CN114359115A - 一种提高缺陷检测准确性的方法、计算机设备及可读介质 - Google Patents

Abstract

本申请公开了一种提高缺陷检测准确性的方法、计算机设备及可读介质，该方法包括：利用相机拍摄待测对象的显示画面，对获取的第一显示图像进行缺陷检测，得到各个缺陷的基本区域特征和亮度信息；获取相机中每个相机像素的第一点扩散函数PSF；根据基本区域特征将对应的缺陷映射到待测对象上，根据亮度信息计算待测对象上的缺陷经相机取像后的第二点扩散函数PSF；根据第一、第二点扩散函数PSF计算待测对象上的缺陷本身的第三点扩散函数PSF；将各缺陷的基本区域特征和第三点扩散函数PSF输入分类网络模型中，对各缺陷进行分类；本发明能够消除相机取像后的图像不能真实反应待测对象这一失真现象对缺陷检测的不利影响，从而提高缺陷检测的准确度。

Description

一种提高缺陷检测准确性的方法、计算机设备及可读介质

技术领域

本申请涉及自动光学检测技术领域，更具体地，涉及一种提高缺陷检测准确性的方法、计算机设备及可读介质，适用于对显示面板、VR终端等设备进行缺陷检测并提高检测结果的准确度。

背景技术

近些年来，虚拟现实(Virtual Reality, VR)技术飞速发展，其在视频和游戏中带来的沉浸体验和立体视觉，得到了消费者的青睐和肯定。此外，在教育、医疗、远程、车载导航、房地产等行业中，也有广泛的发展前景。随着技术的不断发展，越来越多的公司进入该领域。现有的VR产品通过显示屏幕将视觉信息投射入人眼中，在产品的组装过程中，若受到环境灰尘、屏幕留存异物等因素影响，会导致屏幕局部光线被遮蔽，亮度偏低，出现画面缺陷情况，影响用户的体验效果。在产品生产、迭代的过程中，检测技术一直以人工为主，并未实现真正意义上的自动光学检测，这极大阻碍了VR技术的快速发展。

目前检测技术以人工为主，依赖VR点亮设备，通过显微镜或者人眼直接观察，从而确认画面缺陷的类型和位置。这种方法存在人工检测的通病，如效率低，精度差，一致性不够等。而通过自动光学检测方法对VR屏幕进行检测时，为兼顾VR屏幕的显示区域边缘和中心部分的检测效果，一般通过相机分区域拍摄，这样检测相当麻烦。此外，现有方法中并未考虑到VR显示区域对于光源的响应是极其复杂的这一情况，检测相机拍摄得到的图像往往不能真实反应VR显示区域中的画面，这种失真现象很影响缺陷的检测性能。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种提高缺陷检测准确性的方法、计算机设备及可读介质，其目的在于消除相机失真现象对缺陷检测的影响，并进一步提高检测结果的准确度。

