CN111474177A - 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 - Google Patents
基于计算机视觉的液晶屏幕背光异物缺陷检测方法 Download PDFInfo
- Publication number
- CN111474177A CN111474177A CN202010372065.4A CN202010372065A CN111474177A CN 111474177 A CN111474177 A CN 111474177A CN 202010372065 A CN202010372065 A CN 202010372065A CN 111474177 A CN111474177 A CN 111474177A
- Authority
- CN
- China
- Prior art keywords
- gray
- foreign matter
- image
- liquid crystal
- display area
- 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
- 239000004973 liquid crystal related substance Substances 0.000 title claims abstract description 85
- 230000007547 defect Effects 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001681 protective effect Effects 0.000 abstract description 11
- 238000000605 extraction Methods 0.000 abstract description 3
- 239000010408 film Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 208000003464 asthenopia Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G02—OPTICS
- G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
- G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
- G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour
- G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour based on liquid crystals, e.g. single liquid crystal display cells
- G02F1/1306—Details
- G02F1/1309—Repairing; Testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N2021/9513—Liquid crystal panels
Abstract
本发明公开了一种基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其包括:点亮状态和未点亮状态下的图像采集、基于固定阈值法的屏幕区域提取、基于Gabor滤波器的图像纹理滤波、背光异物候选区域确定、以及屏幕表面异物筛选。本发明提供的基于计算机视觉的液晶屏幕背光异物缺陷检测方法可实现在不去除保护膜的情况下,去除保护膜上的异物、划痕、疵点等对屏幕背光异物检测的干扰。
Description
技术领域
本发明涉及液晶模组生产行业中对产品的自动光学缺陷检测领域,尤其涉及一种基于计算机视觉的液晶屏幕背光异物缺陷检测方法。
背景技术
随着信息产业的发展,液晶显示屏幕的需求量也不断攀升。一方面,人们对于液晶屏幕的品质有着更为严苛的把控;另一方面,行业竞争的激烈程度也与日俱增,提高生产效率和产品质量,降低生产成本变得尤为重要。然而液晶屏幕的生产过程极为复杂,对生产环境的要求也非常严格。在目前的屏幕生产工艺下,缺陷的存在是无法避免的,因此,在出厂前对其进行严格的检测是非常必要和关键的。
目前,TFT-LCD生产厂商对缺陷的主流检测方式都是训练一批检测人员来判定缺陷,这些检测人员根据经验进行视觉上的判定和评级。但人眼检测具有主观性,不同检测人员之间并不能保证检测标准的完全一致,且长时间的检测易引起视觉疲劳影响缺陷的检测结果,检测工作后会出现视觉疲劳甚至会对人眼产生伤害,其效率低下且判断标准难以量化。
随着技术的发展和积累,机器视觉(也称计算机视觉)逐渐取代人工检测,其解决人工检测缺陷时标准的主观性强,漏检率高以及对质检工人长时间工作产生的视觉疲劳问题,还可以缩短检测时间,提高检测效率。
然而,采用机器视觉在检测背光异物缺陷也会受到多种外部干扰,其中就包括表面异物干扰。现有液晶屏幕表面都覆盖一层透明的塑料材质的保护膜,在原材料运输搬运过程中以及生产过程中,保护膜表面会沾染灰尘等表面异物,保护膜自身也会有划痕、疵点,这就对背光异物的检测带来很大的干扰。若要避免保护膜表面异物的干扰,就需要在检测时撕掉保护膜,在检测完成后重新使用覆膜机贴膜,这就会导致整个检测过程对环境的洁净度要求极高,使得检测成本很高,使用不便。
发明内容
针对现有技术存在的问题,本发明的主要目的是提供一种基于计算机视觉的液晶屏幕背光异物缺陷检测方法,旨在解决在不去除保护膜的情况下,去除保护膜上的异物、划痕、疵点等对屏幕背光异物检测的干扰。
为实现上述目的,本发明提出的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,具体包括如下步骤:
步骤S1,控制CCD相机在垂直视角下采集点亮状态下的液晶屏幕图像A,以及未点亮状态下的处于外界环境光条件下的液晶屏幕图像B;
步骤S2,采用固定阈值分别提取液晶屏幕图像A中的屏幕显示区域A和液晶屏幕图像B中的屏幕显示区域B;
步骤S3,通过Gabor滤波器,对步骤2中获取的屏幕显示区域A和屏幕显示区域B进行0°和90°方向的多方向滤波;
步骤S4,采用自适应灰度阈值分割算法从滤波后的屏幕显示区域A中的分割出疑似异物区域,对疑似异物区域进行定位并对所有的疑似异物区域进行二次阈值分割,得到候选异物区域;
步骤5,按照的候选异物区域的位置坐标,在屏幕显示区域B中对与候选异物区域相同位置进行定位,提取候选异物区域相同位置上的领域局部子图,计算候选异物区域相同位置对应区域和领域局部子图的灰度均值,
若候选异物区域相同位置的领域局部子图的灰度均值大于预设阈值,则认定检测的候选异物区域内的异物为表面异物,否则认定检测的候选异物区域内的异物为背光异物。
可选地,在步骤S1中,在拍摄液晶屏幕图像时,通过自适应调节迭代算法调整CCD相机的曝光值,所述自适应调节迭代算法为:
Exposurei=Exposurei-1+ΔE
ΔE=(Ave_Grayi-1-Ave_Graytarget)×70
式中,Exposurei为当前计算得到的曝光参数,Exposurei-1为上一次使用的曝光参数;Ave_Grayi-1上一次采集得到的液晶屏幕图像中屏幕显示区域的亮度均值,Ave_Graytarget为屏幕显示区域的理想亮度值。
可选地,所述步骤S2包括如下步骤:
步骤S21,选取液晶屏幕图像的中心区域面积为100×100的区域作为候选像素区域,计算该区域的平均亮度值Ave_Gray100×100;
步骤S22,以Ave_Gray100×100作为分割液晶屏幕图像中屏幕显示区域与背景区域的固定阈值Th,使用固定阈值Th对液晶屏幕图像进行二值化分割,得到边缘轮廓明显的二值图;
步骤S23,检索二值图中屏幕显示区域的外部轮廓,对所述屏幕显示区域进行透视变换,得到矩形的屏幕显示区域;
步骤S23,根据步骤S22中获取的二值图提取屏幕显示区域的外部轮廓,对所述外部轮廓进行透视变换,得到矩形的屏幕显示区域。
可选地,所述步骤S23包括如下步骤:
步骤S232,对步骤S22中获取的二值图采用轮廓多边形近似的方式进行轮廓检索,再对检索得到的轮廓进行多边形拟合,得到屏幕显示区域的外部轮廓,并记录该外部轮廓信息:四个角点坐标(xij,yij)i=0,1;j=0,1和中心点坐标(xc,yc);
步骤S233,将外部轮廓的四个角点坐标(xij,yij)分别与中心点坐标(xc,yc)进行比较,对四个角点进行排序,确定变换前的外部轮廓的四个角点构成的矩阵其中,(xLT,yLT)为左上角坐标,(xLB,yLB)为左下角坐标,(xRT,yRT)为右上角坐标,(xRB,yRB)为右下角坐标;
步骤S234,使用矩阵M1和矩阵M2对步骤S22获取的屏幕显示区域进行透视变换,得到矩形的屏幕显示区域。
可选地,所述步骤S4包括如下步骤:
步骤S41,对滤波后的屏幕显示区域进行灰度处理,获取一灰度图;
步骤S42,采用尺寸为31*31的滑动窗口依次对灰度图进行行扫描和列扫描;
步骤S43,提取灰度图中滑动窗口所覆盖的区域作为子图像,对所有子图像采用自适应灰度阈值分割算法进行阈值分割,得到疑似异物区域;
步骤S44,按照子图像所对应的滑动窗口在灰度图中的位置,将分割后的二值图拼接为与灰度图尺寸相同的整体二值图;
步骤S45,检索整体二值图中疑似异物区域的轮廓,对每个轮廓进行定位,对疑似异物区域进行二次阈值分割,得到候选异物区域。
可选地,所述步骤S42包括如下步骤:
步骤421,确定滑动窗口起点Point(i,j)=(0,0);
步骤422,根据滑动窗口的尺寸生成当前的滑动窗口标记{i,j,31,31},其中,(i,j)为滑动窗口左上角坐标;当i+31小于灰度图的列数时,执行步骤423否则跳转到步骤425;
步骤423,将滑动窗口沿着水平方向滑动一个步长,水平滑动步长取27,并计算下一滑动窗口的起点坐标(i'=i+27j'=j);
步骤424,根据步骤423中得到的新起点坐标(i',j'),返回步骤422生成一新的滑动窗口;
步骤425,将滑动窗口沿着垂直方向滑动一个步长,垂直滑动步长取27,并计算下一滑动窗口的起点坐标(i”=i,j”=j+27);
步骤426,根据步骤423中得到的新起点坐标(i”,j”),若j+27小于灰度图的列数时,返回步骤422生成一新的滑动窗口,否则结束;
步骤427,采用步骤421-步骤426生成的一系列滑动窗口依次对灰度图进行行扫描和列扫描。
可选地,所述步骤S43包括如下步骤:
步骤S431,子图像中疑似异物区域和其他区域的分割阈值记为T,计算阈值T下的类间方差g,计算过程如下:
μ=ω0×μ0+ω1×μ1
g=ω0×(μ0-μ)2+ω1×(μ1-μ)2
其中,N0为子图像中灰度值小于阈值T的像素个数,N1为子图像中灰度值大于等于阈值T的像素个数记为N1,ω0为疑似异物区域的像素点个数占整幅子图像的比例,μ0为疑似异物区域的平均灰度,ω1为其他区域的像素点个数占整幅子图像的比例,μ1为其他区域的平均灰度为,μ为子图像的总平均灰度,M×N为子图像的大小;
步骤S432,遍历T从0到255灰度级的阈值分割条件,分别计算每个灰度级对应的gi的值,得到G={g0,g1,g2,…,g255}的集合,取G中最大元素所对应的Tmax值,将该Tmax值作为最终的分割阈值,对所有子图像进行阈值分割,得到疑似异物区域。
可选地,所述步骤S45包括如下步骤:
步骤S451,遍历所有疑似异物区域的轮廓,找出每个轮廓的对应的最小外接矩形,记录最小外接矩形的轮廓信息,该轮廓信息包括最小外接矩形的宽ExteRect_w,最小外接矩形的高ExteRect_h,以及最小外接矩形的中心Point(i,j)
步骤S452,以最小外接矩形中心,按比例将最小外接矩形向外扩充,得到对该疑似异物区域进行二次筛选所关注的矩形区域,并记录该矩形区域的轮廓信息,包括矩形区域的中心Roi_Point(i,j)=Point(i,j),矩形区域的宽为矩形区域的高为
