CN110880171A - 一种显示装置的检测方法及电子设备 - Google Patents
一种显示装置的检测方法及电子设备 Download PDFInfo
- Publication number
- CN110880171A CN110880171A CN201911045753.3A CN201911045753A CN110880171A CN 110880171 A CN110880171 A CN 110880171A CN 201911045753 A CN201911045753 A CN 201911045753A CN 110880171 A CN110880171 A CN 110880171A
- Authority
- CN
- China
- Prior art keywords
- dust
- display device
- image
- detection
- detection image
- 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
Links
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
- 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
-
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Studio Devices (AREA)
Abstract
本申请公开了一种显示装置的检测方法及电子设备,该方法包括:获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置;获取所述显示装置在显示第二特定影像时形成的第二检测影像,根据灰尘所处的位置,去除所述第二检测影像中所述位置所处的第一区域中的影像内容,以消除附着在所述显示装置上的灰尘对检测所述显示装置的干扰;根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,形成第三检测影像,以根据所述第三检测影像判断所述显示装置是否具有缺陷。该方法在显示装置上附着有灰尘的情况下,也能够准确的检测出显示装置是否有缺陷,而不受灰尘的影响,提高检测准确度。
Description
技术领域
本申请涉及智能制造领域,特别涉及一种显示装置的检测方法及电子设备。
背景技术
目前在智能制造领域,需要对显示装置进行检测来判断显示装置是否具有缺陷,但在对LCD等显示装置进行缺陷检测的过程中,经常会出现有灰尘附着在显示装置的显示面上,在检测影像中的灰尘会呈现出黑点等与显示装置的缺陷特征相似的特征,会对检测过程造成干扰,由于目前在对显示装置进行检测过程中并没有有效的检测手段以进行准确的判断,因此很大程度上会造成对显示装置是否具有缺陷的误判,对生产厂商或用户造成巨大经济损失。
发明内容
本申请实施例的目的在于提供一种检测方法及电子设备,该方法能够在显示装置(如显示屏)上附着有灰尘的情况下,也能够准确的检测出显示装置是否有缺陷,而不受灰尘的影响。
为了解决上述技术问题,本申请的实施例采用了如下技术方案:一种显示装置的检测方法,包括:
获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置;
获取所述显示装置在显示第二特定影像时形成的第二检测影像,根据灰尘所处的位置,去除所述第二检测影像中所述位置所处的第一区域中的影像内容,以消除附着在所述显示装置上的灰尘对检测所述显示装置的干扰;
根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,形成第三检测影像,以根据所述第三检测影像判断所述显示装置是否具有缺陷。
作为优选,所述的获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置包括:
将所述显示装置设置为显示预定色彩,通过外部光源对显示装置的显示面进行照射,以凸显附着在所述显示装置的表面上的灰尘;
拍摄显示有预设画面的所述显示装置的显示面,形成所述第一检测影像。
作为优选,所述的通过外部光源对显示装置的显示面进行照射包括:
将所述外部光源以第一角度照射在所述显示面上,提升所述灰尘的亮度,以使所述第一检测影像中的所述灰尘与相应的背景影像之间的区别效果达到预设标准。
