CN115239732B - 点灯机显示不均判断方法、装置、设备及存储介质 - Google Patents
点灯机显示不均判断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115239732B CN115239732B CN202211161745.7A CN202211161745A CN115239732B CN 115239732 B CN115239732 B CN 115239732B CN 202211161745 A CN202211161745 A CN 202211161745A CN 115239732 B CN115239732 B CN 115239732B
- Authority
- CN
- China
- Prior art keywords
- value
- image
- cmy
- detected
- lighting machine
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 9
- 239000003086 colorant Substances 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 19
- 238000004383 yellowing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种点灯机显示不均判断方法、装置、设备及存储介质,对待检测点灯机图片进行预处理后再进行CMY颜色空间转换,对转换后图像进行量化,获取不同位置的颜色数据值,根据该值进行特征提取,利用训练好的SVM模型对提取到的图像特征进行判定,得到点灯机图片是否存在缺陷的判定结果。CMY图像分别表示青、品红和黄,能很好地与点灯机图片缺陷中的发青、发黄进行匹配,因此CMY图像能很好地显示出点灯机的显示不均的缺陷;同时,SVM具备小样本检测下效率高、准确性好的特点;进一步的,将图片中不同颜色的特性结合SVM进行判定,能够规避以往人眼判定点灯机显示不均的主观性问题,提升判断准确性。
Description
技术领域
本申请涉及显示板检测技术领域,尤其涉及一种点灯机显示不均判断方法、装置、设备及存储介质。
背景技术
点灯机是一种用于显示屏制造业的点屏工具,可以存储或发生若干种显示屏使用的图像或信号,用于做各种信赖性测试以及检测显示屏的品质,在显示屏生产制造中具有重要的作用。
而点灯机在制造过程中常因为工艺波动、机台差异等因素,容易导致点灯机出现显示不均的现象,在出厂前需要针对这一现象进行质量检测。目前的检测方法是由生产线作业员依据个人工作经验,用肉眼对生产线拍摄的点灯机图片进行观察,判断其是否存在显示不均的缺陷,这种方式主观因素影响较大,缺乏客观的衡量标准,判断的准确性较低。
发明内容
本申请的主要目的在于提供一种点灯机显示不均判断方法、装置、设备及存储介质,旨在解决现有点灯机显示不均的判断方法准确性较低的技术问题。
为实现上述目的,本申请提供一种点灯机显示不均判断方法,包括:
获取待检测的点灯机图片;
对所述待检测的点灯机图片进行预处理,获得待测图像;
对所述待测图像进行CMY转换,获得CMY图像;
根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;
将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。
可选地,所述对所述待检测的点灯机图片进行预处理,获得待测图像的步骤,包括:
对所述待检测的点灯机图片进行去噪处理,获得所述待测图像。
对待检测的点灯机图片进行预处理,即进行中值滤波去噪处理,获得待测图像,去除了原始图片中的异常噪点,使待测图像能够更好地用于后续处理。
可选地,所述根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征的步骤,包括:
将所述CMY图像平均划分n个区域,获得划分后图像;其中,n为正整数;
根据所述划分后图像,获得每个区域的C值、M值以及Y值;
根据所述C值、M值以及Y值,获得所述图像特征。
将CMY图像根据图片实际的长宽比和大小,平均划分为n个区域,得到划分后图像,该图像共被分成n个大小相同的区域。求取每个区域的C值、M值以及Y值,并根据各个区域的C值、M值以及Y值,得到CMY图像的图像特征,这也是通过拍照得到的初始的待检测点灯机图片的缺陷特征。
可选地,所述根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征的步骤之前,还包括:
对所述待测图像进行灰度处理,获得灰度图像;
对所述灰度图像进行二值化处理,获得掩膜图像;
对待测图像(即去噪后图像)进行灰度处理,得到灰度图,再将灰度图进行二值化,得到掩膜图像,以去除图像黑色部分的干扰。
所述根据所述划分后图像,获得每个区域的C值、M值以及Y值的步骤,包括:
根据所述划分后图像和所述掩膜图像,获得每个所述区域的C值、M值以及Y值。