为实现上述目的，按照本发明的第一个方面，提供了一种提高缺陷检测准确性的方法，其包括：

利用相机拍摄待测对象的显示画面，对获取的第一显示图像进行缺陷检测，得到缺陷结果；所述缺陷结果包括各个缺陷的基本区域特征和亮度信息；

获取所述相机中每个相机像素的第一点扩散函数PSF；

根据所述基本区域特征将对应的缺陷映射到待测对象的显示区域上，根据所述亮度信息计算待测对象上的缺陷经相机取像后的第二点扩散函数PSF；

根据第一点扩散函数PSF、第二点扩散函数PSF计算待测对象上的缺陷本身的第三点扩散函数PSF；

将各缺陷的基本区域特征和第三点扩散函数PSF输入预先训练好的分类网络模型中，通过所述分类网络模型对各缺陷进行分类。

进一步地，上述提高缺陷检测准确性的方法，所述获取相机中每个相机像素的第一点扩散函数PSF，包括：

利用相机拍摄预置的标定图案，获得第二显示图像；

对所述第二显示图像进行分区，分别计算每个区域的第一点扩散函数PSF；

根据各个区域的第一点扩散函数PSF，利用插值法计算每个相机像素的第一点扩散函数PSF。

进一步地，上述提高缺陷检测准确性的方法，所述根据第一点扩散函数PSF、第二点扩散函数PSF计算待测对象上的缺陷本身的第三点扩散函数PSF，具体为：

利用第一点扩散函数PSF对第二点扩散函数PSF进行反褶积，得到待测对象上的缺陷本身的第三点扩散函数PSF。

进一步地，上述提高缺陷检测准确性的方法，所述通过分类网络模型对各缺陷进行分类，包括：

通过分类网络模型对缺陷的类别进行判定。

进一步地，上述提高缺陷检测准确性的方法，所述分类网络模型的训练方法为：

获取作为训练样本的多个第一样本缺陷，对每个所述第一样本缺陷的基本区域特征和第三点扩散函数PSF进行标注，且每个第一样本缺陷具有一个真实类别标签；

将多个第一样本缺陷输入待训练的分类网络模型中，得到每个第一样本缺陷的预测类别标签；

根据所述真实类别标签与预测类别标签之间的误差计算目标损失函数，基于所述目标损失函数训练分类网络模型，直至满足迭代停止条件，得到训练好的分类网络模型。

进一步地，上述提高缺陷检测准确性的方法，所述通过分类网络模型对各缺陷进行分类，包括：

通过分类网络模型对缺陷的灰度等级进行判定。

进一步地，上述提高缺陷检测准确性的方法，所述分类网络模型的训练方法为：

获取作为训练样本的多个第二样本缺陷，对每个所述第二样本缺陷的基本区域特征和第三点扩散函数PSF进行标注，且每个第二样本缺陷具有一个真实灰度等级标签；

将多个第二样本缺陷输入待训练的分类网络模型中，得到每个第二样本缺陷的预测灰度等级标签；

根据所述真实灰度等级标签与预测灰度等级标签之间的误差计算目标损失函数，基于所述目标损失函数训练分类网络模型，直至满足迭代停止条件，得到训练好的分类网络模型。

进一步地，上述提高缺陷检测准确性的方法，所述利用相机拍摄待测对象的显示画面，对获取的第一显示图像进行缺陷检测，得到缺陷结果，包括：

利用相机拍摄待测对象的显示画面，从相机采集的图像中提取感兴趣区域，得到所述显示画面对应的第一显示图像；所述第一显示图像中包括预先划分的多个区域；

基于每个区域对应的超参数分别对各区域进行缺陷检测，得到缺陷结果；所述超参数包括图像灰阶和分割阈值。

按照本发明的第二个方面，还提供了一种计算机设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述方法的步骤。

按照本发明的第三个方面，还提供了一种计算机可读介质，其存储有可由计算机设备执行的计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述任一项所述方法的步骤。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

（1）本发明考虑到检测相机成像造成的失真现象，获取相机中每个相机像素的PSF，对待测对象上的缺陷经相机取像后的PSF进行修正，得到缺陷本身的PSF特征；将缺陷本身的PSF特征与基本区域特征输入预先训练好的分类网络模型中，利用机器学习方法进行缺陷的再分类，能有效地将缺陷和干扰分开；利用分类网络模型也可将缺陷按灰阶进行分等，进一步提高缺陷检测的准确度。

（2）本发明将待测对象的显示区域划分为不同区域，设置不同的检测参数，能有效检测出不同位置的缺陷，有效提升缺陷的检出率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为是本实施例提供的一种提高缺陷检测准确性的方法的流程示意图；

图2为是本实施例提供的Pattern画面的分区示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

此外，为了避免使技术人员对本发明的理解模糊，可能不详细地描述或示出公知的或广泛使用的技术、元件、结构和处理。尽管附图表示本发明的示例性实施例，但是附图不必按照比例绘制，并且特定的特征可被放大或省略，以便更好地示出和解释本发明。

图1是本实施例提供的一种提高缺陷检测准确性的方法的流程示意图，请参阅图1，该方法包括以下步骤：

S1利用相机拍摄待测对象的显示画面，对获取的第一显示图像进行缺陷检测，得到缺陷结果；所述缺陷结果包括各个缺陷的基本区域特征和亮度信息；

本步骤中，所述的待测对象可以是VR终端设备、显示面板、显示模组或者其它具有显示屏的硬件设备。

首先点亮待测对象的显示区域，使其显示画面，通过相机拍摄待测对象的显示区域，得到第一显示图像；其中，相机可以采用彩色相机，也可以是单色相机。一般的，由于相机的视野大于待测对象的显示区域，以便充分覆盖整个屏幕；因此，在获取相机拍摄的图像之后，需要对图像进行裁剪，从中提取出感兴趣区域，即待测对象的显示区域对应的第一显示图像；然后基于该第一显示图像进行常规的缺陷检测，获得显示区域上的缺陷检测结果。本实施例中，缺陷结果包括各个缺陷的尺寸、形状、中心坐标、区域位置等基本区域特征，还包括缺陷的亮度信息。

在一个优选的实施方式中，区别于现有技术，本实施例中，待测对象显示的画面为预先配置的Pattern画面，该Pattern画面中具有划分好的若干区域。Pattern画面的样式不作具体限定，根据待测对象的形状以及显示特性的不同，Pattern画面也随之变化。

以待测对象为VR终端设备为例，VR终端设备点亮后显示图2所示的Pattern画面，在该Pattern中已将VR显示区域划分为若干个区域。因为VR显示区域在检测相机取像的过程中，可能会存在摩尔纹干扰，导致每个区域之间的成像质量不尽相同，所以该Pattern画面区域划分的依据是让每个区域内部的成像质量能尽可能保持一致。通过相机拍摄VR终端设备显示的已划分好区域的Pattern画面，从而得到图像感兴趣区域，即第一显示图像，该第一显示图像中同样包括预先划分的多个区域。

进一步地，为每个区域分别设置各自的超参数，基于每个区域对应的超参数分别对各区域进行缺陷检测，得到缺陷结果。VR显示区域进行划分后，由于不同的区域成像质量不同，使用同一套参数对不同区域进行检测，可能出现缺陷检出效果不理想、过检漏检的情况，因此，本实施例针对不同区域设置各自的超参数，具体的，该超参数包括图像灰阶和分割阈值，对应的缺陷检测过程包括：

S11利用对比度拉伸方法对图像进行增强。

不同区域的成像质量不同，需要进行不同程度的增强。如中心区域对比度较高，清晰度较高，干扰噪声较少，可拉伸至较小的灰阶范围，在一个具体示例中，该灰阶范围为88~158，即可将缺陷从背景中突显出来。至于边缘区域，对比度最低，清晰度也最低，干扰噪声也最多，需要拉伸到较大的灰阶范围，在一个具体示例中，该灰阶范围为73~168，以尽可能地突显出缺陷。

S12利用阈值分割方法将缺陷检出。

图像增强后，缺陷和背景之间可通过阈值分割的方法，将缺陷检测出来，但不同区域所增强的程度不同，需要设置不同的阈值来检测出缺陷，这样保证缺陷能够尽可能检出的同时，也能避免过多的噪声干扰造成的过检。在一个具体示例中，中心区域、边缘区域的分割阈值分别设置为120、132。

一般地，在利用相机取像之前，需要对相机进行标定，以减少相机畸变导致的图像失真，对检测结果带来的不利影响。本实施例中，采用黑白棋盘格画面进行相机标定，具体的，使用相机拍摄黑白棋盘格画面，得到该显示图像后，提取其所有角点信息，并进一步提取出子像素的角点信息；根据以上信息计算相机的内参数矩阵和畸变系数，校正光学镜头的畸变。

S2获取所述相机中每个相机像素的第一点扩散函数PSF；

本实施例中，考虑了VR显示区域对光源（如相机）的响应复杂性，在相机复杂成像过程中，VR显示区域上一个光的理想点会被扩散成相机的像平面上一个有限的区域，如果将VR显示区域分割成不同强度的离散点区域，相机中的成像则被计算为每个离散点区域的点扩散函数PSF之和。

为了消除相机取像后的图像不能真实反应VR显示区域中的画面的这种失真现象对缺陷检测的影响，本步骤中，首先对相机的点扩散函数PSF进行估计，获取相机中每个相机像素的第一点扩散函数PSF。

在一个可选的实施方式中，获取相机中每个相机像素的第一点扩散函数PSF的方法为：

利用相机拍摄预置的标定图案，获得第二显示图像；在一个具体示例中，该标定图案为棋盘格图案。

对第二显示图像进行分区，分别计算每个区域的第一点扩散函数PSF；

在一个具体示例中，棋盘格图案对应的第二显示图像中每个格子为一个独立分区，分别计算棋盘格图像中每个格子的角点处的第一点扩散函数PSF。

根据各个区域的第一点扩散函数PSF，利用插值法计算每个相机像素的第一点扩散函数PSF。

S3根据所述基本区域特征将对应的缺陷映射到待测对象的显示区域上，根据所述亮度信息计算待测对象上的缺陷经相机取像后的第二点扩散函数PSF；

本步骤中，基于步骤S1中获得的缺陷的位置信息，将从第一显示图像中检测到的每个缺陷映射到待测对象的屏幕尺寸上，然后根据缺陷的亮度数据计算待测对象的屏幕上的每个缺陷经相机成像后的第二点扩散函数PSF。