作为优选,所述的获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置还包括:
选取灰尘样本作为对选定的深度学习分割算法的输入,对所述深度学习分割算法进行训练,并通过完成训练的所述深度学习分割算法对所述第一检测影像进行分析,以确定所述第一检测影像中灰尘所处的位置。
作为优选,所述的根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充包括:
通过对抗生成网络算法对所述第一区域进行填充,还原所述第一区域中所述显示装置的显示面上未损坏区域和/或损坏区域对应的影像,以模拟所述显示装置的显示面上无灰尘的状态下拍摄所述显示面形成的影像。
作为优选,所述方法还包括:
根据所述灰尘所处的位置以及所述灰尘的形态,并基于预设选定规则,选取与所述灰尘相对应的第一区域。
本申请实施例还提供了一种电子设备,包括:
获取模块,其配置为获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置;
处理模块,其配置为在所述获取模块获取所述显示装置在显示第二特定影像时形成的第二检测影像后,根据灰尘所处的位置,去除所述第二检测影像中所述位置所处的第一区域中的影像内容,以消除附着在所述显示装置上的灰尘对检测所述显示装置的干扰;根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,形成第三检测影像,以根据所述第三检测影像判断所述显示装置是否具有缺陷。
作为优选,所述获取模块进一步配置为:
将所述显示装置设置为显示预定色彩,通过外部光源对显示装置的显示面进行照射,以凸显附着在所述显示装置的表面上的灰尘;
拍摄显示有预设画面的所述显示装置的显示面,形成所述第一检测影像。
作为优选,所述获取模块进一步配置为:
将所述外部光源以第一角度照射在所述显示面上,提升所述灰尘的亮度,以使所述第一检测影像中的所述灰尘与相应的背景影像之间的区别效果达到预设标准。
作为优选,所述处理模块进一步配置为:
选取灰尘样本作为对选定的深度学习分割算法的输入,对所述深度学习分割算法进行训练,并通过完成训练的所述深度学习分割算法对所述第一检测影像进行分析,以确定所述第一检测影像中灰尘所处的位置。
本申请实施例的有益效果在于:该检测方法能够在显示装置上附着有灰尘的情况下,也能准确的检测出显示装置是否有缺陷,包括被灰尘遮挡的缺陷也能够通过该方法检测出来,而不受灰尘的影响,从而避免检测时的误判(具有缺陷太多个显示装置会被判定为不合格产品),避免了生产厂商或用户的巨大经济损失。
附图说明
图1为本申请实施例的显示装置的检测方法的流程图;
图2为本申请实施例的图1中步骤S1的流程图;
图3为本申请实施例的电子设备的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
图1为本申请实施例的一种显示装置的检测方法的流程图,如图所示,本申请实施例的一种显示装置的检测方法,能够应用在对显示屏等显示装置进行检测的过程中,如在厂商对显示屏幕进行生产的过程中,能够有效的避免了检测过程中的其他物体的干扰,实现了对显示装置的准确检测。本实施例中该检测方法包括以下步骤:
S1,获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置。
在检测时首先使显示装置显示第一特定影像,该第一特定影像可以是静止的图像也可以是动态的影像,该第一特定影像具有能够更好的将显示的影像与附着在显示装置上的灰尘区别开来的特征,在一个实施例中,该第一特定影像可以是单色的图像,从而将灰尘更加明显的对比出来,此外,对于单色图像的亮度和颜色等图片参数可以根据实际需要来设定,在此不作限定。本实施例中所述的灰尘的含义较为宽泛,即能够附着在显示装置上的物体,其本身并不属于显示装置,而是外来物,如空气带来的物体等,均可以称之为灰尘。显示装置在显示第一特定影像,可以使用其他的影像设备来拍摄该显示装置,形成了第一检测影像,进而再获取该第一检测影像。根据该第一检测影像可以确定灰尘在第一特定影像上的位置,该位置可以基于坐标或其他数据做具体的标定。
S2,获取所述显示装置在显示第二特定影像时形成的第二检测影像,根据灰尘所处的位置,去除所述第二检测影像中所述位置所处的第一区域中的影像内容,以消除附着在所述显示装置上的灰尘对检测所述显示装置的干扰。
