CN111161264B - 一种对含有缺陷的tft电路图像的分割方法 - Google Patents
一种对含有缺陷的tft电路图像的分割方法 Download PDFInfo
- Publication number
- CN111161264B CN111161264B CN201911039883.6A CN201911039883A CN111161264B CN 111161264 B CN111161264 B CN 111161264B CN 201911039883 A CN201911039883 A CN 201911039883A CN 111161264 B CN111161264 B CN 111161264B
- Authority
- CN
- China
- Prior art keywords
- circuit
- image
- period
- vertical
- calculating
- 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
Links
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种对含有缺陷的TFT电路图像的分割方法,包括以下步骤:S1、采集受到缺陷影响的TFT‑LCD电路图像;S2、对采集到的电路图像进行区域提取以及图像校正预处理操作;S3、计算预处理后图像的边缘图像的垂直响应,通过垂直响应的自相关估计函数确定电路重复周期;S4、通过周期灰度均值确定一组电路纵贯线的位置,再通过电路重复周期求出其他电路纵贯线的位置;S5、设计六边形角模版,在纵贯线左右边界处计算图像块与各个角模版的相关度,以此确定TFT电路硅岛位置;S6、根据电路纵贯线位置及周期,以及电路硅岛位置,共同确定电路的其他部件位置。该方法有利于提高TFT电路位置分割的准确性。
Description
技术领域
本发明涉及图像分割技术领域,具体涉及一种对含有缺陷的TFT电路图像的分割方法。
背景技术
在TFT显示面板的生产过程中需要经过镀膜,腐蚀,光刻等诸多复杂工序。在这些过程之中不可避免的会出现各种缺陷,但是并不是所有的缺陷都会对面板的显示造成影响。因此,需要分析这些缺陷是否对显示造成影响。其中一个重要的判断方法就是查看缺陷是否有影响到TFT的显示电路。在工业生产中,采用的方法往往是:由AOI相机对缺陷进行拍摄,再由人工进行判断。这种模式使得判断站点一直面临人力需求大,人力成本高,培训周期长,离职率高等问题。因此,对缺陷的影响区域进行自动判断不仅能够节省大量的人力成本,而且加快了检测速度,对提高TFT面板的生成效率有着重要的现实意义和学术价值。
需要系统自动对缺陷影响区域进行判断就必须分割出电路原本的位置。目前,图像分割方法主要分为深度学习方法,基于区域的分割方法,基于阈值的分割方法等;深度学习方法主要是采用人工标注的监督信息来训练卷积网络,通过对损失函数的不断迭代下降而不断更新分割网络参数。算法优点是无需人工设计特征,缺点是需要大量的分割标注信息,具体算法有FCN,SegNet等。基于区域的分割算法,是从全图搜寻图像中具有某种相似特征的区域进行连通的分割技术,其优点能够分割出较小的独立区域,缺点是容易造成图像的过度分割,具体算法有区域生长和区域分离等算法。基于阈值的分割算法,是利用图像中的颜色变化,灰度直方图等特征将图像进行分割的技术,其优点是检测速度快,对边缘的检测效果好,缺点是容易受到噪声的干扰,具体算法有Ostu自动阈值算法等。由于缺陷的形状,颜色,位置都是不固定的,其中会出现缺陷颜色与电路颜色一致,缺陷覆盖部分电路结构,缺陷形状与电路部分组件相似等情况。因此目前的算法都无法准确的分割出TFT的电路位置。
发明内容
本发明的目的在于提供一种对含有缺陷的TFT电路图像的分割方法,该方法有利于提高TFT电路位置分割的准确性。
为实现上述目的,本发明采用的技术方案是:一种对含有缺陷的TFT电路图像的分割方法,包括以下步骤:
步骤S1:使用AOI相机采集产线上各种受到缺陷影响的TFT-LCD电路图像;
步骤S2:对采集到的电路图像进行区域提取以及图像校正预处理操作;
步骤S3:计算预处理后图像的边缘图像的垂直响应,通过所述垂直响应的自相关估计函数确定电路重复周期;
步骤S4:通过周期灰度均值确定一组电路纵贯线的位置,再通过电路重复周期求出其他电路纵贯线的位置;
步骤S5:设计六边形角模版,在纵贯线左右边界处计算图像块与各个角模版的相关度,以此确定TFT电路硅岛位置;
步骤S6:根据步骤S4确定的电路纵贯线位置及周期,以及步骤S5确定的电路硅岛位置,共同确定电路的其他部件位置。
进一步地,所述步骤S2中,对电路图像进行区域提取以及图像校正预处理的具体方法为:对图像进行灰度化后求出灰度图在竖直方向的梯度值,再将所述梯度值逐行叠加,在梯度变化最大的行即为无关的文字区域,提取出除文字区域外的图像区域即为目标区域,然后采用Hough变化估算图像偏角,对目标区域进行几何旋转校正。
进一步地,所述步骤S3具体按如下方法进行:取步骤S2预处理后的目标区域的边缘图像,使用卷积算子计算出边缘图像的垂直响应序列,再计算垂直响应序列的自相关估计函数,自相关估计函数呈周期出现极大值即为电路重复周期,其中自相关估计函数的计算公式如下:
其中,R(n)为自相关估计序列,E(n)为垂直响应序列,N为E序列的长度。
进一步地,所述步骤S4中,通过周期灰度均值确定电路纵贯线的位置的具体方法如下:按步骤S3得到的电路重复周期T将图像分为若干个子图,计算该些子图的灰度均值即为周期灰度均值,根据步骤S3求得的边缘图像的垂直响应估算出纵贯线的线宽W,设定周期灰度均值序列中卷积和最大的连续W个像素为参考区域,在参考区域左右边界处寻找最接近阈值o的位置即为一组纵贯线边界位置,再通过所S3步骤求得的电路重复周期确定其他纵贯线的位置;其中阈值o的计算公式为:
o = Ostu_Thresh * H
其中,Ostu_Thresh为Ostu算法自动选取的灰度阈值,H为图像的高度值。
进一步地,所述步骤S5具体按如下方法进行:
将TFT电路硅岛部分的六个角分别记为Angle1, Angle2, …, Angle6作为模版匹配的模版,在纵贯线边界处,计算每个角模版与图像块的相关度,若相关度大于阈值则认为匹配,计算匹配角的个数,若满足以下三个条件中的一个:Angle1、Angle3同时被匹配,Angle2、Angle6同时被匹配,三个以上的角被匹配且其中存在Angle1或Angle2,则认为此区域存在电路硅岛部分,集合得到的所有电路硅岛部分,即得到TFT电路硅岛位置。
与现有技术相比,本发明具有以下有益效果:本发明能够在各类缺陷影响的情况下,将TFT电路位置准确地分割出来,解决了现有分割算法分割不准确,分割失败,无法区分电路区域与缺陷的问题,有助于提高面板的生成效率与成本。
附图说明
图1是本发明实施例的方法流程示意图。
图2是本发明实施例中包含缺陷的电路图像。
图3是本发明实施例中六边形角模版示意图。
图4是本发明实施例的处理结果。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明提供一种对含有缺陷的TFT电路图像的分割方法,如图1所示,包括以下步骤:
步骤S1:使用AOI相机采集产线上各种受到缺陷影响的TFT-LCD电路图像。得到的包含缺陷的电路图像如图2所示。
步骤S2:对采集到的电路图像进行区域提取以及图像校正预处理操作。
其中,对电路图像进行区域提取以及图像校正预处理的具体方法为:对图像进行灰度化后求出灰度图在竖直方向的梯度值,再将所述梯度值逐行叠加,在梯度变化最大的行即为无关的文字区域,提取出除文字区域外的图像区域即为目标区域,然后采用Hough变化估算图像偏角,对目标区域进行几何旋转校正。
步骤S3:计算预处理后图像的边缘图像的垂直响应,通过所述垂直响应的自相关估计函数确定电路重复周期。具体按如下方法进行:
取步骤S2预处理后的目标区域的边缘图像,使用卷积算子计算出边缘图像的垂直响应序列,再计算垂直响应序列的自相关估计函数,自相关估计函数呈周期出现极大值即为电路重复周期,其中自相关估计函数的计算公式如下:
其中,R(n)为自相关估计序列,E(n)为垂直响应序列,N为E序列的长度。
步骤S4:通过周期灰度均值确定一组电路纵贯线的位置,再通过电路重复周期求出其他电路纵贯线的准确位置。
其中,通过周期灰度均值确定电路纵贯线的位置的具体方法如下:
按步骤S3得到的电路重复周期T将图像分为若干个子图,计算该些子图的灰度均值即为周期灰度均值,根据步骤S3求得的边缘图像的垂直响应估算出纵贯线的线宽W,设定周期灰度均值序列中卷积和最大的连续W个像素为参考区域,在参考区域左右边界处寻找最接近阈值o的位置即为一组纵贯线边界位置,再通过所S3步骤求得的电路重复周期确定其他纵贯线的位置;其中阈值o的计算公式为:
o = Ostu_Thresh * H
其中,Ostu_Thresh为Ostu算法自动选取的灰度阈值,H为图像的高度值。
