CN116297497B - 一种基于高光谱遥感的手机面板质量检测方法 - Google Patents

一种基于高光谱遥感的手机面板质量检测方法 Download PDF

Info

Publication number
CN116297497B
CN116297497B CN202310579671.7A CN202310579671A CN116297497B CN 116297497 B CN116297497 B CN 116297497B CN 202310579671 A CN202310579671 A CN 202310579671A CN 116297497 B CN116297497 B CN 116297497B
Authority
CN
China
Prior art keywords
panel
stain
distance index
pixel set
flaw
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
Application number
CN202310579671.7A
Other languages
English (en)
Other versions
CN116297497A (zh
Inventor
巫兆聪
沈冠廷
蔺昊宇
岳鹏飞
宋晓辉
梁楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202310579671.7A priority Critical patent/CN116297497B/zh
Publication of CN116297497A publication Critical patent/CN116297497A/zh
Application granted granted Critical
Publication of CN116297497B publication Critical patent/CN116297497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种基于高光谱遥感的手机面板质量检测方法，包括：获得面板高光谱影像数据；将面板影像进行图像增强并用阈值法提取面板与缺陷；对提取的缺陷的光谱数据进行预处理；对预处理后的光谱曲线进行光谱包络线相除法；根据处理后的曲线形状特征将缺陷分为划痕和污渍两类；挑选特定几个特征增强后的光谱曲线波段，按照指纹类距离指数K、清洁剂类距离指数M、胶质物质类距离指数N和灰尘类距离指数L分类；将手机面板污渍种类区分成清洁剂、指纹、灰尘、胶质物质、其他类别五种。本发明能够获取手机面板的污渍瑕疵光谱数据，通过分析光谱特征构建指数实现识别、区分瑕疵与污渍，达到污渍种类细分，提高手机面板质量检测精度。

Description

一种基于高光谱遥感的手机面板质量检测方法
技术领域
本发明涉及一种基于高光谱遥感的手机面板质量检测方法，属于质量检测技术领域。
背景技术
在手机面板的生产过程中，最终包装出货前都会有一道面板质检环节，用以检测面板上是否存在缺陷，其中缺陷包含污渍和瑕疵，污渍指的是吸附、残留在手机面板上的化学物质，瑕疵指的是划痕、崩边、亮点等等由外力对手机面板造成物理损坏的痕迹，在质检环节中对于有瑕疵的手机面板不良品会判断其瑕疵类型，决定修复或是淘汰，而对于污渍则判断其是否能够擦除。
目前，虽然市面上对于手机面板检测瑕疵种类的技术较为成熟，但是面板除了瑕疵以外，还会有指纹、灰尘等所造成的污渍，对于有污渍存在的手机面板，将影响瑕疵的检测，常常会出现将污渍误检成瑕疵种类的情况，而误检的后果不仅会影响出厂手机面板质量，更是会直接导致厂家损失，所以如何准确区分污渍和瑕疵，降低误检率，提高良品的出货率是一大挑战和难点。
传统的瑕疵污渍检测方法是通过工业相机拍摄手机面板，再用机器视觉与深度学习的方法检测瑕疵，这是一种基于图像分析方法，主要利用的是物理、纹理特征信息，然而瑕疵与污渍最大的不同之处在于他们的形成方式，瑕疵的形成是由于外力导致的属于物理形变，污渍则是化学物质吸附、残留在手机面板上造成的。
高光谱遥感方法是通过高光谱相机得到一个三维立方数据，除了影像本身信息，还包含丰富的光谱信息，对于检测具有不同光谱吸收特性的物质有独特的优势，能够更有效的进行分类和检测。
因此，本发明提出一种全新的基于高光谱遥感的手机面板质量检测方法，内容包括“污渍瑕疵粗区分”和“污渍检测与分类”。
发明内容
针对目前技术的难点，本发明提出一种基于高光谱遥感的手机面板质量检测方法，主要包括以下步骤：
步骤1：获取手机面板高光谱影像数据；
步骤2：将面板影像进行图像增强并用阈值法分为污渍瑕疵混合像元集和面板像元集；
步骤3：对步骤2提取的污渍瑕疵混合像元集和面板像元集光谱数据分别进行预处理；
步骤4：对预处理后的污渍瑕疵混合像元集和面板像元集光谱曲线分别进行光谱特征增强并记录增强后的污渍瑕疵光谱曲线与面板集光谱曲线特征，包括曲线形状、波峰波谷位置及强度；
步骤5：对步骤4获得的污渍瑕疵光谱曲线与面板集光谱曲线根据对应波段做比较，将污渍瑕疵混合像元集中与面板像元集具有相同光谱曲线形状特征的样本提取出来标记为瑕疵类，将具有不同光谱曲线形状特征的提出并归为污渍类；
步骤6：设定指纹类距离指数K、清洁剂类距离指数M、胶质物质类距离指数N和灰尘类距离指数L，将步骤5统计得到的污渍类样本的光谱曲线代入不同的指数中进行计算，根据计算出来的指数范围将不同的污渍进行分离，实现污渍分类检测。
进一步地，所述步骤2中图像处理采用中值滤波和直方图均衡化方式，具体实现方式是：
先对手机面板影像进行中值滤波处理；
再对手机面板影像进行直方图均衡化处理；
用阈值法将污渍瑕疵与面板分离开。
进一步地，步骤3的具体实现方式是：对获得的污渍瑕疵混合像元集和面板像元集光谱数据分别先做多元散射校正，再对校正完的数据做多项式平滑处理。
进一步地，步骤4的具体实现方式是：经过预处理的的污渍瑕疵混合像元集光谱数据进行包络线相除法，记录经过包络线相除法后污渍瑕疵光谱的曲线形状、波峰波谷位置及强度等；
将经过预处理的面板像元集光谱数据进行包络线相除法，记录经过包络线相除法后的面板光谱的曲线形状、波峰波谷位置及强度。
进一步地，步骤5的具体实现方式是：
将获得的经过包络线相除法的污渍瑕疵混合像元集光谱曲线和面板像元集光谱曲线按照对应的波段叠加一起，并对比污渍瑕疵混合像元集光谱曲线与面板像元集光谱曲线形状特征，将污渍瑕疵混合像元集中与面板像元集具有相同光谱曲线形状特征的样本提取出来标记为瑕疵类，将具有不同光谱曲线形状特征的提出并归为污渍类。
进一步地，步骤6的具体实现方式是：
设定指纹类距离指数K、清洁剂类距离指数M、胶质物质类距离指数N和灰尘类距离指数L，首先将步骤5统计得到的污渍类样本的光谱曲线带入指纹类距离指数K计算，将符合条件的污渍划分为指纹类别污渍；接着将剩余样本带入清洁剂类距离指数M计算，将符合条件的污渍划分为清洁剂类别污渍；再将剩余样本带入胶质物质类距离指数N计算，将符合条件的污渍划分为胶质类别污渍；最后将剩余样本带入灰尘类距离指数L计算，将符合条件的污渍划分为灰尘类别的污渍，剩余未分类的污渍归纳为其他，最终分成清洁剂、指纹、灰尘、胶质物质以及其他，实现污渍分类检测。
进一步地，指纹类距离指数K的形式如下：
用斜率K1表示指纹第一特征吸收峰400-415nm的深度；
斜率K2表示指纹第二特征吸收峰530-550nm的深度；
斜率K3表示指纹第三特征吸收峰620-630nm的深度；
用指纹类距离指数K表示K1、K2、K3，其中K=，
当K的取值范围在1.5-3.5时判定该污渍类型为指纹。
进一步地，清洁剂类距离指数M的形式如下：
用斜率M1表示清洁剂第一特征吸收峰900-910nm的深度；
斜率M2表示清洁剂第二特征吸收峰970-980nm的深度；
斜率M3表示清洁剂第三特征吸收峰1170-1180nm的深度；
用清洁剂类距离指数M表示M1、M2、M3，其中M=，
当M的取值范围在1.5-3.5时判定该污渍类型为清洁剂。
进一步地，胶质物质类距离指数N的形式如下：
用斜率N1表示胶质物质第一特征吸收峰570-580nm的深度；
斜率N2表示胶质物质第二特征吸收峰830-840nm的深度；
斜率N3表示胶质物质第三特征吸收峰1370-1380nm的深度；
用胶质物质类距离指数N表示N1、N2、N3，其中N=，
当N的取值范围在1.5-3.5时判定该污渍类型为胶质物质。
进一步地，灰尘类距离指数L的形式如下：
用斜率L1表示灰尘第一特征吸收峰3500-3550nm的深度；
斜率L2表示灰尘第二特征吸收峰3600-3650nm的深度；
用灰尘类距离指数L表示L1、L2，其中L=，
当L的取值范围在1.2-2.5时判定该污渍类型为灰尘。
与现有技术相比，本发明的优点和积极效果是：
1. 首次将高光谱遥感方法应用于手机面板质量检测，相比传统工业相机检测，高光谱遥感方法不仅能够获取图像几何信息，还能提供丰富的光谱信息，有利于提高手机面板质量检测效率。
2. 通过分析光谱曲线形状特征直接将“瑕疵集”识别提取出来，比传统工业相机的图像分析法更加简便、快捷、高效。
3. 根据不同物质的吸收特征选择特征波长，仅用少数谱段结合设定指数的形式即可实现“污渍集”的识别和精细分类，方法简单，分类精度高。
附图说明
图1为基于高光谱遥感的手机面板瑕疵污渍粗分类方法流程图；
图2为基于高光谱遥感的手机面板污渍精分类方法流程图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有说明，术语“连接”应做广义理解，例如可以是固定连接，也可以是可拆卸连接，或一体地连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合具体附图和实例对本发明实施过程进一步详细说明。如图1所示，具体实施步骤如下：
步骤1：获取手机面板高光谱影像数据；
步骤2：将面板影像进行图像增强并用阈值法分为污渍瑕疵混合像元集和面板像元集；
步骤3：对步骤2提取的污渍瑕疵混合像元集和面板像元集光谱数据分别进行预处理；
步骤4：对预处理后的污渍瑕疵混合像元集和面板像元集光谱曲线分别进行光谱特征增强并记录增强后的污渍瑕疵光谱曲线与面板集光谱曲线特征，包括曲线形状、波峰波谷位置及强度；
步骤5：对步骤4获得的污渍瑕疵光谱曲线与面板集光谱曲线根据对应波段做比较，将污渍瑕疵混合像元集中与面板像元集具有相同光谱曲线形状特征的样本提取出来标记为“瑕疵”类，将具有不同光谱曲线形状特征的提出并归为“污渍”类；
步骤6：设定指纹类距离指数K、清洁剂类距离指数M、胶质物质类距离指数N和灰尘类距离指数L，将步骤5统计得到的污渍类样本的光谱曲线代入不同的指数中进行计算，根据计算出来的指数范围将不同的污渍进行分离，实现污渍分类检测。
架设好脚架以及与显示屏完成连接的高光谱相机，并在其左右两侧45°位置各摆放一支套上柔光箱的卤素灯作为光源；
将手机面板以平行的方式通过固定夹固定于镜头前，拧动镜头对焦环使手机面板清晰；将镜头盖盖上，获取暗电流数据，再将镜头盖取下，把白板立于手机面板的位置，采集白板数据；
用高光谱相机拍摄手机面板数据，将一个完整的手机面板分为三次拍摄获得面板影像以及对应高光谱数据。
在步骤2中，打开ENVI软件，将手机面板影像导入，对影像进行中值滤波处理，再对经过中值滤波处理后的影像进行直方图均衡化处理，利用阈值法设置阈值为80，将像素亮度值为80以下的点作为面板点，80以上的点提出来作为缺陷点，并将这些缺陷点保存。
在步骤3中，将步骤2经过阈值分割得到的污渍瑕疵像元集和面板集的光谱曲线打开，对曲线先进行多元散射校正（MSC），消除基线漂移的影响，再对校正完后的曲线进行多项式平滑处理（SG），使光谱曲线平滑。
其中MSC具体方法为：
先计算得到平均光谱：
其中，表示第i个光谱（1<i<n），n表示有n个光谱，/>表示n个光谱平均值，
将每个光谱与平均光谱进行一元线性回归，得到各光谱相对于标准光谱的线性平移量和倾斜偏移量：
=/>+/>
其中，m i和B i分别表示第i个光谱与平均光谱进行一元线性回归后得到的相对偏移系数和平移量；
在每个样品原始光谱中减去线性平移量同时除以回归系数修正光谱的基线相对倾斜，这样每个光谱的基线平移和偏移都在标准光谱的参考下予以修正：
其中，(MSC)表示为校正完的第i个光谱
其中多项式平滑算法为：
把光谱一段区间的等波长间隔的5个点记为X集合，多项式平滑就是利用在波长点为Xm-2,Xm-1,Xm,Xm+1,Xm+2的数据的多项式拟合值来取代Xm,，然后依次移动，直到把光谱遍历完。
得到经过多元散射校正（MSC）和多项式平滑处理（SG）的污渍瑕疵光谱数据的面板点的光谱数据。
在步骤4中，对步骤3经过多元散射校正以及多项式平滑处理后的污渍瑕疵以及面板光谱曲线进行包络线相除法，处理方式如下：
设有反射率曲线样点数组：r(i)，i = 0,1，…，k-1；波长数组：w(i)，i=0,1，…，k-1。1. i=0,将r(i)、w(i),加入包络线节点表中。2. 求新的包络节点，如i = k-1则结束，否则j=i+1。3. 连接i，j：检查(i，j)直线与反射率曲线的交点，如果j = k-1，则结束，将w(j)、r(j)加入包络线节点表中，否则：①m = j+1；②若m=k-1则完成检查，j是包络线上的点，将w(j)、r(j) 加入包络线节点表中，i = j，转到 (2) ；③否则，求i，j与w(m)的交点(m)；如果r(m)</>(m)，则j不是包络线上的点，j = j+1，转到 (3)；如果r(m)≤/>(m)，则i、j与光谱曲线最多有一交点，m = m+1，转到(2)。
4. 得到包络线节点表后，将相邻的节点用直线段依次相连，求出w(i)，i = 0,1，…，k-1，所对应的折线段上的点的函数值h(i)，i=0,1，…，k-1；从而得到该光谱曲线的包络线。显然有h(i)≥r(i)。
5. 求出包络线后对光谱曲线进行包络线相除：(i) = r (i) / h(i)，i=0,1，…，k-1。得到经过包络线相除法后的污渍瑕疵和面板的光谱曲线，记录下光谱曲线形状特征、波峰波谷位置及强度。
在步骤5中，对步骤4获得的经过包络线相除法的污渍瑕疵和面板光谱曲线按照对应的波段叠加一起；将污渍瑕疵集与面板集做比较，将污渍瑕疵集中具有与面板集相同光谱曲线形状特征的样本提出标记为“瑕疵”类；将具有不同光谱形状特征样本的提出归为“污渍”类供后续分类。
6.设定指纹类距离指数K、清洁剂类距离指数M、胶质物类距离质N和灰尘类距离指数L，如图2所示；
指纹包含人的汗渍、油渍、以及唾液等等物质，根据这些物质的光谱曲线吸收特点决定了代表指纹的特征吸收峰；以下吸收峰都是指经过包络线相除后的吸收峰
其中指纹类距离指数K的形式如下：
用斜率K1表示指纹第一特征吸收峰400-415nm的深度；
斜率K2表示指纹第二特征吸收峰530-550nm的深度；
斜率K3表示指纹第三特征吸收峰620-630nm的深度；
K1=
K2=
K3=
其中，、/>、/>、/>、/>、/>分别表示400nm、415nm、530nm、550nm、620nm、630nm处的反射率，/>、/>、/>、/>、/>、/>表示400nm、415nm、530nm、550nm、620nm、630nm处的波段即400、415、530、550、620、630，乘以2500是为了将反射率的范围（0-1）归纳到与波长（0-2500nm）一致；
选择指纹第一、第二和第三特征峰的原因是在这些波段内指纹光谱曲线具有更显著的下降趋势,在经过包络线相除后的特征吸收峰会出现明显的吸收峰，用平方的方法不仅可以突出当该处具有吸收峰时的特点，同时又可以将该处没有吸收峰特征时的值降低（当k>1时k平方>k，当0<k<1时，k平方<k）,选择三个斜率平方之和除了减少指纹光谱变异性的影响，还能更加突出对指纹的识别。
用指纹类距离指数K表示K1、K2、K3，其中K=。
清洁剂假定的是乙醇成分，根据乙醇的光谱曲线吸收特点决定了代表清洁剂的三个特征吸收峰。
其中清洁剂类距离指数M的形式如下：
用斜率M1表示清洁剂第一特征吸收峰900-910nm的深度；
斜率M2表示清洁剂第二特征吸收峰970-980nm的深度；
斜率M3表示清洁剂第三特征吸收峰1170-1180nm的深度；
M1 =；
M2 =；
M3 =；
其中，、/>、/>、/>、/>、/>分别表示900nm、910nm、970nm、980nm、1170nm、1180nm处的反射率，/>、/>、/>、/>、/>、/>表示900nm、910nm、970nm、980nm、1170nm、1180nm处波段即900、910、970、980、1170、1180，乘以2500是为了将反射率的范围（0-1）归纳到与波长（0-2500nm）一致；
选择清洁剂第一、第二和第三特征峰的原因是在这些波段内清洁剂光谱曲线具有更显著的下降趋势, 选择三个斜率平方之和除了减少清洁剂光谱变异性的影响，还能更加突出对清洁剂的识别。
用清洁剂类距离指数M表示M1、M2、M3，其中M=。
胶质物质的残留是由于传送带传送时在手机面板上摩擦而留下的污渍，因此根据橡胶的光谱曲线吸收特点决定了代表胶质物质的三个特征吸收峰。
其中胶质物质类距离指数N的形式如下：
用斜率N1表示胶质物质第一特征吸收峰570-580nm的深度；
斜率N2表示胶质物质第二特征吸收峰830-840nm的深度；
斜率N3表示胶质物质第三特征吸收峰1370-1380nm的深度；
N1 =；
N2 =；
N3 =
其中，、/>、/>、/>、/>、/>分别表示570nm、580nm、830nm、840nm、1370nm、1380nm处的反射率，/>、/>、/>、/>、/>、/>表示570nm、580nm、830nm、840nm、1370nm、1380nm处波段即570、580、830、840、1370、1380，乘以2500是为了将反射率的范围（0-1）归纳到与波长（0-2500nm）一致；
选择胶质物质第一、第二和第三特征峰的原因是在这些波段内胶质物质光谱曲线具有更显著的下降趋势, 选择三个斜率平方之和除了减少胶质物质光谱变异性的影响，还能更加突出对胶质物质的识别。
用胶质物质类距离指数N表示N1、N2、N3，其中N=。
在实验室的灰尘的主要成分是人体分泌物、纤维物质、矿物质等等，根据这些物质的光谱曲线吸收特点决定了代表灰尘的两个特征吸收峰。
其中灰尘类距离指数L的形式如下：
用斜率L1表示灰尘第一特征吸收峰3500-3550nm的深度；
斜率L2表示灰尘第二特征吸收峰3600-3650nm的深度;
L1 =；
L2 =；
其中，、/>、/>、/>分别表示3500nm、3550nm、3600nm、3650nm处的反射率，/>、/>、/>、/>表示3500nm、3550nm、3600nm、3650nm处波段即3500、3550、3600、3650，乘以2500再加1500是为了将反射率的范围（0-1）归纳到与波长（1500-4000nm）一致；
选择灰尘第一和第二特征峰的原因是在这些波段内灰尘光谱曲线具有更显著的下降趋势, 选择两个斜率平方之和除了减少灰尘光谱变异性的影响，还能更加突出对灰尘的识别。
用指纹类距离指数L表示L1、L2，其中L=。
将步骤5统计得到的污渍类样本的光谱曲线带入指纹类距离指数K计算，当K的取值范围在1.5-3.5时判定该污渍类型为指纹，并将该指纹类别污渍分离出；
接着将剩余样本带入清洁剂类距离指数M计算，当M的取值范围在1.5-3.5时判定该污渍类型为清洁剂，并将符合条件范围的污渍划分为清洁剂类别污渍；
再将剩余样本带入胶质物质类距离指数N计算，当N的取值范围在1.5-3.5时判定该污渍类型为胶质物质，将符合条件范围的污渍划分为胶质类别污渍；
最后将剩余样本带入灰尘类距离指数L计算，当L的取值范围在1.2-2.5时判定该污渍类型为灰尘，将符合条件范围的污渍划分为灰尘类别的污渍；
剩下未划分的归为其他类别；
最终分成清洁剂、指纹、灰尘、胶质物质以及其他，实现污渍分类检测。
实施例2，本发明提供一种基于高光谱遥感的手机面板质量检测法系统，包括：
模块1：用于获取手机面板高光谱影像数据；
模块2：用于将面板影像进行图像增强并用阈值法分为污渍瑕疵混合像元集和面板像元集；
模块3：用于对模块2提取的污渍瑕疵混合像元集和面板像元集光谱数据分别进行预处理；
模块4：用于对预处理后的污渍瑕疵混合像元集和面板像元集光谱曲线分别进行光谱特征增强并记录增强后的污渍瑕疵光谱曲线与面板集光谱曲线特征，包括曲线形状、波峰波谷位置及强度；
模块5：模块对模块4获得的污渍瑕疵光谱曲线与面板集光谱曲线根据对应波段做比较，将污渍瑕疵混合像元集中与面板像元集具有相同光谱曲线形状特征的样本提取出来标记为瑕疵类，将具有不同光谱曲线形状特征的提出并归为污渍类；
模块6：用于设定指纹类距离指数K、清洁剂类距离指数M、胶质物质类距离指数N和灰尘类距离指数L，将步骤5统计得到的污渍类样本的光谱曲线代入不同的指数中进行计算，根据计算出来的指数范围将不同的污渍进行分离，实现污渍分类检测。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种基于高光谱遥感的手机面板质量检测方法，包括以下步骤：
步骤1：获取手机面板高光谱影像数据；
步骤2：将面板影像进行图像增强并用阈值法分为污渍瑕疵混合像元集和面板像元集；
步骤3：对步骤2提取的污渍瑕疵混合像元集和面板像元集光谱数据分别进行预处理；
步骤4：对预处理后的污渍瑕疵混合像元集和面板像元集光谱曲线分别进行光谱特征增强并记录增强后的污渍瑕疵光谱曲线与面板集光谱曲线特征，包括曲线形状、波峰波谷位置及强度；
步骤5：对步骤4获得的污渍瑕疵光谱曲线与面板集光谱曲线根据对应波段做比较，将污渍瑕疵混合像元集中与面板像元集具有相同光谱曲线形状特征的样本提取出来标记为瑕疵类，将具有不同光谱曲线形状特征的提出并归为污渍类；
步骤6：设定指纹类距离指数K、清洁剂类距离指数M、胶质物质类距离指数N和灰尘类距离指数L，将步骤5统计得到的污渍类样本的光谱曲线代入不同的指数中进行计算，根据计算出来的指数范围将不同的污渍进行分离，实现污渍分类检测；
其中，指纹类距离指数K的形式如下：
用斜率K1表示指纹第一特征吸收峰400-415nm的深度；
斜率K2表示指纹第二特征吸收峰530-550nm的深度；
斜率K3表示指纹第三特征吸收峰620-630nm的深度；
用指纹类距离指数K表示K1、K2、K3，其中K=，
当K的取值范围在1.5-3.5时判定该污渍类型为指纹；
清洁剂类距离指数M的形式如下：
用斜率M1表示清洁剂第一特征吸收峰900-910nm的深度；
斜率M2表示清洁剂第二特征吸收峰970-980nm的深度；
斜率M3表示清洁剂第三特征吸收峰1170-1180nm的深度；
用清洁剂类距离指数M表示M1、M2、M3，其中M=，
当M的取值范围在1.5-3.5时判定该污渍类型为清洁剂；
胶质类距离物质N的形式如下：
用斜率N1表示胶质物质第一特征吸收峰570-580nm的深度；
斜率N2表示胶质物质第二特征吸收峰830-840nm的深度；
斜率N3表示胶质物质第三特征吸收峰1370-1380nm的深度；
用胶质物质类距离指数N表示N1、N2、N3，其中N=，
当N的取值范围在1.5-3.5时判定该污渍类型为胶质物质；
灰尘类距离指数L的形式如下：
用斜率L1表示灰尘第一特征吸收峰3500-3550nm的深度；
斜率L2表示灰尘第二特征吸收峰3600-3650nm的深度;
用灰尘类距离指数L表示L1、L2，其中L=，
当L的取值范围在1.2-2.5时判定该污渍类型为灰尘。
2.如权利要求1所述一种基于高光谱遥感的手机面板质量检测方法，其特征在于：所述步骤2中图像处理采用中值滤波和直方图均衡化方式，具体实现方式是：
先对手机面板影像进行中值滤波处理；
再对手机面板影像进行直方图均衡化处理；
用阈值法将污渍瑕疵与面板分离开。
3.如权利要求1所述一种基于高光谱遥感的手机面板质量检测方法，其特征在于：步骤3的具体实现方式是：
对获得的污渍瑕疵混合像元集和面板像元集光谱数据分别先做多元散射校正，再对校正完的数据做多项式平滑处理。
4.如权利要求1所述一种基于高光谱遥感的手机面板质量检测方法，其特征在于：步骤4的具体实现方式是：经过预处理的的污渍瑕疵混合像元集光谱数据进行包络线相除法，记录经过包络线相除法后污渍瑕疵光谱的曲线形状、波峰波谷位置及强度等；
将经过预处理的面板像元集光谱数据进行包络线相除法，记录经过包络线相除法后的面板光谱的曲线形状、波峰波谷位置及强度。
5.如权利要求1所述一种基于高光谱遥感的手机面板质量检测方法，其特征在于：步骤5的具体实现方式是：
将获得的经过包络线相除法的污渍瑕疵混合像元集光谱曲线和面板像元集光谱曲线按照对应的波段叠加一起，并对比污渍瑕疵混合像元集光谱曲线与面板像元集光谱曲线形状特征，将污渍瑕疵混合像元集中与面板像元集具有相同光谱曲线形状特征的样本提取出来标记为瑕疵类，将具有不同光谱曲线形状特征的提出并归为污渍类。
6.如权利要求1所述一种基于高光谱遥感的手机面板质量检测方法，其特征在于：步骤6的具体实现方式是：
设定指纹类距离指数K、清洁剂类距离指数M、胶质物质类距离指数N和灰尘类距离指数L，首先将步骤5统计得到的污渍类样本的光谱曲线带入指纹类距离指数K计算，将符合条件的污渍划分为指纹类别污渍；接着将剩余样本带入清洁剂类距离指数M计算，将符合条件的污渍划分为清洁剂类别污渍；再将剩余样本带入胶质物质类距离指数N计算，将符合条件的污渍划分为胶质类别污渍；最后将剩余样本带入灰尘类距离指数L计算，将符合条件的污渍划分为灰尘类别的污渍，剩余未分类的污渍归纳为其他，最终分成清洁剂、指纹、灰尘、胶质物质以及其他，实现污渍分类检测。
CN202310579671.7A 2023-05-23 2023-05-23 一种基于高光谱遥感的手机面板质量检测方法 Active CN116297497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310579671.7A CN116297497B (zh) 2023-05-23 2023-05-23 一种基于高光谱遥感的手机面板质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310579671.7A CN116297497B (zh) 2023-05-23 2023-05-23 一种基于高光谱遥感的手机面板质量检测方法

Publications (2)

Publication Number Publication Date
CN116297497A CN116297497A (zh) 2023-06-23
CN116297497B true CN116297497B (zh) 2023-08-15

Family

ID=86818907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310579671.7A Active CN116297497B (zh) 2023-05-23 2023-05-23 一种基于高光谱遥感的手机面板质量检测方法

Country Status (1)

Country Link
CN (1) CN116297497B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016043397A1 (ko) * 2014-09-16 2016-03-24 한화테크윈 주식회사 초분광영상화 기법을 이용한 글라스 결함 검출 방법 및 장치
CN106989905A (zh) * 2017-05-05 2017-07-28 安徽谱泉光谱科技有限公司 一种发光面板多功能检测方法及设备
CN110503029A (zh) * 2019-08-21 2019-11-26 云南电网有限责任公司电力科学研究院 一种输电线路玻璃绝缘子状态的检测方法
KR102175194B1 (ko) * 2020-08-19 2020-11-05 인제대학교 산학협력단 초분광 영상을 활용한 하천수 혼합 유해화학물질 표준 분광라이브러리 구축을 위한 장치 및 방법
CN112766227A (zh) * 2021-02-04 2021-05-07 中国地质调查局武汉地质调查中心 一种高光谱遥感影像分类方法、装置、设备及存储介质
CN113591775A (zh) * 2021-08-11 2021-11-02 武汉工程大学 一种结合高光谱特征的多光谱遥感影像特定地物提取方法
CN114972879A (zh) * 2022-06-14 2022-08-30 燕山大学 一种基于机器学习的绿潮面积遥感监测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8035812B2 (en) * 2009-03-24 2011-10-11 Qualcomm Mems Technologies, Inc. System and method for measuring display quality with a hyperspectral imager
CN105976310B (zh) * 2016-05-04 2018-01-12 山东大学 一种基于分块的vca端元提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016043397A1 (ko) * 2014-09-16 2016-03-24 한화테크윈 주식회사 초분광영상화 기법을 이용한 글라스 결함 검출 방법 및 장치
CN106989905A (zh) * 2017-05-05 2017-07-28 安徽谱泉光谱科技有限公司 一种发光面板多功能检测方法及设备
CN110503029A (zh) * 2019-08-21 2019-11-26 云南电网有限责任公司电力科学研究院 一种输电线路玻璃绝缘子状态的检测方法
KR102175194B1 (ko) * 2020-08-19 2020-11-05 인제대학교 산학협력단 초분광 영상을 활용한 하천수 혼합 유해화학물질 표준 분광라이브러리 구축을 위한 장치 및 방법
CN112766227A (zh) * 2021-02-04 2021-05-07 中国地质调查局武汉地质调查中心 一种高光谱遥感影像分类方法、装置、设备及存储介质
CN113591775A (zh) * 2021-08-11 2021-11-02 武汉工程大学 一种结合高光谱特征的多光谱遥感影像特定地物提取方法
CN114972879A (zh) * 2022-06-14 2022-08-30 燕山大学 一种基于机器学习的绿潮面积遥感监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔺昊宇等.利用ICESat-2 ATLAS & JL-1 反演输电线走廊附近森林冠层高度.《应用科学学报》.2022,第40卷(第5期),第809-819页. *

Also Published As

Publication number Publication date
CN116297497A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN109269951B (zh) 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法
JP5351673B2 (ja) 外観検査装置、外観検査方法
CN114757900B (zh) 基于人工智能的纺织品缺陷类型识别方法
CN105891233A (zh) 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法
CN108355981A (zh) 一种基于机器视觉的电池连接器质量检测方法
CN109540831B (zh) 基于高光谱成像技术的枸杞子品种识别方法
JPH09512342A (ja) 半透明物体の表面特徴を検出する方法及び装置
CN101692052B (zh) 基于超光谱图像技术的名优茶真伪鉴别方法及装置
KR102003781B1 (ko) 초분광영상화 기법을 이용한 글라스(Glass) 결함 검출 장치
CN102288613A (zh) 一种灰度和深度信息融合的表面缺陷检测方法
CN107016394B (zh) 一种交叉纤维特征点匹配方法
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和系统
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
CN113344903A (zh) 一种基于变分自编码器的玻璃瑕疵检测方法
Gao et al. A novel VBM framework of fiber recognition based on image segmentation and DCNN
CN111122590A (zh) 一种陶瓷表面缺陷检测装置及检测方法
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN116563237B (zh) 一种基于深度学习的鸡胴体缺陷高光谱图像检测方法
CN111879789A (zh) 金属表面缺陷检测方法及系统
CA3095089A1 (fr) Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique
CN117934471B (zh) 一种对胶体金检测结果图的图像数字化分析方法
CN116297497B (zh) 一种基于高光谱遥感的手机面板质量检测方法
Tian et al. Detection of early bruises on apples using near‐infrared camera imaging technology combined with adaptive threshold segmentation algorithm
CN109682821A (zh) 一种基于多尺度高斯函数的柑橘表面缺陷检测方法
CN112858311A (zh) 一种基于机器视觉技术的稻米表型监测系统及方法

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
GR01 Patent grant
GR01 Patent grant