第二特定影像可以用来对显示装置本身进行检测的影像,同样可以是静止的图像也可以是动态的影像,第二特定影像可以是将显示装置上的坏点、坏块显示明显的区分开来。该第二特定影像可以是根据显示装置的物理参数而设定的影像,如果显示装置上有坏点或坏块等缺陷,则能够将该缺陷与显示装置上的合格的显示区域区别开来。本实施例中也可以使用其他的影像设备来拍摄显示第二特定影像的该显示装置,形成第二检测影像,进而获取该第二检测影像。
本实施例中,由于灰尘附着在显示装置上,因此灰尘会对第二检测影像造成影响,如灰尘可能被认为是第二检测影像中显示出来的缺陷,因此本实施例中需要去除第二检测影像中灰尘所在位置的第一区域中的影像内容,也就是要去除灰尘对第二检测影像的影响,其中的第一区域是根据灰尘所在位置而划定的区域,该第一区域的形态可以根据需要来具体划定。消除第一区域中的影像内容后,第二检测影像会出现相应缺失。
S3,根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,形成第三检测影像,以根据所述第三检测影像判断所述显示装置是否具有缺陷。
具体来说,需要对第二检测影像中出现的缺失进行填充,以恢复灰尘附着之前显示装置上对应的区域的情况,本实施例中可以根据第二检测影像中第一区域的周边影像,对第一区域进行填充,例如使用灰尘所处位置的周边的其他区域的影像,这样以来可以最大程度的还原无灰尘影响的情景,填充完成后形成第三检测影像,该第三检测影像可以显示出显示装置的所有的自身缺陷,包括被灰尘所遮挡的缺陷,具体的如果灰尘的部分对显示装置的缺陷进行了遮挡,则经过去除第二检测影像中灰尘所在位置的第一区域中的影像内容后,在对该第一区域进行填充则也可以有效的还原出灰尘所遮挡的显示装置自身的缺陷。从而检测出该被遮挡的缺陷。然后可以根据第三检测影像准确的判断出该显示装置在整体上是否具有缺陷,当然具体的判断方式可以根据设定的图像分析方式进行。
本实施的检测方法能够在显示装置上附着有灰尘的情况下,也能准确的检测出显示装置是否有缺陷,包括被灰尘遮挡的缺陷也能够通过该方法检测出来,而不受灰尘的影响,从而避免检测时的误判(具有缺陷太多个显示装置会被判定为不合格产品),避免了生产厂商或用户的巨大经济损失。
在本申请的一个实施例中,如图2所示,所述的获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置,包括以下步骤:
S11,将所述显示装置设置为显示预定色彩,通过外部光源对显示装置的显示面进行照射,以凸显附着在所述显示装置的表面上的灰尘。
预定色彩包括预定单色以及多色,该预定色彩可以有效的区别于灰尘,在一个实施例中,将显示装置设置为显示纯黑色,然后可以驱动外部光源对显示装置的显示面进行照射,在此情况下灰尘由于光的照射而表现出白色,从而可以轻易的将灰尘从纯黑色的显示色彩中区别开来,即凸显出了显示装置的表面上的灰尘。
S12,拍摄显示有预设画面的所述显示装置的显示面,形成所述第一检测影像。具体来说,可以通过外部的拍摄装置来拍摄显示有预设画面的显示装置的显示面,此时灰尘被凸显出来,因此形成的第一检测影像中灰尘的像同样显示明显。
在本申请的一个实施例中,所述的通过外部光源对显示装置的显示面进行照射,包括以下步骤:将所述外部光源以第一角度照射在所述显示面上,提升所述灰尘的亮度,以使所述第一检测影像中的所述灰尘与相应的背景影像之间的区别效果达到预设标准。
具体来说,外部光源对显示面的照射角度能够影响灰尘亮度,本实施例中,可以根据灰尘位置对照射角度进行调节,提升灰尘的亮度,使得灰尘的像明显区别于背景影像,该背景影像可以是上述的第一检测影像中的灰尘的背景,即第一检测影像中的除去灰尘之外的部分。在一个实施例中,预设标准可以根据外部光源的光照强度、面积以及照射距离等参数来预先设定,达到该预设标准则可以认为能够有效的将灰尘区别于背景影像。
在本申请的一个实施例中,所述的获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置,还包括以下步骤:
