CN111238777A - 一种基于深度学习的显示屏点亮缺陷检测方法 - Google Patents
一种基于深度学习的显示屏点亮缺陷检测方法 Download PDFInfo
- Publication number
- CN111238777A CN111238777A CN201910129955.XA CN201910129955A CN111238777A CN 111238777 A CN111238777 A CN 111238777A CN 201910129955 A CN201910129955 A CN 201910129955A CN 111238777 A CN111238777 A CN 111238777A
- Authority
- CN
- China
- Prior art keywords
- display screen
- points
- image
- detection
- defects
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于深度学习的显示屏点亮缺陷检测方法,包括人工视觉检方法和自动光学检测方法,所述人工视觉检方法包括以下步骤:1)坏点检测:将显示屏调节为白屏,其上面出现出纯黑色的点,或者将显示屏调节为黑屏,其上面出现纯白色的点,然后在将显示屏分别切换为红色、绿色和蓝色,此时,纯黑色的点或纯白色的点的位置始终不变,此类点为坏点,本基于深度学习的显示屏点亮缺陷检测方法,具备人工检测和自动光学检测两种形式,自动光学检测又包括图像识别和图像处理两种方法,图像处理包括边界模糊缺陷分隔法、差影法和滤波法,检测方式多样,便于满足不同的检测需求,适应能力强,便于适应于不同的环境。
Description
技术领域
本发明涉及显示屏检测技术领域,具体为一种基于深度学习的显示屏点亮缺陷检测方法。
背景技术
在显示屏幕模组的缺陷检测过程中,产品保护膜上的气泡、划痕、脏污等缺陷并非是显示屏幕模组的实质性缺陷,而在传统的检测技术中,检测摄像头并不能将上述非实质性缺陷进行过滤,而是将此种非实质性缺陷进行拍照记录,发出警报,认定当前检测的显示屏幕模组为不良品,可见,此种传统的检测技术由于不能将显示屏幕模组中的非实质性缺陷进行过滤,从而造成虚警现象的发生,给显示屏幕模组的缺陷检测造成麻烦,降低了检测的准确性;
现有技术中:申请公布号CN 105424723 A的专利公开了一种显示屏幕模组缺陷检测方法,包括如下步骤:步骤S1,检测并记录显示屏幕模组表面保护膜上的非实质性缺陷,步骤S2,检测并记录显示屏幕模组在点亮状态下,可以发现的所有缺陷,步骤S3,在步骤S2发现的所有缺陷中,滤除步骤S1中记录的非实质性缺陷,剩余部分即是显示屏幕模组的真正缺陷,其检测方式单一,适应能力差,不能够满足检测需求。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种基于深度学习的显示屏点亮缺陷检测方法,检测方式多样,适应能力强,可以有效解决背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习的显示屏点亮缺陷检测方法,包括人工视觉检方法和自动光学检测方法,
所述人工视觉检方法包括以下步骤:
1)坏点检测:将显示屏调节为白屏,其上面出现出纯黑色的点,或者将显示屏调节为黑屏,其上面出现纯白色的点,然后在将显示屏分别切换为红色、绿色和蓝色,此时,纯黑色的点或纯白色的点的位置始终不变,此类点为坏点;
2)亮点检测:将显示屏调节为黑屏,其上面出现红色、绿色或蓝色的点,此类点为亮点;
3)暗点检测:将显示屏调节为白屏,其上面出现非单纯红色、绿色或蓝色的点,此类点为暗点;
所述自动光学检测方法包括以下步骤:
1)图像识别法:对显示屏上的图像数据进行特征提取和维数降低,再将提取的特征或维数降低后的数据输入到分类器中进行面板图像分类,从而判断有无缺陷、缺陷的种类和缺陷等级;
2)图像处理法:
A、边界模糊缺陷分隔法:将获取的图像数据依次进行去噪、图像周期性纹理背景去除、图像不均匀度校正和边界模糊缺陷图像分割,即可获得显示屏上的缺陷;
B、差影法:对图像数据进行计算并得到用于差影的模板图像,然后将待检测的图像与模板图像进行配比,进行差分运算,获得残影图像,根据预先设置的阈值进行缺陷判断,或者将检测的显示屏与重构图像进行差分运算,即可获得显示屏上的缺陷;
C、滤波法:设置相应的滤波器,通过异常频率或脉冲响应来检测显示屏的缺陷,通过异常频率或脉冲响应与预设阈值进行配比,即可获得显示屏上的缺陷。
作为本发明的一种优选技术方案,所述图像数据为在预设的多种纯颜色、灰度图、灰阶图和多色交替图显示状态下的显示屏图像。
作为本发明的一种优选技术方案,所述滤波器为卷积滤波器和Gabor滤波器的一种。
与现有技术相比,本发明的有益效果是:本基于深度学习的显示屏点亮缺陷检测方法,具备人工检测和自动光学检测两种形式,自动光学检测又包括图像识别和图像处理两种方法,图像处理包括边界模糊缺陷分隔法、差影法和滤波法,检测方式多样,便于满足不同的检测需求,适应能力强,便于适应于不同的环境。
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,以下结合具体实施例,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。
