CN113538603A - 一种基于阵列产品的光学检测方法、系统和可读存储介质 - Google Patents
一种基于阵列产品的光学检测方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN113538603A CN113538603A CN202111086007.6A CN202111086007A CN113538603A CN 113538603 A CN113538603 A CN 113538603A CN 202111086007 A CN202111086007 A CN 202111086007A CN 113538603 A CN113538603 A CN 113538603A
- Authority
- CN
- China
- Prior art keywords
- defect
- small image
- points
- gray
- small
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 230000003287 optical effect Effects 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 305
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000000737 periodic effect Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000002950 deficient Effects 0.000 claims description 47
- 238000012937 correction Methods 0.000 claims description 30
- 238000007689 inspection Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001915 proofreading effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于阵列产品的光学检测方法、系统和可读存储介质，所述方法包括：通过图像采集器对待检测的阵列产品采集获取对应的原始图像；对原始图像进行二值化处理得到灰度图像；将所述灰度图像划分为N个周期性的小图像块；从N个小图像块中按照顺序依次选定一个小图像块，将该小图像块中某像素点的灰度值与其它小图像块对应像素点的灰度值的差值绝对值大于第一预设阈值像素点标记为缺陷参考点；将该小图像块中所有像素点的灰度值与剩余小图像块的对应像素点的灰度值进行逐一比对，并计算各像素点标记为缺陷参考点的累计次数；将累计次数大于第二预设阈值的像素点标记为缺陷点。本发明替代人工视觉检测方式，并提升检测效率和准确度。
Description
技术领域
本发明涉及光学检测技术领域，尤其涉及一种基于阵列产品的光学检测方法、系统和可读存储介质。
背景技术
近年来，随着全球科学技术的迅速发展，全世界液晶显示及相关产业发展规模日益增大，TFT-LCD 及其相关产业的市场与生产制造商产业也随之不断地增加。 TFT-LCD 以低成本、出众的体积优势、高解析度以及高亮度等优势逐步占据显示器的主导地位，普遍用于智能手机，台式与笔记本电脑、多媒体会议终端显示屏、智能手表、车载多媒体终端和家用智能电视等生活与办公领域。
目前，TFT-LCD 行业在全中国乃至全球都竞争激烈，人工劳动力的使用直接决定着生产成本，最终决定着产品的成本竞争力。由于液晶显示屏生产涉及到的工艺流程多达300多个，工艺繁杂，任何环节都有可能出现缺陷问题，而现如今多数的液晶显示屏生产商还是通过采用人工作业，利用人眼识别判断的方法来检测通电后在不同显示信号作用下的液晶显示屏的显示缺陷。这种传统的检测方法检测效率较低，且由于TFT-LCD产品中显示单元为阵列状分布，显示单元数量大，且分布密度密集，容易给作业人员造成视觉疲劳，因此采用人工视觉检测方式在对TFT-LCD产品进行检测过程中，受作业人员的主观因素影响大，缺陷检测的精确度不高。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于阵列产品的光学检测方法、系统和可读存储介质，能够替代人工视觉检测方式，节省了人力成本，并提升了检测效率和准确度。
本发明第一方面提出了一种基于阵列产品的光学检测方法，所述方法包括：
通过图像采集器对待检测的阵列产品采集获取对应的原始图像；
对所述原始图像进行二值化处理，得到灰度图像；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像划分为N个周期性的小图像块，且N个小图像块分别包括相同数量和相同排布状态的小元件；
从N个小图像块中按照顺序依次选定一个小图像块，判断所述小图像块中某像素点的灰度值与其它小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述小图像块中的某像素点标记为缺陷参考点；
将该小图像块中所有像素点的灰度值与剩余小图像块的对应像素点的灰度值进行逐一比对，并计算该小图像块中所有像素点标记为缺陷参考点的累计次数；
将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点。
本方案中，将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，具体包括：
根据历史检测数据库中的历史检测数据计算出单个像素点为缺陷点的概率P；
根据概率P计算得出第二预设阈值，则第二预设阈值等于(N-1)*(1-k*P)，其中k为固定正整数，N为灰度图像中的小图像块总数。
本方案中，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述方法还包括：
依次按照灰度值作差比对方式完成对N个小图像块中缺陷点的标记；
从缺陷点标记后的N个小图像块中选定出缺陷点数量最少的小图像块为基准小图像块；
分别取出除所述基准小图像块以外的剩余小图像块中标记为缺陷点的灰度值，并将其分别与所述基准小图像块中相同像素点位置的灰度值进行比对；
判断剩余小图像块中某缺陷点的灰度值与所述基准小图像块中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
本方案中，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述方法还包括：
制定出与单个小图像块的形状、尺寸均相同的缺陷校对模板检测窗口；
将所述缺陷校对模板检测窗口按照预设的周期步长依次遍历所述灰度图像，其中预设的周期步长为单个小元件在灰度图像中的尺寸；
如果所述缺陷校对模板检测窗口遍历移动到所述灰度图像对应的位置，且所述缺陷校对模板检测窗口覆盖的图像区域没有缺陷点，则将该图像区域选定为缺陷校对模板图像；如果所述缺陷校对模板检测窗口遍历整个灰度图像，且均未出现所述缺陷校对模板检测窗口覆盖的图像区域零缺陷点的情况，则从之前所有次遍历移动过程所覆盖的图像区域中，选定缺陷点最少的图像区域作为缺陷校对模板图像；