选取灰尘样本作为对选定的深度学习分割算法的输入,对所述深度学习分割算法进行训练,并通过完成训练的所述深度学习分割算法对所述第一检测影像进行分析,以确定所述第一检测影像中灰尘所处的位置。深度学习分割算法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。例如可以使用阈值法、像素聚类法、边缘分割法、区域生成法或图切割等方式来进行具体的划分。本实施例中,选取灰尘样本作为对选定的深度学习分割算法的输入,对深度学习分割算法进行训练,训练完成后该深度学习分割算法能够适用于灰尘干扰场景,能够对灰尘的像与背景影像进行准确的分割,从而确定第一检测影像中灰尘的像所处的位置,即表征了灰尘在显示装置上的位置。其中的灰尘样本可以是模拟真实情景下的样本,如模拟灰尘的像的形状、大小等参数。
在本申请的一个实施例中,所述的根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,包括以下步骤:通过对抗生成网络算法对第一区域进行填充,还原第一区域中显示装置的显示面上未损坏区域和/或损坏区域对应的影像,以模拟显示装置的显示面上无灰尘的状态下拍摄显示面形成的影像。对抗生成网络算法即为GANs(Generative adversarial networks)算法,利用神经网络,通过在博弈的过程中找到均衡点(纳什均衡)的方式来实现对图像的处理,即实现对第一区域的智能填充,由于第一区域中可能具有显示装置自身的缺陷,也可能没有任何缺陷,因此通过对抗生成网络算法对第一区域进行填充后的影像也能够还原出第一区域中在不受灰尘干扰时的原始影像,从而模拟出了显示装置的显示面上无灰尘的状态下拍摄显示面形成的影像。
在本申请的一个实施例中,所述检测方法还包括以下步骤:根据所述灰尘所处的位置以及所述灰尘的形态,并基于预设选定规则,选取与所述灰尘相对应的第一区域。预设选定规则可以预先建立灰尘形态与第一区域的参数的关联关系,从而能够在对当前的灰尘的像进行处理时能够基于上述关联关系,确定第一区域的参数,即选取与灰尘相对应的第一区域。例如,当灰尘的形态趋近于圆形,则可以将第一区域的形态选定为圆形,且第一区域的形态略大于灰尘的像,并将灰尘的像包括到其中,从而在保证上述检测方法进行的同时降低计算量;此外,预设选定规则也可以根据灰尘的像在第二检测影像中形态,而设定第一区域为与之相同的形态,如灰尘的像会不规则的第一形状,则该第一区域也可以设定为与之相同的第一形状。从而保证对第一区域中的影像的处理能够去除灰尘对检测影像的干扰。
本申请实施例还提供了一种电子设备,该电子设备可以对显示屏等显示装置进行检测,检测过程中能够有效的避免其他物体的干扰,得到准确检测结果。如图3所示,该电子设备包括:
获取模块,其配置为获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置。
在检测时首先使显示装置显示第一特定影像,该第一特定影像可以是静止的图像也可以是动态的影像,该第一特定影像具有能够更好的将显示的影像与附着在显示装置上的灰尘区别开来的特征,在一个实施例中,该第一特定影像可以是单色的图像,从而将灰尘更加明显的对比出来,此外,对于单色图像的亮度和颜色等图片参数可以根据实际需要来设定,在此不作限定。本实施例中所述的灰尘的含义较为宽泛,即能够附着在显示装置上的物体,其本身并不属于显示装置,而是外来物,如空气带来的物体等,均可以称之为灰尘。显示装置在显示第一特定影像,电子设备可以驱动其他的影像设备来拍摄该显示装置,形成了第一检测影像,进而获取模块再获取该第一检测影像,进而根据该第一检测影像可以确定灰尘在第一特定影像上的位置,该位置可以基于坐标或其他数据做具体的标定。
处理模块,其配置为在所述获取模块获取所述显示装置在显示第二特定影像时形成的第二检测影像后,根据灰尘所处的位置,去除所述第二检测影像中所述位置所处的第一区域中的影像内容,以消除附着在所述显示装置上的灰尘对检测所述显示装置的干扰;根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,形成第三检测影像,以根据所述第三检测影像判断所述显示装置是否具有缺陷。
具体来说,第二特定影像可以用来对显示装置本身进行检测的影像,同样可以是静止的图像也可以是动态的影像,第二特定影像可以是将显示装置上的坏点、坏块显示明显的区分开来。该第二特定影像可以是根据显示装置的物理参数而设定的影像,如果显示装置上有坏点或坏块等缺陷,则能够将该缺陷与显示装置上的合格的显示区域区别开来。本实施例中处理模块也可以利用其他的影像设备来拍摄显示第二特定影像的该显示装置,形成第二检测影像,进而处理模块获取该第二检测影像。
