CN114022403A - 检测显示面板不良的方法及装置 - Google Patents
检测显示面板不良的方法及装置 Download PDFInfo
- Publication number
- CN114022403A CN114022403A CN202010686184.7A CN202010686184A CN114022403A CN 114022403 A CN114022403 A CN 114022403A CN 202010686184 A CN202010686184 A CN 202010686184A CN 114022403 A CN114022403 A CN 114022403A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- gray scale
- interest
- display panel
- 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
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Abstract
本发明提供了一种检测显示面板不良的方法及装置,属于显示技术领域。其中,检测显示面板不良的方法包括:采集待检测显示面板的面板图像,所述显示面板的多个第一像素分别对应所述面板图像中的多个第二像素;将所述面板图像转换为二值图像;对所述二值图像中的每个亮点区域进行膨胀,使得相邻的所述亮点区域连通,在所述二值图像上形成至少一个封闭的连通域;根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像;根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域;对所述感兴趣区域进行特征识别,确定所述显示面板的不良特征。通过本发明的技术方案,能够准确识别出显示面板不良。
Description
技术领域
本发明涉及显示技术领域,特别是指一种检测显示面板不良的方法及装置。
背景技术
OLED显示面板制造过程中,由于工艺影响会出现裂纹等不良,同时在OLED显示面板上贴合玻璃盖板时也会出现气泡、污渍等不良,这些不良严重影响了OLED显示面板的出货品质。如果采用人工的方式对显示面板不良进行检测,不但成本高效率低,并且由于多数细微的不良肉眼难以观测,还会造成漏检与过检。
发明内容
本发明要解决的技术问题是提供一种检测显示面板不良的方法及装置,能够准确识别出显示面板不良。
为解决上述技术问题,本发明的实施例提供技术方案如下:
一方面,提供一种检测显示面板不良的方法,包括:
采集待检测显示面板的面板图像,所述显示面板的多个第一像素分别对应所述面板图像中的多个第二像素;
将所述面板图像转换为二值图像;
对所述二值图像中的每个亮点区域进行膨胀,使得相邻的所述亮点区域连通,在所述二值图像上形成至少一个封闭的连通域;
根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像;
根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域;
对所述感兴趣区域进行特征识别,确定所述显示面板的不良特征。
一些实施例中,所述将所述面板图像转换为二值图像包括:
将所述面板图像转换为第一灰阶图像;
对所述第一灰阶图像进行压缩处理,得到第二灰阶图像;
将所述第二灰阶图像转换为所述二值图像。
一些实施例中,对所述第一灰阶图像进行压缩处理的行压缩倍率为2~6倍,对所述第一灰阶图像进行压缩处理的列压缩倍率为2~6倍。
一些实施例中,所述将所述第二灰阶图像转换为所述二值图像包括:
计算所述第二灰阶图像的所有像素的灰阶平均值;
将灰阶值大于等于所述灰阶平均值的像素设为白色,将灰阶值小于所述灰阶平均值的像素设为黑色,得到所述二值图像;或将灰阶值大于所述灰阶平均值的像素设为白色,将灰阶值小于等于所述灰阶平均值的像素设为黑色,得到所述二值图像。
一些实施例中,所述根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像包括:
通过计算每个所述连通域的周长确定最大的连通域,剪切出所述最大的连通域的图像;
将所述最大的连通域的图像的设定边缘往内腐蚀设定值个第二像素,得到所述感兴趣区域掩膜图像。
一些实施例中,所述根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域包括:
确定所述第二灰阶图像中与所述感兴趣区域掩膜图像对应的感兴趣过渡区域;