结合掩膜图像求出每个区域的求每一块区域的C值、M值以及Y值颜色分布,其中,掩膜图像中的白色部分不参与计算。
可选地,所述根据所述C值、M值以及Y值,获得所述图像特征的步骤,包括:
根据所述C值、M值以及Y值,获得最大差异块;
根据所述最大差异块的C值、M值以及Y值,获得所述图像特征。
最大差异块是指划分出的各个区域中C值、M值以及Y值最大区域和C值、M值以及Y值最小区域;根据该最大差异块对应的C值、M值以及Y值,得到图像特征。
可选地,所述图像特征的表达式为:
Diffmax=max(Cmax-Cmin,Mmax-Mmin,Ymax-Ymin)
feature=[Cmin,Mmin,Ymin,Cmax,Mmax,Ymax,Diffmax]T
其中,Diffmax为最大差异值,Cmax为C值的最大值,Cmin为C值的最小值,Mmax为M值的最大值,Mmin为M值的最小值,Ymax为Y值的最大值,Ymin为Y值的最小值,feature为图像特征,T为矩阵的转置。
最大差异值为Diffmax,图像特征feature为图像中C值、M值、Y值的最大值、最小值以及最大差异值组成的1行7列的特征向量。
可选地,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤之前,还包括:
获取带标签的训练集;其中,所述训练集中包括显示不均的正样本图像和无缺陷的负样本图像;
利用所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型。
在训练模型之前,需要获取训练集。训练集中的数据均带有标签,其中,正样本表示显示不均的图片,标签为1,负样本标识表示正常图片,标签为0。
可选地,所述训练集还包括测试集;所述利用所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型的步骤,包括:
利用所述测试集和所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型。
训练模型的过程还需要有测试集,分别求取训练集和测试集的正负样本的特征向量作为SVM分类器的输入,训练得到判定模型,当训练达到设定的最大迭代次数或达到设定的准确度时终止迭代,得到训练好的SVM模型。
可选地,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤,包括:
将所述图像特征输入所述SVM模型,获得输出结果;
若输出结果为1,则所述缺陷判定结果为显示不均;
若输出结果为0,则所述缺陷判定结果为无缺陷。
将图像特征输入SVM模型,输出结果为1则表示显示不均,对应的待检测的点灯机图片存在缺陷;输出结果为0则表示图片正常,对应的待检测的点灯机图片不存在缺陷。
可选地,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤之后,还包括:
根据所述缺陷判定结果,处理所述待检测的点灯机图片所属的点灯机产品。
获得缺陷判定结果后,对存在显示不均缺陷的图片对应的点灯机进行返厂维修或直接报废处理;对显示正常的图片对应的点灯机进行质量认证,进入后续的生产流程。
此外,为实现上述目的,本申请还提供一种点灯机显示不均判断装置,包括:
点灯机图片获取模块,用于获取待检测的点灯机图片;
预处理模块,用于对所述待检测的点灯机图片进行预处理,获得待测图像;
CMY转换模块,用于对所述待测图像进行CMY转换,获得CMY图像;
特征提取模块,用于根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;
缺陷判定模块,用于将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。
此外,为实现上述目的,本申请还提供一种计算机设备,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现上述的方法。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现上述的方法。
本申请所能实现的有益效果。
本申请实施例提出的一种点灯机显示不均判断方法、装置、设备及存储介质,通过获取待检测的点灯机图片;对所述待检测的点灯机图片进行预处理,获得待测图像;对所述待测图像进行CMY转换,获得CMY图像;根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。即对待检测的点灯机图片进行预处理后再进行CMY颜色空间转换,对转换后的CMY图像进行量化,获取不同位置的颜色数据值,根据该值进行特征提取,利用训练好的SVM模型对提取到的图像特征进行判定,得到点灯机图片是否存在缺陷的判定结果。在实际生产过程中发现点灯机的显示不均缺陷主要是屏幕发青、发黄、发紫,其中发青、发黄的情况较多,CMY图像分别表示青、品红和黄,能够很好地与点灯机图片缺陷中的发青、发黄进行匹配,因此CMY图像能够很好地显示出点灯机的显示不均的缺陷;同时,SVM支持向量机具备小样本检测下效率高、准确性好的特点;进一步的,将图片中不同颜色的特性结合SVM分类模型进行判定,能够规避以往人眼判定点灯机显示不均的主观性问题,提升判断的准确性。
附图说明
图1为本申请实施例涉及的硬件运行环境的计算机设备结构示意图;
图2为本申请实施例提供的一种点灯机显示不均判断方法的流程示意图;
图3为本申请实施例提供的一种点灯机显示不均判断装置的功能模块示意图;
图4为本申请实施例提供的一种点灯机显示不均判断方法的待检测点灯机图片;
图5为本申请实施例提供的一种点灯机显示不均判断方法的待测图像;
图6为本申请实施例提供的一种点灯机显示不均判断方法的灰度图像;
图7为本申请实施例提供的一种点灯机显示不均判断方法的掩膜图像;
图8为本申请实施例提供的一种点灯机显示不均判断方法的CMY图像;
图9为本申请实施例提供的一种点灯机显示不均判断方法的划分后图像。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:提出的一种点灯机显示不均判断方法、装置、设备及存储介质,通过获取待检测的点灯机图片;对所述待检测的点灯机图片进行预处理,获得待测图像;对所述待测图像进行CMY转换,获得CMY图像;根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。
现有技术中,点灯机是一种用于显示屏制造业的点屏工具,可以存储或发生若干种显示屏使用的图像或信号,用于做各种信赖性测试以及检测显示屏的品质,在显示屏生产制造中具有重要的作用。
而点灯机在制造过程中常因为工艺波动、机台差异等因素,容易导致点灯机出现显示不均的现象,在出厂前需要针对这一现象进行质量检测。目前的检测方法是由生产线作业员依据个人工作经验,用肉眼对生产线拍摄的点灯机图片进行观察,判断其是否存在显示不均的缺陷,这种方式主观因素影响较大,缺乏客观的衡量标准,判断的准确性较低。
为此,本申请提供一种解决方案,通过对待检测的点灯机图片进行预处理后再进行CMY颜色空间转换,对转换后的CMY图像进行量化,获取不同位置的颜色数据值,根据该值进行特征提取,利用训练好的SVM模型对提取到的图像特征进行判定,得到点灯机图片是否存在缺陷的判定结果。在实际生产过程中发现点灯机的显示不均缺陷主要是屏幕发青、发黄、发紫,其中发青、发黄的情况较多,CMY图像分别表示青、品红和黄,能够很好地与点灯机图片缺陷中的发青、发黄进行匹配,因此CMY图像能够很好地显示出点灯机的显示不均的缺陷;同时,SVM支持向量机具备小样本检测下效率高、准确性好的特点;进一步的,将图片中不同颜色的特性结合SVM分类模型进行判定,能够规避以往人眼判定点灯机显示不均的主观性问题,提升判断的准确性。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示,该计算机设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的计算机设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中,所述计算机设备通过处理器1001调用存储器1005中存储的点灯机显示不均判断装置,并执行本申请实施例提供的点灯机显示不均判断方法。
参照图2,基于前述实施例的硬件设备,本申请的实施例提供一种点灯机显示不均判断方法,包括:
S10:获取待检测的点灯机图片;
在具体实施过程中,点灯机是指一种用于显示屏制造业的点屏工具,用于做各种信赖性测试以及检测显示屏的品质,但常出现显示不均的情况,影响其质量,需要对点灯机屏幕拍摄照片,并对该点灯机图片进行分析。
S20:对所述待检测的点灯机图片进行预处理,获得待测图像;
在具体实施过程中,对图4所示的待检测的点灯机图片进行预处理,获得图5所示的待测图像,使图5能够更好地用于后续处理。
作为一种可选的实施方式,所述对所述待检测的点灯机图片进行预处理,获得待测图像的步骤,包括:对所述待检测的点灯机图片进行去噪处理,获得所述待测图像。
在具体实施过程中,对图4所示的待检测的点灯机图片进行预处理,即进行中值滤波去噪处理,获得图5所示的待测图像,去除图4原始图片中的异常噪点,使图5能够更好地用于后续处理。
S30:对所述待测图像进行CMY转换,获得CMY图像;
在具体实施过程中,对待测图像转换到CMY色彩空间,得到如图8所示的CMY图像。CMY是指CMY是青(Cyan)、洋红或品红(Magenta)以及黄(Yellow)三种颜色的简写,因为它减少了为视觉系统识别颜色所需要的反射光,因此是相减色。在实际生产过程中研究发现点灯机的显示不均缺陷主要是屏幕发青、发黄、发紫,其中发青、发黄的情况较多,而CMY颜色空间因分别表示青、品红和黄,故能够很好地与点灯机图片缺陷中的发青、发黄有很好的匹配,因此CMY图像能够很好地显示出点灯机的显示不均缺陷。
作为一种可选的实施方式,所述根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征的步骤之前,还包括:对所述待测图像进行灰度处理,获得灰度图像;对所述灰度图像进行二值化处理,获得掩膜图像;
在具体实施过程中,对待测图像(即去噪后图像)进行灰度处理,得到如图6所示的灰度图,再将灰度图进行二值化,得到如图7所示的掩膜图像,以去除图像黑色部分的干扰。灰度图是指用灰度标识的图像,也称灰阶图,灰度是把白色与黑色之间按对数关系分为若干等级,分为256阶。除了常见的卫星图像、航空照片外,许多地球物理观测数据也以灰度表示,灰度图能够减少图像处理时的计算量。掩膜图像也称mask图像,mask是用于部分或完全隐藏对象或元素的部分的图形操作,将mask应用于图形对象的效果就好像将图形对象通过遮罩涂在背景上,从而完全或部分地遮盖了图形对象的各个部分,而遮罩内的图像不变化。掩膜图像可以用于提取图像的感兴趣区、起到屏蔽作用、提取图像中的结构特征以及进行特殊形状图像的制作等。
S40:根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;
在具体实施过程中,由于CMY颜色空间分别表示青、品红和黄,其和点灯机显示不均缺陷中的发青、发黄较为匹配,能较好地表示缺陷的特征,对CMY图像进行特征提取,通过图像中不同位置的C值、M值以及Y值获取其图像特征。
作为一种可选的实施方式,所述根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征的步骤,包括:将所述CMY图像平均划分n个区域,获得划分后图像;其中,n为正整数;根据所述划分后图像,获得每个区域的C值、M值以及Y值;根据所述C值、M值以及Y值,获得所述图像特征。
在具体实施过程中,将CMY图像根据图片实际的长宽比和大小,平均划分为n个区域,本实施例将CMY图像的x方向划分为10等分,y方向划分为3等分,得到如图9所示的划分后图像,该图像共被分成的30个大小相同的区域。求取每个区域的C值、M值以及Y值,如图9上的数字标识所示。根据各个区域的C值、M值以及Y值,得到CMY图像的图像特征,这也是通过拍照得到的初始的待检测点灯机图片的缺陷特征。
此时,所述根据所述划分后图像,获得每个区域的C值、M值以及Y值的步骤,包括:根据所述划分后图像和所述掩膜图像,获得每个所述区域的C值、M值以及Y值。
在具体实施过程中,结合掩膜图像求出每个区域的求每一块区域的C值、M值以及Y值颜色分布,如图9上的数字标识所示,其中,掩膜图像中的白色部分不参与计算。
作为一种可选的实施方式,所述根据所述C值、M值以及Y值,获得所述图像特征的步骤,包括:根据所述C值、M值以及Y值,获得最大差异块;根据所述最大差异块的C值、M值以及Y值,获得所述图像特征。
在具体实施过程中,根据图像中各个位置的C值、M值以及Y值,统计出最大差异块,其中,最大差异块是指划分出的各个区域中C值、M值以及Y值最大区域和C值、M值以及Y值最小区域;根据该最大差异块对应的C值、M值以及Y值,得到图像特征。
作为一种可选的实施方式,所述图像特征的表达式为:
Diffmax=max(Cmax-Cmin,Mmax-Mmin,Ymax-Ymin)
feature=[Cmin,Mmin,Ymin,Cmax,Mmax,Ymax,Diffmax]T
其中,Diffmax为最大差异值,Cmax为C值的最大值,Cmin为C值的最小值,Mmax为M值的最大值,Mmin为M值的最小值,Ymax为Y值的最大值,Ymin为Y值的最小值,feature为图像特征,T为矩阵的转置。
在具体实施过程中,最大差异值为Diffmax,可表示为max(Cmax-Cmin,Mmax-Mmin,Ymax-Ymin);图像特征feature为图像中C值、M值、Y值的最大值、最小值以及最大差异值组成的1行7列的特征向量,可表示为feature=[Cmin,Mmin,Ymin,Cmax,Mmax,Ymax,Diffmax]T。
S50:将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。
在具体实施过程中,SVM模型是指支持向量机(Support Vector Machine),是一种典型的二分类的模型,将图像特征输入训练好的SVM模型,即可得到该图像的缺陷判定结果,处理小样本的机器学习问题时效率高、准确率高,适合用于点灯机图片是否存在显示不均缺陷的判定。
作为一种可选的实施方式,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤之前,还包括:获取带标签的训练集;其中,所述训练集中包括显示不均的正样本图像和无缺陷的负样本图像;利用所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型。
在具体实施过程中,在训练模型之前,需要获取训练数据,即训练集。训练集中的数据均带有标签,其中,正样本表示显示不均的图片,标签为1,负样本标识表示正常图片,标签为0。
作为一种可选的实施方式,所述训练集还包括测试集;所述利用所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型的步骤,包括:利用所述测试集和所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型。