本实施例中,由于灰尘附着在显示装置上,因此灰尘会对第二检测影像造成影响,如灰尘可能被认为是第二检测影像中显示出来的缺陷,因此本实施例中需要去除第二检测影像中灰尘所在位置的第一区域中的影像内容,也就是要去除灰尘对第二检测影像的影响,其中的第一区域是根据灰尘所在位置而划定的区域,该第一区域的形态可以根据需要来具体划定。消除第一区域中的影像内容后,第二检测影像会出现相应缺失。
进一步来说,处理模块需要对第二检测影像中出现的缺失进行填充,以恢复灰尘附着之前显示装置上对应的区域的情况,本实施例中处理模块可以根据第二检测影像中第一区域的周边影像,对第一区域进行填充,例如使用灰尘所处位置的周边的其他区域的影像,这样以来可以最大程度的还原无灰尘影响的情景,填充完成后形成第三检测影像,该第三检测影像可以显示出显示装置的所有自身缺陷,包括被灰尘所遮挡的缺陷,具体的如果灰尘的部分对显示装置的缺陷进行了遮挡,则经过去除第二检测影像中灰尘所在位置的第一区域中的影像内容后,在对该第一区域进行填充则也可以有效的还原出灰尘所遮挡的实际内容,从而检测出该被遮挡的缺陷。然后可以根据第三检测影像准确的判断出该显示装置在整体上是否具有缺陷,当然具体的判断方式可以根据设定的图像分析方式进行。
本实施的电子设备能够在显示装置上附着有灰尘的情况下,也能准确的检测出显示装置是否有缺陷,包括被灰尘遮挡的缺陷也能够被检测出来,而不受灰尘的影响,从而避免检测时的误判(具有缺陷太多个显示装置会被判定为不合格产品),避免了生产厂商或用户的巨大经济损失。
在本申请的一个实施例中,所述获取模块进一步配置为:
将所述显示装置设置为显示预定色彩,通过外部光源对显示装置的显示面进行照射,以凸显附着在所述显示装置的表面上的灰尘;
拍摄显示有预设画面的所述显示装置的显示面,形成所述第一检测影像。
具体来说,预定色彩包括预定单色以及多色,该预定色彩可以有效的区别于灰尘,在一个实施例中,将显示装置设置为显示纯黑色,然后可以驱动外部光源对显示装置的显示面进行照射,在此情况下灰尘由于光的照射而表现出白色,从而获取模块可以轻易的将灰尘从纯黑色的显示色彩中区别开来,即凸显出了显示装置的表面上的灰尘。通过外部的拍摄装置来拍摄显示有预设画面的显示装置的显示面,此时灰尘被凸显出来,因此形成的第一检测影像中灰尘的像同样显示明显。
在本申请的一个实施例中,电子设备还包括驱动模块,所述驱动模块配置为:驱动所述外部光源以第一角度照射在所述显示面上,提升所述灰尘的亮度,以使所述第一检测影像中的所述灰尘与相应的背景影像之间的区别效果达到预设标准。
具体来说,外部光源对显示面的照射角度能够影响灰尘亮度,本实施例中,驱动模块可以根据灰尘位置对外部光源形成的照射角度进行调节,提升灰尘的亮度,使得灰尘的像明显区别于背景影像,该背景影像可以是上述的第一检测影像中的灰尘的背景,即第一检测影像中的除去灰尘之外的部分。在一个实施例中,预设标准可以根据外部光源的光照强度、面积以及照射距离等参数来预先设定,达到该预设标准则可以认为能够有效的将灰尘区别于背景影像。
在本申请的一个实施例中,所述电子设备还包括分析模块,所述分析模块配置为:选取灰尘样本作为对选定的深度学习分割算法的输入,对所述深度学习分割算法进行训练,并通过完成训练的所述深度学习分割算法对所述第一检测影像进行分析,以确定所述第一检测影像中灰尘所处的位置。
深度学习分割算法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。例如可以使用阈值法、像素聚类法、边缘分割法、区域生成法或图切割等方式来进行具体的划分。本实施例中,分析模块选取灰尘样本作为对选定的深度学习分割算法的输入,对深度学习分割算法进行训练,训练完成后该深度学习分割算法能够适用于灰尘干扰场景,能够对灰尘的像与背景影像进行准确的分割,从而确定第一检测影像中灰尘的像所处的位置,即表征了灰尘在显示装置上的位置。其中的灰尘样本可以是模拟真实情景下的样本,如模拟灰尘的像的形状、大小等参数。
在本申请的一个实施例中,所述处理模块进一步配置为:通过对抗生成网络算法对第一区域进行填充,还原第一区域中显示装置的显示面上未损坏区域和/或损坏区域对应的影像,以模拟显示装置的显示面上无灰尘的状态下拍摄显示面形成的影像。对抗生成网络算法即为GANs(Generative adversarial networks)算法,利用神经网络,通过在博弈的过程中找到均衡点(纳什均衡)的方式来实现对图像的处理,即实现对第一区域的智能填充,由于第一区域中可能具有显示装置自身的缺陷,也可能没有任何缺陷,因此处理模块通过对抗生成网络算法对第一区域进行填充后的影像也能够还原出第一区域中在不受灰尘干扰时的原始影像,从而模拟出了显示装置的显示面上无灰尘的状态下拍摄显示面形成的影像。