将所述感兴趣过渡区域与所述感兴趣区域掩膜图像进行与操作,得到所述感兴趣区域。
一些实施例中,所述对所述感兴趣区域进行特征识别之前,所述方法还包括以下至少一项:
对所述感兴趣区域进行伽马增强;
对所述感兴趣区域进行滤波;
对所述感兴趣区域进行不良边缘锐化;
对所述感兴趣区域进行去边缘处理。
一些实施例中,所述对所述感兴趣区域进行特征识别包括:
通过霍夫变换从所述感兴趣区域中分离出线不良特征和/或气泡不良特征。
一些实施例中,所述感兴趣区域中分离出线不良特征之后,所述方法还包括:
若识别出的线不良特征与设定方向的角度大于阈值,排除所述线不良特征。
本发明的实施例还提供了一种检测显示面板不良的装置,包括:
采集模块,用于采集待检测显示面板的面板图像,所述显示面板的多个第一像素分别对应所述面板图像中的多个第二像素;
转换模块,用于将所述面板图像转换为二值图像;
膨胀模块,用于对所述二值图像中的每个亮点区域进行膨胀,使得相邻的所述亮点区域连通,在所述二值图像上形成至少一个封闭的连通域;
第一处理模块,用于根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像;
第二处理模块,用于根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域;
特征识别模块,用于对所述感兴趣区域进行特征识别,确定所述显示面板的不良特征。
一些实施例中,所述转换模块具体用于将所述面板图像转换为第一灰阶图像;对所述第一灰阶图像进行压缩处理,得到第二灰阶图像;将所述第二灰阶图像转换为所述二值图像。
一些实施例中,所述转换模块具体用于计算所述第二灰阶图像的所有像素的灰阶平均值;将灰阶值大于等于所述灰阶平均值的像素设为白色,将灰阶值小于所述灰阶平均值的像素设为黑色,得到所述二值图像;或将灰阶值大于所述灰阶平均值的像素设为白色,将灰阶值小于等于所述灰阶平均值的像素设为黑色,得到所述二值图像。
一些实施例中,所述第一处理模块具体用于通过计算每个所述连通域的周长确定最大的连通域,剪切出所述最大的连通域的图像;将所述最大的连通域的图像的设定边缘往内腐蚀设定值个第二像素,得到所述感兴趣区域掩膜图像。
一些实施例中,所述第二处理模块具体用于确定所述第二灰阶图像中与所述感兴趣区域掩膜图像对应的感兴趣过渡区域;将所述感兴趣过渡区域与所述感兴趣区域掩膜图像进行与操作,得到所述感兴趣区域。
本发明的实施例还提供了一种检测显示面板不良的装置,包括:
处理器;
存储器,其上存储有指令,被配置为当所述指令被所述处理器执行时,可实现如上所述的方法。
本发明的实施例还提供了一种存储介质,所述存储介质上存储有指令,当所述指令被处理器执行时,可实现如上所述的方法。
本发明的实施例具有以下有益效果:
上述方案中,采集待检测显示面板的面板图像,将面板图像转换为二值图像,对二值图像中的每个亮点区域进行膨胀,使得相邻的亮点区域连通,在二值图像上形成封闭的连通域,根据封闭的连通域确定二值图像中的感兴趣区域掩膜图像,利用感兴趣区域掩膜图像对面板图像进行操作确定感兴趣区域,之后对感兴趣区域进行特征识别,确定显示面板的不良特征,本实施例提取感兴趣区域的准确性高,受非检测区域的干扰小,能够准确识别出显示面板不良。
附图说明
图1为本发明实施例检测显示面板不良的方法的流程示意图;
图2为本发明实施例将面板图像转换为二值图像的示意图;
图3为本发明实施例对亮点区域进行膨胀后的示意图;
图4为本发明实施例确定最大连通域的示意图;
图5为本发明实施例得到的感兴趣区域掩膜图像的示意图;
图6为本发明实施例对感兴趣区域进行处理后的示意图;
图7为本发明实施例检测显示面板不良的装置的结构框图;
图8为本发明实施例检测显示面板不良的装置的组成示意图。
具体实施方式
为使本发明的实施例要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
相关技术中,对OLED显示面板不良进行自动检测的检测算法主要有两种,一种是人工智能分析的方法,但是其准确性依赖大量的图片样本进行学习;另一种是机器视觉的方法,其检测准确率和效率受ROI(region of interest,感兴趣区域)提取结果影响较大,导致其结果波动较大。
本发明实施例提供一种检测显示面板不良的方法及装置,能够准确识别出显示面板不良。
本发明的实施例提供一种检测显示面板不良的方法,如图1所示,包括:
步骤101:采集待检测显示面板的面板图像,所述显示面板的多个第一像素分别对应所述面板图像中的多个第二像素;
