CN116503340A - 一种micro oled面板缺陷检测方法、装置以及设备 - Google Patents

一种micro oled面板缺陷检测方法、装置以及设备 Download PDF

Info

Publication number
CN116503340A
CN116503340A CN202310394015.XA CN202310394015A CN116503340A CN 116503340 A CN116503340 A CN 116503340A CN 202310394015 A CN202310394015 A CN 202310394015A CN 116503340 A CN116503340 A CN 116503340A
Authority
CN
China
Prior art keywords
image
defect
preprocessed
area
region
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
Application number
CN202310394015.XA
Other languages
English (en)
Inventor
林志阳
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.)
Xiamen Teyi Technology Co ltd
Original Assignee
Xiamen Teyi Technology Co ltd
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 Xiamen Teyi Technology Co ltd filed Critical Xiamen Teyi Technology Co ltd
Priority to CN202310394015.XA priority Critical patent/CN116503340A/zh
Publication of CN116503340A publication Critical patent/CN116503340A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Electroluminescent Light Sources (AREA)

Abstract

本发明公开了一种microoled面板缺陷检测方法、装置及设备，其包括：采集晶圆图像，对所述晶圆图像进行预处理，得到预处理图像；对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像；获取训练数据图像集，将所述训练数据图像集输入预先构建的DenseNet网络并基于预设损失函数进行训练，得到缺陷检测模型，其中，所述训练数据图像集包括所述缺陷图像以及非缺陷图像；将所获取的待处理图像输入至所述缺陷检测模型进行缺陷识别，得到具有缺陷类型的检测结果。能够提高检测的准确性和检测效率，从而提高面板检测的一致性。