分别获取N个小图像块中标记为缺陷点的灰度值，并将其分别与所述缺陷校对模板图像中相同像素点位置的灰度值进行比对；
判断N个小图像块中某缺陷点的灰度值与所述缺陷校对模板图像中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
本方案中，在对所述原始图像进行二值化处理，得到灰度图像之后，所述方法包括；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像沿着横向划分为N1个周期性的横向小图像块，且N1个横向小图像块分别包括相同数量和相同排布状态的小元件；
从N1个横向小图像块中按照顺序依次选定一个横向小图像块，判断所述横向小图像块中某像素点的灰度值与其它横向小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述横向小图像块中的某像素点标记为缺陷参考点；
将该横向小图像块中所有像素点的灰度值与剩余横向小图像块的对应像素点的灰度值进行逐一比对，并计算该横向小图像块中所有像素点标记为缺陷参考点的累计次数；
将该横向小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，
依次按照灰度值作差比对方式完成对N1个横向小图像块中缺陷点的标记，并将完成缺陷点标记的N1个横向小图像块进行拼接为缺陷点标记的第一灰度图像；
将所述灰度图像沿着纵向划分为N2个周期性的纵向小图像块，且N2个纵向小图像块分别包括相同数量和相同排布状态的小元件；
从N2个纵向小图像块中按照顺序依次选定一个纵向小图像块，判断所述纵向小图像块中某像素点的灰度值与其它纵向小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述纵向小图像块中的某像素点标记为缺陷参考点；
将该纵向小图像块中所有像素点的灰度值与剩余纵向小图像块的对应像素点的灰度值进行逐一比对，并计算该纵向小图像块中所有像素点标记为缺陷参考点的累计次数；
将该纵向小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，
依次按照灰度值作差比对方式完成对N2个纵向小图像块中缺陷点的标记，并将完成缺陷点标记的N2个纵向小图像块进行拼接为缺陷点标记的第二灰度图像；
判断缺陷点标记的第一灰度图像与第二灰度图像之间相同像素点位置的缺陷点标记状态是否一致，如果一致，则认定对应像素点位置的缺陷点标记状态正确，如果不一致，则对该像素点位置的缺陷点标记状态进行校正。
本方案中，对该像素点位置的缺陷点标记状态进行校正，具体包括：
将第一灰度图像与第二灰度图像进行重叠设置，按照相同的纵横交叉分割方式将第一灰度图像和第二灰度图像分别换分为H个第一小图像块和H个第二小图像块，其中H个第一小图像块和H个第二小图像块一一对应，且H等于N1*N2；
制定出与单个第一小图像块或第二小图像块的形状、尺寸均相同的校正图像检测窗口；
将所述校正图像检测窗口按照预设的周期步长依次遍历重叠设置的第一灰度图像与第二灰度图像，其中预设的周期步长为单个小元件在第一灰度图像或第二灰度图像中的尺寸；
如果所述校正图像检测窗口遍历移动到重叠设置的第一灰度图像与第二灰度图像对应的位置，且所述校正图像检测窗口覆盖的第一灰度图像上的第一图像区域与第二灰度图像上的第二图像区域均没有缺陷点，则将该第一图像区域或第二图像区域选定为校正图像模板；
如果某个第一小图像块与对应的第二小图像块有需要校正缺陷点标记状态，则确定出需要校正缺陷点标记状态的像素点位置，并获取该像素点位置对应的灰度值；
从所述校正图像模板中找出与该像素点位置相对应的校正像素点，并获取该校正像素点位置处的灰度值，并将其与需要校正缺陷点标记状态的像素点位置处的灰度值进行比对，并判断两者灰度值的差值绝对值是否大于第一预设阈值，如果是，则将需要校正缺陷点标记状态校正为缺陷点，如果否，则将需要校正缺陷点标记状态校正为非缺陷点。
本发明第二方面还提出一种基于阵列产品的光学检测系统，包括存储器和处理器，所述存储器中包括一种基于阵列产品的光学检测方法程序，所述基于阵列产品的光学检测方法程序被所述处理器执行时实现如下步骤：
通过图像采集器对待检测的阵列产品采集获取对应的原始图像；
对所述原始图像进行二值化处理，得到灰度图像；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像划分为N个周期性的小图像块，且N个小图像块分别包括相同数量和相同排布状态的小元件；
从N个小图像块中按照顺序依次选定一个小图像块，判断所述小图像块中某像素点的灰度值与其它小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述小图像块中的某像素点标记为缺陷参考点；
将该小图像块中所有像素点的灰度值与剩余小图像块的对应像素点的灰度值进行逐一比对，并计算该小图像块中所有像素点标记为缺陷参考点的累计次数；
将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点。
本方案中，将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，具体包括：
根据历史检测数据库中的历史检测数据计算出单个像素点为缺陷点的概率P；
根据概率P计算得出第二预设阈值，则第二预设阈值等于(N-1)*(1-k*P)，其中k为固定正整数，N为灰度图像中的小图像块总数。
本方案中，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述基于知识图谱的数据处理方法程序被所述处理器执行时还实现如下步骤：
依次按照灰度值作差比对方式完成对N个小图像块中缺陷点的标记；
从缺陷点标记后的N个小图像块中选定出缺陷点数量最少的小图像块为基准小图像块；
分别取出除所述基准小图像块以外的剩余小图像块中标记为缺陷点的灰度值，并将其分别与所述基准小图像块中相同像素点位置的灰度值进行比对；
判断剩余小图像块中某缺陷点的灰度值与所述基准小图像块中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于阵列产品的光学检测方法程序，所述基于阵列产品的光学检测方法程序被处理器执行时，实现如上述的一种基于阵列产品的光学检测方法的步骤。
本发明提出的一种基于阵列产品的光学检测方法、系统和可读存储介质，能够替代传统人工视觉缺陷检测方式，节省了人力成本，并提升了产品缺陷检测效率和准确率。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明一种基于阵列产品的光学检测方法的流程图；
图2示出了本发明一实施例的灰度图像划分成N个小图像块的示意图；
图3示出了本发明一种基于阵列产品的光学检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于阵列产品的光学检测方法的流程图。
