CN114926671A - 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统 - Google Patents
基于模板匹配的nled/qled/oled像素缺陷定位方法及系统 Download PDFInfo
- Publication number
- CN114926671A CN114926671A CN202210678742.4A CN202210678742A CN114926671A CN 114926671 A CN114926671 A CN 114926671A CN 202210678742 A CN202210678742 A CN 202210678742A CN 114926671 A CN114926671 A CN 114926671A
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- template
- pixel
- original image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000010076 replication Effects 0.000 claims 1
- 238000007639 printing Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000002096 quantum dot Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007641 inkjet printing Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于模板匹配的NLED/QLED/OLED像素缺陷定位方法及系统，该方法包括：获取原始图像和目标图像并进行预处理；根据目标图像制作初始模板图；将初始模板图进行不同尺度的变换，获取多个尺度层的模板图像；将模板图像与预处理后的原始图像在多个尺度层上对每个像素采用匹配算法进行相似度的遍历匹配；根据每个像素点对应的特征向量的数量，确定对应的匹配分值；设定每个位置匹配分数的阈值范围，处于阈值范围之内则匹配成功，超出则匹配不成功；将识别出的超出阈值所对应的像素点作为识别结果并显示在原始图像上，识别出原始图像中缺陷的数量和位置，实现对像素缺陷的定位。该方法及系统有利于提高打印像素缺陷定位的精度和效率，适用范围广。
Description
技术领域
本发明属于打印像素缺陷定位技术领域，具体涉及一种基于模板匹配的 NLED/QLED/OLED像素缺陷定位方法及系统。
背景技术
纳米发光二极管(Nano crystal Light-EmittingDiode，NLED)是使用纳米发光材料通过打印等技术来制备的高性能发光二极管器件；量子点发光二极管(Quantum dotLight-EmittingDiode，QLED)其发光层是由量子点构成，使用材料主要分为含镉量子点与无镉量子点；有机发光二极管(Organic Light-EmittingDiode，OLED)是基于有机材料的电致发光器件，由于它同时具备自发光、不需要背光源、对比度高、视角广、反应速度快、可用于挠曲面性面板、使用温度范围广、构造及制程较为简单等优异的特性，已经被广泛应用于高端显示中。使用印刷技术制备NLED/QLED/OLED具有节约材料、易于图形化和精度高等优点，是下一代显示技术的研究方向。由于技术尚未完全成熟，还有许多量产问题需要解决。
随着显示技术的不断发展，对于如何有效定位NLED/QLED/OLED制程中产生的缺陷也成为近年来的热门问题，大多数学者集中于解决显示面板缺陷问题，而对于缺陷产生的源头，即NLED/QLED/OLED打印像素缺陷定位却少有研究。目前提出的相关NLED/QLED/OLED缺陷定位方法有：(1)采用人工的方式对缺陷进行定位，对于人工来说，由于缺陷大小、区域、形状不定、难以识别，前期需耗费大量时间精力对其进行培训且难以保证人为主观因素的影响。(2)采用层次聚类算法对不良坐标进行聚类分类，对每类离散点簇采用AlphaShapes算法提取其外轮廓点。这种方法可以对面板缺陷进行定位，却无法对打印像素进行定位，不能从一开始就对缺陷进行一个精准的判断，使得制程中浪费一些不必要的生产。(3)基于稀疏编码重构的异常缺陷识别定位方法，这类方法是借助稀疏编码和字典学习等方式学习正常样本的表示方法，从重构误差和稀疏度等角度来识别缺陷，适用于各种类型的图像，通用性很好，但是检测时间长，而且需要额外的空间保存过完备的字典，存在效率低、量化受限等问题，不稳定性因素太高。
因此，在进行NLED/QLED/OLED像素缺陷定位过程中，有必要设计出一套结构简单、效率高并且稳定性高的像素缺陷定位技术，从而有利于实现大面积印刷工艺，对 NLED/QLED/OLED面板的质量也有所保证。
发明内容
本发明的目的在于提供一种基于模板匹配的NLED/QLED/OLED像素缺陷定位方法及系统，该方法及系统有利于提高打印像素缺陷定位的精度和效率，适用范围广。
为实现上述目的，本发明采用的技术方案是：一种基于模板匹配的 NLED/QLED/OLED像素缺陷定位方法，包括以下步骤：
步骤S1：获取原始图像和目标图像并进行预处理；
步骤S2：根据目标图像制作相对应的初始模板图；
步骤S3：将初始模板图进行不同尺度的变换，获取多个尺度层的模板图像；
步骤S4：将所获取的模板图像与预处理后的原始图像在多个尺度层上对每个像素采用匹配算法进行相似度的遍历匹配；
步骤S5：根据每个像素点对应的特征向量的数量，确定对应的匹配分值，分值越大，说明匹配程度越准确；
步骤S6：设定每个位置匹配分数的阈值范围，处于阈值范围之内则匹配成功，超出阈值范围则匹配不成功；
步骤S7：将识别出的超出阈值所对应的像素点作为识别结果并显示在原始图像上，识别出原始图像中缺陷的数量和具体位置，从而实现对像素缺陷进行定位。
进一步地，所述步骤S1中，获取原始图像和目标图像，并对所述原始图像和目标图像进行预处理，所述原始图像包含有缺陷像素图像和无缺陷像素图像，所述目标图像为无缺陷像素图像；所述预处理包括对图像进行灰度直方图变换，以提高图像的对比度，增强细节；所述预处理还包括采用增强算法对图像的分辨率、大小、角度以及由于环境造成的背景差异过大因素进行处理。
进一步地，所述步骤S2中，通过多张目标图像制作相对应的初始模板图，根据目标图像制作初始模板图的具体方法为：首先将目标图像经过旋转、角度周期修正，变换为周长宽为300×100的正向尺寸；再估计目标图像周期的上下限，确定模板单个像素的周期；然后，确定目标图像与模板图的角度关系，方向须与模板图一致；最后，在目标图像上标注出二值图，根据图像像素周期、对称、翻转、平移性质矫正标注位置，使用另外一张无缺陷目标图像与二值图匹配，叠加得出单个像素的算术平均值，通过横向及纵向复制扩展得到初始模板图。
进一步地，所述步骤S3中，将所述初始模板图按照不同比例进行尺度变换并按照不同角度进行旋转，获取多个尺度层的模板图像，创建由不同尺度层模板图像组成的模板集。
进一步地，所述步骤S4中，采用SURF匹配算法对原始图像与模板图像进行相似度的遍历匹配，包括以下步骤：
S41：构建Hessian矩阵，生成所有的兴趣点，用于特征提取；Hessian矩阵是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部概率，对一个图像f(x,y)，其
Hessian矩阵为：
S42：构建尺度空间；使用相同尺寸的滤波器对尺度空间进行构造；
S43：特征点定位；将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较，初步定位出关键点，再经过滤除能量比较弱的关键点以及错误定位的关键点，筛选出最终稳定的特征点；
S44：特征点主方向分配；在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直haar小波特征总和，然后以0.2弧度大小的间隔进行旋转并再次统计该区域内haar 小波特征值之后，最后将最大的那个扇形的方向作为该特征值的主方向；
S45：生成特征点描述子；在特征点周围取4×4的矩形区域块，所取得的矩形区域方向是沿着特征点的主方向，每个子区域统计25个像素的水平方向和垂直方向的haar 小波特征，所述水平方向和垂直方向都是相对于主方向而言的；所述haar小波特征方向为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4 个方向；
S46：特征点匹配；通过计算两个特征点之间的欧氏距离来确定匹配度，欧氏距离越短，表示两个特征点的匹配度越好，如果两个特征点的矩阵迹正负号相同，表示这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度方向是相反的，即使欧氏距离为0，也直接排除。
进一步地，所述步骤S5具体为：根据每个像素点对应的特征向量的数量，以及特征点之间的匹配分数，叠加所有像素点的匹配分值，分值越大，则匹配程度越准确。
进一步地，所述步骤S6中，根据每个位置的不同特征与需求，设定每个位置匹配分数的阈值范围，如果处于所述阈值范围之内，则匹配成功，如果不在所述阈值范围之内，则匹配不成功，说明原始图像与模板图像之间存在异常。
进一步地，所述步骤S7具体为：将所述步骤S6中匹配不成功对应的像素点作为识别结果并显示在原始图像上，识别出原始图像中缺陷的数量和具体位置，从而对像素缺陷进行定位。
本发明还提供了一种基于模板匹配的NLED/QLED/OLED像素缺陷定位系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
与现有技术相比，本发明具有以下有益效果：本发明能够对NLED/QLED/OLED像素缺陷实现快速准确的定位，提高了效率，并且能够根据缺陷位置判断缺陷所在面板的损伤程度，从而为确定后续缺陷的修复方案提供了便利，防止过多在源头就可解决的缺陷类型流入后续步骤，减少生产成本，对于产品的大面积生产有着重大的意义；同时，本发明通过算法对缺陷实现定位，无需增添任何硬件设备，通过计算机的控制便可实现系统整个流程的运行，从而降低成本。
附图说明
图1是本发明实施例的方法实现流程图；
图2是本发明实施例中匹配算法的实现流程图；
图3是本发明实施例中构造特征描述子过程示意图；
图4是本发明实施例中打印像素缺陷示意图；
图5是本发明实施例中RGB像素图；
图6是本发明实施例中像素图像特征点匹配示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，包括以下步骤：
步骤S1：获取原始图像和目标图像并进行预处理；
步骤S2：根据目标图像制作相对应的初始模板图；
步骤S3：将初始模板图进行不同尺度的变换，获取多个尺度层的模板图像；
步骤S4：将所获取的模板图像与预处理后的原始图像在多个尺度层上对每个像素采用匹配算法进行相似度的遍历匹配；
步骤S5：根据每个像素点对应的特征向量的数量，确定对应的匹配分值，分值越大，说明匹配程度越准确；
步骤S6：设定每个位置匹配分数的阈值范围，处于阈值范围之内则匹配成功，超出阈值范围则匹配不成功；
步骤S7：将识别出的超出阈值所对应的像素点作为识别结果并显示在原始图像上，识别出原始图像中缺陷的数量和具体位置，从而实现对像素缺陷进行定位。
所述步骤S1中，使用喷墨打印设备获取原始图像和目标图像，并对所述原始图像和目标图像进行预处理，所述原始图像即喷墨打印设备随机打印所得，包含有缺陷像素图像和无缺陷像素图像，所述目标图像即打印的无缺陷像素图像。所述预处理包括对图像进行灰度直方图变换，以提高图像的对比度，增强细节；所述预处理还包括采用增强算法对图像的分辨率、大小、角度以及由于环境造成的背景差异过大等因素进行处理。
所述步骤S2中，通过多张(几十张)目标图像制作相对应的初始模板图，根据目标图像制作初始模板图的具体方法为：首先将目标图像经过旋转、角度周期修正，变换为周长宽为300×100的正向尺寸；再估计目标图像周期的上下限，确定模板单个像素的周期；然后，确定目标图像与模板图的角度关系，方向须与模板图一致；最后，在目标图像上使用标注工具labelme标注出二值图，根据图像像素周期、对称、翻转、平移等性质矫正标注位置，使用另外一张无缺陷目标图像与二值图匹配，叠加得出单个像素的算术平均值，通过横向及纵向复制扩展得到初始模板图。
所述步骤S3中，将所述初始模板图按照不同比例进行尺度变换并按照不同角度进行旋转，获取多个尺度层的模板图像，创建由不同尺度层模板图像组成的模板集。
如图2所示，所述步骤S4中，采用SURF匹配算法对原始图像与模板图像进行相似度的遍历匹配，包括以下步骤：
S41：构建Hessian矩阵，生成所有的兴趣点，用于特征提取；Hessian矩阵是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部概率，对一个图像f(x,y)，其
Hessian矩阵为：
当Hessian矩阵的判别式取得局部极大值时，判定当前点是比周围邻域内其他点更亮或更暗的点，由此来定位关键的点，Hessian矩阵的判别式为：
detM＝λ1λ2＝AC-B2。
在SURF算法中，图像像素(x,y)即为函数值f(x,y)，由于特征点需要具备尺度无关性，所以在进行Hessian矩阵构造之前，需要对其进行高斯滤波，选用二阶标准高斯函数作为滤波器L(x,t)＝G(t).I(x,t)，通过特定核间的卷积计算二阶偏导数，这样就能计算出Hessian矩阵的三个矩阵元素Lxx、Lxy、Lyy，从而计算出矩阵，在点x处，尺度为σ的Hessian矩阵H(x，σ)定义如下：
S42：构建尺度空间；使用相同尺寸的滤波器对尺度空间进行构造。
S43：特征点定位；将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较，初步定位出关键点，再经过滤除能量比较弱的关键点以及错误定位的关键点，筛选出最终稳定的特征点。
S44：特征点主方向分配；在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直haar小波特征总和，然后以0.2弧度大小的间隔进行旋转并再次统计该区域内haar 小波特征值之后，最后将最大的那个扇形的方向作为该特征值的主方向。
S45：生成特征点描述子；如图3所示，在特征点周围取4×4的矩形区域块，所取得的矩形区域方向是沿着特征点的主方向，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，所述水平方向和垂直方向都是相对于主方向而言的；所述haar 小波特征方向为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向。
把这4个值作为每个子块区域的特征向量，所以一共有4×4×4＝64维向量作为SURF特征的描述子。
S46：特征点匹配；如图6所示，通过计算两个特征点之间的欧氏距离来确定匹配度，欧氏距离越短，表示两个特征点的匹配度越好，如果两个特征点的矩阵迹正负号相同，表示这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度方向是相反的，即使欧氏距离为0，也直接排除。
所述步骤S5具体为：根据每个像素点对应的特征向量的数量，以及特征点之间的匹配分数，叠加所有像素点的匹配分值，分值越大，则匹配程度越准确。
如图4所示，是普通CCD相机采集的打印像素定位失准、墨滴转移、成膜性不均匀等缺陷示意图，也是本实施例中所要进行缺陷定位的对象，具有几何不规则、局部亮度不均匀、相对于背景的低对比度和边界模糊的图像特点；图5即像素的RGB图像示意图，RGB一组称之为一个像素，其中任意一个称为它的子像素。
所述步骤S6中，根据每个位置的不同特征与需求，设定每个位置匹配分数的阈值范围，如果处于所述阈值范围之内，则匹配成功，如果不在所述阈值范围之内，则匹配不成功，说明原始图像与模板图像之间存在异常。