其中,第一像素是显示面板的像素,第二像素是采集得到的面板图像的像素,为了保证显示面板不良识别的准确性,面板图像的分辨率需要大于显示面板的分辨率,面板图像的分辨率可以为显示面板的分辨率的十倍以上,一具体示例中,面板图像的分辨率可以为2048*20000,是显示面板的分辨率的64倍,这样拍摄的面板图像中,一个第一像素对应8*8个第二像素,第一像素在拍摄的面板图像中呈现为亮点。为了提高显示面板不良识别的准确性,面板图像的分辨率还可以更高,但是同时也会增加计算量,为了兼顾计算量和准确性,面板图像的分辨率可以为显示面板的分辨率的36-64倍。
本实施例中,可以利用工业相机和对应的照明设备对显示面板外观进行图像拍摄,并对拍摄得到的面板图像进行处理以进行不良识别,所采集的图片特征为显示面板的缺陷,包括crack、气泡和污渍等不良。
步骤102:将所述面板图像转换为二值图像;
在对面板图像进行处理之前,需要将面板图像转换为灰阶图像,如果拍摄得到的面板图像本身就是灰阶图像,可以不进行该步骤,之后将灰阶图像转换为仅包括黑白两色的二值图像,其中,图像中的特征为白,灰阶值为255,背景为黑,灰阶值为0,如图2所示。在将面板图像转换为二值图像的同时,还可以对面板图像进行压缩处理,以减少计算量,进而减少后续所需的处理时间。
一具体示例中,将所述面板图像转换为二值图像包括:将所述面板图像转换为第一灰阶图像;对所述第一灰阶图像进行压缩处理,得到第二灰阶图像;将所述第二灰阶图像转换为所述二值图像。
其中,在将第一灰阶图像进行压缩处理得到第二灰阶图像时,考虑到图像处理的计算量和显示面板不良识别的准确性,对所述第一灰阶图像进行压缩处理的行压缩倍率可以为2~6倍,对所述第一灰阶图像进行压缩处理的列压缩倍率可以为2~6倍,这样既可以降低计算量,又可以保证不良识别的准确性。
一具体示例中,在将所述第二灰阶图像转换为所述二值图像时,可以计算所述第二灰阶图像的所有像素的灰阶平均值;将灰阶值大于等于所述灰阶平均值的像素设为白色,将灰阶值小于所述灰阶平均值的像素设为黑色,得到所述二值图像;或将灰阶值大于所述灰阶平均值的像素设为白色,将灰阶值小于等于所述灰阶平均值的像素设为黑色,得到所述二值图像。
在进行二值化处理后,显示面板本身的像素、缺陷、边缘反光区域、非显示面板区域的反光区(干扰因素、比如放置显示面板的机台)都会变为灰阶值为255的亮点,如图2所示。
步骤103:对所述二值图像中的每个亮点区域进行膨胀,使得相邻的所述亮点区域连通,在所述二值图像上形成至少一个封闭的连通域;
如图3所示,对二值图像中的每个亮点区域(即白色区域,灰阶值为225的区域)进行膨胀,每个亮点区域向外扩展PixelExpandSize个第二像素,即以亮点区域的中心为基准,使亮点区域的边界向外扩展PixelExpandSize个第二像素,PixelExpandSize为设定值,可根据实际情况进行调整,需要使得膨胀后相邻的亮点区域连通,一些实施例中,PixelExpandSize的取值可以为5-6,在亮点区域进行膨胀使得相邻的亮点区域连通后,能够在二值图像上形成至少一个封闭的连通域,如图3所示,二值图像上形成有三个连通域L1、L2和L3。
步骤104:根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像;
在面板图像中,干扰因素所在的连通域小于显示区域所在的连通域,因此,最大的连通域即显示面板的显示区域所在的连通域,也就是进行特征识别的区域。可以通过计算连通域的面积(占用的第二像素的个数)或连通域的周长来确定最大的连通域,如图4所示。
剪切出最大的连通域的图像,将最大的连通域的图像的设定边缘往内腐蚀设定值个第二像素,去除边界影响,即可得到如图5所示的感兴趣区域掩膜图像。其中,设定值可以根据需要设定,需要保证既能够去除边界影响,又不会影响到感兴趣区域。
步骤105:根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域;
确定第二灰阶图像中与所述感兴趣区域掩膜图像对应的感兴趣过渡区域,即感兴趣过渡区域的边界与感兴趣区域掩膜图像的边界相同,这样去除了第二灰阶图像中的其他区域,只保留感兴趣区域掩膜图像所覆盖的区域,将所述感兴趣过渡区域与所述感兴趣区域掩膜图像进行与操作,即可得到如图6所示的感兴趣区域。
步骤106:对所述感兴趣区域进行特征识别,确定所述显示面板的不良特征。
对图6所示的感兴趣区域进行特征识别,即可确定所述显示面板的不良特征,包括线、圆等特征,其中,线不良特征为crack不良,圆不良特征为气泡、污渍等不良。
