CN110660060A - Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 - Google Patents
Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 Download PDFInfo
- Publication number
- CN110660060A CN110660060A CN201911198871.8A CN201911198871A CN110660060A CN 110660060 A CN110660060 A CN 110660060A CN 201911198871 A CN201911198871 A CN 201911198871A CN 110660060 A CN110660060 A CN 110660060A
- Authority
- CN
- China
- Prior art keywords
- color mixing
- defect
- detected
- mixing defect
- color
- 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 148
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 description 8
- 239000000203 mixture Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Electroluminescent Light Sources (AREA)
- Image Processing (AREA)
Abstract
本发明公开了OLED屏幕混色缺陷检测方法、终端设备及计算机可读介质，其包括如下步骤：获取待检测OLED屏幕的检测图像，利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷，获取检出混色缺陷区域内像素点的Lab色彩模型参数；检出混色缺陷区域内，统计得到所有像素点的a分量均值方差和b分量均值方差，利用a分量均值方差和b分量均值方差得到检出混色缺陷的混色系数；混色系数超过预设阈值时则判断所述检出混色缺陷为混色缺陷，通过检出混色缺陷的混色系数来表征混色缺陷的严重程度，从而有效控制混色缺陷的过检程度。
Description
技术领域
本发明属于OLED屏幕检测领域，具体涉及OLED屏幕混色缺陷检测方法、终端设备及计算机可读介质。
背景技术
OLED屏幕由于其制造过程的固有原因，普遍存在有混色缺陷，混色缺陷表现为面板上低对比度、色彩不均一的区域,具有背景整体亮度不均、各个通道灰度变化都不明显等特点，从面积上包括分类色斑、局部色斑和大面积混色；从程度上分，有轻微混色、中度混色、重度混色。混色缺陷颜色、面积差异大，一些大面积混色没有明显的边界，同时由于背景亮度部均匀的干扰，都影响着混色缺陷的检出。由于混色缺陷的特点，需要采用多种算法手段进行检出，由于部分混色缺陷没有明显的边界，一些常用图像指标，比如对比度，并不适用，很容易引起过检。
OLED屏幕进行混色缺陷的检测时，考虑到混色缺陷的特点，常规算法不易处理，可以采用深度学习算法进行检测，在检出的过程种主要基于区域色彩不均的特点来进行处理，基于这一特点，利用组织样本集进行检测深度学习检测模型的训练，但是由于屏幕、拍摄环境等原因，一定程度的色彩不均并不是真正的混色缺陷，同时由于OLED缺陷检出规格的变动，也会造成存在微弱混色的片子被判未良品，此时必须要进行模型调整，否则检测指标会出现明显的下滑。同时，对于不同类型的混色缺陷来说，进行算法模型的调整工作量非常大，频繁的算法模型的调整会造成大量的人力成本和时间成本的消耗。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了OLED屏幕混色缺陷检测方法、终端设备及计算机可读介质，其通过计算检出混色缺陷区域内所有像素点的a分量均值方差和b分量均值方差，利用a分量均值方差和b分量均值方差得到检出混色缺陷的混色系数，利用混色系数进行检出混色缺陷是否存在过检情况的判断，通过检出混色缺陷的混色系数来表征混色缺陷的严重程度，从而有效控制混色缺陷的过检程度。
为实现上述目的，按照本发明的一个方面，提供了一种OLED屏幕混色缺陷检测方法，包括如下步骤：
获取待检测OLED屏幕的检测图像，利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷，利用深度学习检测模型获取检出混色缺陷类型，获取检出混色缺陷区域内像素点的Lab色彩模型参数；
检出混色缺陷区域内，统计得到所有像素点的a分量均值方差和b分量均值方差，求取a分量均值方差和b分量均值方差的平方和的算术平方根得到检出混色缺陷的混色系数；混色系数超过预设阈值时则判断检出混色缺陷为混色缺陷，依据所述检出混色缺陷类型设置所述预设阈值。
作为本发明的进一步改进，混色缺陷类型包括分类色斑、局部色斑和大面积混色。
作为本发明的进一步改进，依据检出混色缺陷类型对混色系数进行补偿，利用补偿后的混色系数进行混色缺陷的判断。
作为本发明的进一步改进，利用深度学习检测模型进行混色缺陷检测具体为：获取多个具有混色缺陷的图像形成样本集和验证集，对样本集和验证集的混色缺陷进行人工标定，利用样本集和验证集进行深度学习检测模型的训练。
作为本发明的进一步改进，依据预设的尺寸规格将检测图像划分为多个子图像，利用深度学习检测模型对所述多个子图像进行混色缺陷检测。