所述步骤S7具体为：将所述步骤S6中匹配不成功对应的像素点作为识别结果并显示在原始图像上，识别出原始图像中缺陷的数量和具体位置，从而对像素缺陷进行定位。
根据以上说明，可通过模板匹配算法，通过特征提取，从而精确定位出异常缺陷所在位置，提供良好的缺陷数据类型，实现人工智能化缺陷定位，为后续缺陷分类提供了良好的数据类型，避免因人为主观原因导致对缺陷的误判或者漏检。
本实施例还提供了一种基于模板匹配的NLED/QLED/OLED像素缺陷定位系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (9)
1.一种基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，包括以下步骤：
步骤S1：获取原始图像和目标图像并进行预处理；
步骤S2：根据目标图像制作相对应的初始模板图；
步骤S3：将初始模板图进行不同尺度的变换，获取多个尺度层的模板图像；
步骤S4：将所获取的模板图像与预处理后的原始图像在多个尺度层上对每个像素采用匹配算法进行相似度的遍历匹配；
步骤S5：根据每个像素点对应的特征向量的数量，确定对应的匹配分值，分值越大，说明匹配程度越准确；
步骤S6：设定每个位置匹配分数的阈值范围，处于阈值范围之内则匹配成功，超出阈值范围则匹配不成功；
步骤S7：将识别出的超出阈值所对应的像素点作为识别结果并显示在原始图像上，识别出原始图像中缺陷的数量和具体位置，从而实现对像素缺陷进行定位。
2.根据权利要求1所述的基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，所述步骤S1中，获取原始图像和目标图像，并对所述原始图像和目标图像进行预处理，所述原始图像包含有缺陷像素图像和无缺陷像素图像，所述目标图像为无缺陷像素图像；所述预处理包括对图像进行灰度直方图变换，以提高图像的对比度，增强细节；所述预处理还包括采用增强算法对图像的分辨率、大小、角度以及由于环境造成的背景差异过大因素进行处理。
3.根据权利要求1所述的基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，所述步骤S2中，通过多张目标图像制作相对应的初始模板图，根据目标图像制作初始模板图的具体方法为：首先将目标图像经过旋转、角度周期修正，变换为周长宽为300×100的正向尺寸；再估计目标图像周期的上下限，确定模板单个像素的周期；然后，确定目标图像与模板图的角度关系，方向须与模板图一致；最后，在目标图像上标注出二值图，根据图像像素周期、对称、翻转、平移性质矫正标注位置，使用另外一张无缺陷目标图像与二值图匹配，叠加得出单个像素的算术平均值，通过横向及纵向复制扩展得到初始模板图。
4.根据权利要求1所述的基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，所述步骤S3中，将所述初始模板图按照不同比例进行尺度变换并按照不同角度进行旋转，获取多个尺度层的模板图像，创建由不同尺度层模板图像组成的模板集。
5.根据权利要求1所述的基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，所述步骤S4中，采用SURF匹配算法对原始图像与模板图像进行相似度的遍历匹配，包括以下步骤：
S41：构建Hessian矩阵，生成所有的兴趣点，用于特征提取；Hessian矩阵是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部概率，对一个图像f(x,y)，其
Hessian矩阵为：
S42：构建尺度空间；使用相同尺寸的滤波器对尺度空间进行构造；
S43：特征点定位；将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较，初步定位出关键点，再经过滤除能量比较弱的关键点以及错误定位的关键点，筛选出最终稳定的特征点；
S44：特征点主方向分配；在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直haar小波特征总和，然后以0.2弧度大小的间隔进行旋转并再次统计该区域内haar小波特征值之后，最后将最大的那个扇形的方向作为该特征值的主方向；
S45：生成特征点描述子；在特征点周围取4×4的矩形区域块，所取得的矩形区域方向是沿着特征点的主方向，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，所述水平方向和垂直方向都是相对于主方向而言的；所述haar小波特征方向为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向；
S46：特征点匹配；通过计算两个特征点之间的欧氏距离来确定匹配度，欧氏距离越短，表示两个特征点的匹配度越好，如果两个特征点的矩阵迹正负号相同，表示这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度方向是相反的，即使欧氏距离为0，也直接排除。
6.根据权利要求1所述的基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，所述步骤S5具体为：根据每个像素点对应的特征向量的数量，以及特征点之间的匹配分数，叠加所有像素点的匹配分值，分值越大，则匹配程度越准确。
7.根据权利要求1所述的基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，所述步骤S6中，根据每个位置的不同特征与需求，设定每个位置匹配分数的阈值范围，如果处于所述阈值范围之内，则匹配成功，如果不在所述阈值范围之内，则匹配不成功，说明原始图像与模板图像之间存在异常。
8.根据权利要求1所述的基于模板匹配的NLED/QLED/OLED像素缺陷定位方法，其特征在于，所述步骤S7具体为：将所述步骤S6中匹配不成功对应的像素点作为识别结果并显示在原始图像上，识别出原始图像中缺陷的数量和具体位置，从而对像素缺陷进行定位。
9.一种基于模板匹配的NLED/QLED/OLED像素缺陷定位系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210678742.4A CN114926671A (zh) | 2022-06-16 | 2022-06-16 | 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210678742.4A CN114926671A (zh) | 2022-06-16 | 2022-06-16 | 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114926671A true CN114926671A (zh) | 2022-08-19 |
Family
ID=82813829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210678742.4A Pending CN114926671A (zh) | 2022-06-16 | 2022-06-16 | 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114926671A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309573A (zh) * | 2023-05-19 | 2023-06-23 | 成都工业学院 | 一种牛奶包装盒印刷字符的缺陷检测方法 |
| CN116559183A (zh) * | 2023-07-11 | 2023-08-08 | 钛玛科（北京）工业科技有限公司 | 一种提高缺陷判定效率的方法及系统 |
| CN117893502A (zh) * | 2024-01-15 | 2024-04-16 | 广州市科帕电子科技有限公司 | 图像检测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
| CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
| CN110738216A (zh) * | 2019-09-04 | 2020-01-31 | 南京理工大学 | 基于改进surf算法的药品识别方法 |
| CN112288009A (zh) * | 2020-10-29 | 2021-01-29 | 西安电子科技大学 | 一种基于模板匹配的r-sift芯片硬件木马图像配准方法 |
| CN112926695A (zh) * | 2021-04-16 | 2021-06-08 | 动员(北京)人工智能技术研究院有限公司 | 基于模板匹配的图像识别方法和系统 |
| US20220020134A1 (en) * | 2020-07-15 | 2022-01-20 | China University Of Mining And Technology | Method and system for quickly matching image features applied to mine machine vision |
-
2022
- 2022-06-16 CN CN202210678742.4A patent/CN114926671A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
| CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
| CN110738216A (zh) * | 2019-09-04 | 2020-01-31 | 南京理工大学 | 基于改进surf算法的药品识别方法 |
| US20220020134A1 (en) * | 2020-07-15 | 2022-01-20 | China University Of Mining And Technology | Method and system for quickly matching image features applied to mine machine vision |
| CN112288009A (zh) * | 2020-10-29 | 2021-01-29 | 西安电子科技大学 | 一种基于模板匹配的r-sift芯片硬件木马图像配准方法 |