在对感兴趣区域进行特征识别之前,可以对感兴趣区域进行预处理,以提高不良识别的准确性。一具体示例中,可以对所述感兴趣区域进行伽马增强,这样可以对不良特征进行加强;另一具体示例中,可以对所述感兴趣区域进行滤波,将干扰亮点消除,同时将显示面板本身像素亮点消除;另一具体示例中,可以对所述感兴趣区域进行不良边缘锐化,比如利用canny算子将疑似不良区域边缘的像素点灰阶值增加,以锐化边缘;另一具体示例中,可以对所述感兴趣区域进行去边缘处理,比如将提取的ROI边缘(也是显示面板边缘)去除。
在进行特征识别时,可以通过霍夫变换从所述感兴趣区域中分离出线不良特征和/或气泡不良特征。当然,本实施例并不局限于采用霍夫变换从所述感兴趣区域中分离出不良特征,还可以采用其他不良特征识别算法从所述感兴趣区域中分离出不良特征。
从所述感兴趣区域中分离出线不良特征之后,还可以对线不良特征进行筛选,比如若识别出的线不良特征与设定方向的角度大于阈值,排除所述线不良特征。这是因为crack不良一般是在列方向上延伸,如果识别出的线不良特征与列方向之间的角度过大,可以确定是识别错误,就可以排除该不良特征。上述阈值可以根据需要进行设定,具体可以小于30°。
本实施例中,采集待检测显示面板的面板图像,将面板图像转换为二值图像,对二值图像中的每个亮点区域进行膨胀,使得相邻的亮点区域连通,在二值图像上形成封闭的连通域,根据封闭的连通域确定二值图像中的感兴趣区域掩膜图像,利用感兴趣区域掩膜图像对面板图像进行操作确定感兴趣区域,之后对感兴趣区域进行特征识别,确定显示面板的不良特征,本实施例提取感兴趣区域的准确性高,受非检测区域的干扰小,能够准确识别出显示面板不良。
本发明的实施例还提供了一种检测显示面板不良的装置,包括:处理器;以及通过总线接口与所述处理器相连接的存储器,所述存储器用于存储所述处理器在执行操作时所使用的程序和数据,当处理器调用并执行所述存储器中所存储的程序和数据时,如图7所示,包括实现如下的功能模块:
采集模块21,用于采集待检测显示面板的面板图像,所述显示面板的多个第一像素分别对应所述面板图像中的多个第二像素;
其中,第一像素是显示面板的像素,第二像素是采集得到的面板图像的像素,为了保证显示面板不良识别的准确性,面板图像的分辨率需要大于显示面板的分辨率,面板图像的分辨率可以为显示面板的分辨率的十倍以上,一具体示例中,面板图像的分辨率可以为2048*20000,是显示面板的分辨率的64倍,这样拍摄的面板图像中,一个第一像素对应8*8个第二像素,第一像素在拍摄的面板图像中呈现为亮点。为了提高显示面板不良识别的准确性,面板图像的分辨率还可以更高,但是同时也会增加计算量,为了兼顾计算量和准确性,面板图像的分辨率可以为显示面板的分辨率的36-64倍。
本实施例中,可以利用工业相机和对应的照明设备对显示面板外观进行图像拍摄,并对拍摄得到的面板图像进行处理以进行不良识别,所采集的图片特征为显示面板的缺陷,包括crack、气泡和污渍等不良。
转换模块22,用于将所述面板图像转换为二值图像;
在对面板图像进行处理之前,需要将面板图像转换为灰阶图像,如果拍摄得到的面板图像本身就是灰阶图像,可以不进行该步骤,之后将灰阶图像转换为仅包括黑白两色的二值图像,其中,图像中的特征为白,灰阶值为255,背景为黑,灰阶值为0,如图2所示。在将面板图像转换为二值图像的同时,还可以对面板图像进行压缩处理,以减少计算量,进而减少后续所需的处理时间。
一些实施例中,所述转换模块22具体用于将所述面板图像转换为第一灰阶图像;对所述第一灰阶图像进行压缩处理,得到第二灰阶图像;将所述第二灰阶图像转换为所述二值图像。
其中,在将第一灰阶图像进行压缩处理得到第二灰阶图像时,考虑到图像处理的计算量和显示面板不良识别的准确性,对所述第一灰阶图像进行压缩处理的行压缩倍率可以为2~6倍,对所述第一灰阶图像进行压缩处理的列压缩倍率可以为2~6倍,这样既可以降低计算量,又可以保证不良识别的准确性。
一些实施例中,所述转换模块22具体用于计算所述第二灰阶图像的所有像素的灰阶平均值;将灰阶值大于等于所述灰阶平均值的像素设为白色,将灰阶值小于所述灰阶平均值的像素设为黑色,得到所述二值图像;或将灰阶值大于所述灰阶平均值的像素设为白色,将灰阶值小于等于所述灰阶平均值的像素设为黑色,得到所述二值图像。
在进行二值化处理后,显示面板本身的像素、缺陷、边缘反光区域、非显示面板区域的反光区(干扰因素、比如放置显示面板的机台)都会变为灰阶值为255的亮点,如图2所示。
膨胀模块23,用于对所述二值图像中的每个亮点区域进行膨胀,使得相邻的所述亮点区域连通,在所述二值图像上形成至少一个封闭的连通域;
