CN115345848A - 一种基于大数据的显示屏的质检方法 - Google Patents
一种基于大数据的显示屏的质检方法 Download PDFInfo
- Publication number
- CN115345848A CN115345848A CN202210970543.0A CN202210970543A CN115345848A CN 115345848 A CN115345848 A CN 115345848A CN 202210970543 A CN202210970543 A CN 202210970543A CN 115345848 A CN115345848 A CN 115345848A
- Authority
- CN
- China
- Prior art keywords
- display screen
- value
- pixel point
- window
- picture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007689 inspection Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims description 52
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于大数据的显示屏的质检方法,利用大数据,自动进行显示屏的质检,提高质检效率与稳定性,步骤S1:点亮待检验显示屏;步骤S2:采集显示屏屏幕图片;步骤S3:对图片进行质检,得出评估结果;步骤S4:按照评估结果将显示屏进行归类;步骤S5:按照归类结果将显示屏送至下一道对应工序。本发明通过大数据及运算机完成显示屏质检工作,相比传统利用人工的方式,效率高、数目稳定,质检结果误差小。
Description
技术领域
本发明涉及基于人工智能技术领域,尤其涉及一种基于大数据的显示屏的质检方法。
背景技术
大数据指的就是尽可能的把信息收集统计起来进行分析,来分析你的行为和你周边的人的行为,核心价值在于存储和分析海量数据,其战略意义不在于掌握大量数据信息,而在于专业处理这些有意义的数据。看似是一个很高端的东西,和我们普通人的生活相差甚远,但实际已经具有我们生活中的各种角落里。
目前,对显示屏幕进行检验往往还离不开人工作业,依靠检验人员通过肉眼观察显示屏幕的显示效果,以查找出显示屏幕具有的瑕疵。但是人工检验依赖于检验人员的专业水平,同时也难以保证检验品质和数目的稳定性,导致检验效率低下。
发明内容
为了克服现有技术的不足,本发明的意图之一在于提供一种基于大数据的显示屏的质检方法,利用大数据,自动进行显示屏的质检,提高质检效率与稳定性。
一种基于大数据的显示屏的质检方法,包括以下工序:
步骤S1:点亮待检验显示屏;
步骤S2:采集显示屏屏幕图片;
步骤S3:对图片进行质检,得出评估结果;
步骤S4:按照评估结果将显示屏进行归类;
步骤S5:按照归类结果将显示屏送至下一道对应工序。
进一步的,步骤S3中的质检方法,具体如下:
S310:按照显示屏屏幕图片确认显示屏屏幕是否具有瑕疵,并在瑕疵具有时确认瑕疵位置;
S320:以显示屏屏幕灰阶图片的瑕疵位置中任一像素点为中心像素点,确认一个预设大小的窗口;
S330:运算窗口边缘上各个像素点灰阶值与中心像素点灰阶值的差数的平均数,以平均数作为临界值,运算中心像素点的局部二值模式值;
S340:对显示屏屏幕图片进行颜色-对立空间变换,按照窗口中心像素点的局部二值模式值以及色彩信息,得到同时表征窗口波纹特性信息与色彩特性信息的特性值;
S350:瑕疵位置内所有像素点对应得到的特性值即为瑕疵位置的特性信息,将特性信息输入练习好的连接模型进行瑕疵的确认与归类,得到显示屏制造品质评估值,完成显示屏制造品质检验。
进一步的,步骤S330中的局部二值模式值运算方法,具体如下:
ε=|fk-fd|;
其中,fk为窗口边缘上第k个像素点的灰阶值,fd为窗口内中心像素点的灰阶值,L为临界值,Q为窗口边缘上像素点总数,T(·)为门限函数。
进一步的,步骤S340中的特性值的运算方法,具体如下:
LBPD=y1*N+y2*b+y2*e;
y1=LBP;
y2=Avg∑φ;
φ=|Qa(k,h)-Qd|;
其中,局部二值模式D为同时表征窗口波纹特性信息与色彩特性信息的特性值,y1为窗口中心像素点的局部二值模式值,Qa(k,h)代表窗口内各个像素点的色彩值,Qd为窗口中心像素点的色彩值,y2为窗口边缘上各个像素点色彩值相对于中心像素点色彩值的差异幅度的平均数,N代表亮度维度,b和e代表色彩相对维度。
进一步的,步骤S350中的特性信息还包括瑕疵位置的边缘梯度特性信息,瑕疵位置的边缘梯度特性信息的确认方法为:
S351:对显示屏屏幕灰阶图片进行边缘检验,确认瑕疵位置的边缘;
S352:在瑕疵位置边缘上任取一像素点S,确认像素点S的预设大小的邻域:;
S353:清除邻域内所有的属于瑕疵边缘的像素点,得到两部分新的邻域,分别为瑕疵邻域以及正常邻域;
S354:在瑕疵邻域中任取一像素点Y,运算其与瑕疵位置边缘上像素点S之间的差别D;
S355:确认瑕疵邻域中与像素点S之间的差别D最大的像素点G,则可得像素点S的第一特性矢量XS1。
进一步的,步骤S350中的按照显示屏屏幕图片确认显示屏屏幕是否具有瑕疵,并在瑕疵具有时确认瑕疵位置的具体方法为:
S356:将显示屏屏幕图片进行灰阶化处理,得到显示屏屏幕灰阶图片;
S357:将显示屏屏幕灰阶图片与规范的无瑕疵的显示屏屏幕灰阶图片作差得到差数图片,并对差数图片进行二值化处理,差别位置标记为1,其余位置标记为0,得到二值图片;
S358:若二值图片所有像素点的灰阶值均为0,则显示屏屏幕不具有瑕疵,否则显示屏屏幕具有瑕疵,将二值图片与显示屏屏幕图片相乘,完成对显示屏屏幕图片上瑕疵位置的标记。
进一步的,步骤S350中的显示屏制造品质评估值为:
σ=mk*Tk;
其中,R为显示屏制造品质评估值,mk为显示屏屏幕不同种类瑕疵所对应的权重,Tk为显示屏屏幕第k个瑕疵位置的面积,w为显示屏屏幕的瑕疵总个数。
本发明取得的有益成果为:
1、通过大数据及运算机完成显示屏质检工作,相比传统利用人工的方式,效率高、数目稳定,质检结果误差小;
2、在运算中心像素点的局部二值模式值时,不再直接以中心像素点的灰阶值为临界值并通过判别中心像素点窗口内别的像素点的灰阶值是否大于临界值来完成窗口内别的像素点的局部二值化,而是以中心像素点灰阶值与窗口内别的像素点灰阶值之间的差别值的平均数作为临界值,并通过判别窗口内别的像素点灰阶值与中心像素点灰阶值的差数是否大于临界值来完成窗口内别的像素点的局部二值化,排除了窗口内相较于中心像素点灰阶差别较小的像素点,突出了窗口内相较于中心像素点灰阶差别较大的像素点,提高窗口波纹表征效果并减小了运算量;同时,在局部二值模式算法运用过程中加入了窗口内的色彩差异幅度信息,也即色彩信息,更为有效地表征了瑕疵特性,进一步提高了对瑕疵位置的归类判别准确度。
上述示意仅是本发明技术方式的概述,为了可以更清楚了解本发明的技术方式,而可依照示意书的内容予以实施,并且为了让本发明的上述和其他意图、特点和优点可以更显明易懂,以下特举较佳方案,并配合附图,详细示意如下。
附图说明
图1为本方案中的步骤S3的工序图。
具体实施方式
下面,集合附图以及具体实施方式,对本发明做进一步描绘,应当示意的是,在不相冲突的前提下,以下描绘的各方案之间或各技术特点之间可以任意组合构成新的方案。除非另有定义,本文所使用的全体的技术和客观术语与归于本发明的技术领域的技术人员通常解释的含义相像。本文中在本发明的示意书中所使用的术语只是为了描绘具体而言方案的意图,不是旨在于限度本发明。本文所使用的术语“及/或”包括一个或若干关联的所列名意图任意的和全体的组合。
一种基于大数据的显示屏的质检方法,包括以下工序:
步骤S1:点亮待检验显示屏;
步骤S2:采集显示屏屏幕图片;
步骤S3:对图片进行质检,得出评估结果;
步骤S4:按照评估结果将显示屏进行归类;
步骤S5:按照归类结果将显示屏送至下一道对应工序。
步骤S3中的质检方法,具体如下:
S310:按照显示屏屏幕图片确认显示屏屏幕是否具有瑕疵,并在瑕疵具有时确认瑕疵位置;
具体的,采用相关摄像仪器,如专业相机以获得显示屏的屏幕图片,使用加权平平均数算法对所获得的屏幕图片进行灰阶化处理,得到显示屏屏幕灰阶图片。当然,在别的方案中也可以采用现有技术中的别的灰阶化处理方法。
S320:以显示屏屏幕灰阶图片的瑕疵位置中任一像素点为中心像素点,确认一个预设大小的窗口;
S330:运算窗口边缘上各个像素点灰阶值与中心像素点灰阶值的差数的平均数,以平均数作为临界值,运算中心像素点的局部二值模式值;
S340:对显示屏屏幕图片进行颜色-对立空间变换,按照窗口中心像素点的局部二值模式值(或称LBP值)以及色彩信息,得到同时表征窗口波纹特性信息与色彩特性信息的特性值;
现有局部二值模式算法是在显示屏的屏幕灰阶图片的瑕疵位置中选取窗口,将窗口中的中心像素点灰阶值作为临界值,判别中心像素点附近邻域区间内,也即窗口的各个像素点的灰阶值是否超过邻域,超过则将其标记为1,否则标记为0,这样便得到了该窗口的局部二值模式值,所得局部二值模式值反应了该窗口的波纹信息。
现有局部二值模式算法仅探究了窗口内中心像素点与其几个邻域像素点之间的关联,并未探究到中心像素点的作用以及中心像素点和其他几个邻域像素点的灰阶值差数之间的全体差别梯度,也没有探究中心像素点的色彩信息,导致一些重要的局部结构特性信息缺失,对瑕疵的归类辨别形成干扰。
为此,本方案提出了一种改进的局部二值模式算法,探究中心像素点与其邻域的灰阶值梯度以及色彩信息。
以圆形局部二值模式算法为例描述本方案所提出的该种改进的局部二值模式算法,在别的方案中当然也可以采用别的形状的局部二值模式算法,如矩形局部二值模式算法。定义在显示屏屏幕灰阶图片的瑕疵位置中选取的窗口为半径为r的圆形领域,Q个像素平均分布在窗口圆周上,窗口圆周上的邻域点像素可通过三线性插值确认,按照检验精度和最小瑕疵尺寸要求设置参数Q以及r。本方案中设置Q=10,r=2。
S350:瑕疵位置内所有像素点对应得到的特性值即为瑕疵位置的特性信息,将特性信息输入练习好的连接模型进行瑕疵的确认与归类,得到显示屏制造品质评估值,完成显示屏制造品质检验。
经过上述步骤对瑕疵位置的特性信息进行了提炼,但所得特性信息的数据量较大,也具有一定的过剩信息,会对归类结果有一定的干扰,故本方案对上述得到的特性信息进行筛选过滤,通过主成分分析对特性信息进行降维处理,减少运算量,提高归类精准度。
本发明通过连接模型对瑕疵位置进行归类,所示的连接模型为已练习好的网络,其练习样本为不同的特性信息所对应的瑕疵类别、大小、数目均不同的显示屏的屏幕图片,由于连接模型的练习为现有技术,故此处不再赘述其具体练习过程。网络的结构为:语义分割网络,将上述特性信息输入到已经练习好的连接模型中,输入为各瑕疵位置的特性信息,输出为各瑕疵位置归类概率矢量,最大几率值所对应的类别即为瑕疵的种类。网络损失函数采用交叉熵损失函数。
步骤S330中的局部二值模式值运算方法,具体如下:
ε=|fk-fd|;
其中,fk为窗口边缘上第k个像素点的灰阶值,fd为窗口内中心像素点的灰阶值,L为临界值,Q为窗口边缘上像素点总数,T(·)为门限函数。
在使用本方案该种改进的局部二值模式算法进行编程时,首先在窗口内,将中心像素点灰阶值依次与其相邻的邻域内各个像素点的灰阶值作差并取绝对值,然后求取所有绝对值的平均数得到临界值L。
再通过比较邻域内各个像素点的灰阶值与中心像素点灰阶值的差数和临界值L的关联,进行编程,得到门限函数。
该窗口中心像素点的局部二值模式值即为窗口的局部二值模式值,表征了窗口位置的波纹特性信息。由于显示屏存在色彩分离,有些瑕疵的色彩偏离程度较高,故适当的建立色彩模型,将其加入到波纹分析中,可以提高归类的精度。
步骤S340中的特性值的运算方法,具体如下:
LBPD=y1*N+y2*b+y2*e;
y1=LBP;
y2=Avg∑φ;
φ=|Qa(k,h)-Qd|;
其中,局部二值模式D(LBPD)为同时表征窗口波纹特性信息与色彩特性信息的特性值,y1为窗口中心像素点的局部二值模式值,Qa(k,h)代表窗口内各个像素点的色彩值,Qd为窗口中心像素点的色彩值,y2为窗口边缘上各个像素点色彩值相对于中心像素点色彩值的差异幅度的平均数,N代表亮度维度,b和e代表色彩相对维度。
运算瑕疵位置中各个窗口的特性值局部二值模式D,即可得到整个瑕疵位置的波纹特性信息以及色彩特性信息。
步骤S350中的特性信息还包括瑕疵位置的边缘梯度特性信息,瑕疵位置的边缘梯度特性信息的确认方法为:
S351:对显示屏屏幕灰阶图片进行边缘检验,确认瑕疵位置的边缘;
S352:在瑕疵位置边缘上任取一像素点S,确认像素点S的预设大小的邻域:;
S353:清除邻域内所有的属于瑕疵边缘的像素点,得到两部分新的邻域,分别为瑕疵邻域以及正常邻域;
S354:在瑕疵邻域中任取一像素点Y,运算其与瑕疵位置边缘上像素点S之间的差别D;
差别D的运算公式为:
D=κ+γ+η+λ;
其中,fY为瑕疵邻域中像素点Y的灰阶值,fS为瑕疵位置边缘上像素点S的灰阶值,NY以及NS分别为颜色-对立空间下瑕疵邻域中像素点Y以及瑕疵位置边缘上像素点S的亮度信息,bY以及bQ分别为颜色-对立空间下瑕疵邻域中像素点Y以及瑕疵位置边缘上像素点S从低亮度值(如深绿色)到高亮度值(如亮粉红色)的色彩分量,eY以及eS分别为颜色-对立空间下瑕疵邻域中像素点Y以及瑕疵位置边缘上像素点S从低亮度值(如深蓝色)到黄色高亮度值(如黄色)的色彩分量;
S355:确认瑕疵邻域中与像素点S之间的差别D最大的像素点G,则可得像素点S的第一特性矢量XS1。
第一特性矢量XS1的运算公式为:
XS1=(ω,ξ)
ω=zG-zS;
ξ=vG-vS;
其中,二维坐标z为横轴,v为纵轴,ω为像素点G的坐标,ξ为像素点S的坐标;
相应的,可在正常邻域中得到像素点S的第二特性矢量XS1,也即瑕疵位置边缘上像素点S对应两个特性矢量,瑕疵位置边缘上所有像素点的特性矢量即为瑕疵位置的边缘梯度特性信息。
本方案运算瑕疵位置边缘的梯度信息的目的,是在波纹特性信息以及色彩特性信息的基础上额外获得能够用于确认瑕疵位置的新的特性信息,以进一步提高瑕疵位置辨别准确度,容易理解的是,在别的方案中,可以不进行瑕疵位置边缘梯度信息的获取,而仅通过改进的局部二值模式算法获得瑕疵位置的波纹特性信息以及色彩特性信息。
在显示屏的屏幕灰阶图片上,通过canny边缘检测算法检验并确认瑕疵位置的边缘,假定对边缘上某一像素点为S点,其灰阶值为fS,确认像素点S的3*3邻域内别的像素点都有哪些以及对应灰阶值,并在3*3邻域内清除所有的属于瑕疵位置边缘的像素点,将剩余的像素点与像素点S进行运算,确认像素点S的灰阶梯度。
邻域内所有的瑕疵边缘上像素点将S点的3*3邻域划分成了俩个位置,可毫无疑义地确认,两个位置中一个属于显示屏屏幕的正常位置,另一个则属于瑕疵位置,所以其中一个位置为正常邻域,另一位置为瑕疵邻域。假定清除邻域内所有边缘像素点后,邻域内还剩余W个非边缘像素点,其中瑕疵邻域含有B个像素点,正常邻域含有E个像素点,则有B+E=W的关系。
对瑕疵邻域以及正常邻域分别进行最大梯度方向角度的获取,作为边缘像素点S点的梯度特性矢量的角度。
步骤S350中的按照显示屏屏幕图片确认显示屏屏幕是否具有瑕疵,并在瑕疵具有时确认瑕疵位置的具体方法为:
S356:将显示屏屏幕图片进行灰阶化处理,得到显示屏屏幕灰阶图片;
S357:将显示屏屏幕灰阶图片与规范的无瑕疵的显示屏屏幕灰阶图片作差得到差数图片,并对差数图片进行二值化处理,差别位置标记为1,其余位置标记为0,得到二值图片;
S358:若二值图片所有像素点的灰阶值均为0,则显示屏屏幕不具有瑕疵,否则显示屏屏幕具有瑕疵,将二值图片与显示屏屏幕图片相乘,完成对显示屏屏幕图片上瑕疵位置的标记。
至此,检验了显示屏是否具有瑕疵,且获得了屏幕瑕疵的位置。
步骤S350中的显示屏制造品质评估值为:
σ=mk*Tk;
其中,R为显示屏制造品质评估值,mk为显示屏屏幕不同种类瑕疵所对应的权重,Tk为显示屏屏幕第k个瑕疵位置的面积,w为显示屏屏幕的瑕疵总个数。
至此,通过连接模型(或称神经网络)完成了显示屏屏幕瑕疵的归类。
上述实施方式仅为本发明的优选实施方式,不能以此来限度本发明保护的区间,本领域的技术人员在本发明的基础上所做的一切非实则性的转化及替换均归于本发明所要求保护的区间。
Claims (7)
1.一种基于大数据的显示屏的质检方法,其特征在于:包括以下工序:
步骤S1:点亮待检验显示屏;
步骤S2:采集显示屏屏幕图片;
步骤S3:对图片进行质检,得出评估结果;
步骤S4:按照评估结果将显示屏进行归类;
步骤S5:按照归类结果将显示屏送至下一道对应工序。
2.如权利要求1的一种基于大数据的显示屏的质检方法,其特征在于:步骤S3中的质检方法,具体如下:
S310:按照显示屏屏幕图片确认显示屏屏幕是否具有瑕疵,并在瑕疵具有时确认瑕疵位置;
S320:以显示屏屏幕灰阶图片的瑕疵位置中任一像素点为中心像素点,确认一个预设大小的窗口;
S330:运算窗口边缘上各个像素点灰阶值与中心像素点灰阶值的差数的平均数,以平均数作为临界值,运算中心像素点的局部二值模式值;
S340:对显示屏屏幕图片进行颜色-对立空间变换,按照窗口中心像素点的局部二值模式值以及色彩信息,得到同时表征窗口波纹特性信息与色彩特性信息的特性值;
S350:瑕疵位置内所有像素点对应得到的特性值即为瑕疵位置的特性信息,将特性信息输入练习好的连接模型进行瑕疵的确认与归类,得到显示屏制造品质评估值,完成显示屏制造品质检验。
5.如权利要求4的一种基于大数据的显示屏的质检方法,其特征在于:步骤S350中的特性信息还包括瑕疵位置的边缘梯度特性信息,瑕疵位置的边缘梯度特性信息的确认方法为:
S351:对显示屏屏幕灰阶图片进行边缘检验,确认瑕疵位置的边缘;
S352:在瑕疵位置边缘上任取一像素点S,确认像素点S的预设大小的邻域:;
S353:清除邻域内所有的属于瑕疵边缘的像素点,得到两部分新的邻域,分别为瑕疵邻域以及正常邻域;
S354:在瑕疵邻域中任取一像素点Y,运算其与瑕疵位置边缘上像素点S之间的差别D;
S355:确认瑕疵邻域中与像素点S之间的差别D最大的像素点G,则可得像素点S的第一特性矢量XS1。
6.如权利要求5的一种基于大数据的显示屏的质检方法,其特征在于:
步骤S350中的按照显示屏屏幕图片确认显示屏屏幕是否具有瑕疵,并在瑕疵具有时确认瑕疵位置的具体方法为:
S356:将显示屏屏幕图片进行灰阶化处理,得到显示屏屏幕灰阶图片;
S357:将显示屏屏幕灰阶图片与规范的无瑕疵的显示屏屏幕灰阶图片作差得到差数图片,并对差数图片进行二值化处理,差别位置标记为1,其余位置标记为0,得到二值图片;
S358:若二值图片所有像素点的灰阶值均为0,则显示屏屏幕不具有瑕疵,否则显示屏屏幕具有瑕疵,将二值图片与显示屏屏幕图片相乘,完成对显示屏屏幕图片上瑕疵位置的标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210970543.0A CN115345848A (zh) | 2022-08-12 | 2022-08-12 | 一种基于大数据的显示屏的质检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210970543.0A CN115345848A (zh) | 2022-08-12 | 2022-08-12 | 一种基于大数据的显示屏的质检方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345848A true CN115345848A (zh) | 2022-11-15 |
Family
ID=83952519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210970543.0A Pending CN115345848A (zh) | 2022-08-12 | 2022-08-12 | 一种基于大数据的显示屏的质检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345848A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635565A (zh) * | 2023-11-29 | 2024-03-01 | 珠海诚锋电子科技有限公司 | 一种基于图像识别的半导体表面缺陷检测系统 |
-
2022
- 2022-08-12 CN CN202210970543.0A patent/CN115345848A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635565A (zh) * | 2023-11-29 | 2024-03-01 | 珠海诚锋电子科技有限公司 | 一种基于图像识别的半导体表面缺陷检测系统 |
CN117635565B (zh) * | 2023-11-29 | 2024-05-24 | 珠海诚锋电子科技有限公司 | 一种基于图像识别的半导体表面缺陷检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
CN110047073B (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
JP5647878B2 (ja) | 鋼管内部腐食解析装置及び鋼管内部腐食解析方法 | |
JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
JP5441728B2 (ja) | 官能検査装置及び官能検査方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
JP7393313B2 (ja) | 欠陥分類装置、欠陥分類方法及びプログラム | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN115345848A (zh) | 一种基于大数据的显示屏的质检方法 | |
CN114581415A (zh) | Pcb缺陷的检测方法、装置、计算机设备及存储介质 | |
JP2020112483A (ja) | 外観検査システム、計算モデル構築方法及び計算モデル構築プログラム | |
CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
JP2021165909A (ja) | 情報処理装置、情報処理装置の情報処理方法およびプログラム | |
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 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221115 |