| CN112926695A (zh) * | 2021-04-16 | 2021-06-08 | 动员(北京)人工智能技术研究院有限公司 | 基于模板匹配的图像识别方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张培;郭慧;刘芳辉;胡方尚;: "一种仿射变换的印刷品缺陷检测方法", 东华大学学报(自然科学版), no. 04, 15 August 2017 (2017-08-15), pages 137 - 141 * |
| 方俊: ""基于深度学习的FPC表面缺陷检测技术研究"", 《中国优秀硕士学位论文全文数据库（信息科技辑）》, no. 06, 15 June 2020 (2020-06-15), pages 135 - 227 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309573A (zh) * | 2023-05-19 | 2023-06-23 | 成都工业学院 | 一种牛奶包装盒印刷字符的缺陷检测方法 |
| CN116309573B (zh) * | 2023-05-19 | 2023-07-25 | 成都工业学院 | 一种牛奶包装盒印刷字符的缺陷检测方法 |
| CN116559183A (zh) * | 2023-07-11 | 2023-08-08 | 钛玛科（北京）工业科技有限公司 | 一种提高缺陷判定效率的方法及系统 |
| CN117893502A (zh) * | 2024-01-15 | 2024-04-16 | 广州市科帕电子科技有限公司 | 图像检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114926671A (zh) | 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统 | |
| Wang et al. | Student-teacher feature pyramid matching for anomaly detection | |
| CN104376548B (zh) | 一种基于改进型surf算法的图像快速拼接方法 | |
| CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
| Luo et al. | Thermal infrared image colorization for nighttime driving scenes with top-down guided attention | |
| CN115170669B (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
| CN110246168A (zh) | 一种移动巡检机器人双目图像拼接的特征匹配方法 | |
| CN104680509B (zh) | 一种实时圆形印刷图像缺陷检测方法 | |
| CN113012096B (zh) | 显示屏子像素定位及亮度提取方法、设备以及存储介质 | |
| CN111833237A (zh) | 基于卷积神经网络和局部单应性变换的图像配准方法 | |
| CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
| CN110458812B (zh) | 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法 | |
| CN107506765A (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
| CN111932504A (zh) | 一种基于边缘轮廓信息的亚像素定位方法及装置 | |
| CN112215925A (zh) | 自适应采煤机随动跟踪多摄像头视频拼接方法 | |
| CN117576219A (zh) | 大广角鱼眼镜头单次拍摄图像的相机标定设备及标定方法 | |
| CN115527072A (zh) | 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法 | |
| CN111444916A (zh) | 面向无约束条件下的车牌定位及识别方法、系统 | |
| CN113505808B (zh) | 基于深度学习用于配电类设施开关检测识别算法 | |
| CN112784894B (zh) | 一种岩石薄片显微图像自动标注方法 | |
| WO2021227289A1 (zh) | 一种基于深度学习的复杂背景低质量二维条码检测方法 | |
| CN117372812A (zh) | 基于网络学习的电池ct图像极片对齐度智能识别方法 | |
| Wang et al. | Fabric defect detection based on anchor-free network | |
| CN114354622B (zh) | 显示屏的缺陷检测方法、装置、设备和介质 | |
| CN116883630A (zh) | 一种复杂光照环境的增强现实三维注册方法 |
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 |