如图1所示，本发明第一方面提出一种基于阵列产品的光学检测方法，所述方法包括：
S102，通过图像采集器对待检测的阵列产品采集获取对应的原始图像；
S104，对所述原始图像进行二值化处理，得到灰度图像；
S106，基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像划分为N个周期性的小图像块（如图2所示），且N个小图像块分别包括相同数量和相同排布状态的小元件；
S108，从N个小图像块中按照顺序依次选定一个小图像块，判断所述小图像块中某像素点的灰度值与其它小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述小图像块中的某像素点标记为缺陷参考点；
S110，将该小图像块中所有像素点的灰度值与剩余小图像块的对应像素点的灰度值进行逐一比对，并计算该小图像块中所有像素点标记为缺陷参考点的累计次数；
S112，将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点。
需要说明的是，待检测的阵列产品可以包括多个小元件（如发光单元等），且由于多个小元件呈现阵列状排布。图像采集器采集的原始图像经过二值化处理后，得到灰度图，在正常无缺陷情况下，灰度图中各个小元件相同位置处的灰度值应该相同或相近，一旦某小元件发生缺陷，则缺陷处的灰度值将会相对于正常小元件有较大的差异，因此，本发明基于正常小元件与缺陷小元件之间灰度值差异度来确定是否为缺陷点。
可以理解，阵列产品中包括的小元件较多，如果基于每个小元件将整个灰度图像划分为多个小图像块，则小图像块的数量较多，进而使各个小图像块之间对比的次数增多，从而不利于高效光学检测的目的。本发明则增大对灰度图像的周期性划分尺寸，使得单个小图像块可以包括多个小元件，并使整个灰度图像划分较少的小图像块，以减少各个小图像块之间对比的次数，进而提升了光学检测效率。
需要说明的是，各个小图像块的尺寸相同，且包括的像素点数相同，两个小图像块之间在灰度值比对时，则是基于相同位置的像素点进行比对的。某小图像块的某像素点分别与剩余N-1个小图像块相同位置的像素点比对N-1次，在N-1次比对过程，累计计算该像素点标记为参考缺陷点的次数，如果大于第二预设阈值，则说明该像素点的灰度值与剩余多数小图像块相同位置的像素点差异度较大，根据产品出现缺陷概率较小的事实，则可以认定该像素点为缺陷点。可以理解，在比对该像素点的灰度值的同时，也会对其它像素点的灰度值进行比对，以此方式，即可筛查出该小图像块所有像素点中的缺陷点。
根据本发明的具体实施例，在对整个灰度图像进行划分多个小图像块时，需要对每个小图像块绑定对应的位置标识，在多个小图像块完成缺陷点标记后，对多个缺陷点标记后的小图像块基于对应的位置标识进行图像拼接，以得到带有缺陷点标记的灰度图像。
根据本发明的实施例，将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，具体包括：
根据历史检测数据库中的历史检测数据计算出单个像素点为缺陷点的概率P；
根据概率P计算得出第二预设阈值，则第二预设阈值等于(N-1)*(1-k*P)，其中k为固定正整数，N为灰度图像中的小图像块总数。
根据本发明的具体实施例，根据历史检测数据库中的历史检测数据计算出单个像素点为缺陷点的概率P，具体包括：
从历史检测数据库中选定M个灰度图像，预设每个灰度图像的像素点为J个，则M个灰度图像的总像素点为M*J个；
统计M个灰度图像中的缺陷点的总数量为L个，则根据总像素点M*J，和缺陷点的总数量L计算出单个像素点的概率P=L/M*J；
需要说明的是，通常单个像素点为缺陷点的概率较低，对于N个小图像块相同位置的像素点为缺陷的数量也会非常少，因此，可以认定相同位置的大部分像素点都是非缺陷的。假设某小图像块的某像素点为缺陷，则在比对分析时，其它N-1个小图像块相同位置的像素点为缺陷的概率很低，可以认定N-1个小图像块相同位置的像素点大部分为非缺陷，有历史检测数据可以分析出单个像素点为缺陷的概率为P，则N-1个小图像块相同位置的像素点为缺陷的概率数量为（N-1）*P，相应的N-1个小图像块相同位置的像素点不为缺陷的概率数量为（N-1）-（N-1）*P。然而概率仅仅是表征可能性较高的情况，在个别情况下，也会出现超概率的事件，例如N-1个小图像块相同位置的像素点有超过（N-1）*P个为缺陷，如果直接将第二预设阈值直接设定为（N-1）-（N-1）*P，则会出现对缺陷点漏检的现象，本发明为了消除该现象，在原有的概率P基础上，进一步扩大k倍，将第二预设阈值设定为（N-1）-（N-1）*k*P，进一步变形即可得到(N-1)*(1-k*P)。可以理解，k*P则不大于1/2。
可以理解，第二预设阈值与N成近似正比例关系，即N越大，则第二预设阈值也越大，基于此，该第二预设阈值是浮动的，则可以根据不同阵列产品进行变化，为不同阵列产品制定较为准确的阈值，进一步提升了缺陷检测的准确率。
根据本发明的实施例，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述方法还包括：
依次按照灰度值作差比对方式完成对N个小图像块中缺陷点的标记；
从缺陷点标记后的N个小图像块中选定出缺陷点数量最少的小图像块为基准小图像块；
分别取出除所述基准小图像块以外的剩余小图像块中标记为缺陷点的灰度值，并将其分别与所述基准小图像块中相同像素点位置的灰度值进行比对；
判断剩余小图像块中某缺陷点的灰度值与所述基准小图像块中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
需要说明的是，在得出每个小图像块标记的缺陷点时，有可能会出现误差，例如某小图像块的一个像素点不为缺陷，在进行灰度值作差分析后，则误认为缺陷点，为了消除这种缺陷点，本发明则从N个小图像块中选定缺陷点最少的小图像块为基准小图像块，理论情况下，该基准小图像块为没有缺陷点。然后将其他小图像块的缺陷点的灰度值与基准小图像块相同像素点位置的灰度值作差比对，进一步核实该缺陷点的标记是否正确，如果不准确，则需要进行消除处理，通过对缺陷点二次核实，可以有效提升缺陷检测准确率。
根据本发明的实施例，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述方法还包括：
制定出与单个小图像块的形状、尺寸均相同的缺陷校对模板检测窗口；
将所述缺陷校对模板检测窗口按照预设的周期步长依次遍历所述灰度图像，其中预设的周期步长为单个小元件在灰度图像中的尺寸；
如果所述缺陷校对模板检测窗口遍历移动到所述灰度图像对应的位置，且所述缺陷校对模板检测窗口覆盖的图像区域没有缺陷点，则将该图像区域选定为缺陷校对模板图像；如果所述缺陷校对模板检测窗口遍历整个灰度图像，且均未出现所述缺陷校对模板检测窗口覆盖的图像区域零缺陷点的情况，则从之前所有次遍历移动过程所覆盖的图像区域中，选定缺陷点最少的图像区域作为缺陷校对模板图像；
分别获取N个小图像块中标记为缺陷点的灰度值，并将其分别与所述缺陷校对模板图像中相同像素点位置的灰度值进行比对；
判断N个小图像块中某缺陷点的灰度值与所述缺陷校对模板图像中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
需要说明的是，在进行缺陷点误差消除过程中，可能零缺陷点或最少的缺陷点不在N个小图像块之间，本发明的实施例可以不基于前述分割的N个小图像块来寻找合适的缺陷校对模板图像，则基于整个灰度图像进行重新寻找，且在寻找过程中，可以设定检测窗口，使缺陷校对模板检测窗口的形状、尺寸与单个小图像块一致，由于产品中的小元件呈现阵列周期分布，则可以基于单个小元件的尺寸作为缺陷校对模板检测窗口移动的周期步长。具体的，预设灰度图像中的小元件可能呈现纵横阵列排布，则检测窗口按照“Z”字形遍历整个灰度图像。首先缺陷校对模板检测窗口位于初始位置，即灰度图像的左上角，然后沿着横向移动，则移动的周期步长为单个小元件的长度，每移动一个周期步长，则计算缺陷校对模板检测窗口覆盖的图像区域的缺陷点数量，并记录下来，等到沿着横向移动至最右侧时，则可以沿着纵向向下移动，此时移动的周期步长为单个小元件的宽度，稍后继续沿着横向移动。
可以理解，本发明的实施例通过缺陷校对模板检测窗口能够在整个灰度图像中找出最佳的缺陷校对模板图像，进而提升了缺陷误差消除的准确率，进一步提升了产品缺陷检测的准确率。
根据本发明的实施例，在对所述原始图像进行二值化处理，得到灰度图像之后，所述方法包括；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像沿着横向划分为N1个周期性的横向小图像块，且N1个横向小图像块分别包括相同数量和相同排布状态的小元件；
从N1个横向小图像块中按照顺序依次选定一个横向小图像块，判断所述横向小图像块中某像素点的灰度值与其它横向小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述横向小图像块中的某像素点标记为缺陷参考点；
将该横向小图像块中所有像素点的灰度值与剩余横向小图像块的对应像素点的灰度值进行逐一比对，并计算该横向小图像块中所有像素点标记为缺陷参考点的累计次数；
将该横向小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，
依次按照灰度值作差比对方式完成对N1个横向小图像块中缺陷点的标记，并将完成缺陷点标记的N1个横向小图像块进行拼接为缺陷点标记的第一灰度图像；
将所述灰度图像沿着纵向划分为N2个周期性的纵向小图像块，且N2个纵向小图像块分别包括相同数量和相同排布状态的小元件；
从N2个纵向小图像块中按照顺序依次选定一个纵向小图像块，判断所述纵向小图像块中某像素点的灰度值与其它纵向小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述纵向小图像块中的某像素点标记为缺陷参考点；
将该纵向小图像块中所有像素点的灰度值与剩余纵向小图像块的对应像素点的灰度值进行逐一比对，并计算该纵向小图像块中所有像素点标记为缺陷参考点的累计次数；
将该纵向小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，
依次按照灰度值作差比对方式完成对N2个纵向小图像块中缺陷点的标记，并将完成缺陷点标记的N2个纵向小图像块进行拼接为缺陷点标记的第二灰度图像；
判断缺陷点标记的第一灰度图像与第二灰度图像之间相同像素点位置的缺陷点标记状态是否一致，如果一致，则认定对应像素点位置的缺陷点标记状态正确，如果不一致，则对该像素点位置的缺陷点标记状态进行校正。
可以理解，本发明通过纵横两次划分灰度图像，且单个纵/横向小图像块的尺寸较大，可以进一步减少图像块的数量，减少灰度值比对次数，进一步提升了缺陷检测效率。具体的，如果按照纵横交叉划分方式，则灰度图像则会被划分为N1*N2个小图像块，则两两小灰度图的对比次数为（N1*N2-1）的阶乘。如果按照纵横两次划分灰度图像，则两两横向小图像块的对比次数为（N1 -1）的阶乘，两两纵向小图像块的对比次数为（N2 -1）的阶乘，（N1 -1）的阶乘和（N2 -1）的阶乘的和相对于（N1*N2-1）的阶乘明显减少。
可以理解，在减少比对次数的同时，则检测准确率将下降，本发明则对比两次缺陷点标记的第一灰度图像和第二灰度图像，对二者不一致的缺陷点标记状态进行校正，以满足缺陷检测高准确度的同时，进一步提升缺陷检测效率。
根据本发明的具体实施例，对该像素点位置的缺陷点标记状态进行校正，具体包括：
确定出需要校正缺陷点标记状态的像素点位置，并将灰度图像进行纵横交叉划分为N1*N2个小图像块，确定出需要校正缺陷点标记状态的像素点位置所在的小图像块，并将其作为目标小图像块；
判断目标小图像块中需要校正缺陷点标记状态的像素点位置的灰度值与其它小图像块对应像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述小图像块需要校正缺陷点标记状态的像素点位置标记为缺陷参考点；
将所述目标小图像块中需要校正缺陷点标记状态的像素点位置的灰度值与剩余小图像块的对应像素点位置的灰度值进行逐一比对，并计算需要校正缺陷点标记状态的像素点位置被标记为缺陷参考点的累计次数；
判断所述累计次数是否大于第二预设阈值(N1*N2-1)*(1-k*P)，如果是，则将需要校正缺陷点标记状态校正为缺陷点，如果否，则将需要校正缺陷点标记状态校正为非缺陷点。
在实际应用中，如果第一灰度图像对同一个像素点位置的缺陷点标记状态为缺陷点，第二灰度图像对同一个像素点位置的缺陷点标记状态为非缺陷点，则可以对该像素点位置进行重新判断是否为缺陷。
根据本发明的实施例，对该像素点位置的缺陷点标记状态进行校正，具体包括：
将第一灰度图像与第二灰度图像进行重叠设置，按照相同的纵横交叉分割方式将第一灰度图像和第二灰度图像分别换分为H个第一小图像块和H个第二小图像块，其中H个第一小图像块和H个第二小图像块一一对应，且H等于N1*N2；
制定出与单个第一小图像块或第二小图像块的形状、尺寸均相同的校正图像检测窗口；
将所述校正图像检测窗口按照预设的周期步长依次遍历重叠设置的第一灰度图像与第二灰度图像，其中预设的周期步长为单个小元件在第一灰度图像或第二灰度图像中的尺寸；
如果所述校正图像检测窗口遍历移动到重叠设置的第一灰度图像与第二灰度图像对应的位置，且所述校正图像检测窗口覆盖的第一灰度图像上的第一图像区域与第二灰度图像上的第二图像区域均没有缺陷点，则将该第一图像区域或第二图像区域选定为校正图像模板；
如果某个第一小图像块与对应的第二小图像块有需要校正缺陷点标记状态，则确定出需要校正缺陷点标记状态的像素点位置，并获取该像素点位置对应的灰度值；
从所述校正图像模板中找出与该像素点位置相对应的校正像素点，并获取该校正像素点位置处的灰度值，并将其与需要校正缺陷点标记状态的像素点位置处的灰度值进行比对，并判断两者灰度值的差值绝对值是否大于第一预设阈值，如果是，则将需要校正缺陷点标记状态校正为缺陷点，如果否，则将需要校正缺陷点标记状态校正为非缺陷点。
根据本发明的具体实施例，将所述灰度图像划分为N个周期性的小图像块，具体包括：
获取灰度图像的长X1、宽Y1，以及面积尺寸S1，并将面积尺寸S1与预设比例（如1/10）相乘，确定出单个小图像块的预测面积S2；
获取单个小元件在灰度图像中的长和宽尺寸，其中长为1，宽为L2，计算单个小元件的面积S3；
根据单个小图像块的预测面积S2和单个小元件的面积S3确定出单个小图像块中小元件的预测个数；
根据小元件的预测个确定出单个小图像块各个小元件的最优排布，并计算出最优排布的小图像块的长X2和宽Y2尺寸；
判断灰度图像的长X1、宽Y1是否整除小图像块的长X2和宽Y2；
如果是，则依次将所述灰度图像分割成多个互不重合的小图像块，并基于多个互不重合的小图像块进行缺陷检测；
如果不是，且灰度图像的长X1不整除小图像块的长X2，灰度图像的宽Y1整除小图像块的宽Y2，则沿着所述灰度图像横向和纵向依次按照周期尺寸X2和Y2作分割线，并取出所有满足长X2和宽Y2尺寸的小图像块，由于最后一列的小图像块不满足长X2尺寸，则对最后一列的小图像块进行重新划定纵向分割线，并将灰度图像从右侧边开始按照周期尺寸X2作分割线，得到最后一列的小图像块，并使最后一列的小图像块满足长X2尺寸，则最后一列的小图像块与前一列的小图像块有部分区域重叠；
如果不是，且灰度图像的宽Y1不整除小图像块的宽Y2，灰度图像的长X1整除小图像块的长X2，则沿着所述灰度图像横向和纵向依次按照周期尺寸X2和Y2作分割线，并取出所有满足长X2和宽Y2尺寸的小图像块，由于最后一行的小图像块不满足宽Y2尺寸，则对最后一行的小图像块进行重新划定横向分割线，并将灰度图像从下侧边开始按照周期尺寸Y2作分割线，得到最后一行的小图像块，并使最后一行的小图像块满足宽Y2尺寸，则最后一行的小图像块与前一行的小图像块有部分区域重叠；
如果不是，且灰度图像的长X1不整除小图像块的长X2，灰度图像的宽Y1不整除小图像块的宽Y2，则沿着所述灰度图像横向和纵向依次按照周期尺寸X2和Y2作分割线，并取出所有满足长X2和宽Y2尺寸的小图像块，由于最后一列的小图像块不满足长X2尺寸，最后一行的小图像块不满足宽Y2尺寸；则对最后一列的小图像块进行重新划定纵向分割线，并将灰度图像从右侧边开始按照周期尺寸X2作分割线，得到最后一列的小图像块，并使最后一列的小图像块满足长X2尺寸；并对最后一行的小图像块进行重新划定横向分割线，并将灰度图像从下侧边开始按照周期尺寸Y2作分割线，得到最后一行的小图像块，并使最后一行的小图像块满足宽Y2尺寸。
可以理解，无论如何划分，则使所有小图像块的形状与尺寸均相同，且呈周期性。在小图像块划分之后，即可对各个小图像块作灰度值比对，进而实现缺陷检测。
根据本发明的具体实施例，由于最后一行或最后一列与前一行或前一列的小图像块有重合区域，则具有重合区域的两个小图像块，在相同像素点位置得出的缺陷点标记状态可能不一致，如果不一致，则认定像素点为争议点，则进行缺陷校正；具体的，从多个小图像块中选出缺陷点最少的为基准小图像块，并计算重合区域中争议点的灰度值与基准小图像块中相同像素点位置的灰度值之间的差值绝对值，如果差值绝对值大于第一预设阈值，则认定该争议点为缺陷点，反之，则认定为非缺陷点。
根据本发明的具体实施例，将所述灰度图像划分为N个周期性的小图像块，具体包括：
获取周期长度W和周期宽度E，按照周期长度W和周期宽度E对所述灰度图像划分为N个周期性的小图像块。
根据本发明的具体实施例，获取周期长度W和周期宽度E，具体包括：
建立阵列产品的二维惯性特征提取函数：
对惯性特征提取函数
和
分别进行一阶前向差分及二阶前向差分，分别得到一阶前向差分结果
、
及二阶前向差分结果
、
，表达式为：
；
根据二阶前向差分结果
、
分别计算得到行方向的全局最优周期距离
，以及列方向的全局最优周期距离
，计算公式为：
设定周期长度
，设定周期宽度
，其中
和
分别为正整数。
图3示出了本发明一种基于阵列产品的光学检测系统的框图。
如图3所示，本发明第二方面还提出一种基于阵列产品的光学检测系统3，包括存储器31和处理器32，所述存储器中包括一种基于阵列产品的光学检测方法程序，所述基于阵列产品的光学检测方法程序被所述处理器执行时实现如下步骤：
通过图像采集器对待检测的阵列产品采集获取对应的原始图像；
对所述原始图像进行二值化处理，得到灰度图像；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像划分为N个周期性的小图像块，且N个小图像块分别包括相同数量和相同排布状态的小元件；
从N个小图像块中按照顺序依次选定一个小图像块，判断所述小图像块中某像素点的灰度值与其它小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述小图像块中的某像素点标记为缺陷参考点；
将该小图像块中所有像素点的灰度值与剩余小图像块的对应像素点的灰度值进行逐一比对，并计算该小图像块中所有像素点标记为缺陷参考点的累计次数；
将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点。
根据本发明的实施例，将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，具体包括：
根据历史检测数据库中的历史检测数据计算出单个像素点为缺陷点的概率P；
根据概率P计算得出第二预设阈值，则第二预设阈值等于(N-1)*(1-k*P)，其中k为固定正整数，N为灰度图像中的小图像块总数。
根据本发明的实施例，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述基于知识图谱的数据处理方法程序被所述处理器执行时还实现如下步骤：
依次按照灰度值作差比对方式完成对N个小图像块中缺陷点的标记；
从缺陷点标记后的N个小图像块中选定出缺陷点数量最少的小图像块为基准小图像块；
分别取出除所述基准小图像块以外的剩余小图像块中标记为缺陷点的灰度值，并将其分别与所述基准小图像块中相同像素点位置的灰度值进行比对；
判断剩余小图像块中某缺陷点的灰度值与所述基准小图像块中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于阵列产品的光学检测方法程序，所述基于阵列产品的光学检测方法程序被处理器执行时，实现如上述的一种基于阵列产品的光学检测方法的步骤。
本发明提出的一种基于阵列产品的光学检测方法、系统和可读存储介质，能够替代传统人工视觉缺陷检测方式，节省了人力成本，并提升了产品缺陷检测效率和准确率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于阵列产品的光学检测方法，其特征在于，所述方法包括：
通过图像采集器对待检测的阵列产品采集获取对应的原始图像；
对所述原始图像进行二值化处理，得到灰度图像；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像划分为N个周期性的小图像块，且N个小图像块分别包括相同数量和相同排布状态的小元件；
从N个小图像块中按照顺序依次选定一个小图像块，判断所述小图像块中某像素点的灰度值与其它小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述小图像块中的某像素点标记为缺陷参考点；
将该小图像块中所有像素点的灰度值与剩余小图像块的对应像素点的灰度值进行逐一比对，并计算该小图像块中所有像素点标记为缺陷参考点的累计次数；
将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点。
2.根据权利要求1所述的一种基于阵列产品的光学检测方法，其特征在于，将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，具体包括：
根据历史检测数据库中的历史检测数据计算出单个像素点为缺陷点的概率P；
根据概率P计算得出第二预设阈值，则第二预设阈值等于(N-1)*(1-k*P)，其中k为固定正整数，N为灰度图像中的小图像块总数。
3.根据权利要求1所述的一种基于阵列产品的光学检测方法，其特征在于，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述方法还包括：
依次按照灰度值作差比对方式完成对N个小图像块中缺陷点的标记；
从缺陷点标记后的N个小图像块中选定出缺陷点数量最少的小图像块为基准小图像块；
分别取出除所述基准小图像块以外的剩余小图像块中标记为缺陷点的灰度值，并将其分别与所述基准小图像块中相同像素点位置的灰度值进行比对；
判断剩余小图像块中某缺陷点的灰度值与所述基准小图像块中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
4.根据权利要求1所述的一种基于阵列产品的光学检测方法，其特征在于，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述方法还包括：
制定出与单个小图像块的形状、尺寸均相同的缺陷校对模板检测窗口；
将所述缺陷校对模板检测窗口按照预设的周期步长依次遍历所述灰度图像，其中预设的周期步长为单个小元件在灰度图像中的尺寸；
如果所述缺陷校对模板检测窗口遍历移动到所述灰度图像对应的位置，且所述缺陷校对模板检测窗口覆盖的图像区域没有缺陷点，则将该图像区域选定为缺陷校对模板图像；如果所述缺陷校对模板检测窗口遍历整个灰度图像，且均未出现所述缺陷校对模板检测窗口覆盖的图像区域零缺陷点的情况，则从之前所有次遍历移动过程所覆盖的图像区域中，选定缺陷点最少的图像区域作为缺陷校对模板图像；
分别获取N个小图像块中标记为缺陷点的灰度值，并将其分别与所述缺陷校对模板图像中相同像素点位置的灰度值进行比对；
判断N个小图像块中某缺陷点的灰度值与所述缺陷校对模板图像中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
5.根据权利要求1所述的一种基于阵列产品的光学检测方法，其特征在于，在对所述原始图像进行二值化处理，得到灰度图像之后，所述方法包括；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像沿着横向划分为N1个周期性的横向小图像块，且N1个横向小图像块分别包括相同数量和相同排布状态的小元件；
从N1个横向小图像块中按照顺序依次选定一个横向小图像块，判断所述横向小图像块中某像素点的灰度值与其它横向小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述横向小图像块中的某像素点标记为缺陷参考点；
将该横向小图像块中所有像素点的灰度值与剩余横向小图像块的对应像素点的灰度值进行逐一比对，并计算该横向小图像块中所有像素点标记为缺陷参考点的累计次数；
将该横向小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，
依次按照灰度值作差比对方式完成对N1个横向小图像块中缺陷点的标记，并将完成缺陷点标记的N1个横向小图像块进行拼接为缺陷点标记的第一灰度图像；
将所述灰度图像沿着纵向划分为N2个周期性的纵向小图像块，且N2个纵向小图像块分别包括相同数量和相同排布状态的小元件；
从N2个纵向小图像块中按照顺序依次选定一个纵向小图像块，判断所述纵向小图像块中某像素点的灰度值与其它纵向小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述纵向小图像块中的某像素点标记为缺陷参考点；
将该纵向小图像块中所有像素点的灰度值与剩余纵向小图像块的对应像素点的灰度值进行逐一比对，并计算该纵向小图像块中所有像素点标记为缺陷参考点的累计次数；
将该纵向小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，
依次按照灰度值作差比对方式完成对N2个纵向小图像块中缺陷点的标记，并将完成缺陷点标记的N2个纵向小图像块进行拼接为缺陷点标记的第二灰度图像；
判断缺陷点标记的第一灰度图像与第二灰度图像之间相同像素点位置的缺陷点标记状态是否一致，如果一致，则认定对应像素点位置的缺陷点标记状态正确，如果不一致，则对该像素点位置的缺陷点标记状态进行校正。
6.根据权利要求5所述的一种基于阵列产品的光学检测方法，其特征在于，对该像素点位置的缺陷点标记状态进行校正，具体包括：
将第一灰度图像与第二灰度图像进行重叠设置，按照相同的纵横交叉分割方式将第一灰度图像和第二灰度图像分别换分为H个第一小图像块和H个第二小图像块，其中H个第一小图像块和H个第二小图像块一一对应，且H等于N1*N2；
制定出与单个第一小图像块或第二小图像块的形状、尺寸均相同的校正图像检测窗口；
将所述校正图像检测窗口按照预设的周期步长依次遍历重叠设置的第一灰度图像与第二灰度图像，其中预设的周期步长为单个小元件在第一灰度图像或第二灰度图像中的尺寸；
如果所述校正图像检测窗口遍历移动到重叠设置的第一灰度图像与第二灰度图像对应的位置，且所述校正图像检测窗口覆盖的第一灰度图像上的第一图像区域与第二灰度图像上的第二图像区域均没有缺陷点，则将该第一图像区域或第二图像区域选定为校正图像模板；
如果某个第一小图像块与对应的第二小图像块有需要校正缺陷点标记状态，则确定出需要校正缺陷点标记状态的像素点位置，并获取该像素点位置对应的灰度值；
从所述校正图像模板中找出与该像素点位置相对应的校正像素点，并获取该校正像素点位置处的灰度值，并将其与需要校正缺陷点标记状态的像素点位置处的灰度值进行比对，并判断两者灰度值的差值绝对值是否大于第一预设阈值，如果是，则将需要校正缺陷点标记状态校正为缺陷点，如果否，则将需要校正缺陷点标记状态校正为非缺陷点。
7.一种基于阵列产品的光学检测系统，其特征在于，包括存储器和处理器，所述存储器中包括一种基于阵列产品的光学检测方法程序，所述基于阵列产品的光学检测方法程序被所述处理器执行时实现如下步骤：
通过图像采集器对待检测的阵列产品采集获取对应的原始图像；
对所述原始图像进行二值化处理，得到灰度图像；
基于所述阵列产品中多个小元件呈现的阵列排布状态，将所述灰度图像划分为N个周期性的小图像块，且N个小图像块分别包括相同数量和相同排布状态的小元件；
从N个小图像块中按照顺序依次选定一个小图像块，判断所述小图像块中某像素点的灰度值与其它小图像块对应像素点的灰度值的差值绝对值是否大于第一预设阈值，如果是，则将所述小图像块中的某像素点标记为缺陷参考点；
将该小图像块中所有像素点的灰度值与剩余小图像块的对应像素点的灰度值进行逐一比对，并计算该小图像块中所有像素点标记为缺陷参考点的累计次数；
将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点。
8.根据权利要求7所述的一种基于阵列产品的光学检测系统，其特征在于，将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点，具体包括：
根据历史检测数据库中的历史检测数据计算出单个像素点为缺陷点的概率P；
根据概率P计算得出第二预设阈值，则第二预设阈值等于(N-1)*(1-k*P)，其中k为固定正整数，N为灰度图像中的小图像块总数。
9.根据权利要求7所述的一种基于阵列产品的光学检测系统，其特征在于，在将该小图像块所有像素点中标记为缺陷参考点的累计次数大于第二预设阈值的像素点标记为缺陷点之后，所述基于知识图谱的数据处理方法程序被所述处理器执行时还实现如下步骤：
依次按照灰度值作差比对方式完成对N个小图像块中缺陷点的标记；
从缺陷点标记后的N个小图像块中选定出缺陷点数量最少的小图像块为基准小图像块；
分别取出除所述基准小图像块以外的剩余小图像块中标记为缺陷点的灰度值，并将其分别与所述基准小图像块中相同像素点位置的灰度值进行比对；
判断剩余小图像块中某缺陷点的灰度值与所述基准小图像块中相同像素点位置的灰度值的差值绝对值是否大于第一预设阈值，如果是，则该缺陷点的标记正确，如果否，则该缺陷点的标记错误，并对该缺陷点进行消除。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于阵列产品的光学检测方法程序，所述基于阵列产品的光学检测方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种基于阵列产品的光学检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111086007.6A CN113538603B (zh) | 2021-09-16 | 2021-09-16 | 一种基于阵列产品的光学检测方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111086007.6A CN113538603B (zh) | 2021-09-16 | 2021-09-16 | 一种基于阵列产品的光学检测方法、系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538603A true CN113538603A (zh) | 2021-10-22 |
| CN113538603B CN113538603B (zh) | 2021-12-24 |
Family
ID=78092722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111086007.6A Active CN113538603B (zh) | 2021-09-16 | 2021-09-16 | 一种基于阵列产品的光学检测方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538603B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113936002A (zh) * | 2021-12-17 | 2022-01-14 | 成都数之联科技有限公司 | 周期提取方法、装置、计算机设备及可读存储介质 |
| WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
| CN117237336A (zh) * | 2023-11-10 | 2023-12-15 | 湖南科技大学 | 一种金属化陶瓷环缺陷检测方法、系统和可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484878A (zh) * | 2014-12-16 | 2015-04-01 | 深圳市华星光电技术有限公司 | 显示面板缺陷的自动检测方法 |
| CN106097361A (zh) * | 2016-06-20 | 2016-11-09 | 昆山国显光电有限公司 | 一种缺陷区域检测方法及装置 |
| CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和系统 |
| CN108107611A (zh) * | 2016-11-24 | 2018-06-01 | 研祥智能科技股份有限公司 | 一种自适应缺陷检测方法、装置及电子设备 |
| CN109727233A (zh) * | 2018-12-18 | 2019-05-07 | 武汉精立电子技术有限公司 | 一种lcd缺陷检测方法 |
| CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、系统与装置、计算机可读存储介质 |
| US20200258211A1 (en) * | 2017-08-29 | 2020-08-13 | HKC Corporation Limited | Detecting method and device for display panel |
| CN112184744A (zh) * | 2020-11-29 | 2021-01-05 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
| US20210248734A1 (en) * | 2018-05-31 | 2021-08-12 | Goertek Inc. | Method and apparatus for detecting pixel defect of optical module, and device |
| CN113256635A (zh) * | 2021-07-15 | 2021-08-13 | 武汉中导光电设备有限公司 | 缺陷检测方法、装置、设备及可读存储介质 |
-
2021
- 2021-09-16 CN CN202111086007.6A patent/CN113538603B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484878A (zh) * | 2014-12-16 | 2015-04-01 | 深圳市华星光电技术有限公司 | 显示面板缺陷的自动检测方法 |
| CN106097361A (zh) * | 2016-06-20 | 2016-11-09 | 昆山国显光电有限公司 | 一种缺陷区域检测方法及装置 |
| CN108107611A (zh) * | 2016-11-24 | 2018-06-01 | 研祥智能科技股份有限公司 | 一种自适应缺陷检测方法、装置及电子设备 |