Description

一种micro oled面板缺陷检测方法、装置以及设备
技术领域
本发明涉及Micro OLED制造技术领域，尤其涉及一种micro oled面板缺陷检测方法、装置以及设备。
背景技术
Micro OLED是将OLED附着于单晶硅晶圆上，而非玻璃基板上，相对于OLED面板具有更高的像素密度比，还具有面板体积更小、厚度更薄、功耗更低的特点。Micro OLED面板作为新一代的面板，具有广阔的市场。由于Micro OLED面板的制备过程比较复杂，最终得到的面板难免会有缺陷，因此对生产线上的Micro OLED面板进行检测是一项重要的流程，是提升产品良率和质量的保证。目前Micro OLED显示器的缺陷检测都是采用人工方式进行的，通常检测人员使用显微镜放大图像，通过人工观察的方式来判定缺陷。这种方式耗费人力且检验效率低，而检验过程容易受检测人员的主观等影响较大，导致检验一致性较差。
发明内容
有鉴于此，本发明的目的在于提出一种micro oled面板缺陷检测方法、装置以及设备，旨在解决通过人工检测的方式耗时耗力、准确度低等问题。
为实现上述目的，本发明提供一种micro oled面板缺陷检测方法，所述方法包括：
采集晶圆图像，对所述晶圆图像进行预处理，得到预处理图像；
对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像；
获取训练数据图像集，将所述训练数据图像集输入预先构建的DenseNet网络并基于预设损失函数进行训练，得到缺陷检测模型，其中，所述训练数据图像集包括所述缺陷图像以及非缺陷图像；
将所获取的待处理图像输入至所述缺陷检测模型进行缺陷识别，得到具有缺陷类型的检测结果。
优选的，在所述对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像之前，包括：
分别对所述预处理图像进行均值滤波以及中值滤波，对应得到第一图像以及第二图像；
将所述第一图像的像素值减去所述第二图像的像素值，得到第三图像；
将所述第二图像的像素值减去所述第一图像的像素值，得到第四图像。
优选的，所述缺陷类型包括亮点缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
根据第一阈值对所述第三图像进行阈值化处理，得到第一二值图；
对所述第一二值图进行连通区域计算，并根据第一预设条件进行过滤，得到亮点区域；
计算所述亮点区域的平均灰度值，当平均灰度值大于第一灰度值时，判断所述预处理图像对应的区域包含所述亮点缺陷。
优选的，所述缺陷类型包括暗点缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
根据第二阈值对所述第四图像进行阈值化处理，得到第二二值图；
对所述第二二值图进行连通区域计算，并根据第二预设条件对进行过滤，得到暗点区域；
计算所述暗点区域的平均灰度值，当平均灰度值大于第二灰度值时，判断所述预处理图像对应的区域包含所述暗点缺陷。
优选的，所述缺陷类型包括线缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
根据第三阈值对所述第三图像进行阈值化处理，得到第三二值图；
对所述第三二值图进行连通区域计算，并根据第三预设条件进行过滤，得到第一连通区域；
将所述第一连通区域进行拟合得到直线，计算所述第一连通区域的边缘点到直线距离的标准差，当标准差小于第一预设值时，则标记为第二连通区域；
当每两条所述第二连通区域的斜率满足条件时，将两条所述第二连通区域进行合并，得到第三连通区域；
计算所述第三连通区域的长度，当长度大于第二预设值时，判断所述预处理图像对应的区域包含所述线缺陷。
优选的，所述缺陷类型包括块状mura缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
通过自适应直方图均衡化对所述预处理图像进行图像增强处理，得到第五图像；
对所述第五图像进行均值滤波后进行下采样处理，得到第六图像；
分别对所述第六图像进行均值滤波以及中值滤波，对应得到第七图像和第八图像；
将所述第七图像的像素值减去所述第八图像的像素值，得到第九图像；
根据第四阈值对所述第九图像进行阈值化处理，得到第四二值图；
对所述第四二值图进行连通区域计算，得到第一区域；
根据第四预设条件对所述第一区域进行过滤，当提取得到的第四连通区域满足条件时，判断所述预处理图像对应的区域包含所述块状mura缺陷。
优选的，所述缺陷类型包括线性mura缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
对所述第一区域进行霍夫拟合处理，得到第二区域；
计算所述第二区域的长度，当长度大于第三预设值时，判断所述预处理图像对应的区域包含所述线性mura缺陷。
为实现上述目的，本发明还提供一种micro oled面板缺陷检测装置，所述装置包括：
预处理单元，用于采集晶圆图像，对所述晶圆图像进行预处理，得到预处理图像；
类型识别单元，用于对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像；
模型训练单元，用于获取训练数据图像集，将所述训练数据图像集输入预先构建的DenseNet网络并基于预设损失函数进行训练，得到缺陷检测模型，其中，所述训练数据图像集包括所述缺陷图像以及非缺陷图像；
缺陷检测单元，用于将所获取的待处理图像输入至所述缺陷检测模型进行缺陷识别，得到具有缺陷类型的检测结果。
为了实现上述目的，本发明还提出一种micro oled面板缺陷检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如上述实施例所述的一种micro oled面板缺陷检测方法的步骤。
为了实现上述目的，本发明还提出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，所述计算机程序被处理器执行以实现如上述实施例所述的一种micro oled面板缺陷检测方法的步骤。
有益效果：
以上方案，通过基于DenseNet网络所构建的模型对缺陷类型进行分类，以通过训练得到的缺陷检测模型对面板画面的缺陷进行识别检测，输出缺陷类型的检测结果能够提高检测的准确性和检测效率，从而提高面板检测的一致性。