本发明提供一种技术方案:一种基于深度学习的显示屏点亮缺陷检测方法,包括人工视觉检方法和自动光学检测方法,其检测方式多样,便于满足不同的检测需求,适应能力强,便于适应于不同的环境,
人工视觉检方法包括以下步骤:
1)坏点检测:将显示屏调节为白屏,其上面出现出纯黑色的点,或者将显示屏调节为黑屏,其上面出现纯白色的点,然后在将显示屏分别切换为红色、绿色和蓝色,此时,纯黑色的点或纯白色的点的位置始终不变,此类点为坏点;
2)亮点检测:将显示屏调节为黑屏,其上面出现红色、绿色或蓝色的点,此类点为亮点;
3)暗点检测:将显示屏调节为白屏,其上面出现非单纯红色、绿色或蓝色的点,此类点为暗点;
自动光学检测方法包括以下步骤:
1)图像识别法:对显示屏上的图像数据进行特征提取和维数降低,再将提取的特征或维数降低后的数据输入到分类器中进行面板图像分类,从而判断有无缺陷、缺陷的种类和缺陷等级;
2)图像处理法:
A、边界模糊缺陷分隔法:将获取的图像数据依次进行去噪、图像周期性纹理背景去除、图像不均匀度校正和边界模糊缺陷图像分割,即可获得显示屏上的缺陷;
B、差影法:对图像数据进行计算并得到用于差影的模板图像,然后将待检测的图像与模板图像进行配比,进行差分运算,获得残影图像,根据预先设置的阈值进行缺陷判断,或者将检测的显示屏与重构图像进行差分运算,即可获得显示屏上的缺陷;
C、滤波法:设置相应的滤波器,通过异常频率或脉冲响应来检测显示屏的缺陷,通过异常频率或脉冲响应与预设阈值进行配比,即可获得显示屏上的缺陷。
图像数据为在预设的多种纯颜色、灰度图、灰阶图和多色交替图显示状态下的显示屏图像。
滤波器为卷积滤波器和Gabor滤波器的一种。
本发明具备人工检测和自动光学检测两种形式,自动光学检测又包括图像识别和图像处理两种方法,图像处理包括边界模糊缺陷分隔法、差影法和滤波法,检测方式多样,便于满足不同的检测需求,适应能力强,便于适应于不同的环境。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于深度学习的显示屏点亮缺陷检测方法,包括人工视觉检方法和自动光学检测方法,其特征在于:
所述人工视觉检方法包括以下步骤:
1)坏点检测:将显示屏调节为白屏,其上面出现出纯黑色的点,或者将显示屏调节为黑屏,其上面出现纯白色的点,然后在将显示屏分别切换为红色、绿色和蓝色,此时,纯黑色的点或纯白色的点的位置始终不变,此类点为坏点;
2)亮点检测:将显示屏调节为黑屏,其上面出现红色、绿色或蓝色的点,此类点为亮点;
3)暗点检测:将显示屏调节为白屏,其上面出现非单纯红色、绿色或蓝色的点,此类点为暗点;
所述自动光学检测方法包括以下步骤:
1)图像识别法:对显示屏上的图像数据进行特征提取和维数降低,再将提取的特征或维数降低后的数据输入到分类器中进行面板图像分类,从而判断有无缺陷、缺陷的种类和缺陷等级;
2)图像处理法:
A、边界模糊缺陷分隔法:将获取的图像数据依次进行去噪、图像周期性纹理背景去除、图像不均匀度校正和边界模糊缺陷图像分割,即可获得显示屏上的缺陷;
B、差影法:对图像数据进行计算并得到用于差影的模板图像,然后将待检测的图像与模板图像进行配比,进行差分运算,获得残影图像,根据预先设置的阈值进行缺陷判断,或者将检测的显示屏与重构图像进行差分运算,即可获得显示屏上的缺陷;
C、滤波法:设置相应的滤波器,通过异常频率或脉冲响应来检测显示屏的缺陷,通过异常频率或脉冲响应与预设阈值进行配比,即可获得显示屏上的缺陷。
2.根据权利要求1所述的一种基于深度学习的显示屏点亮缺陷检测方法,其特征在于:所述图像数据为在预设的多种纯颜色、灰度图、灰阶图和多色交替图显示状态下的显示屏图像。
3.根据权利要求1所述的一种基于深度学习的显示屏点亮缺陷检测方法,其特征在于:所述滤波器为卷积滤波器和Gabor滤波器的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129955.XA CN111238777A (zh) | 2019-02-21 | 2019-02-21 | 一种基于深度学习的显示屏点亮缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129955.XA CN111238777A (zh) | 2019-02-21 | 2019-02-21 | 一种基于深度学习的显示屏点亮缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111238777A true CN111238777A (zh) | 2020-06-05 |
Family
ID=70866141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129955.XA Pending CN111238777A (zh) | 2019-02-21 | 2019-02-21 | 一种基于深度学习的显示屏点亮缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111238777A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111947895A (zh) * | 2020-08-03 | 2020-11-17 | 深圳回收宝科技有限公司 | 一种用于显示装置白斑异常的检测方法及相关装置 |
