CN111598801B - 一种用于微弱Mura缺陷的识别方法 - Google Patents

一种用于微弱Mura缺陷的识别方法 Download PDF

Info

Publication number
CN111598801B
CN111598801B CN202010392745.2A CN202010392745A CN111598801B CN 111598801 B CN111598801 B CN 111598801B CN 202010392745 A CN202010392745 A CN 202010392745A CN 111598801 B CN111598801 B CN 111598801B
Authority
CN
China
Prior art keywords
mura
gray
image
suspicious
real
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
Application number
CN202010392745.2A
Other languages
English (en)
Other versions
CN111598801A (zh
Inventor
刘强
肖学军
刘品德
陈显锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Jiazhicai Optoelectronics Technology Co ltd
Original Assignee
Suzhou Jiazhicai Optoelectronics Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Jiazhicai Optoelectronics Technology Co ltd filed Critical Suzhou Jiazhicai Optoelectronics Technology Co ltd
Priority to CN202010392745.2A priority Critical patent/CN111598801B/zh
Publication of CN111598801A publication Critical patent/CN111598801A/zh
Application granted granted Critical
Publication of CN111598801B publication Critical patent/CN111598801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于微弱Mura缺陷的识别方法，包括以下步骤：S1.对待检测的屏幕图像进行预处理；S2.进行统计得到灰度直方图，并求得灰度区间的像素最值点；S3.统计并判断灰度直方图中最值点两侧是否对称；S4.取最值点两侧一对称的区域范围划为非Mura区，其他区域划为可疑Mura区；S5.分别统计比较最值点两侧的可疑Mura区，像素数量多且统计数据波动大的一侧为真实Mura区；S6.拟合真实Mura区域数据的曲线，计算曲线的极值点和拐点，判断真实Mura的灰度区间；S7.重置背景图像；S8.得到残差图像，二值化后得到检测结果。本方法在不依靠时域和频域的情况下，直接用统计的方法重构图像的背景，不仅精确，而且计算也很快速，适合在线检测。