在具体实施过程中,训练模型的过程还需要有测试集,分别求取训练集和测试集的正负样本的特征向量作为SVM分类器的输入,训练得到判定模型,当训练达到设定的最大迭代次数或达到设定的准确度时终止迭代,得到训练好的SVM模型。
作为一种可选的实施方式,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤,包括:将所述图像特征输入所述SVM模型,获得输出结果;若输出结果为1,则所述缺陷判定结果为显示不均;若输出结果为0,则所述缺陷判定结果为无缺陷。
在具体实施过程中,将图像特征输入SVM模型,输出结果为1则表示显示不均,对应的待检测的点灯机图片存在缺陷;输出结果为0则表示图片正常,对应的待检测的点灯机图片不存在缺陷。
作为一种可选的实施方式,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤之后,还包括:根据所述缺陷判定结果,处理所述待检测的点灯机图片所属的点灯机产品。
在具体实施过程中,获得缺陷判定结果后,对存在显示不均缺陷的图片对应的点灯机进行返厂维修或直接报废处理;对显示正常的图片对应的点灯机进行质量认证,进入后续的生产流程。
应当理解的是,以上仅为举例说明,对本申请的技术方案并不构成任何限制,本领域的技术人员在实际应用中可以基于需要进行设置,此处不做限制。
通过上述描述不难发现,本实施例是通过对待检测的点灯机图片进行预处理后再进行CMY颜色空间转换,对转换后的CMY图像进行量化,获取不同位置的颜色数据值,根据该值进行特征提取,利用训练好的SVM模型对提取到的图像特征进行判定,得到点灯机图片是否存在缺陷的判定结果。在实际生产过程中发现点灯机的显示不均缺陷主要是屏幕发青、发黄、发紫,其中发青、发黄的情况较多,CMY图像分别表示青、品红和黄,能够很好地与点灯机图片缺陷中的发青、发黄进行匹配,因此CMY图像能够很好地显示出点灯机的显示不均的缺陷;同时,SVM支持向量机具备小样本检测下效率高、准确性好的特点;进一步的,将图片中不同颜色的特性结合SVM分类模型进行判定,能够规避以往人眼判定点灯机显示不均的主观性问题,提升判断的准确性。
参照图3,基于相同的发明思路,本申请的实施例还提供一种点灯机显示不均判断装置,包括:
点灯机图片获取模块,用于获取待检测的点灯机图片;
预处理模块,用于对所述待检测的点灯机图片进行预处理,获得待测图像;
CMY转换模块,用于对所述待测图像进行CMY转换,获得CMY图像;
特征提取模块,用于根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;
缺陷判定模块,用于将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。
需要说明的是,本实施例中点灯机显示不均判断装置中各模块是与前述实施例中点灯机显示不均判断方法中的各步骤一一对应,因此,本实施例的具体实施方式可参照前述点灯机显示不均判断方法的实施方式,这里不再赘述。
此外,在一种实施例中,本申请的实施例还提供一种计算机设备,所述设备包括处理器,存储器以及存储在所述存储器中的计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
此外,在一种实施例中,本申请的实施例还提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种点灯机显示不均判断方法,其特征在于,包括以下步骤:
获取待检测的点灯机图片;
对所述待检测的点灯机图片进行预处理,获得待测图像;
对所述待测图像进行CMY转换,获得CMY图像;
根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;所述根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征的步骤,包括:
将所述CMY图像平均划分n个区域,获得划分后图像;其中,n为正整数;
根据所述划分后图像,获得每个区域的所述C值、M值以及Y值;
根据所述C值、M值以及Y值,获得最大差异块;
根据所述最大差异块的C值、M值以及Y值,获得所述图像特征;所述图像特征的表达式为:
Diffmax=max(Cmax-Cmin,Mmax-Mmin,Ymax-Ymin)
feature=[Cmin,Mmin,Ymin,Cmax,Mmax,Ymax,Diffmax]T
其中,Diffmax为最大差异值,Cmax为C值的最大值,Cmin为C值的最小值,Mmax为M值的最大值,Mmin为M值的最小值,Ymax为Y值的最大值,Ymin为Y值的最小值,feature为图像特征,T为矩阵的转置;
将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。
2.如权利要求1所述的点灯机显示不均判断方法,其特征在于,所述对所述待检测的点灯机图片进行预处理,获得待测图像的步骤,包括:
对所述待检测的点灯机图片进行去噪处理,获得所述待测图像。
3.如权利要求1所述的点灯机显示不均判断方法,其特征在于,所述根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征的步骤之前,还包括:
对所述待测图像进行灰度处理,获得灰度图像;
对所述灰度图像进行二值化处理,获得掩膜图像;
所述根据所述划分后图像,获得每个区域的C值、M值以及Y值的步骤,包括:
根据所述划分后图像和所述掩膜图像,获得每个所述区域的C值、M值以及Y值。
4.如权利要求1所述的点灯机显示不均判断方法,其特征在于,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤之前,还包括:
获取带标签的训练集;其中,所述训练集中包括显示不均的正样本图像和无缺陷的负样本图像;
利用所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型。
5.如权利要求4所述的点灯机显示不均判断方法,其特征在于,所述训练集还包括测试集;所述利用所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型的步骤,包括:
利用所述测试集和所述带标签的训练集,对SVM分类器进行训练,获得所述SVM模型。
6.如权利要求1所述的点灯机显示不均判断方法,其特征在于,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤,包括:
将所述图像特征输入所述SVM模型,获得输出结果;
若输出结果为1,则所述缺陷判定结果为显示不均;
若输出结果为0,则所述缺陷判定结果为无缺陷。
7.如权利要求1所述的点灯机显示不均判断方法,其特征在于,所述将所述图像特征输入预训练的SVM模型,获得缺陷判定结果的步骤之后,还包括:
根据所述缺陷判定结果,处理所述待检测的点灯机图片所属的点灯机产品。
8.一种点灯机显示不均判断装置,其特征在于,包括:
点灯机图片获取模块,用于获取待检测的点灯机图片;
预处理模块,用于对所述待检测的点灯机图片进行预处理,获得待测图像;
CMY转换模块,用于对所述待测图像进行CMY转换,获得CMY图像;
特征提取模块,用于根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征;所述根据所述CMY图像中不同位置的C值、M值以及Y值,对所述CMY图像进行特征提取,获得图像特征的步骤,包括:
将所述CMY图像平均划分n个区域,获得划分后图像;其中,n为正整数;
根据所述划分后图像,获得每个区域的所述C值、M值以及Y值;
根据所述C值、M值以及Y值,获得最大差异块;
根据所述最大差异块的C值、M值以及Y值,获得所述图像特征;所述图像特征的表达式为:
Diffmax=max(Cmax-Cmin,Mmax-Mmin,Ymax-Ymin)
feature=[Cmin,Mmin,Ymin,Cmax,Mmax,Ymax,Diffmax]T
其中,Diffmax为最大差异值,Cmax为C值的最大值,Cmin为C值的最小值,Mmax为M值的最大值,Mmin为M值的最小值,Ymax为Y值的最大值,Ymin为Y值的最小值,feature为图像特征,T为矩阵的转置;
缺陷判定模块,用于将所述图像特征输入预训练的SVM模型,获得缺陷判定结果。
9.一种计算机设备,其特征在于,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-7中任一项所述的方法。
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上存储有计算机程序,处理器执行所述计算机程序,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161745.7A CN115239732B (zh) | 2022-09-23 | 2022-09-23 | 点灯机显示不均判断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161745.7A CN115239732B (zh) | 2022-09-23 | 2022-09-23 | 点灯机显示不均判断方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239732A CN115239732A (zh) | 2022-10-25 |
CN115239732B true CN115239732B (zh) | 2022-12-09 |
Family
ID=83667267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211161745.7A Active CN115239732B (zh) | 2022-09-23 | 2022-09-23 | 点灯机显示不均判断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239732B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3600372B2 (ja) * | 1995-06-27 | 2004-12-15 | 株式会社リコー | 色再現域補正装置および方法 |