CN112666178A (zh) * | 2020-12-14 | 2021-04-16 | 杭州当虹科技股份有限公司 | 一种户外led大屏坏点在线监控方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2864893Y (zh) * | 2006-01-17 | 2007-01-31 | 彩富电子股份有限公司 | 具精密定位单元的平面显示面板检测仪 |
CN104749184A (zh) * | 2013-12-31 | 2015-07-01 | 研祥智能科技股份有限公司 | 自动光学检测方法和系统 |
CN107024476A (zh) * | 2016-03-10 | 2017-08-08 | 上海帆声图像科技有限公司 | 显示面板检测系统及其检测装置与检测方法 |
-
2019
- 2019-02-21 CN CN201910129955.XA patent/CN111238777A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2864893Y (zh) * | 2006-01-17 | 2007-01-31 | 彩富电子股份有限公司 | 具精密定位单元的平面显示面板检测仪 |
CN104749184A (zh) * | 2013-12-31 | 2015-07-01 | 研祥智能科技股份有限公司 | 自动光学检测方法和系统 |
CN107024476A (zh) * | 2016-03-10 | 2017-08-08 | 上海帆声图像科技有限公司 | 显示面板检测系统及其检测装置与检测方法 |
Non-Patent Citations (3)
Title |
---|
上海市信息家电行业协会: "《平板电视知识手册》", 30 June 2009, 上海科学技术出版社 * |
简川霞: "手机玻璃屏表面缺陷机器视觉检测与分类方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
闫真真: "TFT-LCD点线缺陷检测图像处理算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111947895A (zh) * | 2020-08-03 | 2020-11-17 | 深圳回收宝科技有限公司 | 一种用于显示装置白斑异常的检测方法及相关装置 |
CN112666178A (zh) * | 2020-12-14 | 2021-04-16 | 杭州当虹科技股份有限公司 | 一种户外led大屏坏点在线监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070524B (zh) | 一种智能终端面板视觉故障检测系统 | |
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
CN104749184B (zh) | 自动光学检测方法和系统 | |
CN109916910B (zh) | 光伏玻璃边部缺陷检测系统及相应的方法 | |
CN104637067B (zh) | 一种纹理表面的缺陷检测方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
CN107219229B (zh) | 一种面板灰尘过滤方法及装置 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN111238777A (zh) | 一种基于深度学习的显示屏点亮缺陷检测方法 | |
CN110412055A (zh) | 一种基于多光源暗场照明的透镜白雾缺陷检测方法 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN114113129B (zh) | 一种镜片微小缺陷识别抓取系统及方法 | |
CN116660289A (zh) | 一种智能检测的方法、装置及存储介质 | |
CN111426693A (zh) | 一种质量缺陷检测系统及其检测方法 | |
WO2022222467A1 (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
CN108663371B (zh) | 一种检测显示面板灰尘异物的方法及系统 | |
CN108171691B (zh) | 一种塑料容器的检测方法 | |
CN116503324A (zh) | 一种基于机器视觉的黑胶模组外观检测方法及系统 | |
JP2005140655A (ja) | シミ欠陥の検出方法及びその検出装置 | |
CN114693656A (zh) | 一种led显示屏显示缺陷的检测方法及相机和滤光片的标定方法 | |
JP4036048B2 (ja) | 欠陥識別方法 | |
CN112987356A (zh) | 液晶面板底部异物误检滤除方法及装置 | |
Shuai et al. | Defect detection of four-color display screen based on color equalization and local dynamic threshold segmentation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |