本发明实施例提供的一种基于变异系数的Mura缺陷检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，示出了本发明实施例提供的一种基于变异系数的Mura缺陷检测方法的流程示意图，在本实施例中，该方法包括：
S101：获取待检测的图像；
本实施例中，待检测的图像为拍摄的屏幕图像，如图2所示，其中拍摄的屏幕图像可以为彩色图像。
获取到的待检测的图像，由于图像拍摄的过程中，由于环境或者设备的干扰，得到的图像可能包含噪声，为了消除噪声的干扰，可以对待检测的图像进行预处理，其中，通过预处理，消除图像噪声干扰的方法包括很多，本实施例中不进行限定。
S102：对所述待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；
本实施例中，将彩色图像转换为灰度图像的方法有很多，本实施例中不进行限定，例如可以包括：平均法、二值法、反转图像法等。
S103：对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；
本实施例中，对灰度图像进行边缘处理的方法包括很多，本实施例中不进行限定，优选的，可以采用如下的方法，对灰度图像进行边缘处理：
采用预设的高斯卷积核对所述灰度图像进行卷积操作，得到高斯模糊图像；
计算所述高斯模糊图像的梯度和方向；
基于非极大值抑制算法和双阈值检测方法对所述高斯模糊图像的梯度和方向进行处理，得到边缘图像。
举例说明：采用高斯卷积核对灰度图像进行卷积操作，其中高斯卷积核例如可以为得到高斯模糊图像；然后采用如下的公式1)计算高斯模糊图像的梯度，采用如下的公式2)计算高斯模糊图像的方向：
1)
2)α＝arctan(Gy/Gx)；
其中，Gx是水平方向的Sobel算子与高斯模糊图像的卷积，Gy是竖直方向的Sobels算子与高斯模糊图像的卷积。然后通过极大值抑制算法和双阈值检测方法对高斯模糊图像的梯度和方向进行处理，得到边缘图像。
S104：基于所述边缘图像提取屏幕有效区域；
本实施例中，获取到的显示屏幕的图像除了包含屏幕的有效区域外，还包括屏幕边框以及指示灯的区域，但是屏幕边框以及指示灯的区域是无效的区域，不需要进行Mura缺陷的检测，因此若是在不去除无效区域的情况下，对图像进行Mura缺陷的检测操作，不仅会增加检测的时间，而且也会对检测结果造成一定的影响。
由此可知，在执行Mura缺陷的检测之前，为了缩短检测的时间，避免无效区域对检测结果的影响，可以先提取屏幕的有效区域，剔除无效区域。
具体的，S104包括：
对所述边缘图像进行轮廓检测，得到所述边缘图像中所有闭合区域的大小和位置；
提取出所述边缘图像中大于预设阈值的闭合区域，并将大于所述预设阈值的闭合区域作为有效区域。
举例说明：如图3所示，图中小白点的区域和黑框的区域为无效区域，根据闭合区域的大小，去除面积小于预设阈值的闭合区域，得到面积大于等于预设阈值的闭合区域，得到有效区域，如图4所示，中间白色矩形框的区域为有效区域。
本实施例中，提取出屏幕的有效区域，例如可以理解为确定出有效区域的位置。
S105：依据所述屏幕有效区域和所述灰度图像，计算所述待处理图像的变异系数；
本实施例中，变异系数是一种衡量不均匀性的参数，该参数的特点是对测量尺度不敏感。
申请人经研究发现，现有技术中对Mura缺陷进行检测时，由于光照、相机、屏幕摆放的位置和成像系统结构等的不同，得到的图像的平均灰度也不同，或者由于图像成像时的测量尺度不同，得到的图像的平均灰度也不同。例如，同一个屏幕，使用相机A得到屏幕亮度为120，Mura缺陷处的亮度为130，但使用相机B在同一位置拍摄，可能得到屏幕亮度为150，Mura缺陷处的亮度为160。
若采用一些会被尺度影响的参数来衡量不均匀性，例如采用方差或者标准差衡量不均匀性，会出现不能通用的情况。例如：由上述介绍可知，由于测量尺度不同，不同图像的平均灰度不同，也可以理解为图像上像素点的亮度不同，那么在同一位置上，Mura缺陷的亮度不同，若是采用相同的方差阈值或者标准差阈值检测Mura缺陷，则容易出现误检或者漏检的情况。
为了解决上述问题，申请人采用了变异系数进行Mura缺陷检测。变异系数是一种衡量不均匀性的参数，该参数的特点是对测量尺度不敏感。
具体的，变异系数的计算过程包括：
计算所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值；
基于所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值和所述灰度图像，计算每个像素点预设邻域范围内的方差；
基于每个像素点预设邻域范围内的平均灰度值和每个像素点预设邻域范围的平均灰度值，计算每个像素点的变异系数。
举例说明：采用如下的公式3)计算屏幕有效区域中每个像素点预设邻域范围的平均灰度值：
3)
其中，其中(i,j)∈Ωp，Ωp是屏幕的有效区域，Am,n是待检屏幕的灰度图像。
4)
(Am,n-Mi,j)2表示点(i,j)在其邻域内的方差，表示邻域内的方差累加和，方差累加和除以平均灰度值即为变异系数Ci,j。
进一步的，由于变异系数对测量尺度不敏感，还可以设置更加严格的缺陷阈值，这样，本实施例的方法对于低对比度的图像也有较好的检测效果。