如图3所示,对二值图像中的每个亮点区域(即白色区域,灰阶值为225的区域)进行膨胀,每个亮点区域向外扩展PixelExpandSize个第二像素,即以亮点区域的中心为基准,使亮点区域的边界向外扩展PixelExpandSize个第二像素,PixelExpandSize为设定值,可根据实际情况进行调整,需要使得膨胀后相邻的亮点区域连通,一些实施例中,PixelExpandSize的取值可以为5-6,在亮点区域进行膨胀使得相邻的亮点区域连通后,能够在二值图像上形成至少一个封闭的连通域,如图3所示,二值图像上形成有三个连通域L1、L2和L3。
第一处理模块24,用于根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像;
在面板图像中,干扰因素所在的连通域小于显示区域所在的连通域,因此,最大的连通域即显示面板的显示区域所在的连通域,也就是进行特征识别的区域。可以通过计算连通域的面积(占用的第二像素的个数)或连通域的周长来确定最大的连通域,如图4所示。
一些实施例中,所述第一处理模块24具体用于通过计算每个所述连通域的周长确定最大的连通域,剪切出所述最大的连通域的图像;将所述最大的连通域的图像的设定边缘往内腐蚀设定值个第二像素,去除边界影响,即可得到如图5所示的感兴趣区域掩膜图像。其中,设定值可以根据需要设定,需要保证既能够去除边界影响,又不会影响到感兴趣区域。
第二处理模块25,用于根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域;
一些实施例中,所述第二处理模块25具体用于确定第二灰阶图像中与所述感兴趣区域掩膜图像对应的感兴趣过渡区域,即感兴趣过渡区域的边界与感兴趣区域掩膜图像的边界相同,这样去除了第二灰阶图像中的其他区域,只保留感兴趣区域掩膜图像所覆盖的区域,将所述感兴趣过渡区域与所述感兴趣区域掩膜图像进行与操作,即可得到如图6所示的感兴趣区域。
特征识别模块26,用于对所述感兴趣区域进行特征识别,确定所述显示面板的不良特征。
对图6所示的感兴趣区域进行特征识别,即可确定所述显示面板的不良特征,包括线、圆等特征,其中,线不良特征为crack不良,圆不良特征为气泡、污渍等不良。
在对感兴趣区域进行特征识别之前,可以对感兴趣区域进行预处理,以提高不良识别的准确性。一具体示例中,可以对所述感兴趣区域进行伽马增强,这样可以对不良特征进行加强;另一具体示例中,可以对所述感兴趣区域进行滤波,将干扰亮点消除,同时将显示面板本身像素亮点消除;另一具体示例中,可以对所述感兴趣区域进行不良边缘锐化,比如利用canny算子将疑似不良区域边缘的像素点灰阶值增加,以锐化边缘;另一具体示例中,可以对所述感兴趣区域进行去边缘处理,比如将提取的ROI边缘(也是显示面板边缘)去除。
在进行特征识别时,可以通过霍夫变换从所述感兴趣区域中分离出线不良特征和/或气泡不良特征。当然,本实施例并不局限于采用霍夫变换从所述感兴趣区域中分离出不良特征,还可以采用其他不良特征识别算法从所述感兴趣区域中分离出不良特征。
从所述感兴趣区域中分离出线不良特征之后,还可以对线不良特征进行筛选,比如若识别出的线不良特征与设定方向的角度大于阈值,排除所述线不良特征。这是因为crack不良一般是在列方向上延伸,如果识别出的线不良特征与列方向之间的角度过大,可以确定是识别错误,就可以排除该不良特征。上述阈值可以根据需要进行设定,具体可以小于30°。
本实施例中,采集待检测显示面板的面板图像,将面板图像转换为二值图像,对二值图像中的每个亮点区域进行膨胀,使得相邻的亮点区域连通,在二值图像上形成封闭的连通域,根据封闭的连通域确定二值图像中的感兴趣区域掩膜图像,利用感兴趣区域掩膜图像对面板图像进行操作确定感兴趣区域,之后对感兴趣区域进行特征识别,确定显示面板的不良特征,本实施例提取感兴趣区域的准确性高,受非检测区域的干扰小,能够准确识别出显示面板不良。
这里的处理器可以是一个处理器,也可以是多个处理元件的统称,例如,该处理器可以是CPU,也可以是ASIC,或者是被配置成实施以上所述方法的一个或多个集成电路,例如:一个或多个微处理器DSP,或,一个或者多个现场可编程门阵列FPGA等。存储器可以是一个存储器,也可以是多个存储元件的统称。
本发明的实施例还提供了一种检测显示面板不良的装置,如图8所示,包括:
处理器31;
存储器32,其上存储有指令,被配置为当所述指令被所述处理器执行时,可实现如上所述的方法,在此不再赘述。
其中,处理器31可以是一个处理器,也可以是多个处理元件的统称,例如,该处理器可以是CPU,也可以是ASIC,或者是被配置成实施以上所述方法的一个或多个集成电路,例如:一个或多个微处理器DSP,或,一个或者多个现场可编程门阵列FPGA等。存储元件可以是一个存储器,也可以是多个存储元件的统称。
存储器32可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本申请描述的存储器32旨在包括但不限于这些和任意其它适合类型的存储器。