S4根据第一点扩散函数PSF、第二点扩散函数PSF计算待测对象上的缺陷本身的第三点扩散函数PSF；

本步骤的主要目的是为了消除待测对象显示区域中的每个像素点经相机取像后的失真现象，通过相机像素的第一点扩散函数PSF对缺陷经相机成像后的第二点扩散函数PSF进行修正，从而获取缺陷自身的PSF。

在一个可选的实施方式中，利用第一点扩散函数PSF对第二点扩散函数PSF进行反褶积，得到待测对象上的缺陷本身的第三点扩散函数PSF。在其他实施方式中，也可以采取第二点扩散函数PSF与第一点扩散函数PSF相减或者相除的方式，来除去成像系统的PSF影响，从而计算出缺陷本身的PSF相关特征。

S5将各缺陷的位置信息和第三点扩散函数PSF输入预先训练好的分类网络模型中，通过所述分类网络模型对各缺陷进行分类。

在步骤S1中获取的缺陷结果中，往往还是会存在过检的情况，为了提高缺陷检测的准确性，本实施例对步骤S1中获取的缺陷结果进行再分类，筛选出真缺陷、过滤假缺陷；或者对缺陷结果中的各个缺陷按灰阶进行分等，根据灰度等级来进一步过滤缺陷。

本步骤中，将缺陷结果中各缺陷的位置信息和第三点扩散函数PSF输入预先训练好的分类网络模型中，来对各缺陷进行再分类。当然，也可以将各缺陷的尺寸、形状等信息与位置信息和第三点扩散函数PSF进行合并，作为分类网络模型的输入，一般来说，模型的输入特征越多，最终的分类准确性越高。

在一种实施方式中，本步骤通过分类网络模型对缺陷的类别进行判定，得到分类结果，即是缺陷或者不是缺陷。

该实施方式中，分类网络模型的训练过程包括：

获取作为训练样本的多个第一样本缺陷，对每个第一样本缺陷的尺寸信息、形状信息、位置信息和第三点扩散函数PSF进行标注，且每个第一样本缺陷具有一个真实类别标签，即“是缺陷”或“不是缺陷”；

将多个第一样本缺陷输入待训练的分类网络模型中，分类网络模型输出每个第一样本缺陷的预测类别标签；

根据真实类别标签与预测类别标签之间的误差计算目标损失函数，基于目标损失函数训练分类网络模型，直至满足迭代停止条件，停止迭代，得到训练好的分类网络模型。基于该分类网络模型可对缺陷的类别进行准确分类。

在一种实施方式中，本步骤通过分类网络模型对缺陷的灰度等级进行判定，例如，缺陷灰阶大于127或者小于127。

该实施方式中，分类网络模型的训练过程包括：

获取作为训练样本的多个第二样本缺陷，对每个所述第二样本缺陷的尺寸信息、形状信息、位置信息和第三点扩散函数PSF进行标注，且每个第二样本缺陷具有一个真实灰度等级标签，即“大于127”或“小于127”；当然，灰度等级的划分并不局限于这一种方式，可以根据实际需求设置其他灰度等级标签；

将多个第二样本缺陷输入待训练的分类网络模型中，得到每个第二样本缺陷的预测灰度等级标签；

根据真实灰度等级标签与预测灰度等级标签之间的误差计算目标损失函数，基于目标损失函数训练分类网络模型，直至满足迭代停止条件，停止迭代，得到训练好的分类网络模型。基于该分类网络模型可对缺陷的灰度等级进行判定。

在以上两种实施方式中，分类网络模型的类型不作具体限定，可以采用现有技术中成熟的分类器，如LightGBM分类器。目标损失函数可以采用二分类的损失函数，如BinaryCrossEntropy。设置LightGBM分类器的初始学习率和迭代周期后，投入训练样本开始训练，经过多次迭代后模型收敛，在测试样本上推断，并用Accuracy指标统计结果，满足要求则输出模型并部署。

应当注意，尽管在上述的实施例中，以特定顺序描述了本说明书实施例的方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本实施例还提供了一种计算机设备，其包括至少一个处理器、以及至少一个存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行提高缺陷检测准确性的方法的步骤，此处不再赘述；本实施例中，处理器和存储器的类型不作具体限制，例如：处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、非易失性存储器或者它们的组合等。