Description

一种用于微弱Mura缺陷的识别方法
技术领域
本发明涉及计算机视觉检测技术和显示技术领域，特别涉及一种用于微弱Mura缺陷的识别方法。
背景技术
随着科技快速发展，智能移动设备终端逐渐渗透到我们生活中的各个角落，特别是以手机为代表的移动设备，已经成为我们生活中不可缺少的一部分。显示屏幕作为人机交互的关键部件，直接影响着用户体验，所以人们对屏幕的质量要求也就越来越高。而屏幕是否存在有缺陷直接影响着屏幕的质量，所以屏幕的缺陷检测成为当前研究的热点。Mura是屏幕缺陷的一种，也是存在最多、最难检测的一种缺陷。
发明内容
本发明提供一种用于微弱Mura缺陷的识别方法，旨在提出了一种基于灰度直方图的方法重构图像的背景，避开了常规的时域或频域的处理方法，计算精确、快速，适合在线检测。
本发明提供一种用于微弱Mura缺陷的识别方法，包括以下步骤：
S1.对待检测的屏幕图像进行预处理；
S2.对预处理后的图像进行统计得到灰度直方图，并根据灰度直方图数据得到灰度区间的像素最值点；
S3.统计灰度直方图中最值点两侧是否对称，若对称则直接得出检测结果为良品；若不对称则执行步骤S4；
S4.取最值点两侧一对称的区域范围划为非Mura区，最值点两侧的其他区域划为可疑Mura区；
S5.分别统计比较最值点两侧的可疑Mura区，像素数量多且统计数据波动大的一侧为真实Mura区；
S6.拟合真实Mura区域数据的曲线，计算曲线的极值点和拐点，然后通过拐点和极值点判断真实Mura的灰度区间；
S7.计算非Mura区间的灰度均值，赋值给真实Mura灰度区间，获得重置的背景图像；
S8.根据重构的背景与预处理图像得到残差图像，将残差图像二值化后得到检测结果。
作为本发明的进一步改进，所述步骤S1具体为：预处理包括通过导入待检测图像，进行滤波、去噪处理，包括采用Gabor滤波、均值滤波、中值滤波、高斯滤波进行处理。
作为本发明的进一步改进，所述步骤S2具体包括：对预处理图像中的灰度按区间范围划分为多个灰阶，统计每个灰阶的像素点个数，可得到灰度直方图，并像素点个数最多的一个灰阶作为灰度直方图的最值点。像素最值点可以作为一个判断的基准点，而且容易求得，易于计算。
作为本发明的进一步改进，所述步骤S3具体包括：通过统计最值点两侧的灰度值总和是否相等来对屏幕质量做初步判断，若相等则判断此屏幕质量为良品；若不相等，则执行步骤S4做进一步判断。通过判断最值点两次是否对称或灰度值总和相等，来快速筛选出良品，剩下的再做进一步检测，减少了后续的工作量，检测更快速。
作为本发明的进一步改进，所述步骤S3包括：统计最值点两侧的像素点个数，并设定第一阈值，当两侧像素点个数差的绝对值小于第一阈值时，则判断此屏幕质量为良品；否则执行步骤S4做进一步判断。
作为本发明的进一步改进，所述步骤S4包括：设定第二阈值，并以最值点为中心，正反阈值区间内的范围为非Mura区，除去非Mura区后剩下的区域范围为可疑Mura区。做区域划分，可以缩小可疑Mura区的范围，便于判断出真实的Mura区。
作为本发明的进一步改进，所述步骤S5包括：分别统计两侧可疑Mura区的像素点为个数，并设定第三阈值，当左侧可疑Mura区像素点个数远大于右侧可疑Mura区像素点个数时，则计算左侧可疑Mura区像素点的方差，若左侧可疑Mura区像素点的方差大于第三阈值时，则判定左侧可疑Mura区为真实Mura区；反之则右侧可疑Mura区为真实Mura区。此步骤判断简单，对比也快速，通过波动大和像素个数多的一边来评判出不稳定的一个区，确定为真实Mura区。
作为本发明的进一步改进，所述步骤S6包括：统计真实Mura区的像素点变化趋势，拟合出曲线函数，通过曲线函数求图像的局部极值点和拐点；并将局部极值点和拐点之间的灰度区间对称到极值点另一边的灰度区间，作为真实Mura区的灰度范围。拟合出曲线函数，通过导数求解局部极值点和拐点快速简单，而且局部极值点和拐点数量少，容易快速寻找到其对应的区域，再进一步判断，提升了检测速度。
作为本发明的进一步改进，所述步骤S7包括：获取非Mura区域的灰度均值，将真实Mura区的灰度值重置成所述的灰度均值后，构成背景图像。通过构建背景图像，预处理图像能够有参照对比，便于进一步得出真实Mura区的图像。
作为本发明的进一步改进，所述步骤S8包括：将重构的背景与预处理图像做差，取绝对值后，得到残差图像，将残差图像二值化，最后用形态学操作去除噪声后，得到目的结果的二值图像。
本发明的有益效果是：本发明在对检测图像进行滤波去燥等常规的预处理手段之后，然后提出来一种新颖的背景重构方法，这种方法是基于图像的灰度直方图，在不依靠时域和频域的情况下，直接用统计的方法重构图像的背景，不仅精确，而且计算也很快速，适合在线检测。最后用重构的背景与原图像做差，从而得到Mura的精确位置。
附图说明
图1是本发明一种用于微弱Mura缺陷识别方法的流程示意图；
图2是本发明中灰度直方图分区的模型示意图；
图3是本发明中确定真实Mura灰度范围的模型示意图；
图4是本发明中灰度直方图的重构背景图；
图5是本发明中屏幕显示处理效果的过程示意图。
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。
实施例一：
如图1所示，一种用于微弱Mura缺陷的识别方法，包括以下步骤：
S1.对待检测的屏幕图像进行预处理；预处理通过导入待检测图片，进行滤波、去噪等处理，去除噪声、背景纹理的对检测的干扰，包括：均值滤波、Gabor滤波；对待检测图片进行滤波均值后，通过Gabor滤波消除背景纹理影响，必要时可通过高斯滤波再次去除噪声。
S2.对预处理后的图像进行统计得到灰度直方图，并根据灰度直方图数据得到灰度区间的像素最值点。
S3.统计灰度直方图中最值点两侧是否对称，若对称则直接得出检测结果为良品；若不对称则执行步骤S4；具体的也可以通过统计最值点两侧的灰度值总和是否大致相等来进行判断，若相等则判断此屏幕质量为良品；若不相等，则执行步骤S4做进一步判断。
S4.取最值点两侧一对称的区域范围划为非Mura区，最值点两侧的其他区域划为可疑Mura区；如图2、图5所示，取最值点附近的一定区域为非Mura区，其他部分为可疑Mura区。
S5.分别统计比较最值点两侧的可疑Mura区，像素数量多且统计数据波动大的一侧为真实Mura区；如图3、图5所示，比较两个可疑Mura区的像素点个数，明显多的一边，且波数据波动大的为真实Mura区。
S6.拟合真实Mura区域数据的曲线，计算曲线的极值点和拐点，然后通过拐点和极值点判断真实Mura的灰度区间；具体为统计真实Mura区的像素点变化趋势，拟合出曲线函数，通过曲线函数求图像的局部极值点和拐点；并将局部极值点和拐点之间的灰度区间对称到极值点另一边的灰度区间，作为真实Mura区的灰度范围。
S7.计算非Mura区间的灰度均值，赋值给真实Mura灰度区间，获得重置的背景图像，如图4、图5；