本发明的实施例还提供了一种存储介质,所述存储介质上存储有指令,当所述指令被处理器执行时,可实现如上所述的方法,在此不再赘述。
其中,存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (16)
1.一种检测显示面板不良的方法,其特征在于,包括:
采集待检测显示面板的面板图像,所述显示面板的多个第一像素分别对应所述面板图像中的多个第二像素;
将所述面板图像转换为二值图像;
对所述二值图像中的每个亮点区域进行膨胀,使得相邻的所述亮点区域连通,在所述二值图像上形成至少一个封闭的连通域;
根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像;
根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域;
对所述感兴趣区域进行特征识别,确定所述显示面板的不良特征。
2.根据权利要求1所述的检测显示面板不良的方法,其特征在于,所述将所述面板图像转换为二值图像包括:
将所述面板图像转换为第一灰阶图像;
对所述第一灰阶图像进行压缩处理,得到第二灰阶图像;
将所述第二灰阶图像转换为所述二值图像。
3.根据权利要求2所述的检测显示面板不良的方法,其特征在于,对所述第一灰阶图像进行压缩处理的行压缩倍率为2~6倍,对所述第一灰阶图像进行压缩处理的列压缩倍率为2~6倍。
4.根据权利要求2所述的检测显示面板不良的方法,其特征在于,所述将所述第二灰阶图像转换为所述二值图像包括:
计算所述第二灰阶图像的所有像素的灰阶平均值;
将灰阶值大于等于所述灰阶平均值的像素设为白色,将灰阶值小于所述灰阶平均值的像素设为黑色,得到所述二值图像;或将灰阶值大于所述灰阶平均值的像素设为白色,将灰阶值小于等于所述灰阶平均值的像素设为黑色,得到所述二值图像。
5.根据权利要求1所述的检测显示面板不良的方法,其特征在于,所述根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像包括:
通过计算每个所述连通域的周长确定最大的连通域,剪切出所述最大的连通域的图像;
将所述最大的连通域的图像的设定边缘往内腐蚀设定值个第二像素,得到所述感兴趣区域掩膜图像。
6.根据权利要求2-5中任一项所述的检测显示面板不良的方法,其特征在于,所述根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域包括:
确定所述第二灰阶图像中与所述感兴趣区域掩膜图像对应的感兴趣过渡区域;
将所述感兴趣过渡区域与所述感兴趣区域掩膜图像进行与操作,得到所述感兴趣区域。
7.根据权利要求1所述的检测显示面板不良的方法,其特征在于,所述对所述感兴趣区域进行特征识别之前,所述方法还包括以下至少一项:
对所述感兴趣区域进行伽马增强;
对所述感兴趣区域进行滤波;
对所述感兴趣区域进行不良边缘锐化;
对所述感兴趣区域进行去边缘处理。
8.根据权利要求1所述的检测显示面板不良的方法,其特征在于,所述对所述感兴趣区域进行特征识别包括:
通过霍夫变换从所述感兴趣区域中分离出线不良特征和/或气泡不良特征。
9.根据权利要求1所述的检测显示面板不良的方法,其特征在于,所述感兴趣区域中分离出线不良特征之后,所述方法还包括:
若识别出的线不良特征与设定方向的角度大于阈值,排除所述线不良特征。
10.一种检测显示面板不良的装置,其特征在于,包括:
采集模块,用于采集待检测显示面板的面板图像,所述显示面板的多个第一像素分别对应所述面板图像中的多个第二像素;
转换模块,用于将所述面板图像转换为二值图像;
膨胀模块,用于对所述二值图像中的每个亮点区域进行膨胀,使得相邻的所述亮点区域连通,在所述二值图像上形成至少一个封闭的连通域;
第一处理模块,用于根据所述至少一个封闭的连通域确定所述二值图像中的感兴趣区域掩膜图像;
第二处理模块,用于根据所述感兴趣区域掩膜图像和所述面板图像确定感兴趣区域;
特征识别模块,用于对所述感兴趣区域进行特征识别,确定所述显示面板的不良特征。
11.根据权利要求10所述的检测显示面板不良的装置,其特征在于,
所述转换模块具体用于将所述面板图像转换为第一灰阶图像;对所述第一灰阶图像进行压缩处理,得到第二灰阶图像;将所述第二灰阶图像转换为所述二值图像。
12.根据权利要求11所述的检测显示面板不良的装置,其特征在于,
所述转换模块具体用于计算所述第二灰阶图像的所有像素的灰阶平均值;将灰阶值大于等于所述灰阶平均值的像素设为白色,将灰阶值小于所述灰阶平均值的像素设为黑色,得到所述二值图像;或将灰阶值大于所述灰阶平均值的像素设为白色,将灰阶值小于等于所述灰阶平均值的像素设为黑色,得到所述二值图像。