步骤S5:设计如图3所示的六边形角模版,在纵贯线左右边界处计算图像块与各个角模版的相关度,以此确定TFT电路硅岛位置。具体按如下方法进行:将TFT电路硅岛部分的六个角分别记为Angle1, Angle2, …, Angle6作为模版匹配的模版,各个角模版如附3所示。在纵贯线边界处,计算每个角模版与图像块的相关度,若相关度大于阈值则认为匹配,计算匹配角的个数,若满足以下三个条件中的一个:Angle1、Angle3同时被匹配,Angle2、Angle6同时被匹配,三个以上的角被匹配且其中存在Angle1或Angle2,则认为此区域存在电路硅岛部分,集合得到的所有电路硅岛部分,即得到TFT电路硅岛位置。
步骤S6:根据步骤S4确定的电路纵贯线位置及周期,以及步骤S5确定的电路硅岛位置,共同确定图像中电路其他部件位置。具体按如下方法进行:
在两组纵贯线之间的较短的部件,其尺寸的比例固定,数值可由图像的尺寸大小计算得出。在垂直方向与上下两组六边形共享一个垂直对称轴,定位电路硅岛六边形位置即可确定此部件垂直坐标范围。其水平方向为距离纵贯线左边界0.315倍的纵贯线周期的位置,其出现的周期为纵贯线周期的三倍。在三个周期内的指定位置,寻找白色像素比例大于0.4小于0.95的区域即可。同理,在纵贯线之间的较长的部件也可以用相同方法确定。
最终,得到如图4所示的处理结果。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (2)
1.一种对含有缺陷的TFT电路图像的分割方法,其特征在于,包括以下步骤:
步骤S1:使用AOI相机采集产线上各种受到缺陷影响的TFT-LCD电路图像;
步骤S2:对采集到的电路图像进行区域提取以及图像校正预处理操作;
步骤S3:计算预处理后图像的边缘图像的垂直响应,通过所述垂直响应的自相关估计函数确定电路重复周期;
步骤S4:通过周期灰度均值确定一组电路纵贯线的位置,再通过电路重复周期求出其他电路纵贯线的位置;
步骤S5:设计六边形角模版,在纵贯线左右边界处计算图像块与各个角模版的相关度,以此确定TFT电路硅岛位置;
步骤S6:根据步骤S4确定的电路纵贯线位置及周期,以及步骤S5确定的电路硅岛位置,共同确定电路的其他部件位置;
所述步骤S3具体按如下方法进行:取步骤S2预处理后的目标区域的边缘图像,使用卷积算子计算出边缘图像的垂直响应序列,再计算垂直响应序列的自相关估计函数,自相关估计函数呈周期出现极大值即为电路重复周期,其中自相关估计函数的计算公式如下:
其中,R(n)为自相关估计序列,E(n)为垂直响应序列,N为E序列的长度;
所述步骤S4中,通过周期灰度均值确定电路纵贯线的位置的具体方法如下:按步骤S3得到的电路重复周期T将图像分为若干个子图,计算该些子图的灰度均值即为周期灰度均值,根据步骤S3求得的边缘图像的垂直响应估算出纵贯线的线宽W,设定周期灰度均值序列中卷积和最大的连续W个像素为参考区域,在参考区域左右边界处寻找最接近阈值o的位置即为一组纵贯线边界位置,再通过所S3步骤求得的电路重复周期确定其他纵贯线的位置;其中阈值o的计算公式为:
o = Ostu_Thresh * H
其中,Ostu_Thresh为Ostu算法自动选取的灰度阈值,H为图像的高度值;
所述步骤S5具体按如下方法进行:将TFT电路硅岛部分的六个角分别记为Angle1,Angle2, …, Angle6作为模版匹配的模版,在纵贯线边界处,计算每个角模版与图像块的相关度,若相关度大于阈值则认为匹配,计算匹配角的个数,若满足以下三个条件中的一个:Angle1、Angle3同时被匹配,Angle2、Angle6同时被匹配,三个以上的角被匹配且其中存在Angle1或Angle2,则认为此区域存在电路硅岛部分,集合得到的所有电路硅岛部分,即得到TFT电路硅岛位置。
2.根据权利要求1所述的一种对含有缺陷的TFT电路图像的分割方法,其特征在于,所述步骤S2中,对电路图像进行区域提取以及图像校正预处理的具体方法为:对图像进行灰度化后求出灰度图在竖直方向的梯度值,再将所述梯度值逐行叠加,在梯度变化最大的行即为无关的文字区域,提取出除文字区域外的图像区域即为目标区域,然后采用Hough变化估算图像偏角,对目标区域进行几何旋转校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039883.6A CN111161264B (zh) | 2019-10-29 | 2019-10-29 | 一种对含有缺陷的tft电路图像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039883.6A CN111161264B (zh) | 2019-10-29 | 2019-10-29 | 一种对含有缺陷的tft电路图像的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161264A CN111161264A (zh) | 2020-05-15 |