作为本发明的进一步改进，将子图象的检出混色缺陷映射到检测图像中，得到检出混色缺陷在检测图像中的坐标参数。
作为本发明的进一步改进，获取待检测OLED屏幕的检测图像，利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷具体为：
获取待检测OLED屏幕的检测图像并进行增强处理，再利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷；所述增强处理为对传统的直方图均衡化算法中的各个灰阶的累计分布进行补偿。
为实现上述目的，按照本发明的另一个方面，提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述方法的步骤。
为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述方法的步骤。
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：
本发明的OLED屏幕混色缺陷检测方法、终端设备及计算机可读介质，其通过计算检出混色缺陷区域内所有像素点的a分量均值方差和b分量均值方差，利用a分量均值方差和b分量均值方差得到检出混色缺陷的混色系数，利用混色系数进行检出混色缺陷是否存在过检情况的判断，通过检出混色缺陷的混色系数来表征混色缺陷的严重程度，从而有效控制混色缺陷的过检程度；
本发明的OLED屏幕混色缺陷检测方法、终端设备及计算机可读介质，其通过判断混色缺陷类型，并依据混色缺陷类型进行预设阈值的设定，对于不同分类色斑、局部色斑、大面积混色的混色缺陷均可以通用，通过有效的表征检出缺陷的混色严重程度进行卡控，即可有效的控制混色缺陷的过检问题；进一步地，通过对不同类型的混色系数进行相应的补偿将各种类型的混色系数统一到相同的值域范围，可以解决不同类型的混色系数值域不重合的问题，从而进行混色缺陷的统一卡控，同时，通过混色系数来进行卡控，可以有效快速的完整需求调整，只需要在软件端进行混色系数参数的调整，即可快速应对缺陷检测规格变动。
附图说明
图1是本发明实施例的一种OLED屏幕混色缺陷检测方法的示意图。
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，以下结合附图及实施例，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施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。下面结合具体实施方式对本发明进一步详细说明。
图1是本发明实施例的一种OLED屏幕混色缺陷检测方法的示意图。如图1所示，一种OLED屏幕混色缺陷检测方法，包括如下步骤：
获取待检测OLED屏幕的检测图像，利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷，利用深度学习检测模型获取检出混色缺陷类型，获取检出混色缺陷区域内像素点的Lab色彩模型参数；
作为一个优选的方案，获取待检测OLED屏幕的检测图像并进行增强处理，再利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷；所述增强处理为对传统的直方图均衡化算法中的各个灰阶的累计分布进行补偿。
具体实现如下：假设图像宽度为M，高度为N，计算图像的灰度直方图H(i)；计算图像灰度直方图百分比
；计算各个灰阶的累计分布,其中，Q为补偿系数可依据补偿需要进行相应的调整；该步骤中传统的直方图均衡化算法为
，并未对各个灰阶的累计分布进行相应的补偿）；原图像中每一个像素值即可通过Hp(i)求出；使用直方图均衡化可以有效的凸显缺陷，但同时图像失真严重，通过改进的直方图均衡化算法，可以在凸显缺陷的情况下，尽量的减少灰度级变少的问题，减轻图像失真的图像，进一步的降低后续深度学习检出的难度。
该检出混色缺陷区域内，统计得到所有像素点的a分量均值方差和b分量均值方差，利用a分量均值方差和b分量均值方差得到该检出混色缺陷的混色系数；该混色系数超过预设阈值时则判断该检出混色缺陷为混色缺陷，依据检出混色缺陷类型设置预设阈值。利用混色系数进行检出混色缺陷是否存在过检情况的判断，通过检出混色缺陷的混色系数来表征混色缺陷的严重程度，从而有效控制混色缺陷的过检程度。
利用深度学习检测模型进行混色缺陷检测具体为：获取多个具有混色缺陷的图像形成样本集和验证集，对样本集和验证集的混色缺陷及类型进行人工标定，利用样本集和验证集进行深度学习检测模型的训练，利用训练好的深度学习检测模型对待检测OLED屏幕的检测图像进行混色缺陷检测。作为一个示例，获取到待检测面板原始图像后，进行图像增强处理；对于增强后的图像，进行不同尺寸的切图处理，用于不同类型混色的检测；可以对面板图像进行512x512尺寸的网格划分，对每一个网格子图像，使用Yolov3模型进行斑点类、局部混色的检测；之后将网格子图象中检出的混色缺陷坐标还原到原图像中，并进行缺陷合并处理，从而可以求出在原图像中色斑和局部混色的坐标；并根据设定的缺陷面积阈值进行判断，当混色缺陷面积小于面积阈值，则判断为色斑，当混色缺陷面积大于面积阈值，则判断为局部混色；