步骤S453,以矩形区域的灰度均值为二次分割阈值,对矩形区域进行二次分割,得到候选异物区域。
可选地,所述步骤S5包括如下步骤:
步骤S51,对屏幕显示区域B进行灰度处理得到图像Gray(i,j);
步骤S52,根据候选异物区域的位置坐标,在Gray(i,j)中进行定位,提取与候选异物区域相同位置区域和其8个领域局部子图的集合,计算该集合的灰度均值Gray_ave;
步骤S53,判断灰度均值Gray_ave是否大于预设阈值,若灰度均值大于预设阈值,则认定检测的候选异物区域内的异物为表面异物,否则认定检测的候选异物区域内的异物为背光异物。
同现有技术相比,本发明提供的背光异物缺陷检测方法具有以下优点:
1、综合使用点亮状态与未点亮状态下的两种模式下的液晶屏幕图像综合进行判断,可以在不撕掉屏幕表面保护膜的条件下避免表面异物的干扰。
2、根据液晶屏幕表面电极分布的特点,通过Gabor滤波器对图像进行0°和90°的多方向滤波,可有效去除液晶屏幕表面的周期性纹理,同时降低对缺陷区域信息造成的损失。
3、针对性的在缺陷候选区范围内对缺陷进行细致的特征分析,避免了整体分析带来的检测效率低的问题。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明基于计算机视觉的液晶屏幕背光异物缺陷检测方法的流程示意图;
图2为CCD相机的采集液晶屏幕图像的流程示意图;
图3为从液晶屏幕图像中提取屏幕显示区域的流程示意图;
图4为背光候选异物区域提取的流程示意图图;
图5为表面异物筛选的流程示意图;
图6为纹理滤波前后图像的效果对比图。
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。
如图1所示,本发明实施例提供了一种基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其包括:图像采集、屏幕区域提取、Gabor滤波、背光异物候选区域确定、以及屏幕表面异物筛选。本发明提供的基于计算机视觉的液晶屏幕背光异物缺陷检测方法可实现在不去除保护膜的情况下,去除保护膜上的异物、划痕、疵点等对屏幕背光异物检测的干扰。下面对每一步骤分别进行详细说明:
步骤S1,控制CCD相机在垂直视角下采集点亮状态下的液晶屏幕图像A,以及未点亮状态下的处于外界环境光条件下的液晶屏幕图像B,其中点亮状态下,液晶屏幕显示的是白色画面,以便于后续进行背光缺陷的检测。
采集时,两种状态下的液晶屏幕和CCD相机应保持相同的位置,且两次拍摄的时间间隔应控制在1秒钟以内,以保证点亮状态和未点亮状态下的采集的液晶屏幕处于同样的采集环境下。
在检测不同型号的液晶屏幕时,为避免不同型号的屏幕发光亮度不同导致采集的液晶屏幕图像过亮或者过暗。因此,在采集新型号的液晶屏幕在点亮状态下的图像时,还通过自适应调节迭代算法调整CCD相机的曝光值,所述自适应调节迭代算法为:
Exposurei=Exposurei-1+ΔE
ΔE=(Ave_Grayi-1-Ave_Graytarget)×70
式中,Exposurei为当前计算得到的曝光参数,Exposurei-1为上一次使用的曝光参数;Ave_Grayi-1上一次采集得到的液晶屏幕图像中屏幕显示区域的亮度均值,Ave_Graytarget为屏幕显示区域的理想亮度值。
在步骤S1中,通过迭代的方式分别自动调节相机在拍摄不同型号白色画面时的曝光值,并在当前曝光值下采集并计算所拍摄的图像中液晶屏幕显示区域的平均亮度均值,并与合理的亮度均值进行比较,并依据比较结果调整曝光参数,可以保证采集的液晶屏幕图像能够清楚反映图像上所有缺陷特征。
对于未点亮状态下的液晶屏幕图像,同样采用上述自适应调节迭代算法对CCD相机的曝光参数进行调整,以使得未点亮状态下的屏幕能够清楚反映屏幕表面的异物特征。
步骤S2,采用固定阈值分别提取液晶屏幕图像A中的屏幕显示区域A和液晶屏幕图像B中的屏幕显示区域B。
在本实施例中,在液晶屏幕图像B中提取屏幕显示区域B所使用的位置信息与从液晶屏幕图像A中提取屏幕显示区域A使用的位置信息是相同的,保证两张图像提取后的屏幕显示区域位置是精准对应的。
下面以液晶屏幕图像A中提取屏幕显示区域A为例,具体说明屏幕显示区域A的提取过程:
步骤S21,选取液晶屏幕图像A的中心区域面积为100×100的区域作为候选像素区域,计算该区域的平均亮度值Ave_Gray100×100。
步骤S22,以Ave_Gray100×100作为分割液晶屏幕图像A中屏幕显示区域A与背景区域A的固定阈值Th,将液晶屏幕图像A中小于Th的像素点的像素值设为0,将液晶屏幕图像A中大于Th的像素点的像素值设为255,从而实现对液晶屏幕图像A的二值分割,得到边缘轮廓明显的二值图。分割后的二值图可以表述为:
其中,wij为分割生成的二值图中第i行第j列的像素值,hij为CCD相机采集的液晶屏幕图像A中第i行第j列的灰度值,W为CCD相机采集的液晶屏幕图像A的行数,H为液晶屏幕图像的列数。
作为优选地,在步骤S22中,为了保证分割效果,在计算出的平均亮度值的基础上减掉20作为分割屏幕显示区域与背景区域的固定阈值,即Th=Ave_Gray100×100-20。
步骤S23,检索二值图中屏幕显示区域A的外部轮廓,对所述屏幕显示区域A进行透视变换,得到矩形的屏幕显示区域。
由于相机与液晶屏幕的位置难以形成严格的平行关系,并且矩形的液晶屏幕显示区域各个位置到相机镜头的位置是不同的,因此,采集的液晶屏幕图像A中的屏幕显示区域A会产生畸变,检索得到的屏幕显示区域A的外部轮廓呈梯形。为了后续算法处理的需要,就需要对畸变的图像进行校正变换,将梯形的屏幕显示区域校正为矩形的屏幕显示区域。故,在步骤S23中,采用了计算机视觉开源算法库OpenCV提供的透视变换算法来进行校正变换。具体的校正变换过程如下:
步骤S231,设定屏幕显示区域变换后对应矩形轮廓的四个角点构成的矩阵其中,NL为液晶屏幕显示区域在变换后的长边对应的像素个数,NW为液晶屏幕显示区域在变换后的宽边对应的像素个数。应当说明的是,变换后的液晶屏幕的长边和宽边对应的像素个数是根据液晶屏幕自身的尺寸来确定的,在本实施例中,拍摄的液晶屏幕的长边和宽边对应的像素个数分别3000和1750,由此设定变换后的矩形的四个顶点构成的矩阵
步骤S232,对步骤S22中获取的二值图采用轮廓多边形近似的方式进行轮廓检索,再对检索得到的轮廓进行多边形拟合,得到屏幕显示区域的外部轮廓,并记录该外部轮廓信息:四个角点坐标(xij,yij)i=0,1;j=0,1和中心点坐标(xc,yc)。
(xLT,yLT)=(xij,yij) xij<xc,yij<yc;
(xLB,yLB)=(xij,yij) xij<xc,yij>yc;
(xRT,yRT)=(xij,yij) xij>xc,yij<yc;
(xRB,yRB)=(xij,yij) xij>xc,yij>yc;
其中,(xLT,yLT)为左上角坐标,(xLB,yLB)为左下角坐标,(xRT,yRT)为右上角坐标,(xRB,yRB)为右下角坐标。
步骤S234,使用矩阵M1和矩阵M2对步骤S22获取的屏幕显示区域进行透视变换,得到矩形的屏幕显示区域。
步骤S3,通过Gabor滤波器,对步骤2中获取的屏幕显示区域A和屏幕显示区域B进行0°和90°方向的多方向滤波。
由于液晶屏幕的制造工艺,其薄膜电基板上均匀排列着垂直信号电极和水平扫描电极,当使用CCD相机对液晶屏幕进行拍摄时,液晶屏幕自身的物理结构在所拍摄的图像中会产生规则排列且相互垂直的纹理背景,这会对后续缺陷的检测产生干扰。因此,需要在缺陷检测前对屏幕显示区域的纹理背景进行有效的抑制。故,在本实施例中,采用Gabor滤波器对校正后的屏幕显示区域图像进行滤波处理,抑制屏幕显示区域图像中的背景纹理。该Gabor滤波器为用于纹理分析的线性滤波器,主要分析的是图像在某一特定区域的特定方向上是否有特定的频率内容,其脉冲响应定义为一个正弦波乘以高斯函数,可以被描述为:
其中,x1=xcosθ+ysinθ,y1=-xsinθ+ycosθ。
为了同时消除水平和垂直方向的图像纹理,需要在0度和90度方向上分别生成一个小波滤波器来去除水平和垂直方向的纹理噪声干扰。故,分别在θ=0和θ=π/2两个滤波方向分别生成5*5大小的Gabor小波卷积核K1和Gabor小波卷积核K2,使用K1和K2依次对校正后的屏幕显示区域图像进行卷积运算,消除校正的屏幕显示区域图像在水平方向和垂直方向的图像纹理,得到无纹理的滤波图像。滤波前后的对比图像如图6中的(a)图和(b)图所示。
步骤S4,采用自适应灰度阈值分割算法从滤波后的屏幕显示区域A中的分割出疑似异物区域,对疑似异物区域进行定位并对所有的疑似异物区域进行二次阈值分割,得到候选异物区域。
具体地,步骤S4包括如下步骤:
步骤S41,对滤波后的屏幕显示区域进行灰度处理,获取一灰度图;
步骤S42,采用尺寸为31*31的滑动窗口依次对灰度图进行行扫描和列扫描;
步骤S43,提取灰度图中滑动窗口所覆盖的区域作为子图像,对所有子图像采用自适应灰度阈值分割算法进行阈值分割,得到疑似异物区域;
步骤S44,按照子图像所对应的滑动窗口在灰度图中的位置,将分割后的二值图拼接为与灰度图尺寸相同的整体二值图;
步骤S45,检索整体二值图中疑似异物区域的轮廓,对每个轮廓进行定位,对疑似异物区域进行二次阈值分割,得到候选异物区域。
其中,在步骤S42中,行扫描和列扫描从灰度图的(0,0)点开始,使用31*31的滑动窗口依次对灰度图进行扫描,具体包括如下步骤:
步骤421,确定滑动窗口起点Point(i,j)=(0,0);
步骤422,根据滑动窗口的尺寸生成当前的滑动窗口标记{i,j,31,31},其中,(i,j)为滑动窗口左上角坐标;当i+31小于灰度图的列数时,执行步骤423否则跳转到步骤425;
步骤423,将滑动窗口沿着水平方向滑动一个步长,水平滑动步长取27,并计算下一滑动窗口的起点坐标(i'=i+27j'=j);
步骤424,根据步骤423中得到的新起点坐标(i',j'),返回步骤422生成一新的滑动窗口;
步骤425,将滑动窗口沿着垂直方向滑动一个步长,垂直滑动步长取27,并计算下一滑动窗口的起点坐标(i”=i,j”=j+27);
步骤426,根据步骤423中得到的新起点坐标(i”,j”),若j+27小于灰度图的列数时,返回步骤422生成一新的滑动窗口,否则结束;
步骤427,采用步骤421-步骤426生成的一系列滑动窗口依次对灰度图进行行扫描和列扫描。
在步骤S43中,使用每个生成的31*31大小的滑动窗口提取其所覆盖的区域作为子图像,对所有子图像进行基于最大类间方差算法的阈值分割,具体包括如下步骤:
步骤S431,子图像中疑似异物区域和其他区域的分割阈值记为T,计算阈值T下的类间方差g,计算过程如下:
μ=ω0×μ0+ω1×μ1
g=ω0×(μ0-μ)2+ω1×(μ1-μ)2
其中,N0为子图像中灰度值小于阈值T的像素个数,N1为子图像中灰度值大于等于阈值T的像素个数记为N1,ω0为疑似异物区域的像素点个数占整幅子图像的比例,μ0为疑似异物区域的平均灰度,ω1为其他区域的像素点个数占整幅子图像的比例,μ1为其他区域的平均灰度为,μ为子图像的总平均灰度,M×N为子图像的大小。
步骤S432,遍历T从0到255灰度级的阈值分割条件,分别计算每个灰度级对应的gi的值,得到G={g0,g1,g2,…,g255}的集合,取G中最大元素所对应的Tmax值,将该Tmax值作为最终的分割阈值,对所有子图像进行阈值分割,得到疑似异物区域。
在步骤S45中,对二值图中的每个疑似异物区域的轮廓进行分析,对疑似异物区域进行二次筛选,具体包括如下步骤:
步骤S451,遍历所有疑似异物区域的轮廓,找出每个轮廓的对应的最小外接矩形,记录最小外接矩形的轮廓信息,该轮廓信息包括最小外接矩形的宽ExteRect_w,最小外接矩形的高ExteRect_h,以及最小外接矩形的中心Point(i,j)
步骤S452,以最小外接矩形中心,按比例将最小外接矩形向外扩充,得到对该疑似异物区域进行二次筛选所关注的矩形区域,并记录该矩形区域的轮廓信息,包括矩形区域的中心Roi_Point(i,j)=Point(i,j),矩形区域的宽为矩形区域的高为
步骤S453,以矩形区域的灰度均值为二次分割阈值,对矩形区域进行二次分割,得到候选异物区域。可选地,在步骤S453中,为了提高分割效果,在矩形区域的灰度均值上加上一个偏移量3后作为二次分割阈值。
步骤5,按照的候选异物区域的位置坐标,使用屏幕显示区域B进行表面异物刷选,具体包括如下步骤:
步骤S51,对屏幕显示区域B进行灰度处理得到图像Gray(i,j);
步骤S52,根据候选异物区域的位置坐标,在Gray(i,j)中进行定位,提取与候选异物区域相同位置区域和其8个领域局部子图的集合{Gray(i-1,j-1),Gray(i-1,j),Gray(i-1,j+1),Gray(i,j-1),Gray(i,j),Gray(i,j+1),Gray(i+1,j-1),Gray(i+1,j),Gray(i+1,j+1),计算该集合中九个区域图像的灰度均值Gray_ave;
步骤S53,判断灰度均值Gray_ave是否大于预设阈值,若灰度均值大于预设阈值,则认定检测的候选异物区域内的异物为表面异物,否则认定检测的候选异物区域内的异物为背光异物。在本实施例中,该预设阈值设定为70,即Gray_ave大于70时,则认定检测的候选异物区域的异物为表面异物。
同现有技术相比,本发明提供的背光异物缺陷检测方法具有以下优点:
1、综合使用点亮状态与未点亮状态下的两种模式下的液晶屏幕图像综合进行判断,可以在不撕掉屏幕表面保护膜的条件下避免表面异物的干扰。
2、根据液晶屏幕表面电极分布的特点,通过Gabor滤波器对图像进行0°和90°的多方向滤波,可有效去除液晶屏幕表面的周期性纹理,同时降低对缺陷区域信息造成的损失。
3、针对性的在缺陷候选区范围内对缺陷进行细致的特征分析,避免了整体分析带来的检测效率低的问题。
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 (9)
1.一种基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,包括如下步骤:
步骤S1,控制CCD相机在垂直视角下采集点亮状态下的液晶屏幕图像A,以及未点亮状态下的处于外界环境光条件下的液晶屏幕图像B;
步骤S2,采用固定阈值分别提取液晶屏幕图像A中的屏幕显示区域A和液晶屏幕图像B中的屏幕显示区域B;
步骤S3,通过Gabor滤波器,对步骤2中获取的屏幕显示区域A和屏幕显示区域B进行0°和90°方向的多方向滤波;
步骤S4,采用自适应灰度阈值分割算法从滤波后的屏幕显示区域A中的分割出疑似异物区域,对疑似异物区域进行定位并对所有的疑似异物区域进行二次阈值分割,得到候选异物区域;
步骤5,按照的候选异物区域的位置坐标,在屏幕显示区域B中对与候选异物区域相同位置进行定位,提取候选异物区域相同位置上的领域局部子图,计算候选异物区域相同位置对应区域和领域局部子图的灰度均值,
若候选异物区域相同位置的领域局部子图的灰度均值大于预设阈值,则认定检测的候选异物区域内的异物为表面异物,否则认定检测的候选异物区域内的异物为背光异物。
2.如权利要求1所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,在步骤S1中,在拍摄液晶屏幕图像时,通过自适应调节迭代算法调整CCD相机的曝光值,所述自适应调节迭代算法为:
Exposurei=Exposurei-1+ΔE
ΔE=(Ave_Grayi-1-Ave_Graytarget)×70
式中,Exposurei为当前计算得到的曝光参数,Exposurei-1为上一次使用的曝光参数;Ave_Grayi-1上一次采集得到的液晶屏幕图像中屏幕显示区域的亮度均值,Ave_Graytarget为屏幕显示区域的理想亮度值。
3.如权利要求1所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,所述步骤S2包括如下步骤:
步骤S21,选取液晶屏幕图像的中心区域面积为100×100的区域作为候选像素区域,计算该区域的平均亮度值Ave_Gray100×100;
步骤S22,以Ave_Gray100×100作为分割液晶屏幕图像中屏幕显示区域与背景区域的固定阈值Th,使用固定阈值Th对液晶屏幕图像进行二值化分割,得到边缘轮廓明显的二值图;
步骤S23,检索二值图中屏幕显示区域的外部轮廓,对所述屏幕显示区域进行透视变换,得到矩形的屏幕显示区域;
步骤S23,根据步骤S22中获取的二值图提取屏幕显示区域的外部轮廓,对所述外部轮廓进行透视变换,得到矩形的屏幕显示区域。
4.如权利要求3所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,所述步骤S23包括如下步骤:
步骤S232,对步骤S22中获取的二值图采用轮廓多边形近似的方式进行轮廓检索,再对检索得到的轮廓进行多边形拟合,得到屏幕显示区域的外部轮廓,并记录该外部轮廓信息:四个角点坐标(xij,yij)i=0,1;j=0,1和中心点坐标(xc,yc);
步骤S233,将外部轮廓的四个角点坐标(xij,yij)分别与中心点坐标(xc,yc)进行比较,对四个角点进行排序,确定变换前的外部轮廓的四个角点构成的矩阵其中,(xLT,yLT)为左上角坐标,(xLB,yLB)为左下角坐标,(xRT,yRT)为右上角坐标,(xRB,yRB)为右下角坐标;
步骤S234,使用矩阵M1和矩阵M2对步骤S22获取的屏幕显示区域进行透视变换,得到矩形的屏幕显示区域。
5.如权利要求1所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,所述步骤S4包括如下步骤:
步骤S41,对滤波后的屏幕显示区域进行灰度处理,获取一灰度图;
步骤S42,采用尺寸为31*31的滑动窗口依次对灰度图进行行扫描和列扫描;
步骤S43,提取灰度图中滑动窗口所覆盖的区域作为子图像,对所有子图像采用自适应灰度阈值分割算法进行阈值分割,得到疑似异物区域;
步骤S44,按照子图像所对应的滑动窗口在灰度图中的位置,将分割后的二值图拼接为与灰度图尺寸相同的整体二值图;
步骤S45,检索整体二值图中疑似异物区域的轮廓,对每个轮廓进行定位,对疑似异物区域进行二次阈值分割,得到候选异物区域。
6.如权利要求5所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,所述步骤S42包括如下步骤:
步骤421,确定滑动窗口起点Point(i,j)=(0,0);
步骤422,根据滑动窗口的尺寸生成当前的滑动窗口标记{i,j,31,31},其中,(i,j)为滑动窗口左上角坐标;当i+31小于灰度图的列数时,执行步骤423否则跳转到步骤425;
步骤423,将滑动窗口沿着水平方向滑动一个步长,水平滑动步长取27,并计算下一滑动窗口的起点坐标(i'=i+27j'=j);
步骤424,根据步骤423中得到的新起点坐标(i',j'),返回步骤422生成一新的滑动窗口;
步骤425,将滑动窗口沿着垂直方向滑动一个步长,垂直滑动步长取27,并计算下一滑动窗口的起点坐标(i”=i,j”=j+27);
步骤426,根据步骤423中得到的新起点坐标(i”,j”),若j+27小于灰度图的列数时,返回步骤422生成一新的滑动窗口,否则结束;
步骤427,采用步骤421-步骤426生成的一系列滑动窗口依次对灰度图进行行扫描和列扫描。
7.如权利要求6所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,所述步骤S43包括如下步骤:
步骤S431,子图像中疑似异物区域和其他区域的分割阈值记为T,计算阈值T下的类间方差g,计算过程如下:
μ=ω0×μ0+ω1×μ1
g=ω0×(μ0-μ)2+ω1×(μ1-μ)2
其中,N0为子图像中灰度值小于阈值T的像素个数,N1为子图像中灰度值大于等于阈值T的像素个数记为N1,ω0为疑似异物区域的像素点个数占整幅子图像的比例,μ0为疑似异物区域的平均灰度,ω1为其他区域的像素点个数占整幅子图像的比例,μ1为其他区域的平均灰度为,μ为子图像的总平均灰度,M×N为子图像的大小;
步骤S432,遍历T从0到255灰度级的阈值分割条件,分别计算每个灰度级对应的gi的值,得到G={g0,g1,g2,…,g255}的集合,取G中最大元素所对应的Tmax值,将该Tmax值作为最终的分割阈值,对所有子图像进行阈值分割,得到疑似异物区域。
8.如权利要求7所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,所述步骤S45包括如下步骤:
步骤S451,遍历所有疑似异物区域的轮廓,找出每个轮廓的对应的最小外接矩形,记录最小外接矩形的轮廓信息,该轮廓信息包括最小外接矩形的宽ExteRect_w,最小外接矩形的高ExteRect_h,以及最小外接矩形的中心Point(i,j)
步骤S452,以最小外接矩形中心,按比例将最小外接矩形向外扩充,得到对该疑似异物区域进行二次筛选所关注的矩形区域,并记录该矩形区域的轮廓信息,包括矩形区域的中心Roi_Point(i,j)=Point(i,j),矩形区域的宽为矩形区域的高为
步骤S453,以矩形区域的灰度均值为二次分割阈值,对矩形区域进行二次分割,得到候选异物区域。
9.如权利要求1所述的基于计算机视觉的液晶屏幕背光异物缺陷检测方法,其特征在于,所述步骤S5包括如下步骤:
步骤S51,对屏幕显示区域B进行灰度处理得到图像Gray(i,j);
步骤S52,根据候选异物区域的位置坐标,在Gray(i,j)中进行定位,提取与候选异物区域相同位置区域和其8个领域局部子图的集合,计算该集合的灰度均值Gray_ave;
步骤S53,判断灰度均值Gray_ave是否大于预设阈值,若灰度均值大于预设阈值,则认定检测的候选异物区域内的异物为表面异物,否则认定检测的候选异物区域内的异物为背光异物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372065.4A CN111474177A (zh) | 2020-05-06 | 2020-05-06 | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372065.4A CN111474177A (zh) | 2020-05-06 | 2020-05-06 | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111474177A true CN111474177A (zh) | 2020-07-31 |
Family
ID=71757309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010372065.4A Pending CN111474177A (zh) | 2020-05-06 | 2020-05-06 | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474177A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739021A (zh) * | 2020-08-05 | 2020-10-02 | 武汉精立电子技术有限公司 | 显示面板玻璃内外异物检测方法和装置 |
CN112798613A (zh) * | 2021-03-31 | 2021-05-14 | 惠州高视科技有限公司 | Lcd异物缺陷彩色成像检测方法、电子设备及存储介质 |
CN113096148A (zh) * | 2021-04-22 | 2021-07-09 | 中国工程物理研究院上海激光等离子体研究所 | 一种条纹相机图像边缘提取的方法 |
CN113390611A (zh) * | 2021-05-27 | 2021-09-14 | 北京兆维科技开发有限公司 | 一种屏幕缺陷的检测方法 |
CN115187593A (zh) * | 2022-09-08 | 2022-10-14 | 苏州华兴源创科技股份有限公司 | 屏幕缺陷检测方法和装置 |
CN115797351A (zh) * | 2023-02-08 | 2023-03-14 | 山东第一医科大学(山东省医学科学院) | 一种光伏电池板的异常检测方法 |
CN116563312A (zh) * | 2023-07-11 | 2023-08-08 | 山东古天电子科技有限公司 | 一种用于双屏机显示图像分割方法 |
CN116993718A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市东陆科技有限公司 | 基于机器视觉的tft阵列基板缺陷检测方法 |
CN117066702A (zh) * | 2023-08-25 | 2023-11-17 | 上海频准激光科技有限公司 | 一种基于激光器的激光打标控制系统 |
CN117115165A (zh) * | 2023-10-24 | 2023-11-24 | 长沙康乾电子科技有限公司 | 一种掩膜版加工表面划伤处理方法及装置 |
CN117456292A (zh) * | 2023-12-26 | 2024-01-26 | 浙江晶盛机电股份有限公司 | 蓝宝石缺陷检测方法、装置、电子装置和存储介质 |
CN117456292B (zh) * | 2023-12-26 | 2024-04-19 | 浙江晶盛机电股份有限公司 | 蓝宝石缺陷检测方法、装置、电子装置和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003168103A (ja) * | 2001-11-30 | 2003-06-13 | Seiko Epson Corp | 画面の線欠陥検出方法及び装置並びに画像データの補正方法 |
JP2004294202A (ja) * | 2003-03-26 | 2004-10-21 | Seiko Epson Corp | 画面の欠陥検出方法及び装置 |
CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
CN104301622A (zh) * | 2014-09-30 | 2015-01-21 | 上海微小卫星工程中心 | 一种天基空间目标成像曝光时间自适应控制方法及装置 |
CN104463097A (zh) * | 2014-10-31 | 2015-03-25 | 武汉工程大学 | 基于局部自适应阈值分割算法的高压线图像检测方法 |
WO2017054108A1 (zh) * | 2015-09-28 | 2017-04-06 | 华为技术有限公司 | 终端及检测环境光亮度的方法 |
CN110445921A (zh) * | 2019-09-06 | 2019-11-12 | 东北大学 | 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置 |
WO2020073686A1 (zh) * | 2018-10-08 | 2020-04-16 | 上海建工集团股份有限公司 | 基于图像识别的基坑自动监测数据筛选方法及系统 |
-
2020
- 2020-05-06 CN CN202010372065.4A patent/CN111474177A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003168103A (ja) * | 2001-11-30 | 2003-06-13 | Seiko Epson Corp | 画面の線欠陥検出方法及び装置並びに画像データの補正方法 |
JP2004294202A (ja) * | 2003-03-26 | 2004-10-21 | Seiko Epson Corp | 画面の欠陥検出方法及び装置 |
CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
CN104301622A (zh) * | 2014-09-30 | 2015-01-21 | 上海微小卫星工程中心 | 一种天基空间目标成像曝光时间自适应控制方法及装置 |
CN104463097A (zh) * | 2014-10-31 | 2015-03-25 | 武汉工程大学 | 基于局部自适应阈值分割算法的高压线图像检测方法 |
WO2017054108A1 (zh) * | 2015-09-28 | 2017-04-06 | 华为技术有限公司 | 终端及检测环境光亮度的方法 |
WO2020073686A1 (zh) * | 2018-10-08 | 2020-04-16 | 上海建工集团股份有限公司 | 基于图像识别的基坑自动监测数据筛选方法及系统 |
CN110445921A (zh) * | 2019-09-06 | 2019-11-12 | 东北大学 | 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739021A (zh) * | 2020-08-05 | 2020-10-02 | 武汉精立电子技术有限公司 | 显示面板玻璃内外异物检测方法和装置 |
CN111739021B (zh) * | 2020-08-05 | 2020-12-08 | 武汉精立电子技术有限公司 | 显示面板玻璃内外异物检测方法和装置 |
CN112798613A (zh) * | 2021-03-31 | 2021-05-14 | 惠州高视科技有限公司 | Lcd异物缺陷彩色成像检测方法、电子设备及存储介质 |
