CN112767527A - 一种基于ccd感知的发光强度及均匀度的检测方法 - Google Patents
一种基于ccd感知的发光强度及均匀度的检测方法 Download PDFInfo
- Publication number
- CN112767527A CN112767527A CN202110118040.6A CN202110118040A CN112767527A CN 112767527 A CN112767527 A CN 112767527A CN 202110118040 A CN202110118040 A CN 202110118040A CN 112767527 A CN112767527 A CN 112767527A
- Authority
- CN
- China
- Prior art keywords
- brightness
- uniformity
- ccd
- luminous
- imaging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 230000008447 perception Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 22
- 239000000463 material Substances 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/506—Illumination models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及一种基于CCD感知的发光强度及均匀度的检测方法,包括标定步骤和检测步骤,所述检测步骤包括以下步骤:步骤a1、取待测发光面,设置CCD的参数,使其与标定步骤的CCD参数相同;步骤a2、在暗室环境中,对待测发光面做成像,得到成像图像I;步骤a3、提取成像图像I的亮度特征矩阵M和均匀度特征U;步骤a4、根据标定步骤建立并学习亮度模型,得到学习后的亮度模型;步骤a5、根据学习后的亮度模型和亮度特征矩阵计算待测发光面的亮度A;根据均匀度特征矩阵U,计算待测发光面的均匀度u。本发明能够实现不同发光材质的亮度和均匀检测,而且能实现不同发光位置、不同发光尺寸的检测,能够抗噪声干扰,且简单易实行。
Description
技术领域
本发明涉及发光面检测技术领域,具体讲的是一种基于CCD感知的发光强度及均匀度的检测方法。
背景技术
随着平板显示器的升级换代的加快,用户对显示设备的显示效果要求越来越高,以及批量生产过程中对生产效率的高要求,使得传统的点式亮度计无法满足测试要求。传统的亮度和均匀度检测方法主要是5点,9点法等,这就导致如果需要进行全屏检测时,效率及其低下,无论是自动还是半自动产线,都需要很长的时间,无法满足产线需要。
另外,传统的方法对于小范围的发光亮度检测不佳,有些方法标定过程复杂,对于不同的产品,标定方式单一,不能很好的适应不同的显示设备。有些设备不能实现任意一点处发光亮度的测量。在显示设备的自动化检测中,显示设备亮度变化呈现一定的趋势,传统算法无法很好针对特定产品拟合这种趋势,无法实现特定产品的精准检测。有些检测设备很容易受到噪声干扰。
因此,能够做到全屏检测,不同发光面积检测,降低噪声干扰,适应不同产线,不同产品的检测设备,将很有必要。
发明内容
本发明要解决的技术问题是针对以上不足,提供一种基于CCD感知的发光强度及均匀度的检测方法。
为解决以上技术问题,本发明采用以下技术方案:
一种基于CCD感知的发光强度及均匀度的检测方法,包括以下步骤:
步骤a1、取待测发光面,设置CCD的参数,使其与标定步骤的CCD参数相同;
步骤a2、在暗室环境中,对待测发光面做成像,得到成像图像I;
步骤a3、提取成像图像I的亮度特征矩阵M和均匀度特征U;
步骤a4、根据标定步骤建立并学习亮度模型,得到学习后的亮度模型;
步骤a5、根据学习后的亮度模型和亮度特征矩阵计算待测发光面的亮度A;根据均匀度特征矩阵U,计算待测发光面的均匀度u。
进一步的,所述步骤a3具体包括以下步骤:
步骤a31、生成成像图像I的k层金字塔G,表示为:
G={G1…Gj},j=1,2,…,k;
步骤a32、将Gj分为相同大小的m*n区域,j=1,2,…,k;
步骤a34、依次提取Gj,j=1,2,…,k上相同位置的灰度值Gj(p,q),(p,q)为位置点的坐标,p=1,2,…,m;q=1,2,…,n,构成尺度一致局部直方图,表示为:
Hp,q(j)=Gj(p,q);j=1,2,…,k;p=1,2,…,m;q=1,2,…,n;
步骤a35、将所有尺寸一致局部直方图Hp,q(j)进行合并,得到成像图像I的多维特征矩阵H,表示为:
H={Hp,q(j)|j=1,2,…,k;p=1,2,…,m;q=1,2,…,n}
则,成像图像I的亮度特征矩阵M表示为:
步骤a36、将多维特征矩阵H做归一化处理,表示为:
生成成像图像I的均匀度特征矩阵U,表示为:
进一步的,所述标定步骤包括以下步骤:
步骤b1、选取与待测发光面相同的N个发光面样品,按照等差变换规律设置N个发光面样品的亮度值;
步骤b2、将每个发光面样品分成m*n个区域,用高精度测量工具对发光面样品的各个区域做亮度测量,N个发光面样品的亮度标准值,表示为:
其中,Ai为第i个发光面样品的亮度标准值,i=1、2……N;
步骤b3、设置CCD的参数;
步骤b4、在暗室环境中,将N个发光面样品依次放置于CCD的正下方,并对其进行成像,生成N个成像图像Bi,i=1,2,…,N,得到对应的成像图像序列{Bi}i=1,2,…,N;
步骤b5、提取成像图像序列{Bi}中每个成像图像Bi的亮度特征矩阵Mi,提取步骤与步骤a3相同;
步骤b6、建立亮度模型:
其中Mi为成像图像Bi的亮度特征矩阵,Ai为第i个发光面样品的亮度标准值,α、β和γ为亮度模型中的待训练值;
步骤b7、将所有成像Bi的亮度特征矩阵Mi代入亮度模型中,训练亮度模型,得到训练后的亮度模型。
进一步的,所述步骤b4中,计算待测发光面的均匀度的公式为:
其中u为待测发光面的均匀度,U为均匀度矩阵。
本发明采用以上技术方案后,与现有技术相比,具有以下优点:
本发明能够实现不同发光材质的亮度和均匀检测,而且能实现不同发光位置、不同发光尺寸的检测,能够抗噪声干扰,且简单易实行;本发明的检测方法通过标定过程建立亮度学习模型,并选取多个样品发光面对学习模型进行训练,提高学习模型数值的准确度,以提高检测精度;本发明通过CCD进行检查,检测效率高,成本较低便于推广。
下面结合附图和实施例对本发明进行详细说明。
附图说明
图1为与待检测发光面一致的,按照等差数列显示亮度的发光面样品(即标定样品);
图2为构建高斯金字塔得到亮度矩阵和均匀度协方差矩阵的示意图;
图3为成像系统示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
一种基于CCD感知的发光强度及均匀度的检测方法,包括以下步骤:
步骤a1、取待测发光面,设置CCD的参数,包括焦距f、光圈F、增益GA、白平衡参数BA、曝光时间T和工作距离L等参数,使其与标定步骤的GCD参数相同;
步骤a2、在暗室环境中,对待测发光面做成像,得到成像图像I;
步骤a3、提取成像图像I的亮度特征矩阵M和均匀度特征U,提取过程具体包括以下步骤:
步骤a31、如图2所示,生成成像图像I的k层金字塔G,表示为:
G={G1…Gj},j=1,2,…,k;
步骤a32、将Gj分为相同大小的m*n区域,j=1,2,…,k;
步骤a34、依次提取Gj,j=1,2,…,k上相同位置的灰度值Gj(p,q),(p,q)为位置点的坐标,p=1,2,…,m;q=1,2,…,n,构成尺度一致局部直方图,表示为:
Hp,q(j)=Gj(p,q);j=1,2,…,k;p=1,2,…,m;q=1,2,…,n;
步骤a35、将所有尺寸一致局部直方图Hp,q(j)进行合并,得到成像图像I的多维特征矩阵H,表示为:
H={Hp,q(j)|j=1,2,…,k;p=1,2,…,m;q=1,2,…,n}
则,成像图像I的亮度特征矩阵M表示为:
步骤a36、将多维特征矩阵H做归一化处理,表示为:
生成成像图像I的均匀度特征矩阵U,表示为:
步骤a4、根据标定步骤建立并学习亮度模型,得到学习后的亮度模型;
步骤a5、根据学习后的亮度模型和亮度特征矩阵计算待测发光面的亮度A,将亮度特征矩阵M代入学习后的亮度模型得到发光面亮度A,表示为:
A=αM2+βM+γ;
根据均匀度特征矩阵U,计算待测发光面的均匀度u,计算待测发光面的均匀度的公式为:
其中u为待测发光面的均匀度,U为均匀度矩阵。
标定步骤包括以下步骤:
步骤b1、如图1所示,选取与待测发光面相同的N个发光面样品,按照等差变换规律设置N个发光面样品的亮度值;
步骤b2、将每个发光面样品分成m*n个区域,用高精度测量工具对发光面样品的各个区域做亮度测量,N个发光面样品的亮度标准值,表示为:
其中,Ai为第i个发光面样品的亮度标准值,i=1、2……N;
步骤b3、设置CCD的参数;
步骤b4、在暗室环境中,将N个发光面样品依次放置于CCD的正下方,并对其进行成像,生成N个成像图像Bi,i=1,2,…,N,得到对应的成像图像序列{Bi}i=1,2,…,N;
步骤b5、提取成像图像序列{Bi}中每个成像图像Bi的亮度特征矩阵Mi,提取步骤与步骤a3相同;
步骤b6、建立亮度模型:
其中Mi为成像图像Bi的亮度特征矩阵,Ai为第i个发光面样品的亮度标准值,α、β和γ为亮度模型中的待训练值;
步骤b7、将所有成像Bi的亮度特征矩阵Mi代入亮度模型中,训练亮度模型,得到训练后的亮度模型。
如图3所示,一种基于CCD感知的发光强度及均匀度的检测系统,包括CCD成像设备和上位机,所述CCD成像设备主要用于对待检测发光面做成像,上位机用于控制成像、亮度模型学习、亮度检测和均匀度检测。
以上所述为本发明最佳实施方式的举例,其中未详细述及的部分均为本领域普通技术人员的公知常识。本发明的保护范围以权利要求的内容为准,任何基于本发明的技术启示而进行的等效变换,也在本发明的保护范围之内。
Claims (4)
1.一种基于CCD感知的发光强度及均匀度的检测方法,其特征在于,包括以下步骤:
步骤a1、取待测发光面,设置CCD的参数,使其与标定步骤的CCD参数相同;
步骤a2、在暗室环境中,对待测发光面做成像,得到成像图像I;
步骤a3、提取成像图像I的亮度特征矩阵M和均匀度特征U;
步骤a4、根据标定步骤建立并学习亮度模型,得到学习后的亮度模型;
步骤a5、根据学习后的亮度模型和亮度特征矩阵计算待测发光面的亮度A;根据均匀度特征矩阵U,计算待测发光面的均匀度u。