该计算机设备也可以与一个或多个外部设备 (如键盘、指向终端、显示器等)通信，还可与一个或者多个使得用户能与该计算机设备交互的终端通信，和/或与使得该计算机设备能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且，计算机设备还可以通过网络适配器与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。

本实施例还提供了一种计算机可读介质，其存储有可由计算机设备执行的计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行提高缺陷检测准确性的方法的步骤。计算机可读介质的类型包括但不限于SD卡、U盘、固定硬盘、移动硬盘等存储介质。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种提高缺陷检测准确性的方法，其特征在于，包括：

利用相机拍摄待测对象的显示画面，对获取的第一显示图像进行缺陷检测，得到缺陷结果；所述缺陷结果包括各个缺陷的基本区域特征和亮度信息；

获取所述相机中每个相机像素的第一点扩散函数PSF；

根据所述基本区域特征将对应的缺陷映射到待测对象的显示区域上，根据所述亮度信息计算待测对象上的缺陷经相机取像后的第二点扩散函数PSF；

根据第一点扩散函数PSF、第二点扩散函数PSF计算待测对象上的缺陷本身的第三点扩散函数PSF；

将各缺陷的基本区域特征和第三点扩散函数PSF输入预先训练好的分类网络模型中，通过所述分类网络模型对各缺陷进行分类。

2.如权利要求1所述的提高缺陷检测准确性的方法，其特征在于，所述获取相机中每个相机像素的第一点扩散函数PSF，包括：

利用相机拍摄预置的标定图案，获得第二显示图像；

对所述第二显示图像进行分区，分别计算每个区域的第一点扩散函数PSF；

根据各个区域的第一点扩散函数PSF，利用插值法计算每个相机像素的第一点扩散函数PSF。

3.如权利要求1所述的提高缺陷检测准确性的方法，其特征在于，所述根据第一点扩散函数PSF、第二点扩散函数PSF计算待测对象上的缺陷本身的第三点扩散函数PSF，具体为：

利用第一点扩散函数PSF对第二点扩散函数PSF进行反褶积，得到待测对象上的缺陷本身的第三点扩散函数PSF。

4.如权利要求1至3任一项所述的提高缺陷检测准确性的方法，其特征在于，所述通过分类网络模型对各缺陷进行分类，包括：

通过分类网络模型对缺陷的类别进行判定。

5.如权利要求4所述的提高缺陷检测准确性的方法，其特征在于，所述分类网络模型的训练方法为：

获取作为训练样本的多个第一样本缺陷，对每个所述第一样本缺陷的基本区域特征和第三点扩散函数PSF进行标注，且每个第一样本缺陷具有一个真实类别标签；

将多个第一样本缺陷输入待训练的分类网络模型中，得到每个第一样本缺陷的预测类别标签；

根据所述真实类别标签与预测类别标签之间的误差计算目标损失函数，基于所述目标损失函数训练分类网络模型，直至满足迭代停止条件，得到训练好的分类网络模型。

6.如权利要求1至3任一项所述的提高缺陷检测准确性的方法，其特征在于，所述通过分类网络模型对各缺陷进行分类，包括：

通过分类网络模型对缺陷的灰度等级进行判定。

7.如权利要求6所述的提高缺陷检测准确性的方法，其特征在于，所述分类网络模型的训练方法为：

获取作为训练样本的多个第二样本缺陷，对每个所述第二样本缺陷的基本区域特征和第三点扩散函数PSF进行标注，且每个第二样本缺陷具有一个真实灰度等级标签；

将多个第二样本缺陷输入待训练的分类网络模型中，得到每个第二样本缺陷的预测灰度等级标签；

根据所述真实灰度等级标签与预测灰度等级标签之间的误差计算目标损失函数，基于所述目标损失函数训练分类网络模型，直至满足迭代停止条件，得到训练好的分类网络模型。

8.如权利要求1所述的提高缺陷检测准确性的方法，其特征在于，所述利用相机拍摄待测对象的显示画面，对获取的第一显示图像进行缺陷检测，得到缺陷结果，包括：

利用相机拍摄待测对象的显示画面，从相机采集的图像中提取感兴趣区域，得到所述显示画面对应的第一显示图像；所述第一显示图像中包括预先划分的多个区域；

基于每个区域对应的超参数分别对各区域进行缺陷检测，得到缺陷结果；所述超参数包括图像灰阶和分割阈值。

9.一种计算机设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行权利要求1～8任一项所述方法的步骤。

10.一种计算机可读介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1～8任一项所述方法的步骤。

Images