在本申请的一个实施例中,所述处理模块进一步配置为:根据所述灰尘所处的位置以及所述灰尘的形态,并基于预设选定规则,选取与所述灰尘相对应的第一区域。预设选定规则可以预先建立灰尘形态与第一区域的参数的关联关系,从而处理模块在对当前的灰尘的像进行处理时能够基于上述关联关系,确定第一区域的参数,即选取与灰尘相对应的第一区域。例如,当灰尘的形态趋近于圆形,则可以将第一区域的形态选定为圆形,且第一区域的形态略大于灰尘的像,并将灰尘的像包括到其中,从而在保证上述检测方法进行的同时降低计算量;此外,预设选定规则也可以根据灰尘的像在第二检测影像中形态,而设定第一区域为与之相同的形态,如灰尘的像会不规则的第一形状,则该第一区域也可以设定为与之相同的第一形状。从而保证对第一区域中的影像的处理能够去除灰尘对检测影像的干扰。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种显示装置的检测方法,包括:
获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置;
获取所述显示装置在显示第二特定影像时形成的第二检测影像,根据灰尘所处的位置,去除所述第二检测影像中所述位置所处的第一区域中的影像内容,以消除附着在所述显示装置上的灰尘对检测所述显示装置的干扰;
根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,形成第三检测影像,以根据所述第三检测影像判断所述显示装置是否具有缺陷。
2.根据权利要求1所述的检测方法,所述的获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置包括:
将所述显示装置设置为显示预定色彩,通过外部光源对显示装置的显示面进行照射,以凸显附着在所述显示装置的表面上的灰尘;
拍摄显示有预设画面的所述显示装置的显示面,形成所述第一检测影像。
3.根据权利要求2所述的检测方法,所述的通过外部光源对显示装置的显示面进行照射包括:
将所述外部光源以第一角度照射在所述显示面上,提升所述灰尘的亮度,以使所述第一检测影像中的所述灰尘与相应的背景影像之间的区别效果达到预设标准。
4.根据权利要求2所述的检测方法,所述的获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置还包括:
选取灰尘样本作为对选定的深度学习分割算法的输入,对所述深度学习分割算法进行训练,并通过完成训练的所述深度学习分割算法对所述第一检测影像进行分析,以确定所述第一检测影像中灰尘所处的位置。
5.根据权利要求1所述的检测方法,所述的根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充包括:
通过对抗生成网络算法对所述第一区域进行填充,还原所述第一区域中所述显示装置的显示面上未损坏区域和/或损坏区域对应的影像,以模拟所述显示装置的显示面上无灰尘的状态下拍摄所述显示面形成的影像。
6.根据权利要求1所述的检测方法,所述方法还包括:
根据所述灰尘所处的位置以及所述灰尘的形态,并基于预设选定规则,选取与所述灰尘相对应的第一区域。
7.一种电子设备,包括:
获取模块,其配置为获取显示装置在显示第一特定影像时形成的第一检测影像,确定所述第一检测影像中灰尘所处的位置;
处理模块,其配置为在所述获取模块获取所述显示装置在显示第二特定影像时形成的第二检测影像后,根据灰尘所处的位置,去除所述第二检测影像中所述位置所处的第一区域中的影像内容,以消除附着在所述显示装置上的灰尘对检测所述显示装置的干扰;根据所述第二检测影像中所述第一区域的周边影像,对所述第一区域进行填充,形成第三检测影像,以根据所述第三检测影像判断所述显示装置是否具有缺陷。
8.根据权利要求7所述的电子设备,所述获取模块进一步配置为:
将所述显示装置设置为显示预定色彩,通过外部光源对显示装置的显示面进行照射,以凸显附着在所述显示装置的表面上的灰尘;
拍摄显示有预设画面的所述显示装置的显示面,形成所述第一检测影像。
9.根据权利要求8所述的电子设备,所述获取模块进一步配置为:
将所述外部光源以第一角度照射在所述显示面上,提升所述灰尘的亮度,以使所述第一检测影像中的所述灰尘与相应的背景影像之间的区别效果达到预设标准。
10.根据权利要求7所述的电子设备,所述处理模块进一步配置为:
选取灰尘样本作为对选定的深度学习分割算法的输入,对所述深度学习分割算法进行训练,并通过完成训练的所述深度学习分割算法对所述第一检测影像进行分析,以确定所述第一检测影像中灰尘所处的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045753.3A CN110880171A (zh) | 2019-10-30 | 2019-10-30 | 一种显示装置的检测方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045753.3A CN110880171A (zh) | 2019-10-30 | 2019-10-30 | 一种显示装置的检测方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110880171A true CN110880171A (zh) | 2020-03-13 |
Family
ID=69728331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911045753.3A Pending CN110880171A (zh) | 2019-10-30 | 2019-10-30 | 一种显示装置的检测方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880171A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445452A (zh) * | 2020-03-23 | 2020-07-24 | Oppo(重庆)智能科技有限公司 | 电子产品的缺陷检测方法、装置及计算机可读存储介质 |
CN115818166A (zh) * | 2022-11-15 | 2023-03-21 | 华能伊敏煤电有限责任公司 | 轮斗连续系统无人值守自动控制方法及其系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1195182A (ja) * | 1997-09-18 | 1999-04-09 | Advantest Corp | 液晶表示パネルの画質検査方法 |
CN107219229A (zh) * | 2017-05-16 | 2017-09-29 | 武汉精测电子技术股份有限公司 | 一种面板灰尘过滤方法及装置 |
CN107690066A (zh) * | 2016-08-04 | 2018-02-13 | 和硕联合科技股份有限公司 | 显示装置坏点检测方法及其检测设备 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
CN109752394A (zh) * | 2019-01-28 | 2019-05-14 | 凌云光技术集团有限责任公司 | 一种显示屏缺陷高精度检测方法及系统 |
-
2019
- 2019-10-30 CN CN201911045753.3A patent/CN110880171A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1195182A (ja) * | 1997-09-18 | 1999-04-09 | Advantest Corp | 液晶表示パネルの画質検査方法 |
CN107690066A (zh) * | 2016-08-04 | 2018-02-13 | 和硕联合科技股份有限公司 | 显示装置坏点检测方法及其检测设备 |
CN107219229A (zh) * | 2017-05-16 | 2017-09-29 | 武汉精测电子技术股份有限公司 | 一种面板灰尘过滤方法及装置 |
CN109752394A (zh) * | 2019-01-28 | 2019-05-14 | 凌云光技术集团有限责任公司 | 一种显示屏缺陷高精度检测方法及系统 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
Non-Patent Citations (2)