JP4169023B2 (ja) * | 2005-08-26 | 2008-10-22 | ブラザー工業株式会社 | 画像処理装置および画像処理プログラム |
JP2006254513A (ja) * | 2006-06-16 | 2006-09-21 | Brother Ind Ltd | 色変換装置、該色変換装置のプログラム及びテーブル、テーブル作成装置、該テーブル作成装置のプログラム |
CN101976339B (zh) * | 2010-11-12 | 2015-07-15 | 北京邮电大学 | 一种用于人脸识别的局部特征提取方法 |
CN103680413B (zh) * | 2013-12-31 | 2015-07-01 | 京东方科技集团股份有限公司 | 一种图像处理装置及方法 |
CN104793832A (zh) * | 2015-05-12 | 2015-07-22 | 京东方科技集团股份有限公司 | 触摸屏检测装置和触摸屏检测方法 |
CN109960082B (zh) * | 2019-05-05 | 2022-06-07 | 京东方科技集团股份有限公司 | 场序显示模组、显示装置及场序显示控制方法 |
JP2021142045A (ja) * | 2020-03-11 | 2021-09-24 | 株式会社三共 | 遊技機 |
CN111932489B (zh) * | 2020-06-03 | 2024-02-20 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
CN114266773B (zh) * | 2022-03-02 | 2022-05-20 | 成都数联云算科技有限公司 | 显示面板缺陷定位方法、装置、设备及存储介质 |
-
2022
- 2022-09-23 CN CN202211161745.7A patent/CN115239732B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115239732A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
CN110930353A (zh) | 孔位保护门状态检测方法、装置、计算机设备和存储介质 | |
CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
CN111766253A (zh) | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 | |
CN114519743A (zh) | 一种面板缺陷区域提取方法、装置、设备及存储介质 | |
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
CN114677567B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN115661161B (zh) | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN114202532A (zh) | 一种喷涂缺陷的检测方法、装置、设备及存储介质 | |
CN115578377A (zh) | 一种面板缺陷的检测方法、训练方法、装置、设备及介质 | |
CN116542975A (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
CN114782902A (zh) | 石化气体泄露检测方法、系统、设备及存储介质 | |
CN115861327A (zh) | 一种pcb颜色变化缺陷检测方法、装置、设备及介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN114463284A (zh) | Pcb缺陷检测方法、装置、设备及存储介质 | |
CN115239732B (zh) | 点灯机显示不均判断方法、装置、设备及存储介质 | |
CN114066835A (zh) | 图像检测、自动光学检测方法、装置、存储介质及设备 | |
CN117455887A (zh) | 基于机器视觉的pcb来料检测方法、装置、设备及介质 | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
CN116091874B (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
CN115830599A (zh) | 工业字符识别方法、模型训练方法、装置、设备和介质 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 |
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 |