CN111161264B true CN111161264B (zh) | 2022-10-28 |
Family
ID=70555897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039883.6A Active CN111161264B (zh) | 2019-10-29 | 2019-10-29 | 一种对含有缺陷的tft电路图像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161264B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114078109A (zh) * | 2020-08-13 | 2022-02-22 | 鸿富锦精密电子(天津)有限公司 | 图像处理方法、电子装置和存储介质 |
CN113205480A (zh) * | 2021-03-19 | 2021-08-03 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种用于显示面板缺陷检测的周期提取方法、装置及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5027417A (en) * | 1989-03-31 | 1991-06-25 | Dainippon Screen Mfg. Co., Ltd. | Method of and apparatus for inspecting conductive pattern on printed board |
JP3773773B2 (ja) * | 1999-10-27 | 2006-05-10 | 三洋電機株式会社 | 画像信号処理装置及び画素欠陥の検出方法 |
JP5655355B2 (ja) * | 2009-11-02 | 2015-01-21 | ソニー株式会社 | 画素欠陥補正装置、撮像装置、画素欠陥補正方法、およびプログラム |
CN107093174B (zh) * | 2017-04-05 | 2018-03-27 | 湖北工业大学 | 一种pcb设计缺陷检测方法 |
CN110097048A (zh) * | 2019-04-02 | 2019-08-06 | 江苏理工学院 | 一种sot芯片图像快速校正与字符识别方法 |
-
2019
- 2019-10-29 CN CN201911039883.6A patent/CN111161264B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111161264A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN105405142A (zh) | 一种玻璃面板的边缺陷检测方法及系统 | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN110232682B (zh) | 一种基于图像的轨道异物探测方法 | |
CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN110717900B (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN105869148A (zh) | 目标检测方法及装置 | |
CN111060442A (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN114639064B (zh) | 一种水位识别方法及装置 | |
CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN111524154A (zh) | 一种基于影像的隧道管片自动化分割方法 | |
CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN104751487A (zh) | 一种基于彩色rgb三平面色变帧差的运动目标检测方法 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN107578001B (zh) | 测试指纹采集设备的分辨率的方法及装置 |
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 |