S106:基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。本实施例中，可以采用阈值分割方法，确定待检测的图像中Mura缺陷的位置，具体的，S106包括：
采用自动分割方法计算缺陷阈值；
提取出所述变异系数大于所述缺陷阈值的像素点；
基于提取到的所述变异系数大于所述缺陷阈值的像素点，确定Mura缺陷位置。
本实施例中，提取到的变异系数大于缺陷阈值的像素点的位置，即可确定为Mura缺陷位置。
举例说明：如图5所示在Mura缺陷位置上，该灰度图像具有较高的变异系数，如图5中亮点的部分，可以通过设置的缺陷阈值，确定出Mura缺陷的位置。
本发明实施例公开了一种基于变异系数的Mura缺陷检测方法，包括：获取待检测的图像；该待检测的图像为包含显示屏幕的图像；对待检测的图像进行灰度处理，得到待检测的图像的灰度图像；对灰度图像进行边缘处理，得到灰度图像的边缘图像；基于边缘图像提取屏幕有效区域；依据屏幕有效区域和灰度图像，计算待处理的图像的变异系数；基于变异系数，确定所述待检测的图像中Mura缺陷的位置。由此可知，本实施例中通过提取有效区域，消除了无效区域对检测结果的影响，并且减少了计算量，缩短的计算时间。除此之外，还采用对测量尺度不敏感的变异系数对Mura缺陷进行检测，降低了对光照和屏幕亮度的要求，使得该检测方法实现了通用性的目的；并且，对于该Mura检测方法具有较强的灵敏度，对于低对比度的Mura缺陷也有着较好的检测效果。
参考图6，示出了本发明实施例提供的一种基于变异系数的Mura缺陷检测装置的结构示意图，在本实施例中，该装置包括：
获取单元601，用于获取待检测的图像；所述待检测的图像为包含显示屏幕的图像；
灰度处理单元602，用于对所述待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；
边缘处理单元603，用于对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；
提取单元604，用于基于所述边缘图像提取屏幕有效区域；
计算单元605，用于依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数；
Mura缺陷的位置确定单元606，用于基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。
可选的，所述边缘处理单元，包括:
卷积子单元，用于采用预设的高斯卷积核对所述灰度图像进行卷积操作，得到高斯模糊图像；
第一计算子单元，用于计算所述高斯模糊图像的梯度和方向；
边缘处理子单元，用于基于非极大值抑制算法和双阈值检测方法对所述高斯模糊图像的梯度和方向进行处理，得到边缘图像。
可选的，所述提取单元，包括：
轮廓检测子单元，用于对所述边缘图像进行轮廓检测，得到所述边缘图像中所有闭合区域的大小和位置；
第一提取子单元，用于提取出所述边缘图像中大于预设阈值的闭合区域，并将大于所述预设阈值的闭合区域作为有效区域。
可选的，所述计算单元，包括：
第二计算子单元，用于计算所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值；
第三计算子单元，用于基于所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值和所述灰度图像，计算每个像素点预设邻域范围内的方差；
第四计算子单元，用于基于每个像素点预设邻域范围内的平均灰度值和每个像素点预设邻域范围的平均灰度值，计算每个像素点的变异系数。
可选的，所述Mura缺陷的位置确定单元，包括：
第五计算子单元，用于采用自动分割方法计算缺陷阈值；
第二提取子单元用于提取出所述变异系数大于所述缺陷阈值的像素点；
Mura缺陷位置确定子单元，用于基于提取到的所述变异系数大于所述缺陷阈值的像素点，确定Mura缺陷位置。
通过本实施例的装置，对获取到的包含显示屏幕的待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；基于所述边缘图像提取屏幕有效区域；依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数；基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。由此可知，本实施例中通过提取有效区域，消除了无效区域对检测结果的影响，并且减少了计算量，缩短的计算时间。除此之外，还采用对测量尺度不敏感的变异系数对Mura缺陷进行检测，降低了对光照和屏幕亮度的要求，使得该检测方法实现了通用性的目的；并且，对于该Mura检测方法具有较强的灵敏度，对于低对比度的Mura缺陷也有着较好的检测效果。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于变异系数的Mura缺陷检测方法，其特征在于，包括：
获取待检测的图像；所述待检测的图像为包含显示屏幕的图像；
对所述待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；
对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；
基于所述边缘图像提取屏幕有效区域；
依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数；
基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。
2.根据权利要求1所述的方法，其特征在于，对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像，包括:
采用预设的高斯卷积核对所述灰度图像进行卷积操作，得到高斯模糊图像；
计算所述高斯模糊图像的梯度和方向；
基于非极大值抑制算法和双阈值检测方法对所述高斯模糊图像的梯度和方向进行处理，得到边缘图像。
3.根据权利要求1所述的方法，其特征在于，基于所述边缘图像获取屏幕有效区域的位置，包括：
对所述边缘图像进行轮廓检测，得到所述边缘图像中所有闭合区域的大小和位置；
提取出所述边缘图像中大于预设阈值的闭合区域，并将大于所述预设阈值的闭合区域作为有效区域。
4.根据权利要求1所述的方法，其特征在于，所述依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数，包括：
计算所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值；
基于所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值和所述灰度图像，计算每个像素点预设邻域范围内的方差；
基于每个像素点预设邻域范围内的平均灰度值和每个像素点预设邻域范围的平均灰度值，计算每个像素点的变异系数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述变异系数，确定所述待监测的图像中Mura缺陷的位置，包括：
采用自动分割方法计算缺陷阈值；
提取出所述变异系数大于所述缺陷阈值的像素点；
基于提取到的所述变异系数大于所述缺陷阈值的像素点，确定Mura缺陷位置。
6.一种基于变异系数的Mura缺陷检测装置，其特征在于，包括：
获取单元，用于获取待检测的图像；所述待检测的图像为包含显示屏幕的图像；
灰度处理单元，用于对所述待检测的图像进行灰度处理，得到所述待检测的图像的灰度图像；
边缘处理单元，用于对所述灰度图像进行边缘处理，得到所述灰度图像的边缘图像；
提取单元，用于基于所述边缘图像提取屏幕有效区域；
计算单元，用于依据所述屏幕有效区域和所述灰度图像，计算所述待处理的图像的变异系数；
Mura缺陷的位置确定单元，用于基于所述变异系数，确定所述待检测的图像中Mura缺陷的位置。
7.根据权利要求6所述的装置，其特征在于，所述边缘处理单元，包括:
卷积子单元，用于采用预设的高斯卷积核对所述灰度图像进行卷积操作，得到高斯模糊图像；
第一计算子单元，用于计算所述高斯模糊图像的梯度和方向；
边缘处理子单元，用于基于非极大值抑制算法和双阈值检测方法对所述高斯模糊图像的梯度和方向进行处理，得到边缘图像。
8.根据权利要求6所述的装置，其特征在于，所述提取单元，包括：
轮廓检测子单元，用于对所述边缘图像进行轮廓检测，得到所述边缘图像中所有闭合区域的大小和位置；
第一提取子单元，用于提取出所述边缘图像中大于预设阈值的闭合区域，并将大于所述预设阈值的闭合区域作为有效区域。
9.根据权利要求6所述的装置，其特征在于，所述计算单元，包括：
第二计算子单元，用于计算所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值；
第三计算子单元，用于基于所述屏幕有效区域中每个像素点预设邻域范围的平均灰度值和所述灰度图像，计算每个像素点预设邻域范围内的方差；
第四计算子单元，用于基于每个像素点预设邻域范围内的平均灰度值和每个像素点预设邻域范围的平均灰度值，计算每个像素点的变异系数。
10.根据权利要求6所述的装置，其特征在于，所述Mura缺陷的位置确定单元，包括：
第五计算子单元，用于采用自动分割方法计算缺陷阈值；
第二提取子单元用于提取出所述变异系数大于所述缺陷阈值的像素点；
Mura缺陷位置确定子单元，用于基于提取到的所述变异系数大于所述缺陷阈值的像素点，确定Mura缺陷位置。
CN201910837054.6A 2019-09-05 2019-09-05 一种基于变异系数的Mura检测方法及装置 Pending CN110570411A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910837054.6A CN110570411A (zh) 2019-09-05 2019-09-05 一种基于变异系数的Mura检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910837054.6A CN110570411A (zh) 2019-09-05 2019-09-05 一种基于变异系数的Mura检测方法及装置

Publications (1)

Publication Number Publication Date
CN110570411A true CN110570411A (zh) 2019-12-13

Family

ID=68777890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910837054.6A Pending CN110570411A (zh) 2019-09-05 2019-09-05 一种基于变异系数的Mura检测方法及装置

Country Status (1)

Country Link
CN (1) CN110570411A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111724375A (zh) * 2020-06-22 2020-09-29 中国科学院大学 一种屏幕检测方法及系统
CN112926351A (zh) * 2021-03-17 2021-06-08 北京金朗维科技有限公司 一种图形码识别的方法、装置和扫码设备
CN113034529A (zh) * 2021-04-02 2021-06-25 广州绿怡信息科技有限公司 基于迷你手机检测机的设备图像提取方法及装置
CN113310662A (zh) * 2021-04-30 2021-08-27 北京海纳川汽车部件股份有限公司 汽车车灯的测试方法、平台和存储介质
CN113379690A (zh) * 2021-05-31 2021-09-10 山东省科学院激光研究所 墙体渗水自动检测方法及系统
CN113793337A (zh) * 2021-11-18 2021-12-14 汶上海纬机车配件有限公司 基于人工智能的机车配件表面异常程度评估方法
CN114298985A (zh) * 2021-12-16 2022-04-08 苏州凌云视界智能设备有限责任公司 缺陷检测方法、装置、设备及存储介质
CN114494210A (zh) * 2022-01-28 2022-05-13 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及系统
CN115115624A (zh) * 2022-08-25 2022-09-27 江苏濠玥电子科技有限公司 一种电缆桥架的防腐涂层滚轧损伤检测方法
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
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436644A (zh) * 2011-11-02 2012-05-02 南京物联网研究院发展有限公司 基于自适应边缘配准的非结构化道路检测方法
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
CN108088845A (zh) * 2017-12-07 2018-05-29 武汉精测电子集团股份有限公司 一种基于微弱信息保留的成像校正方法与装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436644A (zh) * 2011-11-02 2012-05-02 南京物联网研究院发展有限公司 基于自适应边缘配准的非结构化道路检测方法
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
CN108088845A (zh) * 2017-12-07 2018-05-29 武汉精测电子集团股份有限公司 一种基于微弱信息保留的成像校正方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李澄非 等: ""基于变异系数法的工业产品表面缺陷快速检测应用研究"", 《化工学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111724375A (zh) * 2020-06-22 2020-09-29 中国科学院大学 一种屏幕检测方法及系统
CN111724375B (zh) * 2020-06-22 2023-05-09 中国科学院大学 一种屏幕检测方法及系统
CN112926351A (zh) * 2021-03-17 2021-06-08 北京金朗维科技有限公司 一种图形码识别的方法、装置和扫码设备
CN113034529A (zh) * 2021-04-02 2021-06-25 广州绿怡信息科技有限公司 基于迷你手机检测机的设备图像提取方法及装置
CN113310662A (zh) * 2021-04-30 2021-08-27 北京海纳川汽车部件股份有限公司 汽车车灯的测试方法、平台和存储介质
CN113379690B (zh) * 2021-05-31 2023-04-07 山东省科学院激光研究所 墙体渗水自动检测方法及系统
CN113379690A (zh) * 2021-05-31 2021-09-10 山东省科学院激光研究所 墙体渗水自动检测方法及系统
CN113793337B (zh) * 2021-11-18 2022-02-08 汶上海纬机车配件有限公司 基于人工智能的机车配件表面异常程度评估方法
CN113793337A (zh) * 2021-11-18 2021-12-14 汶上海纬机车配件有限公司 基于人工智能的机车配件表面异常程度评估方法
CN114298985A (zh) * 2021-12-16 2022-04-08 苏州凌云视界智能设备有限责任公司 缺陷检测方法、装置、设备及存储介质
CN114298985B (zh) * 2021-12-16 2023-12-22 苏州凌云光工业智能技术有限公司 缺陷检测方法、装置、设备及存储介质
CN114494210A (zh) * 2022-01-28 2022-05-13 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及系统
CN115115624A (zh) * 2022-08-25 2022-09-27 江苏濠玥电子科技有限公司 一种电缆桥架的防腐涂层滚轧损伤检测方法
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
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

Similar Documents

Publication Publication Date Title
CN110570411A (zh) 一种基于变异系数的Mura检测方法及装置
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
EP3989542A1 (en) Method and apparatus for evaluating image acquisition accuracy, and electronic device and storage medium
CN107678192B (zh) 一种基于机器视觉的Mura缺陷检测方法
CN109919933B (zh) Vr设备及其画面检测方法、装置、计算机可读存储介质
CN109829904B (zh) 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质
CN108876768B (zh) 导光板暗影缺陷检测方法
US8780097B2 (en) Newton ring mura detection system
CN109525840B (zh) 一种成像芯片上微弱缺陷的检测方法
CN116468687A (zh) 划伤缺陷检测方法、装置及存储介质、电子设备
JP2017166942A (ja) ゴムのクラック検査方法
KR101677070B1 (ko) 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법
JP2002148195A (ja) 表面検査装置及び表面検査方法
JP2010181328A (ja) 太陽電池ウェハ表面の検査装置，太陽電池ウェハ表面の検査用プログラム，太陽電池ウェハ表面の検査方法
JP2009036582A (ja) 平面表示パネルの検査方法、検査装置及び検査プログラム
JP4320990B2 (ja) 画面欠陥検出方法及び装置並びに画面欠陥検出のためのプログラム
KR100271261B1 (ko) 화상데이터처리방법및화상데이터처리장치
US20200408697A1 (en) Belt inspection system, belt inspection method, and recording medium for belt inspection program
CN113008524B (zh) 屏幕漏光检测方法及装置
JP3854585B2 (ja) 液晶パネルの表示欠陥検出方法及び表示欠陥検査装置
CN116563298B (zh) 基于高斯拟合的十字线中心亚像素检测方法
KR20140073259A (ko) 표시장치의 얼룩 검출 장치 및 방법
US11880969B2 (en) Belt examination system and computer-readable non-transitory recording medium having stored belt examination program
KR20220154345A (ko) 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법
JP2019120644A (ja) 表面検査装置、及び表面検査方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213

RJ01 Rejection of invention patent application after publication