Title |
---|
曹志义,牛少彰,张继威: "基于生成对抗网络的遮挡图像修复算法", 《北京邮电大学学报》 * |
欧卫华: "部分遮挡人脸识别的研究进展", 《无线互联科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445452A (zh) * | 2020-03-23 | 2020-07-24 | Oppo(重庆)智能科技有限公司 | 电子产品的缺陷检测方法、装置及计算机可读存储介质 |
CN111445452B (zh) * | 2020-03-23 | 2022-03-01 | Oppo(重庆)智能科技有限公司 | 电子产品的缺陷检测方法、装置及计算机可读存储介质 |
CN115818166A (zh) * | 2022-11-15 | 2023-03-21 | 华能伊敏煤电有限责任公司 | 轮斗连续系统无人值守自动控制方法及其系统 |
CN115818166B (zh) * | 2022-11-15 | 2023-09-26 | 华能伊敏煤电有限责任公司 | 轮斗连续系统无人值守自动控制方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3989542A1 (en) | Method and apparatus for evaluating image acquisition accuracy, and electronic device and storage medium | |
CN106442556A (zh) | 一种板状带孔工件表面缺陷检测装置和方法 | |
WO2017020829A1 (zh) | 解像力测试方法和解像力测试装置 | |
KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
CN111474177A (zh) | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 | |
CN109801322A (zh) | 一种漏光检测方法及装置 | |
CN110880171A (zh) | 一种显示装置的检测方法及电子设备 | |
TWI512284B (zh) | 玻璃氣泡瑕疵檢測系統 | |
JP2006139777A (ja) | 視覚モデルによりフラットパネル表示装置を検出する方法と装置 | |
JP2022533848A (ja) | カメラ部品が損傷しているかどうかを判定するためのシステムおよび方法 | |
JP2009229197A (ja) | 線状欠陥検出方法および線状欠陥検出装置 | |
CN113176275B (zh) | 一种用于显示面板复检的方法、装置及系统 | |
TWI751869B (zh) | 運算裝置及用於近眼顯示裝置之缺陷偵測方法 | |
CN105229665A (zh) | 对基于图像的蛇形带子磨损评估的增强分析 | |
JP2006133196A (ja) | 画素ムラ欠陥検出方法、画素ムラ欠陥検出装置、画素ムラ欠陥検出プログラムおよびこのプログラムを記録した記録媒体。 | |
CN108760755A (zh) | 一种灰尘颗粒检测方法及装置 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
JP2005283197A (ja) | 画面のスジ欠陥検出方法及び装置 | |
KR101993654B1 (ko) | 표시패널의 얼룩 검사 장치 및 그 방법 | |
CN115662324A (zh) | 柔性显示屏的显示补偿方法、装置及显示装置 | |
CN113933309A (zh) | 一种复测aoi机台检盲孔孔内不良的方法 | |
CN114219758A (zh) | 缺陷检测方法、系统、电子设备和计算机可读存储介质 | |
KR102117697B1 (ko) | 표면검사 장치 및 방법 | |
KR20210002341A (ko) | 보호 피복이 제공되는 케이블, 특히 전기 케이블의 생산 품질을 점검하기 위한 방법 및 장치 | |
CN111458344A (zh) | 一种口罩缺陷视觉检测方法、设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |