CN115330789A - 屏幕缺陷检测方法、装置、设备和可读存储介质 - Google Patents
屏幕缺陷检测方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN115330789A CN115330789A CN202211250888.5A CN202211250888A CN115330789A CN 115330789 A CN115330789 A CN 115330789A CN 202211250888 A CN202211250888 A CN 202211250888A CN 115330789 A CN115330789 A CN 115330789A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- screen
- preset
- display
- 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 473
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000003190 augmentative effect Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 230000002950 deficient Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- ORFSSYGWXNGVFB-UHFFFAOYSA-N sodium 4-amino-6-[[4-[4-[(8-amino-1-hydroxy-5,7-disulfonaphthalen-2-yl)diazenyl]-3-methoxyphenyl]-2-methoxyphenyl]diazenyl]-5-hydroxynaphthalene-1,3-disulfonic acid Chemical compound COC1=C(C=CC(=C1)C2=CC(=C(C=C2)N=NC3=C(C4=C(C=C3)C(=CC(=C4N)S(=O)(=O)O)S(=O)(=O)O)O)OC)N=NC5=C(C6=C(C=C5)C(=CC(=C6N)S(=O)(=O)O)S(=O)(=O)O)O.[Na+] ORFSSYGWXNGVFB-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
- G06T7/0002—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 using local operators
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本申请公开了一种屏幕缺陷检测方法、装置、设备和可读存储介质,所述屏幕缺陷检测方法包括:将至少一个预设纯色测试图像输入至显示屏幕进行显示,并采集显示屏幕在显示预设纯色测试图像时的实际显示图像;将实际显示图像进行灰度化处理,得到灰度图像,并将灰度图像进行参数滤波处理,得到滤波图像;将灰度图像与滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;识别缺陷凸显图像中的图像缺陷特征,根据图像缺陷特征确定显示屏幕的屏幕缺陷信息。本申请能提高对扩展现实设备进行屏幕缺陷检测的效率和准确率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种屏幕缺陷检测方法、装置、设备和可读存储介质。
背景技术
屏幕的质量对用户体验有着很大影响,尤其是对VR(Virtual Reality,虚拟现实)设备、AR(Augmented Reality,增强现实)设备和MR(Mixed Reality,混合现实)设备等相关扩展现实设备(统称为XR设备,extended-range)主要依赖屏幕与用户进行互动的设备更是如此。许多屏幕制造商都会在屏幕出厂前对其进行缺陷检测,例如检测屏幕是否存在坏点、划痕等,很多时候需要依赖人工检测,其检测效率不高,并且人工检测方法受人的主观影响因素较大,检测准确度较低,漏检及误检率较高。
发明内容
本申请的主要目的在于提供一种屏幕缺陷检测方法、装置、设备和可读存储介质,旨在提高对扩展现实设备进行屏幕缺陷检测的效率和准确率。
为实现上述目的,本申请提供一种屏幕缺陷检测方法,所述屏幕缺陷检测方法应用于扩展现实设备的显示屏幕,所述屏幕缺陷检测方法包括:
将至少一个预设纯色测试图像输入至所述显示屏幕进行显示,并采集所述显示屏幕在显示所述预设纯色测试图像时的实际显示图像;
将所述实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像;
将所述灰度图像与所述滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;
识别所述缺陷凸显图像中的图像缺陷特征,根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息。
可选地,所述屏幕缺陷信息包括屏幕缺陷的缺陷位置,所述根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息的步骤包括:
识别所述显示屏幕的有效显示区域;
将所述有效显示区域的区域中心点作为原点,构建屏幕坐标系;
识别所述图像缺陷特征在所述屏幕坐标系所处的坐标位置,并将所述坐标位置作为屏幕缺陷的缺陷位置。
可选地,所述识别所述缺陷凸显图像中的图像缺陷特征的步骤包括:
将所述缺陷凸显图像中的大于预设阈值的灰度值进行二值化处理,得到缺陷强化图像;
识别所述缺陷强化图像中的图像缺陷特征。
可选地,所述识别所述缺陷强化图像中的图像缺陷特征的步骤包括:
分别确定所述缺陷强化图像中每个像素的像素灰度值是否大于第一预设灰度阈值;
将像素灰度值大于第一预设灰度阈值的像素,作为缺陷像素;
根据各所述缺陷像素在所述缺陷强化图像中所构成的轮廓特征,确定所述轮廓特征对应的轮廓面积;
若所述轮廓面积大于或等于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第一平均像素灰度值;
将所述第一平均像素灰度值大于第二预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第二预设灰度阈值大于第一预设灰度阈值。
可选地,确定所述轮廓特征对应的轮廓面积的步骤之后还包括:
若所述轮廓面积大于第二预设面积阈值且小于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第二平均像素灰度值;
将所述第二平均像素灰度值大于第三预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第三预设灰度阈值大于所述第二预设灰度阈值。
可选地,所述屏幕缺陷信息包括屏幕缺陷的缺陷类型,所述根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息的步骤包括:
识别所述图像缺陷特征的特征轮廓长度和特征轮廓宽度;
根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型,其中,所述缺陷类型为点型缺陷和线型缺陷中的任意一种。
可选地,所述点型缺陷为黑点缺陷和亮点缺陷中的任意一种,所述根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型的步骤之后包括:
若所述屏幕缺陷的缺陷类型为点型缺陷,则识别所述图像缺陷特征对应的缺陷特征灰度值,根据所述缺陷特征灰度值确定屏幕缺陷的缺陷类型为黑点缺陷或亮点缺陷。
本申请还提供一种屏幕缺陷检测装置,所述屏幕缺陷检测装置应用于扩展现实设备的显示屏幕,所述屏幕缺陷检测装置包括:
输入模块,用于将至少一个预设纯色测试图像输入至所述显示屏幕进行显示,并采集所述显示屏幕在显示所述预设纯色测试图像时的实际显示图像;
滤波模块,用于将所述实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像;
计算模块,用于将所述灰度图像与所述滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;
识别模块,用于识别所述缺陷凸显图像中的图像缺陷特征,根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息。
本申请还提供一种屏幕缺陷检测设备,所述屏幕缺陷检测设备为实体设备,所述屏幕缺陷检测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述屏幕缺陷检测方法的程序,所述屏幕缺陷检测方法的程序被处理器执行时可实现如上述的屏幕缺陷检测方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现屏幕缺陷检测方法的程序,所述实现屏幕缺陷检测方法的程序被处理器执行以实现如上述屏幕缺陷检测方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的屏幕缺陷检测方法的步骤。
本申请通过将至少一个预设纯色测试图像输入至扩展现实设备的显示屏幕进行显示,并采集该显示屏幕在显示所述预设纯色测试图像时的实际显示图像,然后将实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像,从而对该灰度图像进行平滑处理,再将灰度图像与滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像,从而对实际显示图像做两次不同参数的滤波,得到两次滤波后的图像帧,将两次滤波后的图像帧的像素灰度值做差,相比于实际显示图像中的图像缺陷特征,该缺陷凸显图像中的图像缺陷特征更加清晰明显,进而更容易识别出缺陷凸显图像中的图像缺陷特征,并根据该图像缺陷特征确定显示屏幕的屏幕缺陷信息(该屏幕缺陷信息可包括屏幕缺陷的缺陷位置和缺陷类型),从而实现对扩展现实设备的显示屏幕进行自动化检测,极大降低了因人眼疲劳度导致的检测效率低、漏检及误检率较高的现象发生,进而提高了对扩展现实设备进行屏幕缺陷检测的效率和准确率,整个屏幕缺陷检测过程不需要人工参与,不仅避免了出现漏检的问题,也降低了人工成本,能够快速而有效的识别出屏幕缺陷,实现扩展现实设备不良品的剔除,本申请可应用于产线,大批量产品的检测,保障扩展现实电子产品的出货品质。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请屏幕缺陷检测方法第一实施例的流程示意图;
图2为本申请屏幕缺陷检测方法第二实施例的流程示意图;
图3为本申请屏幕缺陷检测方法第三实施例的流程示意图;
图4为本申请一实施例中对图像显示的不良点进行缺陷定位的示意图;
图5为本申请一实施例中对扩展现实设备的显示屏幕进行缺陷检测的场景示意图;
图6为本申请实施例中屏幕缺陷检测设备涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本发明保护的范围。
在本实施例中,本申请中扩展现实设备的显示屏幕可以是例如混合现实(MixedReality)—MR设备、增强现实(Augmented Reality)—AR设备和虚拟现实-(VirtualReality)—VR设备等相关扩展现实(Extended Reality)—XR设备。
许多扩展现实设备的屏幕制造商都会在屏幕出厂前对其进行缺陷检测,例如检测屏幕是否存在坏点、划痕等。然而,屏幕缺陷很多时候需要依赖人工检测,其检测效率不高,并且人工检测方法受人的主观影响因素较大,检测准确度较低,漏检及误检率较高。
实施例一
基于此,请参照图1,本实施例提供一种屏幕缺陷检测方法,所述屏幕缺陷检测方法应用于扩展现实设备的显示屏幕,所述屏幕缺陷检测方法包括:步骤S10,将至少一个预设纯色测试图像输入至所述显示屏幕进行显示,并采集所述显示屏幕在显示所述预设纯色测试图像时的实际显示图像;
在本实施例中,该扩展现实设备的显示屏幕可为OLED(Organic Light EmittingDisplay,有机发光二级管)屏、LED(light emitting diode,发光二级管)屏、等离子屏或液晶显示屏。其中,所述纯色测试图像可包括纯红色图像、纯绿色图像和纯蓝色图像等。
在本实施例中,可通过摄像头采集显示屏幕在显示该预设纯色测试图像时的实际显示图像。
步骤S20,将所述实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像;
在本实施例中,摄像机所采集的实际显示图像可能包含与显示图像无关的背景、例如除显示屏幕外扩展现实设备的其他零件或部件等,为了便于进行缺陷检测,在对实际显示图像进行灰度化处理之前,可以对图像进行预滤波处理,将与扩展现实设备的有效显示区域无关的背景去除掉,只留下扩展现实设备的显示屏幕所显示的图像。另外,为了便于缺陷检测,可以在参数滤波处理的过程中将待检测的图像统一规格。例如,摄像机获取的图像大小可能是1000×500像素,可以将其进行压缩或者扩展,成为600×300像素或1500×750像素的图像。
步骤S30,将所述灰度图像与所述滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;
在本实施例中,本领域技术人员可以理解的是,当图像处理前的实际显示图像中存在图像缺陷特征时,那么对该实际显示图像进行灰度化处理,得到的灰度图像仍然会存在该图像缺陷特征,再通过参数滤波处理得到的滤波图像,往往会将灰度图像中的图像缺陷特征进行平滑处理,滤掉该图像缺陷特征或者将该图像缺陷特征模糊化。因此,此时从灰度图像转变到滤波图像的过程中,灰度值发生了较大的改变。而如果实际显示图像中不存在缺陷特征时,那么对该实际显示图像进行灰度化处理,得到的灰度图像仍然不会存在图像缺陷特征,再通过参数滤波处理得到的滤波图像,也仍然与原来的该灰度图像几乎一致,因此,此时从灰度图像转变到均值滤波图像的过程中,灰度值未发生改变或发生了较小的改变。需要说明的是,将所述滤波图像与所述灰度图像进行每个对应坐标位置的像素进行灰度值求差,可得到缺陷凸显图像。容易理解的是,如果图像处理前的实际显示图像中存在图像缺陷特征,那么相比于实际显示图像中的图像缺陷特征,该缺陷凸显图像中的图像缺陷特征更加清晰明显。其中,该图像缺陷特征是指显示屏幕存在显示缺陷的图像特征。
步骤S40,识别所述缺陷凸显图像中的图像缺陷特征,根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息。
在本实施例中,该图像缺陷特征是指显示屏幕存在显示缺陷的图像特征。该屏幕缺陷信息可包括屏幕缺陷的缺陷位置和缺陷类型。其中,该缺陷类型又可包括点型缺陷、线型缺陷和块型缺陷。
随着元宇宙概念的兴起,越来越多的VR产品相继问世,有着更轻薄、能耗低、亮度高、发光率好和可弯曲等优点的OLED屏等显示屏幕,广泛应用于新型VR等各类扩展现实电子产品中,显示屏幕作为影响用户的使用感的扩展现实设备的核心部件,性能是否良好则至关重要。至此,针对于显示屏幕缺陷的相关检测方法应运而生。针对扩展现实设备是否合格,行业内针对展现实设备的显示屏幕缺陷一般都是人眼检测,而人眼的疲劳度对检测的准确性以及检测效率有很大的影响。
因此本实施例通过将至少一个预设纯色测试图像输入至扩展现实设备的显示屏幕进行显示,并采集该显示屏幕在显示所述预设纯色测试图像时的实际显示图像,然后将实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像,从而对该灰度图像进行平滑处理,再将灰度图像与滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像,从而对实际显示图像做两次不同参数的滤波,得到两次滤波后的图像帧,将两次滤波后的图像帧的像素灰度值做差,相比于实际显示图像中的图像缺陷特征,该缺陷凸显图像中的图像缺陷特征更加清晰明显,进而更容易识别出缺陷凸显图像中的图像缺陷特征,并根据该图像缺陷特征确定显示屏幕的屏幕缺陷信息(该屏幕缺陷信息可包括屏幕缺陷的缺陷位置和缺陷类型),从而实现对扩展现实设备的显示屏幕进行自动化检测,极大降低了因人眼疲劳度导致的检测效率低、漏检及误检率较高的现象发生,进而提高了对扩展现实设备进行屏幕缺陷检测的效率和准确率,整个屏幕缺陷检测过程不需要人工参与,不仅避免了出现漏检的问题,也降低了人工成本,能够快速而有效的识别出屏幕缺陷,实现扩展现实设备不良品的剔除,可应用于产线大批量产品的检测,保障扩展现实电子产品的出货品质。
在一种可能的实施方式中,所述屏幕缺陷信息包括屏幕缺陷的缺陷位置,所述根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息的步骤包括:
步骤A10,识别所述显示屏幕的有效显示区域;
在本实施例中,容易理解的是,该有效显示区域是指该显示屏幕进行图像显示的有效发光面。
步骤A20,将所述有效显示区域的区域中心点作为原点,构建屏幕坐标系;
在本实施例中,可通过摄像头识别有效显示区域的四个边界线的中心点,并通过在这四个边界线的中心点上构建虚拟画线的方式,确定有效显示区域的区域中心点。例如分别对两两对向的边界线的中心点进行连接,得到两条虚拟连线,这两条虚拟连线的交点即为有效显示区域的区域中心点。
本领域技术人员可以理解的是,通过以该有效显示区域的区域中心点为原点而建立X-Y轴的平面坐标,从而可实现构建该显示屏幕对应的屏幕坐标系。需要说明的是,通过对摄像头拍摄的图像进行分析,得到的该区域中心点可能存在一定的识别误差,因此可通过在系统中预先设置预设的坐标误差补正参数,将分析得到的该区域中心点的坐标参数加上该坐标误差补正参数,从而可更准确地定位至有效显示区域的区域中心点位置。
步骤A30,识别所述图像缺陷特征在所述屏幕坐标系所处的坐标位置,并将所述坐标位置作为屏幕缺陷的缺陷位置。
本实施例通过识别显示屏幕的有效显示区域,再将该有效显示区域的区域中心点作为原点,构建屏幕坐标系,并识别该图像缺陷特征在屏幕坐标系所处的坐标位置,并将该坐标位置作为屏幕缺陷的缺陷位置,如图4所示,通过在有效显示区域构建该屏幕坐标系,可对图像显示的不良点进行坐标位置的快速定位,提高对屏幕缺陷的不良点位置进行区域定位的效率和准确性。
在一种可能的实施方式中,请参照图2,所述识别所述缺陷凸显图像中的图像缺陷特征的步骤包括:
步骤S41,将所述缺陷凸显图像中的大于预设阈值的灰度值进行二值化处理,得到缺陷强化图像;
步骤S42,识别所述缺陷强化图像中的图像缺陷特征。
在本实施例中,该缺陷凸显图像中大于预设阈值的灰度值的像素点即为缺陷像素,其中,该缺陷像素为存在显示缺陷的像素点。
在本实施例中,由于该缺陷凸显图像实际上是进行过灰度化处理后的图像,因此该缺陷凸显图像中各像素点的灰度值范围为0至255。容易理解的是,
该预设阈值的取值范围为0至255,其中,预设阈值越大,则识别图像缺陷特征的灵敏度越低。预设阈值越小,则识别图像缺陷特征的灵敏度越高,同时缺陷的误识别率也越高,该预设阈值本领域技术人员可根据实际情况进行设置,以更好的识别缺陷为准。例如在一实施例中,预设阈值为8,在另一实施例中,预设阈值为16。需要说明的是,在进行二值化处理的过程中,预设阈值不宜设置的过大或者过小,都会大大影响分离图像缺陷特征的效果,可以采用现有的最小误差阈值、最大方差阈值、最佳阈值法,以及差别分析法来确定,现有技术中对该预设阈值的计算方法,已具有一定深入的研究,在此不再赘述。
本领域技术人员可知的是,二值化处理后的输出图像(在本实施例中为缺陷强化图像)只有两种灰度值:255和0。二值化处理主要是根据灰度值信息提取目标特征,所以对目标特征与背景有较强对比度的图像的分割特别有用。在本发明实施例中,缺陷凸显图像中的图像缺陷特征即为目标特征。容易理解的是,由于进行二值化处理后,缺陷凸显图像将图像缺陷特征位置对应的像素灰度值(即缺陷凸显图像中的大于预设阈值的灰度值)全部转换为255,而将缺陷强化图像中除图像缺陷特征位置之外的其他像素灰度值全部转换为0,即缺陷强化图像仅有黑和白两种颜色,白色区域即为图像缺陷特征,
从而进一步凸显出了图像缺陷特征,相比于缺陷凸显图像中的图像缺陷特征,该缺陷强化图像中的图像缺陷特征更加清晰明显,进而更容易识别出缺陷强化图像中的图像缺陷特征。
在一种可实施的方式中,所述识别所述缺陷强化图像中的图像缺陷特征的步骤包括:
步骤B10,分别确定所述缺陷强化图像中每个像素的像素灰度值是否大于第一预设灰度阈值;
在本实施例中,容易理解的是,由于进行二值化处理后,仅有黑和白两种颜色,白色区域(灰度值为255)为图像缺陷特征,黑色区域(灰度值为0)为图像正常特征(该图像正常特征是指显示屏幕不存在显示缺陷即显示正常的图像特征),因此该第一预设灰度阈值取0至255中的任意一值即可,但该第一预设灰度阈值的取值范围不包括0值和255值。
步骤B20,将像素灰度值大于第一预设灰度阈值的像素,作为缺陷像素;
在本实施例中,该缺陷像素为存在显示缺陷的像素点。
步骤B30,根据各所述缺陷像素在所述缺陷强化图像中所构成的轮廓特征,确定所述轮廓特征对应的轮廓面积;
容易理解的是,该轮廓面积是指多个缺陷像素集聚而形成轮廓特征对应的面积。
步骤B40,若所述轮廓面积大于或等于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第一平均像素灰度值;
在本实施例中,通过判断轮廓面积是否大于或等于第一预设面积阈值,若该轮廓面积大于或等于第一预设面积阈值,则说明该缺陷像素形成的轮廓面积所导致的显示缺陷,已达到足够影响用户使用扩展现实设备观看VR图像或者AR图像时的观看体验。其中,该第一预设面积阈值本实施例不作具体的限定,以更准确地判断出当前各缺陷像素形成的轮廓面积大小,是否足够影响用户的图像观看体验为准。
需要说明的是,由于该缺陷像素形成的轮廓面积大小仅仅是影响扩展现实设备的图像显示质量的一种评判标准,另一种评判标准应该还包括在未进行二值化处理前的缺陷凸显图像中,在该轮廓特征对应区域位置的所有像素点的平均灰度值大小,即本实施例的第一平均像素灰度值的大小。其中,该第一平均像素灰度值越大,扩展现实设备的显示屏幕在显示图像时的显示缺陷越明显,其图像显示质量越差。该第一平均像素灰度值越小,用户在使用扩展现实设备观看VR图像或者AR图像时越难察觉该显示缺陷,其图像显示质量越好。因此需要通过这两种评判标准,才能更准确对图像显示质量进行评估。例如当轮廓面积即使足够大(比如该轮廓面积大于第一预设面积阈值),而该轮廓特征对应各缺陷像素所形成的亮度差异值较小,此时仍然不会影响用户使用扩展现实设备观看VR图像或者AR图像时的观看体验。
步骤B50,将所述第一平均像素灰度值大于第二预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第二预设灰度阈值大于第一预设灰度阈值。
在本实施例中,通过判断该第一平均像素灰度值是否大于第二预设灰度阈值,若该第一平均像素灰度值大于第二预设灰度阈值,则说明该轮廓特征对应各缺陷像素所形成的显示亮度偏差而导致的显示缺陷,已达到足够影响用户使用扩展现实设备观看VR图像或者AR图像时的观看体验。其中,该第二预设灰度阈值本实施例不作具体的限定,以更准确地判断出当前各缺陷像素所形成的显示亮度偏差大小,是否足够影响用户的图像观看体验为准。
本实施例通过根据各缺陷像素在该缺陷强化图像中所构成的轮廓特征,确定该轮廓特征对应的轮廓面积,若该轮廓面积大于或等于第一预设面积阈值,则计算缺陷凸显图像中在该轮廓特征对应区域的所有像素的第一平均像素灰度值,将第一平均像素灰度值大于第二预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,从而通过各缺陷像素形成的轮廓面积大小,以及各缺陷像素形成的亮度差异大小的双重评判标准,对扩展现实设备显示VR图像或者AR图像时的图像显示质量进行评估,在评估该图像显示质量低于预设的出厂标准值时,确定当前轮廓特征为影响用户的图像观看体验的图像缺陷特征,从而提高了对图像显示质量进行评估的准确性,进而提升了对屏幕缺陷进行检测的准确性。
进一步地,在一种可能的实施方式中,确定所述轮廓特征对应的轮廓面积的步骤之后还包括:
步骤C10,若所述轮廓面积大于第二预设面积阈值且小于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第二平均像素灰度值;
容易理解的是,该第一预设面积阈值大于第二预设面积阈值。
步骤C20,将所述第二平均像素灰度值大于第三预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第三预设灰度阈值大于所述第二预设灰度阈值。
在本实施例中,需要说明的是,当该轮廓面积的大小不同时,在缺陷凸显图像中,对该轮廓特征对应区域位置的所有像素点的平均灰度值的要求标准不同。例如该缺陷像素形成的轮廓面积较大,则各缺陷像素形成的亮度差异值在相对较小时,便可足够影响用户使用扩展现实设备时的图像观看体验。而该缺陷像素形成的轮廓面积较小,则各缺陷像素形成的亮度差异值需要相对较大时,才能影响用户使用扩展现实设备时的图像观看体验。
因此,本实施例通过若该轮廓面积大于第二预设面积阈值且小于第一预设面积阈值,则计算该缺陷凸显图像中在该轮廓特征对应区域的所有像素的第二平均像素灰度值,将第二平均像素灰度值大于第三预设灰度阈值的轮廓特征,作为该缺陷强化图像中的图像缺陷特征,其中,第三预设灰度阈值大于第二预设灰度阈值,从而进一步提高了对图像显示质量进行评估的准确性,以及提升了对屏幕缺陷进行检测的准确性。
在一种可实施的方式中,所述将预设的纯色测试图像输入至所述显示屏幕进行显示的步骤之前包括:
步骤D10,控制pogo pin将所述显示屏幕进行上电连接。
在本实施例中,需要说明的是,如何点亮扩展现实设备的显示屏幕也是相对重要的问题。目前常见的点亮方式都是人工插接后进行点亮,扩展现实设备的显示屏幕的排线相对较软,操作起来难度较大,人工点亮极易造成接触不良,无法点亮屏幕。因此本实施例通过控制pogo pin将该显示屏幕进行上电连接,从而便于后续将预设的纯色测试图像输入至该显示屏幕进行显示,进而顺利点亮该显示屏幕。
为了助于理解本申请的技术构思或工作原理,列举一具体实施例:
请参照图5,图5为对扩展现实设备的显示屏幕进行缺陷检测的场景示意图。在该具体实施例中,扩展现实设备的显示屏幕为OLED屏幕。其中,使用自动pogo pin将该OLED屏幕连接并点亮,使OLED屏幕点亮并分别显示纯红色图像、纯绿色图像和纯蓝色图像,并同时用相机分别采集该OLED屏幕在显示纯红色图像、纯绿色图像和纯蓝色图像时的实际显示图像,该实际显示图像由算法分析后确定显示屏幕的屏幕缺陷信息。其中,屏幕缺陷信息可包括屏幕缺陷的缺陷位置和缺陷类型。在该具体实施例中,通过使用扩展现实设备的OLED屏幕,外加自动pogo pin以及一套相机镜头,完成产品OLED屏幕性能的自动检测。
需要说明的是,上述具体实施例仅用于帮助理解本实施例的技术构思或工作原理,并不构成对本申请屏幕缺陷检测设备的框架结构的限定,基于本实施例的技术构思或工作原理进行更多形式的简单变换,均应在本申请的保护范围内。
实施例二
基于本申请上述实施例,请参照图3,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,所述屏幕缺陷信息包括屏幕缺陷的缺陷类型,所述根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息的步骤包括:
步骤S51,识别所述图像缺陷特征的特征轮廓长度和特征轮廓宽度;
在本实施例中,该特征轮廓长度是指图像缺陷特征对应轮廓的长度。该特征轮廓宽度是指图像缺陷特征对应轮廓的宽度。
步骤S52,根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型,其中,所述缺陷类型为点型缺陷和线型缺陷中的任意一种。
在本实施例中,本实施例通过识别该图像缺陷特征的特征轮廓长度和特征轮廓宽度,并根据该特征轮廓长度和特征轮廓宽度,确定屏幕缺陷的缺陷类型,从而准确地对缺陷类型进行识别,实现对点型缺陷、块型缺陷和线型缺陷进行区分。由于点型缺陷的长度与面积往往远远小于线型缺陷,且点型缺陷一般为圆形缺陷,而线型缺陷一般为长条形缺陷,例如,当该特征轮廓长度和特征轮廓宽度的比值为1:1时,判断该缺陷为点型缺陷,当该特征轮廓长度和特征轮廓宽度的比值为3:1时,判断该缺陷为线型缺陷。其中,该比值可根据具体情况设定。因此,本实施例通过计算特征轮廓长度与特征轮廓宽度的比值,可判定缺陷类型是点型缺陷还是线型缺陷,从而提高了识别出屏幕缺陷的缺陷类型的准确性。
作为一种示例,所述点型缺陷为黑点缺陷和亮点缺陷中的任意一种,所述根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型的步骤之后包括:
步骤E10,若所述屏幕缺陷的缺陷类型为点型缺陷,则识别所述图像缺陷特征对应的缺陷特征灰度值,根据所述缺陷特征灰度值确定屏幕缺陷的缺陷类型为黑点缺陷或亮点缺陷。
作为另一种示例,所述线型缺陷为黑线缺陷和亮线缺陷中的任意一种,所述根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型的步骤之后包括:
步骤F10,若所述屏幕缺陷的缺陷类型为线型缺陷,则识别所述图像缺陷特征对应的缺陷特征灰度值,根据所述缺陷特征灰度值确定屏幕缺陷的缺陷类型为黑线缺陷或亮线缺陷。
本实施例通过根据点型缺陷或线型缺陷对应位置的像素灰度值,可进一步区分点型缺陷为亮点还是暗点,线型缺陷是暗线还是亮线,进一步提高了识别出屏幕缺陷的缺陷类型的准确性。
实施例三
本发明实施例还提供一种屏幕缺陷检测装置,所述屏幕缺陷检测装置应用于扩展现实设备的显示屏幕,所述屏幕缺陷检测装置包括:
输入模块,用于将至少一个预设纯色测试图像输入至所述显示屏幕进行显示,并采集所述显示屏幕在显示所述预设纯色测试图像时的实际显示图像;
滤波模块,用于将所述实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像;
计算模块,用于将所述灰度图像与所述滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;
识别模块,用于识别所述缺陷凸显图像中的图像缺陷特征,根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息。
可选地,所述屏幕缺陷信息包括屏幕缺陷的缺陷位置,所述识别模块,还用于:
识别所述显示屏幕的有效显示区域;
将所述有效显示区域的区域中心点作为原点,构建屏幕坐标系;
识别所述图像缺陷特征在所述屏幕坐标系所处的坐标位置,并将所述坐标位置作为屏幕缺陷的缺陷位置。
可选地,所述识别模块,还用于:
将所述缺陷凸显图像中的大于预设阈值的灰度值进行二值化处理,得到缺陷强化图像;
识别所述缺陷强化图像中的图像缺陷特征。
可选地,所述识别模块,还用于:
分别确定所述缺陷强化图像中每个像素的像素灰度值是否大于第一预设灰度阈值;
将像素灰度值大于第一预设灰度阈值的像素,作为缺陷像素;
根据各所述缺陷像素在所述缺陷强化图像中所构成的轮廓特征,确定所述轮廓特征对应的轮廓面积;
若所述轮廓面积大于或等于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第一平均像素灰度值;
将所述第一平均像素灰度值大于第二预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第二预设灰度阈值大于第一预设灰度阈值。
可选地,所述识别模块,还用于:
若所述轮廓面积大于第二预设面积阈值且小于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第二平均像素灰度值;
将所述第二平均像素灰度值大于第三预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第三预设灰度阈值大于所述第二预设灰度阈值。
可选地,所述屏幕缺陷信息包括屏幕缺陷的缺陷类型,所述识别模块,还用于:
识别所述图像缺陷特征的特征轮廓长度和特征轮廓宽度;
根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型,其中,所述缺陷类型为点型缺陷和线型缺陷中的任意一种。
可选地,所述点型缺陷为黑点缺陷和亮点缺陷中的任意一种,所述识别模块,还用于:
若所述屏幕缺陷的缺陷类型为点型缺陷,则识别所述图像缺陷特征对应的缺陷特征灰度值,根据所述缺陷特征灰度值确定屏幕缺陷的缺陷类型为黑点缺陷或亮点缺陷。
本发明实施例提供的屏幕缺陷检测装置,采用上述实施例一或实施例二中的屏幕缺陷检测方法,能提高对扩展现实设备进行屏幕缺陷检测的效率和准确率。与现有技术相比,本发明实施例提供的屏幕缺陷检测装置的有益效果与上述实施例提供的屏幕缺陷检测方法的有益效果相同,且所述屏幕缺陷检测装置中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
实施例四
本发明实施例提供一种屏幕缺陷检测设备,屏幕缺陷检测设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的屏幕缺陷检测方法。
下面参考图6,其示出了适于用来实现本公开实施例的屏幕缺陷检测设备的结构示意图。图6示出的屏幕缺陷检测设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,屏幕缺陷检测设备可以包括处理装置1001(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM1002)中的程序或者从存储装置加载到随机访问存储器(RAM1004)中的程序而执行各种适当的动作和处理。在RAM1004中,还存储有屏幕缺陷检测设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口也连接至总线1005。
通常,以下系统可以连接至I/O接口1006:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1008;包括例如磁带、硬盘等的存储装置1003;以及通信装置1009。通信装置1009可以允许屏幕缺陷检测设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的屏幕缺陷检测设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置1003被安装,或者从ROM1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
本发明提供的屏幕缺陷检测设备,采用上述实施例一或实施例二中的屏幕缺陷检测方法,能提高对扩展现实设备进行屏幕缺陷检测的效率和准确率。与现有技术相比,本发明实施例提供的屏幕缺陷检测设备的有益效果与上述实施例一提供的屏幕缺陷检测方法的有益效果相同,且该屏幕缺陷检测设备中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。
实施例五
本发明实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的屏幕缺陷检测方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是屏幕缺陷检测设备中所包含的;也可以是单独存在,而未装配入屏幕缺陷检测设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被屏幕缺陷检测设备执行时,使得屏幕缺陷检测设备:将至少一个预设纯色测试图像输入至所述显示屏幕进行显示,并采集所述显示屏幕在显示所述预设纯色测试图像时的实际显示图像;将所述实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像;
将所述灰度图像与所述滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;识别所述缺陷凸显图像中的图像缺陷特征,根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机可读存储介质,存储有用于执行上述屏幕缺陷检测方法的计算机可读程序指令,能提高对扩展现实设备进行屏幕缺陷检测的效率和准确率。与现有技术相比,本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的屏幕缺陷检测方法的有益效果相同,在此不做赘述。
实施例六
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的屏幕缺陷检测方法的步骤。
本申请提供的计算机程序产品能提高对扩展现实设备进行屏幕缺陷检测的效率和准确率。与现有技术相比,本发明实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的屏幕缺陷检测方法的有益效果相同,在此不做赘述。
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处理范围内。
Claims (10)
1.一种屏幕缺陷检测方法,其特征在于,所述屏幕缺陷检测方法应用于扩展现实设备的显示屏幕,所述屏幕缺陷检测方法包括:
将至少一个预设纯色测试图像输入至所述显示屏幕进行显示,并采集所述显示屏幕在显示所述预设纯色测试图像时的实际显示图像;
将所述实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像;
将所述灰度图像与所述滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;
识别所述缺陷凸显图像中的图像缺陷特征,根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息。
2.如权利要求1所述的屏幕缺陷检测方法,其特征在于,所述屏幕缺陷信息包括屏幕缺陷的缺陷位置,所述根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息的步骤包括:
识别所述显示屏幕的有效显示区域;
将所述有效显示区域的区域中心点作为原点,构建屏幕坐标系;
识别所述图像缺陷特征在所述屏幕坐标系所处的坐标位置,并将所述坐标位置作为屏幕缺陷的缺陷位置。
3.如权利要求1所述的屏幕缺陷检测方法,其特征在于,所述识别所述缺陷凸显图像中的图像缺陷特征的步骤包括:
将所述缺陷凸显图像中的大于预设阈值的灰度值进行二值化处理,得到缺陷强化图像;
识别所述缺陷强化图像中的图像缺陷特征。
4.如权利要求3所述的屏幕缺陷检测方法,其特征在于,所述识别所述缺陷强化图像中的图像缺陷特征的步骤包括:
分别确定所述缺陷强化图像中每个像素的像素灰度值是否大于第一预设灰度阈值;
将像素灰度值大于第一预设灰度阈值的像素,作为缺陷像素;
根据各所述缺陷像素在所述缺陷强化图像中所构成的轮廓特征,确定所述轮廓特征对应的轮廓面积;
若所述轮廓面积大于或等于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第一平均像素灰度值;
将所述第一平均像素灰度值大于第二预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第二预设灰度阈值大于第一预设灰度阈值。
5.如权利要求4所述的屏幕缺陷检测方法,其特征在于,确定所述轮廓特征对应的轮廓面积的步骤之后还包括:
若所述轮廓面积大于第二预设面积阈值且小于第一预设面积阈值,则计算所述缺陷凸显图像中在所述轮廓特征对应区域的所有像素的第二平均像素灰度值;
将所述第二平均像素灰度值大于第三预设灰度阈值的轮廓特征,作为所述缺陷强化图像中的图像缺陷特征,其中,所述第三预设灰度阈值大于所述第二预设灰度阈值。
6.如权利要求1所述的屏幕缺陷检测方法,其特征在于,所述屏幕缺陷信息包括屏幕缺陷的缺陷类型,所述根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息的步骤包括:
识别所述图像缺陷特征的特征轮廓长度和特征轮廓宽度;
根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型,其中,所述缺陷类型为点型缺陷和线型缺陷中的任意一种。
7.如权利要求6所述的屏幕缺陷检测方法,其特征在于,所述点型缺陷为黑点缺陷和亮点缺陷中的任意一种,所述根据所述特征轮廓长度和所述特征轮廓宽度,确定屏幕缺陷的缺陷类型的步骤之后包括:
若所述屏幕缺陷的缺陷类型为点型缺陷,则识别所述图像缺陷特征对应的缺陷特征灰度值,根据所述缺陷特征灰度值确定屏幕缺陷的缺陷类型为黑点缺陷或亮点缺陷。
8.一种屏幕缺陷检测装置,其特征在于,所述屏幕缺陷检测装置应用于扩展现实设备的显示屏幕,所述屏幕缺陷检测装置包括:
输入模块,用于将至少一个预设纯色测试图像输入至所述显示屏幕进行显示,并采集所述显示屏幕在显示所述预设纯色测试图像时的实际显示图像;
滤波模块,用于将所述实际显示图像进行灰度化处理,得到灰度图像,并将所述灰度图像进行参数滤波处理,得到滤波图像;
计算模块,用于将所述灰度图像与所述滤波图像进行像素灰度值的求差处理,得到缺陷凸显图像;
识别模块,用于识别所述缺陷凸显图像中的图像缺陷特征,根据所述图像缺陷特征确定所述显示屏幕的屏幕缺陷信息。
9.一种屏幕缺陷检测设备,其特征在于,所述屏幕缺陷检测设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述屏幕缺陷检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现屏幕缺陷检测方法的程序,所述实现屏幕缺陷检测方法的程序被处理器执行以实现如权利要求1至7中任一项所述屏幕缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250888.5A CN115330789A (zh) | 2022-10-13 | 2022-10-13 | 屏幕缺陷检测方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250888.5A CN115330789A (zh) | 2022-10-13 | 2022-10-13 | 屏幕缺陷检测方法、装置、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330789A true CN115330789A (zh) | 2022-11-11 |
Family
ID=83915168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250888.5A Pending CN115330789A (zh) | 2022-10-13 | 2022-10-13 | 屏幕缺陷检测方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330789A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
CN116405661A (zh) * | 2023-04-28 | 2023-07-07 | 可诺特软件(深圳)有限公司 | 一种智能电视开发性能测试方法和装置 |
CN116912233A (zh) * | 2023-09-04 | 2023-10-20 | 深圳市明亚顺科技有限公司 | 基于液晶显示屏的缺陷检测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447854A (zh) * | 2015-11-12 | 2016-03-30 | 程涛 | 一种小尺寸玻璃面板表面缺陷检测方法及系统 |
US20170278232A1 (en) * | 2016-03-23 | 2017-09-28 | Communications Test Design, Inc. | Method and system for detecting defective pixels and screen imperfections of a mobile device |
CN111768348A (zh) * | 2020-05-29 | 2020-10-13 | 合肥联宝信息技术有限公司 | 一种缺陷检测方法、设备及计算机可读存储介质 |
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 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
-
2022
- 2022-10-13 CN CN202211250888.5A patent/CN115330789A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447854A (zh) * | 2015-11-12 | 2016-03-30 | 程涛 | 一种小尺寸玻璃面板表面缺陷检测方法及系统 |
US20170278232A1 (en) * | 2016-03-23 | 2017-09-28 | Communications Test Design, Inc. | Method and system for detecting defective pixels and screen imperfections of a mobile device |
CN111768348A (zh) * | 2020-05-29 | 2020-10-13 | 合肥联宝信息技术有限公司 | 一种缺陷检测方法、设备及计算机可读存储介质 |
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 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
CN116405661A (zh) * | 2023-04-28 | 2023-07-07 | 可诺特软件(深圳)有限公司 | 一种智能电视开发性能测试方法和装置 |
CN116405661B (zh) * | 2023-04-28 | 2023-09-29 | 可诺特软件(深圳)有限公司 | 一种智能电视开发性能测试方法和装置 |
CN116912233A (zh) * | 2023-09-04 | 2023-10-20 | 深圳市明亚顺科技有限公司 | 基于液晶显示屏的缺陷检测方法、装置、设备及存储介质 |
CN116912233B (zh) * | 2023-09-04 | 2024-02-13 | 深圳市明亚顺科技有限公司 | 基于液晶显示屏的缺陷检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330789A (zh) | 屏幕缺陷检测方法、装置、设备和可读存储介质 | |
US7978903B2 (en) | Defect detecting method and defect detecting device | |
CN110335273B (zh) | 检测方法、检测装置、电子设备和介质 | |
CN108683907A (zh) | 光学模组像素缺陷检测方法、装置及设备 | |
US8238640B2 (en) | Display testing apparatus and method | |
CN109752394A (zh) | 一种显示屏缺陷高精度检测方法及系统 | |
CN105301810A (zh) | 一种屏幕缺陷检测方法及装置 | |
CN110620887B (zh) | 图像生成装置和图像生成方法 | |
CN112528888A (zh) | 一种光学指纹采集方法、装置、电子设备及存储介质 | |
CN107179181B (zh) | 显示屏均匀性的测试方法、终端及计算机可读存储介质 | |
KR20140082333A (ko) | 평판디스플레이의 얼룩 검사 방법 및 장치 | |
CN116953968A (zh) | 一种lcd显示屏的残影检测方法、装置、设备和介质 | |
JP4715703B2 (ja) | 光学フレア検査装置および検査方法 | |
JP4635651B2 (ja) | パターン認識装置およびパターン認識方法 | |
CN111369513A (zh) | 一种异常检测方法、装置、终端设备及存储介质 | |
US20220292662A1 (en) | Information processing apparatus,information processing method,and non-transitory computer-readable storage medium | |
JP2007285868A (ja) | 輝度勾配検出方法、欠陥検出方法、輝度勾配検出装置および欠陥検出装置 | |
CN114689605A (zh) | 基于机器视觉的显示屏检测方法、装置、设备及介质 | |
JP2021051597A (ja) | 画像処理装置、画像処理方法、及びコンピュータプログラム | |
JP2008175558A (ja) | 外観検査装置および外観検査方法 | |
JP2006250876A (ja) | 光学パネル検査方法、光学パネル検査装置、光学パネル検査プログラムおよびこのプログラムを記録した記録媒体 | |
JP2007198850A (ja) | むら検査方法及びむら検査装置 | |
JPH0688789A (ja) | 画像中の濃度変動構成画素抽出方法および濃度変動塊判定方法 | |
JP2005195515A (ja) | 平面表示装置の検査装置及びその方法 | |
JP2006078380A (ja) | 画像処理装置を用いた欠陥検査の表示方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221111 |