其次还可以以面板的短屏长度为网格尺寸，对面板进行网格划分，根据面板的宽屏/短屏比例的不同，一般会划分为1xN个网格（N=宽屏长度/短屏长度+1），对每个网格子图象，将其缩放到448x448，使用Googlenet进行分类处理，若分类判定该网格子图象为混色，则判定该网格为大面积混色，并将该网格的矩形坐标尺寸作为大面积混色缺陷的坐标输出；将所检出的色斑、局部混色、大面积混色分别计算基础的混色系数，并根据不同的混色类型，采用不同的补偿策略，得到最终各种类型混色的混色系数，并基于设定的混色阈值，进行混色缺陷的卡控；由于大面积混色面积一般很大，而且形态多变，无固定边界，数据标定困难，yolov3无法有效检出，通过先用yolov3模型检测色斑、局部混色，再用Googlenet分类模型检测大面积混色，因此在yolov3的数据标定时，只进行色斑和局部混色的标定，yolov3也只用于色斑和局部混色的检出。
作为一个优选的方案，可以依据预设的尺寸规格将检测图像划分为多个子图像，利用深度学习检测模型对多个子图像进行混色缺陷检测，其中，预设的尺寸规格可依据检测需求进行相应的设置。作为进一步的优选，将子图象的检出混色缺陷映射到原图像中，得到检出混色缺陷在检测图像中的坐标参数，即利用子图像的坐标参数与原图像的坐标参数的对应关系，得出检出混色缺陷在检测图像中的坐标参数。
作为一个优选的方案，混色缺陷类型包括分类色斑、局部色斑和大面积混色，利用检出混色缺陷的缺陷面积可判断该检出混色缺陷的类型。
Lab色彩模型参数包括亮度L、有关色彩的a分量和有关色彩的b分量这三个要素，其中，L表示亮度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围，由于Lab空间中L分类主要与人类亮度感知相关，因此不做考虑，主要考虑a分量和b分量。
上述预设阈值与该检出混色缺陷类型相对应，与该检出混色缺陷类型对应的预设阈值可以依据混色缺陷的定义标准进行相应的设置。
作为一个示例，检出混色缺陷区域内，将检出混色缺陷区域的第 i行第j列像素点的a分量和b分量分别表示为
和，则统计得到所有像素点的a分量均值和b分量均值分别为
和
,则对应的所有像素点的a分量均值方差
和b分量均值方差
分别为：
其中，m为检出混色缺陷区域像素点的总行数，n为检出混色缺陷区域像素点的总列数。
作为进一步的优选，利用a分量均值方差和b分量均值方差得到该检出混色缺陷的混色系数具体为：求取a分量均值方差和b分量均值方差的平方和的算术平方根即为该检出混色缺陷的混色系数，可表示为：
当然，上述方式仅为一个示例，由于现有的进行颜色空间转换的方式有很多，可依据现有的进行颜色空间转换的方式对混色系数的计算进行相应的调整。
作为进一步的优选，可依据该检出混色缺陷类型对混色系数进行补偿，作为一个示例，补偿后的混色系数可表示为：
其中，
和
分别为第一补偿系数和第二补偿系数，其依据检出混色缺陷类型来进行设定，当然，以上仅为一个示例，可以依据需要对混色系数进行相应的补偿。由于色斑、局部色块、大面积混色对应的混色系数的值域不重合，为了进行混色缺陷的统一卡控，可利用补偿方式将各种类型的混色系数统一到相同的值域范围内。
一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述方法的步骤。
一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述方法的步骤。
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 (9)
1.一种OLED屏幕混色缺陷检测方法，其特征在于，包括如下步骤：
获取待检测OLED屏幕的检测图像，利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷，利用深度学习检测模型获取检出混色缺陷类型，获取检出混色缺陷区域内像素点的Lab色彩模型参数；
所述检出混色缺陷区域内，统计得到所有像素点的a分量均值方差和b分量均值方差，求取a分量均值方差和b分量均值方差的平方和的算术平方根得到检出混色缺陷的混色系数；所述混色系数超过预设阈值时则判断所述检出混色缺陷为混色缺陷，依据所述检出混色缺陷类型设置所述预设阈值。
2.根据权利要求1所述的一种OLED屏幕混色缺陷检测方法，其特征在于，所述混色缺陷类型包括分类色斑、局部色斑和大面积混色。
3.根据权利要求1所述的一种OLED屏幕混色缺陷检测方法，其特征在于，依据所述检出混色缺陷类型对所述混色系数进行补偿，利用补偿后的混色系数进行混色缺陷的判断。
4.根据权利要求1-3中任一项所述的一种OLED屏幕混色缺陷检测方法，其特征在于，所述利用深度学习检测模型进行混色缺陷检测具体为：获取多个具有混色缺陷的图像形成样本集和验证集，对样本集和验证集的混色缺陷进行人工标定，利用样本集和验证集进行深度学习检测模型的训练。
5.根据权利要求1-3中任一项所述的一种OLED屏幕混色缺陷检测方法，其特征在于，依据预设的尺寸规格将所述检测图像划分为多个子图像，利用深度学习检测模型对所述多个子图像进行混色缺陷检测。
6.根据权利要求5所述的一种OLED屏幕混色缺陷检测方法，其特征在于，将子图象的检出混色缺陷映射到所述检测图像中，得到检出混色缺陷在所述检测图像中的坐标参数。
7.根据权利要求1-3中任一项所述的一种OLED屏幕混色缺陷检测方法，其特征在于，获取待检测OLED屏幕的检测图像，利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷具体为：
获取待检测OLED屏幕的检测图像并进行增强处理，再利用深度学习检测模型进行混色缺陷检测得到检出混色缺陷；所述增强处理为对传统的直方图均衡化算法中的各个灰阶的累计分布进行补偿。
8.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～7任一权利要求所述方法的步骤。
9.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～7任一权利要求所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911198871.8A CN110660060B (zh) | 2019-11-29 | 2019-11-29 | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911198871.8A CN110660060B (zh) | 2019-11-29 | 2019-11-29 | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110660060A true CN110660060A (zh) | 2020-01-07 |
| CN110660060B CN110660060B (zh) | 2020-05-19 |
Family
ID=69043782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911198871.8A Active CN110660060B (zh) | 2019-11-29 | 2019-11-29 | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110660060B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730251A (zh) * | 2020-12-30 | 2021-04-30 | 凌云光技术股份有限公司 | 一种用于屏幕颜色缺陷检测的装置及方法 |
| CN113177949A (zh) * | 2021-04-16 | 2021-07-27 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
| CN113988649A (zh) * | 2021-10-30 | 2022-01-28 | 深圳曦华科技有限公司 | 显示屏的显示功能测试方法及相关装置 |
| CN116168259A (zh) * | 2023-04-26 | 2023-05-26 | 厦门微图软件科技有限公司 | 一种应用于oled点灯系统的自动缺陷分类算法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440654A (zh) * | 2013-08-27 | 2013-12-11 | 南京大学 | 一种lcd异物缺陷检测方法 |
| US20180232601A1 (en) * | 2017-02-16 | 2018-08-16 | Mitsubishi Electric Research Laboratories, Inc. | Deep Active Learning Method for Civil Infrastructure Defect Detection |
| CN108596226A (zh) * | 2018-04-12 | 2018-09-28 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的显示面板缺陷训练方法及系统 |
| CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 广州市易鸿智能装备有限公司 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
| CN109727233A (zh) * | 2018-12-18 | 2019-05-07 | 武汉精立电子技术有限公司 | 一种lcd缺陷检测方法 |
| US20190213733A1 (en) * | 2018-01-05 | 2019-07-11 | Kla-Tencor Corporation | Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance |
-
2019
- 2019-11-29 CN CN201911198871.8A patent/CN110660060B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440654A (zh) * | 2013-08-27 | 2013-12-11 | 南京大学 | 一种lcd异物缺陷检测方法 |
| US20180232601A1 (en) * | 2017-02-16 | 2018-08-16 | Mitsubishi Electric Research Laboratories, Inc. | Deep Active Learning Method for Civil Infrastructure Defect Detection |
| US20190213733A1 (en) * | 2018-01-05 | 2019-07-11 | Kla-Tencor Corporation | Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance |
| CN108596226A (zh) * | 2018-04-12 | 2018-09-28 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的显示面板缺陷训练方法及系统 |
| CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 广州市易鸿智能装备有限公司 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
| CN109727233A (zh) * | 2018-12-18 | 2019-05-07 | 武汉精立电子技术有限公司 | 一种lcd缺陷检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730251A (zh) * | 2020-12-30 | 2021-04-30 | 凌云光技术股份有限公司 | 一种用于屏幕颜色缺陷检测的装置及方法 |
| CN112730251B (zh) * | 2020-12-30 | 2023-09-26 | 凌云光技术股份有限公司 | 一种用于屏幕颜色缺陷检测的装置及方法 |
| CN113177949A (zh) * | 2021-04-16 | 2021-07-27 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
| CN113177949B (zh) * | 2021-04-16 | 2023-09-01 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
| CN113988649A (zh) * | 2021-10-30 | 2022-01-28 | 深圳曦华科技有限公司 | 显示屏的显示功能测试方法及相关装置 |
| CN113988649B (zh) * | 2021-10-30 | 2023-04-18 | 深圳曦华科技有限公司 | 显示屏的显示功能测试方法及相关装置 |
| CN116168259A (zh) * | 2023-04-26 | 2023-05-26 | 厦门微图软件科技有限公司 | 一种应用于oled点灯系统的自动缺陷分类算法 |
| CN116168259B (zh) * | 2023-04-26 | 2023-08-08 | 厦门微图软件科技有限公司 | 一种应用于oled点灯系统的自动缺陷分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110660060B (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110660060B (zh) | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 | |
| AU2020200895B2 (en) | A system and method for image acquisition using supervised high quality imaging | |
| CN106373523B (zh) | 拼接亮暗线补偿方法 | |
| US20110157409A1 (en) | Image quality adjusting device, image quality adjusting method, and image quality adjusting program | |
| CN105185314A (zh) | Led显示屏均匀性补偿方法 | |
| CN105702218A (zh) | 显示装置、驱动该显示装置的方法及其视觉检查装置 | |
| CN104299565A (zh) | Led显示装置的低灰阶校正方法及系统 | |
| CN108961345B (zh) | 一种尿液试纸中有效颜色的确定方法及确定装置 | |
| CN102859346B (zh) | 用于设置光学检查参数的装置与方法 | |
| WO2012043880A1 (en) | A correction device and a display | |
| CN104618703B (zh) | 一种白平衡调整方法 | |
| CN110097535B (zh) | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 | |
| CN113191988B (zh) | 亮度矫正方法及装置、存储介质、电子装置 | |
| CN104836968A (zh) | 信息处理方法及电子设备 | |
| CN105185352A (zh) | 图像的边缘修饰方法和边缘修饰装置 | |
| CN113270062A (zh) | 一种显示面板的补偿方法 | |
| CN114882822A (zh) | 伽马调试方法、装置、设备及计算机可读存储介质 | |
| CN111899690A (zh) | 一种改善低亮度Mura的方法和装置 | |
| CN115760704A (zh) | 基于彩色有源参照物的漆面缺陷检测方法、装置及介质 | |
| CN108921869B (zh) | 一种图像二值化方法及装置 | |
| CN104795048B (zh) | 拼接显示屏颜色校准方法和系统 | |
| CN109903275A (zh) | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 | |
| CN109819242A (zh) | 一种flare测试方法、系统及可读存储介质 | |
| CN112740667A (zh) | 一种显示补偿的方法、装置及终端 | |
| CN114930381A (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 |