| US20200258211A1 (en) * | 2017-08-29 | 2020-08-13 | HKC Corporation Limited | Detecting method and device for display panel |
| CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和系统 |
| US20210248734A1 (en) * | 2018-05-31 | 2021-08-12 | Goertek Inc. | Method and apparatus for detecting pixel defect of optical module, and device |
| CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、系统与装置、计算机可读存储介质 |
| CN109727233A (zh) * | 2018-12-18 | 2019-05-07 | 武汉精立电子技术有限公司 | 一种lcd缺陷检测方法 |
| CN112184744A (zh) * | 2020-11-29 | 2021-01-05 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
| CN113256635A (zh) * | 2021-07-15 | 2021-08-13 | 武汉中导光电设备有限公司 | 缺陷检测方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LINGFENG KONG等: "Detection of Water-Stains Defects in TFT-LCD Based on Machine Vision", 《2018 11TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 * |
| 张玉燕等: "基于CT图像的金属点阵结构内部缺陷检测方法", 《计量学报》 * |
| 杨勍等: "高精度小视野TFT-LCD图像异物缺陷自动分割", 《激光与光电子学进展》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
| CN113936002A (zh) * | 2021-12-17 | 2022-01-14 | 成都数之联科技有限公司 | 周期提取方法、装置、计算机设备及可读存储介质 |
| CN117237336A (zh) * | 2023-11-10 | 2023-12-15 | 湖南科技大学 | 一种金属化陶瓷环缺陷检测方法、系统和可读存储介质 |
| CN117237336B (zh) * | 2023-11-10 | 2024-02-23 | 湖南科技大学 | 一种金属化陶瓷环缺陷检测方法、系统和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113538603B (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113538603B (zh) | 一种基于阵列产品的光学检测方法、系统和可读存储介质 | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
| CN113674273B (zh) | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 | |
| CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
| CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
| CN117974601B (zh) | 基于模板匹配的硅片表面缺陷检测方法及系统 | |
| CN114519714B (zh) | 一种显示屏脏污缺陷判定的方法和系统 | |
| CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
| CN108107611B (zh) | 一种自适应缺陷检测方法、装置及电子设备 | |
| CN116152261B (zh) | 一种印刷制品质量的视觉检测系统 | |
| CN112560538A (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
| CN114926385A (zh) | 一种面板缺陷检测方法、存储介质及终端设备 | |
| CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
| CN106815830A (zh) | 图像的缺陷检测方法 | |
| CN112200790A (zh) | 布料缺陷检测方法、设备和介质 | |
| CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
| CN105469384A (zh) | 车牌图像质量的综合评价方法 | |
| 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 | |
| CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 | |
| CN113870255B (zh) | Mini LED产品缺陷检测方法及相关设备 | |
| JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
| CN115270841A (zh) | 条码检测方法、装置、存储介质及计算机设备 | |
| CN114861696A (zh) | Qr码位置探测图形的定位方法及定位系统 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Floor 3, Building Lichun (1 #), Taihua wutong Industrial Park, Sanwei Community, Hangcheng Street, Bao'an District, Shenzhen, Guangdong 518100 Patentee after: Shenzhen Guangmingding Technology Co.,Ltd. Address before: 518100 4th floor, building a, Runfeng Industrial Park, Bao'an Avenue, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN GUANGMINGDING LIGHTING SCIENCE & TECHNOLOGY CO.,LTD. |
|
| CP03 | Change of name, title or address |