2.根据权利要求1所述的基于CCD感知的发光强度及均匀度的检测方法,其特征在于,所述步骤a3具体包括以下步骤:
步骤a31、生成成像图像I的k层金字塔G,表示为:
G={G1 … Gj},j=1,2,…,k;
步骤a32、将Gj分为相同大小的m*n区域,j=1,2,…,k;
步骤a34、依次提取Gj,j=1,2,…,k上相同位置的灰度值Gj(p,q),(p,q)为位置点的坐标,p=1,2,…,m;q=1,2,…,n,构成尺度一致局部直方图,表示为:
Hp,q(j)=Gj(p,q);j=1,2,…,k;p=1,2,…,m;q=1,2,…,n;
步骤a35、将所有尺寸一致局部直方图Hp,q(j)进行合并,得到成像图像I的多维特征矩阵H,表示为:
H={Hp,q(j)|j=1,2,…,k;p=1,2,…,m;q=1,2,…,n}
则,成像图像I的亮度特征矩阵M表示为:
步骤a36、将多维特征矩阵H做归一化处理,表示为:
生成成像图像I的均匀度特征矩阵U,表示为:
3.根据权利要求1所述的基于CCD感知的发光强度及均匀度的检测方法,其特征在于,所述标定步骤包括以下步骤:
步骤b1、选取与待测发光面相同的N个发光面样品,按照等差变换规律设置N个发光面样品的亮度值;
步骤b2、将每个发光面样品分成m*n个区域,用高精度测量工具对发光面样品的各个区域做亮度测量,N个发光面样品的亮度标准值,表示为:
其中,Ai为第i个发光面样品的亮度标准值,i=1、2……N;
步骤b3、设置CCD的参数;
步骤b4、在暗室环境中,将N个发光面样品依次放置于CCD的正下方,并对其进行成像,生成N个成像图像Bi,i=1,2,…,N,得到对应的成像图像序列{Bi}i=1,2,…,N;
步骤b5、提取成像图像序列{Bi}中每个成像图像Bi的亮度特征矩阵Mi,提取步骤与步骤a3相同;
步骤b6、建立亮度模型:
其中Mi为成像图像Bi的亮度特征矩阵,Ai为第i个发光面样品的亮度标准值,α、β和γ为亮度模型中的待训练值;
步骤b7、将所有成像Bi的亮度特征矩阵Mi代入亮度模型中,训练亮度模型,得到训练后的亮度模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118040.6A CN112767527A (zh) | 2021-01-28 | 2021-01-28 | 一种基于ccd感知的发光强度及均匀度的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118040.6A CN112767527A (zh) | 2021-01-28 | 2021-01-28 | 一种基于ccd感知的发光强度及均匀度的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767527A true CN112767527A (zh) | 2021-05-07 |
Family
ID=75706410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110118040.6A Pending CN112767527A (zh) | 2021-01-28 | 2021-01-28 | 一种基于ccd感知的发光强度及均匀度的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767527A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030193564A1 (en) * | 2002-04-15 | 2003-10-16 | Jenkins David R. | Multi-point calibration method for imaging light and color measurement device |
US20060061248A1 (en) * | 2004-09-22 | 2006-03-23 | Eastman Kodak Company | Uniformity and brightness measurement in OLED displays |
CN106846328A (zh) * | 2016-12-07 | 2017-06-13 | 长安大学 | 一种基于视频的隧道亮度检测方法 |
CN107403177A (zh) * | 2017-05-27 | 2017-11-28 | 延锋伟世通汽车电子有限公司 | 基于工业相机的亮度测量方法 |
CN107507571A (zh) * | 2017-08-28 | 2017-12-22 | 哈尔滨工业大学深圳研究生院 | 一种对amoled进行外部光学补偿的方法及装置 |
CN109902758A (zh) * | 2019-03-11 | 2019-06-18 | 重庆邮电大学 | 基于深度学习的车道区域识别的数据集标定方法 |
CN110489069A (zh) * | 2019-07-10 | 2019-11-22 | 武汉海微科技有限公司 | 一种led阵列动画渲染显示控制方法和装置 |
-
2021
- 2021-01-28 CN CN202110118040.6A patent/CN112767527A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030193564A1 (en) * | 2002-04-15 | 2003-10-16 | Jenkins David R. | Multi-point calibration method for imaging light and color measurement device |
US20060061248A1 (en) * | 2004-09-22 | 2006-03-23 | Eastman Kodak Company | Uniformity and brightness measurement in OLED displays |
CN106846328A (zh) * | 2016-12-07 | 2017-06-13 | 长安大学 | 一种基于视频的隧道亮度检测方法 |
CN107403177A (zh) * | 2017-05-27 | 2017-11-28 | 延锋伟世通汽车电子有限公司 | 基于工业相机的亮度测量方法 |
CN107507571A (zh) * | 2017-08-28 | 2017-12-22 | 哈尔滨工业大学深圳研究生院 | 一种对amoled进行外部光学补偿的方法及装置 |
CN109902758A (zh) * | 2019-03-11 | 2019-06-18 | 重庆邮电大学 | 基于深度学习的车道区域识别的数据集标定方法 |
CN110489069A (zh) * | 2019-07-10 | 2019-11-22 | 武汉海微科技有限公司 | 一种led阵列动画渲染显示控制方法和装置 |
Non-Patent Citations (3)
Title |
---|
严利民;潘浩;杜斌;夏明治;: "CCD相机全彩LED显示屏亮度检测与校正算法", 华中科技大学学报(自然科学版), no. 08, 23 August 2016 (2016-08-23), pages 80 - 84 * |
张强;蒋世磊;孙国斌;王震;张梦妮;: "基于线阵CCD步进扫描的光照均匀度检测方法", 光通信技术, no. 03, 15 March 2018 (2018-03-15), pages 51 - 55 * |
徐治户: "基于粒子群优化算法的LED光照均匀性研究", 《合肥工业大学》, 15 January 2019 (2019-01-15), pages 24 - 37 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN107578047B (zh) | 电力电缆的偏心度检测方法 | |
CN109525840B (zh) | 一种成像芯片上微弱缺陷的检测方法 | |
CN111047586B (zh) | 一种基于机器视觉的像素当量测量方法 | |
CN107256689A (zh) | Led显示屏亮度校正后的均匀性修复方法 | |
WO2018010386A1 (zh) | 元件反件检测方法和系统 | |
CN110310596B (zh) | 一种oled模组的gamma调节初值预测方法及系统 | |
CN103927749A (zh) | 图像处理方法、装置和自动光学检测机 | |
CN111028779A (zh) | 显示面板的补偿方法、装置以及显示面板 | |
CN108445010A (zh) | 自动光学检测方法及装置 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN110942748A (zh) | 一种基于面阵相机的面板电压压降补偿方法及装置 | |
KR20140075042A (ko) | 표시패널 검사 장치 및 그 방법 | |
CN114627089A (zh) | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 | |
CN110060625B (zh) | 一种led显示屏采集渐晕补偿方法 | |
CN108010071B (zh) | 一种利用3d深度测量的亮度分布测量系统及方法 | |
CN116229856B (zh) | 一种计算机用自动控制的屏幕检测系统及方法 | |
CN112767527A (zh) | 一种基于ccd感知的发光强度及均匀度的检测方法 | |
CN111207683A (zh) | 一种隧道变形的监测方法、装置及计算机可读存储介质 | |
CN116402784A (zh) | 基于机器视觉的辅助对中方法、系统、设备及存储介质 | |
CN107610101B (zh) | 一种测量数字图像视觉平衡质量的方法 | |
CN106713907B (zh) | 一种显示器的hdr图像显示性能评测方法及装置 | |
CN113870150B (zh) | 基于连续多张遥感图像反演航天器低频振动参数的方法 | |
CN1198114C (zh) | 孔径尺寸的测量方法 | |
CN115471482A (zh) | 基于计算机视觉的小口径容器内壁缺陷检测方法 |
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 |