13.根据权利要求10所述的检测显示面板不良的装置,其特征在于,
所述第一处理模块具体用于通过计算每个所述连通域的周长确定最大的连通域,剪切出所述最大的连通域的图像;将所述最大的连通域的图像的设定边缘往内腐蚀设定值个第二像素,得到所述感兴趣区域掩膜图像。
14.根据权利要求11-13中任一项所述的检测显示面板不良的装置,其特征在于,
所述第二处理模块具体用于确定所述第二灰阶图像中与所述感兴趣区域掩膜图像对应的感兴趣过渡区域;将所述感兴趣过渡区域与所述感兴趣区域掩膜图像进行与操作,得到所述感兴趣区域。
15.一种检测显示面板不良的装置,其特征在于,包括:
处理器;
存储器,其上存储有指令,被配置为当所述指令被所述处理器执行时,可实现如权利要求1-9中任一项所述的方法。
16.一种存储介质,其特征在于,所述存储介质上存储有指令,当所述指令被处理器执行时,可实现如权利要求1-9中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686184.7A CN114022403A (zh) | 2020-07-16 | 2020-07-16 | 检测显示面板不良的方法及装置 |
US17/784,073 US20230005130A1 (en) | 2020-07-16 | 2021-06-11 | Method and device for detecting display panel defect |
PCT/CN2021/099727 WO2022012240A1 (zh) | 2020-07-16 | 2021-06-11 | 检测显示面板不良的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686184.7A CN114022403A (zh) | 2020-07-16 | 2020-07-16 | 检测显示面板不良的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022403A true CN114022403A (zh) | 2022-02-08 |
Family
ID=79556126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010686184.7A Pending CN114022403A (zh) | 2020-07-16 | 2020-07-16 | 检测显示面板不良的方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230005130A1 (zh) |
CN (1) | CN114022403A (zh) |
WO (1) | WO2022012240A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063578A (zh) * | 2022-08-18 | 2022-09-16 | 杭州长川科技股份有限公司 | 芯片图像中目标对象检测与定位方法、装置及存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581510B (zh) * | 2022-02-28 | 2022-11-29 | 扬州宝祥节能科技有限公司 | 基于模式识别的卷帘窗阻力点定位方法及人工智能系统 |
CN114519714B (zh) * | 2022-04-20 | 2022-07-26 | 中导光电设备股份有限公司 | 一种显示屏脏污缺陷判定的方法和系统 |
CN115439476B (zh) * | 2022-11-07 | 2023-03-14 | 成都博视广达科技有限责任公司 | 基于图像分析的丝印缺陷检测方法及装置 |
CN115880248B (zh) * | 2022-12-13 | 2024-02-09 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
CN116823815B (zh) * | 2023-08-28 | 2023-11-21 | 青岛胶州电缆有限公司 | 一种电缆表面异常智能检测方法 |
CN117115146B (zh) * | 2023-10-19 | 2024-03-19 | 深圳宝铭微电子有限公司 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
