CN112881430A - 一种基于图像识别的显示屏缺陷监测系统及其检测方法 - Google Patents

一种基于图像识别的显示屏缺陷监测系统及其检测方法 Download PDF

Info

Publication number
CN112881430A
CN112881430A CN202110262577.XA CN202110262577A CN112881430A CN 112881430 A CN112881430 A CN 112881430A CN 202110262577 A CN202110262577 A CN 202110262577A CN 112881430 A CN112881430 A CN 112881430A
Authority
CN
China
Prior art keywords
display screen
picture
camera
image
detection
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
Application number
CN202110262577.XA
Other languages
English (en)
Inventor
易正瑜
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.)
Shenzhen Huiyi Technology Co ltd
Original Assignee
Shenzhen Huiyi 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 Shenzhen Huiyi Technology Co ltd filed Critical Shenzhen Huiyi Technology Co ltd
Priority to CN202110262577.XA priority Critical patent/CN112881430A/zh
Publication of CN112881430A publication Critical patent/CN112881430A/zh
Pending legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于图像识别的显示屏缺陷监测系统及其检测方法，涉及屏幕缺陷检测技术领域，包括检测流水线与主控机，所述检测流水线包括至少一个用于对显示屏进行检测的检测工位，所述检测工位为内部设置有用于装载显示屏的点灯治具与图像采集模块的暗室，所述主控机包括图像处理模块、图像对比模块、良品预估模块与样本库，所述检测工位内设置有多个照明灯。本发明通过采用相机拍照，并利用图像处理模块对所得照片进行处理后，利用图像对比模块对处理后的图片与良品预估图进行对比，可有效的检测出显示屏中的不良品，相比于传统的人工检测，大大降低了漏检率与误检率，同时检测速度快，检测精度高，有效提高了显示屏的检测效率。

Description

一种基于图像识别的显示屏缺陷监测系统及其检测方法
技术领域
本发明涉及屏幕缺陷检测技术领域，特别是涉及一种基于图像识别的显示屏缺陷监测系统及其检测方法。
背景技术
LCD显示屏的构造是在两片平行的玻璃当中放置液态的晶体，两片玻璃中间有许多垂直和水平的细小电线，透过通电与否来控制杆状水晶分子改变方向，将光线折射出来产生画面，LCD屏广泛应用于手机、平板电脑、车载显示、游戏机、笔记本、数字相机屏等诸多领域。随着市场需求加大，竞争加剧，客户对LCD屏质量要求水平不断提高，导致LCD生产厂家质量检测难度增大、检测内容增多。
常规的LCD屏检测缺陷主要包括点类缺陷、线类缺陷、画面异常类缺陷等，有时也会出现一些非常规的缺陷，比如粗糙斑。点类缺陷，按与背景对比度，可分为亮点类和暗点类；按发生机制，可分为点亮类和异物类。线类缺陷，按与背景对比度，可分为亮线和暗线；按其方向，可分为水平和垂直；按其长度，可分为贯穿线和半截线。
LCD显示屏的传统的检测方式是采用人工视觉的检测方法去检测上述各种缺陷，受主观因素影响，在检测过程中容易出现漏检以及误检的情况，导致检测速度慢、检测效率低，影响了整个检测速度和检测效率。
发明内容
基于此，有必要针对人工检测效率低，且易漏检、误检的问题，提供一种基于图像识别的显示屏缺陷监测系统及其检测方法。
一方面，本发明提供了一种基于图像识别的显示屏缺陷检测系统，包括检测流水线与主控机，所述检测流水线包括至少一个用于对显示屏进行检测的检测工位，所述检测工位为内部设置有用于装载显示屏的点灯治具与图像采集模块的暗室，所述主控机包括图像处理模块、图像对比模块、良品预估模块与样本库，所述检测工位内设置有多个照明灯，所述照明灯对称分布于点灯治具的两侧。
在其中一个实施例中，所述图像采集模块包括多个相机，所述相机用于拍摄显示屏的缺陷原图，所述相机的数量为六个，且六个相机分别为相机A、相机B、相机C、相机D、相机E与相机F。
在其中一个实施例中，六个所述相机分别由不同角度对显示屏进行拍照，六个所述相机分别用于拍摄白画面、128灰画面、黑画面、框图画面、红画面、绿画面、蓝画面及灰尘画面中的至少两种组合。
在其中一个实施例中，所述图像处理模块用于通过采用差分算法对缺陷原图进行计算并得到一次缺陷重建图。
在其中一个实施例中，所述图像处理模块用于通过采用二值化算法对一次缺陷重建图进行计算并得到二次缺陷重建图。
在其中一个实施例中，所述样本库包括良品特征库与不良品特征库。
在其中一个实施例中，所述良品预估模块用于通过对良品特征库及不良品特征库中的特征样本进行学习，对每个像素点间建立关联反馈，形成卷积神经网络模型，并根据卷积神经网络生成良品预估图。
在其中一个实施例中，所述图像对比模块用于对同一显示屏的所述二次缺陷重建图及所述良品预估图进行对比。
在其中一个实施例中，所述检测流水线还包括：
用于对待检测显示屏进行上料的入料流水线；
用于对待检测显示屏由入料流水线表面进行转运的入料手臂；
用于撕除显示屏保护膜的撕膜部；
用于将待检测显示屏由入料手臂处转移至撕膜部的撕膜传输部；
用于对撕下的保护膜进行运输的保护膜传输部；
用于对撕膜后的显示屏进行定位的视觉定位部；
用于对完成检测的显示屏进行下料的下料中转平台；
用于对显示屏进行覆膜的覆膜手臂；
用于对完成覆膜的显示屏进行下料的产品下料搬运手臂；
用于对合格产品进行下料的出料流水线；
用于对残次品进行转运的NG搬运手臂
用于对残次品进行回收的NG萃盘。
另一方面，本发明提供了上述的基于图像识别的显示屏缺陷检测系统的检测方法，包括以下步骤：
步骤一：将至少50片良品与至少50片不良品的特征照片分别输入样本库的良品特征库与不良品特征库中；
步骤二：良品预估模块用于通过对良品特征库及不良品特征库中的特征样本进行学习，对每个像素点间建立关联反馈，形成卷积神经网络模型；
步骤三：进行模拟检测：对至少50片待检测的产线正常产品进行试检，并根据试检状态及卷积神经网络生成良品预估图；
步骤四：在模拟检测过程中逐步调整产品的缺陷门限参数，直至过筛率小于5％，其中，过筛率＝(检出不良品数-实际不良品数)/产品总数；
步骤五：进行实际检测：检测流水线对显示屏进行上料并撕膜后置入检测工位内，相机A、相机B、相机C、相机D、相机E与相机F由不同角度拍摄显示屏的白画面、128灰画面、黑画面、框图画面、红画面、绿画面、蓝画面及灰尘画面中的至少两种组合；
步骤六：图像处理模块采用差分算法对相机拍摄的画面进行计算并得到一次缺陷重建图，之后图像处理模块采用二值化算法对一次缺陷重建图进行计算并得到二次缺陷重建图；
步骤七：图像对比模块对同一显示屏的二次缺陷重建图及良品预估图进行对比，以判断该显示屏是否为良品；
步骤八：当显示屏为良品时，对显示屏进行覆膜后通过出料流水线输出；当显示屏为不良品时，通过NG搬运手臂将显示屏放入NG萃盘中。
与现有技术相比，本发明的有益效果是：
1、本发明通过采用相机拍照，并利用图像处理模块对所得照片进行处理后，利用图像对比模块对处理后的图片与良品预估图进行对比，可有效的检测出显示屏中的不良品，相比于传统的人工检测，大大降低了漏检率与误检率，同时检测速度快，检测精度高，有效提高了显示屏的检测效率。
2、本发明通过采用多个相机由不同角度对显示屏的不同显示状态进行拍照，可有效避免因单相机单角度拍摄而造成的画面采集不全的问题，从而保证了检测的精确性。
3、本发明通过使用图像处理模块采用差分算法对相机拍摄的画面进行计算并得到一次缺陷重建图，并采用二值化算法对一次缺陷重建图进行计算并得到二次缺陷重建图，可使所得图片中，包含的产品缺陷更加明显，且便于区分，从而有效提高了检测效率。
附图说明
图1为本发明的结构框图；
图2为本发明中样本库的结构框图；
图3为本发明中检测流水线的结构示意图；
图4为本发明中相机A-相机F与点灯治具之间的位置关系示意图；
图5为本发明中各相机与拍摄画面的关系图；
图6为本发明中各画面的拍照时序与检测时序的时间关系示意图；
图7为本发明中缺陷原图、一次缺陷重建图与二次缺陷重建图的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做清楚、完整的描述。显然，以下描述的具体细节只是本发明的一部分实施例，本发明还能够以很多不同于在此描述的其他实施例来实现。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下，所获得的所有其他实施例，均属于本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
如图1所示，一方面，本发明提供了一种基于图像识别的显示屏缺陷检测系统，包括检测流水线与主控机，所述检测流水线包括至少一个用于对显示屏进行检测的检测工位，所述检测工位为内部设置有用于装载显示屏的点灯治具a与图像采集模块的暗室，所述主控机包括图像处理模块、图像对比模块、良品预估模块与样本库，所述检测工位内设置有多个照明灯b，所述照明灯b对称分布于点灯治具a的两侧。
在本发明的一个实施例中，所述图像采集模块包括多个相机，所述相机用于拍摄显示屏的缺陷原图，所述相机的数量为六个，且六个相机分别为相机A、相机B、相机C、相机D、相机E与相机F。
具体结合图4、5，进一步的，六个所述相机分别由不同角度对显示屏进行拍照，六个所述相机分别用于拍摄白画面、128灰画面、黑画面、框图画面、红画面、绿画面、蓝画面及灰尘画面中的至少两种组合，优选的，相机A用于拍摄显示屏的白画面、128灰画面、框图(黑底白框)画面、红画面、绿画面、蓝画面；相机B用于拍摄显示屏的白画面与框图(黑底白框)画面；相机C用于拍摄显示屏的白画面与框图(黑底白框)画面；相机D用于拍摄显示屏的白画面与框图(黑底白框)画面；相机E用于拍摄显示屏的白画面、128灰画面、红画面、绿画面、蓝画面与灰尘画面；相机F用于拍摄显示屏的白画面、黑画面、框图(黑底白框)画面与灰尘画面。
具体结合图7，本发明中，所述图像处理模块用于通过采用差分算法对缺陷原图进行计算并得到一次缺陷重建图。
差分算法通过采用浮点矢量进行编码生成种群个体。在差分算法寻优的过程中，首先，从父代个体间选择两个个体进行向量做差生成差分矢量；其次，选择另外一个个体与差分矢量求和生成实验个体；然后，对父代个体与相应的实验个体进行交叉操作，生成新的子代个体；最后在父代个体和子代个体之间进行选择操作，将符合要求的个体保存到下一代群体中去。
具体结合图7，所述图像处理模块用于通过采用二值化算法对一次缺陷重建图进行计算并得到二次缺陷重建图。
二值化算法及图像二值化，是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程，在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓，以便对对图像进行对比。
具体结合图2，本发明中，所述样本库包括良品特征库与不良品特征库。
所述良品预估模块用于通过对良品特征库及不良品特征库中的特征样本进行学习，对每个像素点间建立关联反馈，形成卷积神经网络模型，并根据卷积神经网络生成良品预估图。
所述图像对比模块用于对同一显示屏的所述二次缺陷重建图及所述良品预估图进行对比。
具体结合图3，在本发明的某些较佳的实施例中，所述检测流水线还包括：
用于对待检测显示屏进行上料的入料流水线；
用于对待检测显示屏由入料流水线表面进行转运的入料手臂；
用于撕除显示屏保护膜的撕膜部；
用于将待检测显示屏由入料手臂处转移至撕膜部的撕膜传输部；
用于对撕下的保护膜进行运输的保护膜传输部；
用于对撕膜后的显示屏进行定位的视觉定位部；
用于对完成检测的显示屏进行下料的下料中转平台；
用于对显示屏进行覆膜的覆膜手臂；
用于对完成覆膜的显示屏进行下料的产品下料搬运手臂；
用于对合格产品进行下料的出料流水线；
用于对残次品进行转运的NG搬运手臂
用于对残次品进行回收的NG萃盘。
另一方面，本发明提供了上述的基于图像识别的显示屏缺陷检测系统的检测方法，包括以下步骤：
步骤一：将至少50片良品与至少50片不良品的特征照片分别输入样本库的良品特征库与不良品特征库中；
步骤二：良品预估模块用于通过对良品特征库及不良品特征库中的特征样本进行学习，对每个像素点间建立关联反馈，形成卷积神经网络模型；
步骤三：进行模拟检测：对至少50片待检测的产线正常产品进行试检，并根据试检状态及卷积神经网络生成良品预估图；
步骤四：在模拟检测过程中逐步调整产品的缺陷门限参数，直至过筛率小于5％，其中，过筛率＝(检出不良品数-实际不良品数)/产品总数；
步骤五：进行实际检测：检测流水线对显示屏进行上料并撕膜后置入检测工位内，相机A、相机B、相机C、相机D、相机E与相机F由不同角度拍摄显示屏的白画面、128灰画面、黑画面、框图画面、红画面、绿画面、蓝画面及灰尘画面中的至少两种组合；
步骤六：图像处理模块采用差分算法对相机拍摄的画面进行计算并得到一次缺陷重建图，之后图像处理模块采用二值化算法对一次缺陷重建图进行计算并得到二次缺陷重建图；
步骤七：图像对比模块对同一显示屏的二次缺陷重建图及良品预估图进行对比，以判断该显示屏是否为良品；
步骤八：当显示屏为良品时，对显示屏进行覆膜后通过出料流水线输出；当显示屏为不良品时，通过NG搬运手臂将显示屏放入NG萃盘中。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、替换及改进，这些都应涵盖在本发明的保护范围之内。因此，本发明专利的保护范围应以权利要求为准。

Claims (10)

1.一种基于图像识别的显示屏缺陷检测系统，其特征在于，包括检测流水线与主控机，所述检测流水线包括至少一个用于对显示屏进行检测的检测工位，所述检测工位为内部设置有用于装载显示屏的点灯治具与图像采集模块的暗室，所述主控机包括图像处理模块、图像对比模块、良品预估模块与样本库，所述检测工位内设置有多个照明灯，所述照明灯对称分布于点灯治具的两侧。
2.根据权利要求1所述的基于图像识别的显示屏缺陷检测系统，其特征在于，所述图像采集模块包括多个相机，所述相机用于拍摄显示屏的缺陷原图，所述相机的数量为六个，且六个相机分别为相机A、相机B、相机C、相机D、相机E与相机F。
3.根据权利要求2所述的基于图像识别的显示屏缺陷检测系统，其特征在于，六个所述相机分别由不同角度对显示屏进行拍照，六个所述相机分别用于拍摄白画面、128灰画面、黑画面、框图画面、红画面、绿画面、蓝画面及灰尘画面中的至少两种组合。
4.根据权利要求1所述的基于图像识别的显示屏缺陷检测系统，其特征在于，所述图像处理模块用于通过采用差分算法对缺陷原图进行计算并得到一次缺陷重建图。
5.根据权利要求4所述的基于图像识别的显示屏缺陷检测系统，其特征在于，所述图像处理模块用于通过采用二值化算法对一次缺陷重建图进行计算并得到二次缺陷重建图。
6.根据权利要求1所述的基于图像识别的显示屏缺陷检测系统，其特征在于，所述样本库包括良品特征库与不良品特征库。
7.根据权利要求1所述的基于图像识别的显示屏缺陷检测系统，其特征在于，所述良品预估模块用于通过对良品特征库及不良品特征库中的特征样本进行学习，对每个像素点间建立关联反馈，形成卷积神经网络模型，并根据卷积神经网络生成良品预估图。
8.根据权利要求7所述的基于图像识别的显示屏缺陷检测系统，其特征在于，所述图像对比模块用于对同一显示屏的二次缺陷重建图及所述良品预估图进行对比。
9.根据权利要求1所述的基于图像识别的显示屏缺陷检测系统，其特征在于，所述检测流水线还包括：
用于对待检测显示屏进行上料的入料流水线；
用于对待检测显示屏由入料流水线表面进行转运的入料手臂；
用于撕除显示屏保护膜的撕膜部；
用于将待检测显示屏由入料手臂处转移至撕膜部的撕膜传输部；
用于对撕下膜的保护进行运输的保护膜传输部；
用于对撕膜后的显示屏进行定位的视觉定位部；
用于对完成检测的显示屏进行下料的下料中转平台；
用于对显示屏进行覆膜的覆膜手臂；
用于对完成覆膜的显示屏进行下料的产品下料搬运手臂；
用于对合格产品进行下料的出料流水线；
用于对残次品进行转运的NG搬运手臂
用于对残次品进行回收的NG萃盘。
10.一种如权利要求1-9任一项所述的基于图像识别的显示屏缺陷检测系统的检测方法，其特征在于，包括以下步骤：
步骤一：将至少50片良品与至少50片不良品的特征照片分别输入样本库的良品特征库与不良品特征库中；
步骤二：良品预估模块用于通过对良品特征库及不良品特征库中的特征样本进行学习，对每个像素点间建立关联反馈，形成卷积神经网络模型；
步骤三：进行模拟检测：对至少50片待检测的产线正常产品进行试检，并根据试检状态及卷积神经网络生成良品预估图；
步骤四：在模拟检测过程中逐步调整产品的缺陷门限参数，直至过筛率小于5％，其中，过筛率＝(检出不良品数-实际不良品数)/产品总数；
步骤五：进行实际检测：检测流水线对显示屏进行上料并撕膜后置入检测工位内，相机A、相机B、相机C、相机D、相机E与相机F由不同角度拍摄显示屏的白画面、128灰画面、黑画面、框图画面、红画面、绿画面、蓝画面及灰尘画面中的至少两种组合；
步骤六：图像处理模块采用差分算法对相机拍摄的画面进行计算并得到一次缺陷重建图，之后图像处理模块采用二值化算法对一次缺陷重建图进行计算并得到二次缺陷重建图；
步骤七：图像对比模块对同一显示屏的二次缺陷重建图及良品预估图进行对比，以判断该显示屏是否为良品；
步骤八：当显示屏为良品时，对显示屏进行覆膜后通过出料流水线输出；当显示屏为不良品时，通过NG搬运手臂将显示屏放入NG萃盘中。
CN202110262577.XA 2021-03-10 2021-03-10 一种基于图像识别的显示屏缺陷监测系统及其检测方法 Pending CN112881430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110262577.XA CN112881430A (zh) 2021-03-10 2021-03-10 一种基于图像识别的显示屏缺陷监测系统及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110262577.XA CN112881430A (zh) 2021-03-10 2021-03-10 一种基于图像识别的显示屏缺陷监测系统及其检测方法

Publications (1)

Publication Number Publication Date
CN112881430A true CN112881430A (zh) 2021-06-01

Family

ID=76054175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110262577.XA Pending CN112881430A (zh) 2021-03-10 2021-03-10 一种基于图像识别的显示屏缺陷监测系统及其检测方法

Country Status (1)

Country Link
CN (1) CN112881430A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113866182A (zh) * 2021-09-09 2021-12-31 安徽亿普拉斯科技有限公司 一种用于检测显示模组缺陷的检测方法及系统
CN114170612A (zh) * 2021-12-15 2022-03-11 江门市浩远科技有限公司 一种基于led单元板缺陷判断的回收生产方法
CN114184552A (zh) * 2021-12-15 2022-03-15 江阴飞阳电子科技有限公司 一种电动车显示屏加工检测系统
CN114985279A (zh) * 2022-06-06 2022-09-02 北京日扬弘创科技有限公司 一种显示屏检测分选方法、系统以及存储介质
CN115090540A (zh) * 2022-05-31 2022-09-23 江西合力泰科技有限公司 一种液晶显示屏全显图像检测方法及系统
CN114170612B (zh) * 2021-12-15 2024-07-02 江门市浩远科技有限公司 一种基于led单元板缺陷判断的回收生产方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010121958A (ja) * 2008-11-17 2010-06-03 Seiko Epson Corp 欠陥検出方法および欠陥検出装置
CN110031468A (zh) * 2019-04-13 2019-07-19 深圳汇义科技有限公司 一种便携式手机屏检测设备
CN111474748A (zh) * 2020-04-21 2020-07-31 苏州佳智彩光电科技有限公司 一种大尺寸lcd显示模组机器视觉检查方法与系统
CN111551559A (zh) * 2020-05-13 2020-08-18 深圳市全洲自动化设备有限公司 一种基于多目视觉系统的lcd液晶屏缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010121958A (ja) * 2008-11-17 2010-06-03 Seiko Epson Corp 欠陥検出方法および欠陥検出装置
CN110031468A (zh) * 2019-04-13 2019-07-19 深圳汇义科技有限公司 一种便携式手机屏检测设备
CN111474748A (zh) * 2020-04-21 2020-07-31 苏州佳智彩光电科技有限公司 一种大尺寸lcd显示模组机器视觉检查方法与系统
CN111551559A (zh) * 2020-05-13 2020-08-18 深圳市全洲自动化设备有限公司 一种基于多目视觉系统的lcd液晶屏缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
熊光洁 等: "基于机器视觉的高密度电路板缺陷检测系统", 《计算机测量与控制》 *
龚文引 等, 中国地质大学出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113866182A (zh) * 2021-09-09 2021-12-31 安徽亿普拉斯科技有限公司 一种用于检测显示模组缺陷的检测方法及系统
CN114170612A (zh) * 2021-12-15 2022-03-11 江门市浩远科技有限公司 一种基于led单元板缺陷判断的回收生产方法
CN114184552A (zh) * 2021-12-15 2022-03-15 江阴飞阳电子科技有限公司 一种电动车显示屏加工检测系统
CN114170612B (zh) * 2021-12-15 2024-07-02 江门市浩远科技有限公司 一种基于led单元板缺陷判断的回收生产方法
CN115090540A (zh) * 2022-05-31 2022-09-23 江西合力泰科技有限公司 一种液晶显示屏全显图像检测方法及系统
CN114985279A (zh) * 2022-06-06 2022-09-02 北京日扬弘创科技有限公司 一种显示屏检测分选方法、系统以及存储介质

Similar Documents

Publication Publication Date Title
CN112881430A (zh) 一种基于图像识别的显示屏缺陷监测系统及其检测方法
CN100480690C (zh) 检查显示面板的设备和方法
CN104749184B (zh) 自动光学检测方法和系统
CN110296997B (zh) 基于机器视觉的陶瓷瓦的缺陷检测方法及装置
US9076037B2 (en) Image processing apparatus and method
US20070047801A1 (en) Defect detecting method and defect detecting device
CN109685789B (zh) 基于视觉检测的电芯表面胶纸检测方法及装置
US20140198202A1 (en) Inspection method for display panel
CN116990993B (zh) 一种lcd显示面板质量检测方法
CN113838044A (zh) 基于机器视觉的面板缺陷检测方法及系统
CN113092489A (zh) 一种电池外观缺陷的检测系统及方法
CN116030002A (zh) 一种基于高动态技术的图像缺陷分类方法及系统
CN106846294B (zh) 视觉检测方法、装置及设备
CN114745510A (zh) 一种用于目标图像采集的led光源自动校准方法及系统
CN109932160B (zh) Aoi与灰度计检测系统及方法
CN113012607A (zh) 显示模块检测方法、装置和系统
CN115731195A (zh) 一种缺陷检测方法、装置、设备以及系统
CN115452718A (zh) 电芯检测系统、电芯检测方法及计算机可读存储介质
CN111524107B (zh) 缺陷检测方法、缺陷检测装置及计算机可读存储介质
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
JP2003216928A (ja) 菓子用良否判定システム
CN113596439A (zh) 基于图像模糊评价的摄像头模组局部解析力失效检测方法
CN111698498A (zh) 一种光学镜头成品检测方法
CN111289527A (zh) 一种电子产品的壳体侧边检测装置及壳体侧边检测方法
KR100249597B1 (ko) 광학적 불균일 검사장치 및 광학적 불균일 검사방법

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: 20210601

RJ01 Rejection of invention patent application after publication