S8.根据重构的背景与预处理图像得到残差图像，将残差图像二值化后得到检测结果；将重构的背景图与原图做差，得到残差图，并将残差图二值化处理，通过腐蚀和膨胀去除干扰的噪点，得到最终的Mura区域。
如图5中，由第一幅图的屏幕图像，通过预处理、统计得到第二幅图的灰度直方图；在灰度直方图中确定真实的Mura区域，如第三幅图；将非Mura区间的灰度均值，赋值给真实Mura灰度区间，获得重置的背景图像，如第四幅图；将重置后的背景屏幕图像和原本的屏幕图像作对比，如第五幅图；检测得到第六幅图中的残差图像。
实施例二：
如图1至图5所示，一种用于微弱Mura缺陷识别方法的一种具体实施例，包括如下步骤：
1)对待检测图像进行预处理，通过进行均值滤波，通过Gabor滤波消除背景纹理影响，必要时可通过高斯滤波再次去除噪声，可得到预处理图像；
2)获取预处理图像的灰度直方图，将灰度分为0～255区间的256个灰阶，统计每个灰阶的像素点个数，可得到灰度直方图；
3)获取灰度直方图的最值点P，也就像素点个数最多的一个灰阶；
4)分别统计最值点P两边像素点个数m1、n1，设置一个阈值a，当|m1-n1|＜a时，则可判断此屏幕为良品，否则进行下一步；
5)设置阈值b，最值点P两侧(P-b,P)和(P,P+b)为非Mura区，(0,P-b)和(P+b,255)为可疑Mura区，阈值b可根据实际情况取值；
6)分别统计两侧可疑Mura区的像素点为个数m、n，当m＞＞n时，计算像素点数为m侧的方差δ，设定阈值c，当δ＞c时，可确定像素点个数总数为m一侧的为Mura区；反之像素点个数总数为n一侧为Mura区；
7)用多项式拟合Mura区域的灰度曲线。例如用三次多项式拟合曲线：y＝ax3+bx2+cx+d，其中y代表像素点个数，x代表灰度值；
8)求曲线的导数和二阶导数，确定曲线的极值点e和拐点g；
9)确定Mura的灰度区间：当e＞g时，Mura的灰度区间(g,2e-g)；当e＜g时，Mura的灰度区间(2e-g,g)；
10)重置背景区域：计算非Mura区域灰度均值μ，将μ赋值给Mura的灰度区间，构成背景图像；
11)将重构的背景与预处理图像做差，取绝对值后，得到残差图像，将残差图像二值化，最后用形态学操作去除噪声后，得到目的结果的二值图像。
本发明用基于灰度直方图的方法重构背景，没有用常规的时域和频域的处理方法，具有一定的创新性；在算法检测的时候，由于用统计的方法处理，所以计算的速度很快，在实际的检测中，检出的准确率也很高。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种用于微弱Mura缺陷的识别方法，其特征在于，包括以下步骤：
S1.对待检测的屏幕图像进行预处理；
S2.对预处理后的图像进行统计得到灰度直方图，并根据灰度直方图数据得到灰度区间的像素最值点；
S3.统计灰度直方图中最值点两侧是否对称，若对称则直接得出检测结果为良品；若不对称则执行步骤S4；
S4.取最值点两侧一对称的区域范围划为非Mura区，最值点两侧的其他区域划为可疑Mura区；
S5. 分别统计比较最值点两侧的可疑Mura区，像素数量多且统计数据波动大的一侧为真实Mura区；
S6. 拟合真实Mura区域数据的曲线，计算曲线的极值点和拐点，然后通过拐点和极值点判断真实Mura的灰度区间；
S7. 计算非Mura区间的灰度均值，赋值给真实Mura灰度区间，获得重置的背景图像；
S8. 根据重构的背景与预处理图像得到残差图像，将残差图像二值化后得到检测结果；
所述步骤S6包括：统计真实Mura区的像素点变化趋势，拟合出曲线函数，通过曲线函数求图像的局部极值点和拐点；并将局部极值点和拐点之间的灰度区间对称到极值点另一边的灰度区间，作为真实Mura区的灰度范围。
2.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S1具体为：预处理包括通过导入待检测图像，进行滤波、去噪处理，包括采用Gabor滤波、均值滤波、中值滤波、高斯滤波进行处理。
3.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S2具体包括：对预处理图像中的灰度按区间范围划分为多个灰阶，统计每个灰阶的像素点个数，可得到灰度直方图，并像素点个数最多的一个灰阶作为灰度直方图的最值点。
4.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S3具体包括：通过统计最值点两侧的灰度值总和是否相等来对屏幕质量做初步判断，若相等则判断此屏幕质量为良品；若不相等，则执行步骤S4做进一步判断。
5.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S3包括：统计最值点两侧的像素点个数，并设定第一阈值，当两侧像素点个数差的绝对值小于第一阈值时，则判断此屏幕质量为良品；否则执行步骤S4做进一步判断。
6.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S4包括：设定第二阈值，并以最值点为中心，正反阈值区间内的范围为非Mura区，除去非Mura区后剩下的区域范围为可疑Mura区。
7.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S5包括：分别统计两侧可疑Mura区的像素点为个数，并设定第三阈值，当左侧可疑Mura区像素点个数远大于右侧可疑Mura区像素点个数时，则计算左侧可疑Mura区像素点的方差，若左侧可疑Mura区像素点的方差大于第三阈值时，则判定左侧可疑Mura区为真实Mura区；反之则右侧可疑Mura区为真实Mura区。
8.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S7包括：获取非Mura区域的灰度均值，将真实Mura区的灰度值重置成所述的灰度均值后，构成背景图像。
9.根据权利要求1所述用于微弱Mura缺陷的识别方法，其特征在于，所述步骤S8包括：将重构的背景与预处理图像做差，取绝对值后，得到残差图像，将残差图像二值化，最后用形态学操作去除噪声后，得到目的结果的二值图像。
CN202010392745.2A 2020-05-11 2020-05-11 一种用于微弱Mura缺陷的识别方法 Active CN111598801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010392745.2A CN111598801B (zh) 2020-05-11 2020-05-11 一种用于微弱Mura缺陷的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010392745.2A CN111598801B (zh) 2020-05-11 2020-05-11 一种用于微弱Mura缺陷的识别方法

Publications (2)

Publication Number Publication Date
CN111598801A CN111598801A (zh) 2020-08-28
CN111598801B true CN111598801B (zh) 2023-04-28

Family

ID=72191214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010392745.2A Active CN111598801B (zh) 2020-05-11 2020-05-11 一种用于微弱Mura缺陷的识别方法

Country Status (1)

Country Link
CN (1) CN111598801B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112331140B (zh) * 2020-11-02 2021-11-16 苏州佳智彩光电科技有限公司 一种显示屏幕色偏Mura修复方法及装置
CN114283569B (zh) * 2022-01-24 2023-09-15 北京鼎好鑫源科技有限公司 一种大数据特征参量预警装置及方法
CN114965516B (zh) * 2022-08-01 2022-10-25 山东易斯特工程工具有限公司 基于x射线探伤的盾构刀头钎焊缺陷检测方法
CN116958136B (zh) * 2023-09-19 2024-01-30 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567044B (zh) * 2009-05-22 2012-08-22 北京大学 一种人脸图像质量检测方法
CN103792699A (zh) * 2013-09-09 2014-05-14 中华人民共和国四川出入境检验检疫局 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法
CN106200047B (zh) * 2016-08-29 2019-03-22 武汉精测电子集团股份有限公司 一种基于GPU的TFT-LCD Mura缺陷检测的方法
CN108460757B (zh) * 2018-02-11 2020-04-14 深圳市鑫信腾科技有限公司 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN110288566B (zh) * 2019-05-23 2021-12-07 北京中科晶上科技股份有限公司 一种目标缺陷提取方法

Also Published As

Publication number Publication date
CN111598801A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN110766679B (zh) 镜头脏污检测方法、装置及终端设备
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN115272346A (zh) 一种基于边缘检测的pcb板生产过程在线检测方法
CN109671078B (zh) 一种产品表面图像异常检测方法及装置
CN114387273B (zh) 基于计算机图像识别的环境粉尘浓度检测方法及系统
CN116168026A (zh) 基于计算机视觉的水质检测方法及系统
CN117764986B (zh) 基于图像处理的钛板表面缺陷检测方法
CN110288566B (zh) 一种目标缺陷提取方法
CN111046862B (zh) 一种字符分割方法、装置以及计算机可读存储介质
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
US20230011569A1 (en) Method and apparatus for detecting defect, device, and storage medium
CN110070523B (zh) 一种用于瓶底的异物检测方法
CN117392066B (zh) 缺陷检测方法、装置、设备及存储介质
CN114495098B (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
TW202127372A (zh) 瑕疵等級判定的方法及存儲介質
CN112669295A (zh) 一种基于二次阈值分割理论的锂电池极片缺陷检测方法
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
CN116542982A (zh) 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN110708568A (zh) 一种视频内容突变检测方法及装置
CN117011250A (zh) 缺陷检测方法、装置及存储介质
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN115346126A (zh) 一种边坡裂纹识别方法

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
GR01 Patent grant
GR01 Patent grant