CN117095009B (zh) * | 2023-10-20 | 2024-01-12 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5847062B2 (ja) * | 2012-11-27 | 2016-01-20 | 京セラドキュメントソリューションズ株式会社 | 画像処理装置 |
CN103729632B (zh) * | 2014-01-22 | 2016-11-02 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN105303189B (zh) * | 2014-07-29 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
CN105405142B (zh) * | 2015-11-12 | 2019-04-05 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN109215026B (zh) * | 2018-09-29 | 2022-02-11 | 广东工业大学 | 一种基于机器视觉的高速准确led缺陷检测方法 |
-
2020
- 2020-07-16 CN CN202010686184.7A patent/CN114022403A/zh active Pending
-
2021
- 2021-06-11 WO PCT/CN2021/099727 patent/WO2022012240A1/zh active Application Filing
- 2021-06-11 US US17/784,073 patent/US20230005130A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063578A (zh) * | 2022-08-18 | 2022-09-16 | 杭州长川科技股份有限公司 | 芯片图像中目标对象检测与定位方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230005130A1 (en) | 2023-01-05 |
WO2022012240A1 (zh) | 2022-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114022403A (zh) | 检测显示面板不良的方法及装置 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN112183038A (zh) | 一种表格识别套打方法、计算机设备及计算机可读存储介质 | |
CN111753692A (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN111583216A (zh) | Pcba电路板的缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
CN111275700A (zh) | 基于深度学习的端子缺陷检测方法及系统 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN111461100A (zh) | 一种票据识别方法、装置、电子设备和存储介质 | |
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 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN107993223A (zh) | 划痕检测方法、装置和电子设备 | |
CN114565558A (zh) | 一种cmos芯片表面缺陷检测方法及系统 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN109211919B (zh) | 磁瓦崩缺区域的识别方法及装置 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN115631198A (zh) | 玻璃显示屏的裂纹检测方法、装置及计算机设备 | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 | |
CN115619813A (zh) | Sem图像前景提取方法、装置、计算机设备及存储介质 |
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 |