CN113096148A (zh) * | 2021-04-22 | 2021-07-09 | 中国工程物理研究院上海激光等离子体研究所 | 一种条纹相机图像边缘提取的方法 |
CN113390611A (zh) * | 2021-05-27 | 2021-09-14 | 北京兆维科技开发有限公司 | 一种屏幕缺陷的检测方法 |
CN113390611B (zh) * | 2021-05-27 | 2022-07-12 | 北京兆维科技开发有限公司 | 一种屏幕缺陷的检测方法 |
CN115187593A (zh) * | 2022-09-08 | 2022-10-14 | 苏州华兴源创科技股份有限公司 | 屏幕缺陷检测方法和装置 |
CN115187593B (zh) * | 2022-09-08 | 2022-12-16 | 苏州华兴源创科技股份有限公司 | 屏幕缺陷检测方法和装置 |
CN115797351A (zh) * | 2023-02-08 | 2023-03-14 | 山东第一医科大学(山东省医学科学院) | 一种光伏电池板的异常检测方法 |
CN116563312A (zh) * | 2023-07-11 | 2023-08-08 | 山东古天电子科技有限公司 | 一种用于双屏机显示图像分割方法 |
CN116563312B (zh) * | 2023-07-11 | 2023-09-12 | 山东古天电子科技有限公司 | 一种用于双屏机显示图像分割方法 |
CN117066702A (zh) * | 2023-08-25 | 2023-11-17 | 上海频准激光科技有限公司 | 一种基于激光器的激光打标控制系统 |
CN117066702B (zh) * | 2023-08-25 | 2024-04-19 | 上海频准激光科技有限公司 | 一种基于激光器的激光打标控制系统 |
CN116993718A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市东陆科技有限公司 | 基于机器视觉的tft阵列基板缺陷检测方法 |
CN116993718B (zh) * | 2023-09-25 | 2023-12-22 | 深圳市东陆科技有限公司 | 基于机器视觉的tft阵列基板缺陷检测方法 |
CN117115165A (zh) * | 2023-10-24 | 2023-11-24 | 长沙康乾电子科技有限公司 | 一种掩膜版加工表面划伤处理方法及装置 |
CN117456292A (zh) * | 2023-12-26 | 2024-01-26 | 浙江晶盛机电股份有限公司 | 蓝宝石缺陷检测方法、装置、电子装置和存储介质 |
CN117456292B (zh) * | 2023-12-26 | 2024-04-19 | 浙江晶盛机电股份有限公司 | 蓝宝石缺陷检测方法、装置、电子装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111474177A (zh) | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 | |
CN111563889B (zh) | 基于计算机视觉的液晶屏幕Mura缺陷检测方法 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
US8320658B2 (en) | Unevenness inspection method, method for manufacturing display panel, and unevenness inspection apparatus | |
JP2004294202A (ja) | 画面の欠陥検出方法及び装置 | |
US20070047801A1 (en) | Defect detecting method and defect detecting device | |
CN109872309B (zh) | 检测系统、方法、装置及计算机可读存储介质 | |
CN110514406B (zh) | 一种led灯板的检测方法、电子设备及存储介质 | |
JP2003066398A (ja) | 液晶ディスプレイパネルムラの分類処理方法、その装置及びプログラム | |
JP2007285754A (ja) | 欠陥検出方法および欠陥検出装置 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测系统 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
JP2009229197A (ja) | 線状欠陥検出方法および線状欠陥検出装置 | |
JP2005172559A (ja) | パネルの線欠陥検出方法及び装置 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
JP2003167529A (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 | |
JP2005165387A (ja) | 画面のスジ欠陥検出方法及び装置並びに表示装置 | |
JP2005345290A (ja) | 筋状欠陥検出方法及び装置 | |
JP2005164565A (ja) | 低解像度および高解像度映像におけるフラットパネル用光関連板要素の欠陥検出方法 | |
KR101218637B1 (ko) | 윤곽선 검출을 위한 대각선 스캔방법 | |
TWI760934B (zh) | 顯示面板Mura補償方法、系統、電子裝置及存儲介質 | |
CN115035071A (zh) | 一种pad导光板黑点缺陷的视觉检测方法 |
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: 20200731 |