以上方案，通过对灰度化的图像采用连通区域计算进行缺陷的局部提取和对应缺陷的判定方式，能够简化计算过程，提高检测效率和准确率。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种micro oled面板缺陷检测方法的流程示意图。
图2为本发明一实施例提供的采集屏幕的晶圆图像示意图。
图3为本发明一实施例提供的所提取的待检测区域的图像示意图。
图4为本发明一实施例提供的用于训练的局部缺陷图像和非缺陷图像示意图。
图5为本发明一实施例提供的检测结果示意图。
图6为本发明一实施例提供的一种micro oled面板缺陷检测装置的结构示意图。
发明目的的实现、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
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
以下结合实施例详细阐述本发明的内容。
参照图1所示为本发明另一实施例提供的一种micro oled面板缺陷检测方法的流程示意图。
本实施例中，该方法包括：
S11，采集晶圆图像，对所述晶圆图像进行预处理，得到预处理图像。
在本实施例中，如图2所示，对相机采集到的屏幕的晶圆图像计算晶圆图像检测区域的4个角点，根据角点位置计算检测区域的中心位置以及角度，进行旋转变换以及对感兴趣区域的提取得到待检测区域的图像P，如图3所示；对图像P进行均值滤波，然后进行下采样，得到图像T；其中，下采样中设置采样后的图像T的宽、高分别是图像P的1/2。
S12，对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像；其中，所述缺陷类型包括亮点缺陷、暗点缺陷、线缺陷、块状mura缺陷以及线性mura缺陷。
进一步的，所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
分别对所述预处理图像进行均值滤波以及中值滤波，对应得到第一图像以及第二图像；
将所述第一图像的像素值减去所述第二图像的像素值，得到第三图像；
根据第一阈值对所述第三图像进行阈值化处理，得到第一二值图；
对所述第一二值图进行连通区域计算，并根据第一预设条件进行过滤，得到亮点区域；
计算所述亮点区域的平均灰度值，当平均灰度值大于第一灰度值时，初步判断该区域存在亮度缺陷，提取对应的局部图。
在本实施例中，提取对应亮点缺陷的缺陷图像的过程包括：
对图像T进行均值滤波，得到图像M1；
对图像T进行中值滤波，得到图像M2；
用M1图像的像素值减去M2图像的像素值，得到图像M3；
对图像M3采用阈值μ1进行阈值化，得到二值图B1；
对二值图B1进行连通区域计算，得到若干联通区域A1；
根据面积、区域的长宽比条件对连通区域A1过滤出亮点区域A11；
计算亮点区域A11中的平均灰度值gray(A11)，如果该平均灰度值gray(A11)大于阈值gray1，则初步判定亮点区域A11存在亮点缺陷，进而根据亮点区域A11的位置提取原始图像中的局部缺陷图像I1。其中，阈值μ1的取值范围在3-20之间，优选的，μ1取值为3，是差分运算后的阈值，该阈值μ1是根据实际拍摄的图片多次进行试验后确定出合适的阈值。上述的面积、区域的长宽比条件为长宽比<3,面积>5且面积小于100，优选的，阈值gray1的取值为200。根据以下公式计算亮点区域A11中的平均灰度值gray(A11)：
式中f(x,y)为图像T中亮点区域A11的像素点坐标(x,y)的灰度值。
进一步的，所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
分别对所述预处理图像进行均值滤波以及中值滤波，对应得到第一图像以及第二图像；
将所述第二图像的像素值减去所述第一图像的像素值，得到第四图像。
根据第二阈值对所述第四图像进行阈值化处理，得到第二二值图；
对所述第二二值图进行连通区域计算，并根据第二预设条件对进行过滤，得到暗点区域；
计算所述暗点区域的平均灰度值，当平均灰度值大于第二灰度值时，确定所述预处理图像包含所述暗点缺陷。
在本实施例中，提取对应暗点缺陷的缺陷图像的过程包括：
对图像T进行均值滤波，得到图像M1；对图像T进行中值滤波，得到图像M2；
用M2图像的像素值减去M1图像的像素值，得到图像M4；
对图像M4采用阈值μ2进行阈值化，得到二值图B2；
对二值图B2进行行连通区域计算，得到若干联通区域A2；
根据面积、区域的长宽比条件对连通区域A2过滤出暗点区域A21；
计算暗点区域A21中的平均灰度值gray(A21)，如果该平均灰度值gray(A21)大于阈值gray2，则判定暗点区域A21存在暗点缺陷，进而根据暗点区域A21的位置提取原始图像中的局部缺陷图像I2。其中，阈值μ2的取值取值范围在3-20之间，优选的，μ2取值为5，是差分运算后的阈值，该阈值μ2是根据实际拍摄的图片多次进行试验后确定出合适的阈值。上述的面积、区域的长宽比条件为长宽比<3,面积>5且面积小于100，优选的，阈值gray2的取值为80。计算暗点区域A21中的平均灰度值gray(A21)与上述计算亮点区域A11中的平均灰度值gray(A11)的计算方式相同。
进一步的，所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
根据第三阈值对所述第三图像进行阈值化处理，得到第三二值图；
对所述第三二值图进行连通区域计算，并根据第三预设条件进行过滤，得到第一连通区域；
将所述第一连通区域进行拟合得到直线，计算所述第一连通区域的边缘点到直线距离的标准差，当标准差小于第一预设值时，则标记为第二连通区域；
当每两条所述第二连通区域的斜率满足条件时，将两条所述第二连通区域进行合并，得到第三连通区域；
计算所述第三连通区域的长度，当长度大于第二预设值时，初步判断该区域存在线缺陷，提取对应的局部图。在本实施例中，提取对应线缺陷的缺陷图像的过程包括：
对图像T进行均值滤波，得到图像M1；对图像T进行中值滤波，得到图像M2；
用M1图像的像素值减去M2图像的像素值，得到图像M3；
对图像M3采用阈值μ3进行阈值化，得到二值图B；其中，阈值μ3的取值范围在3-20之间，优选的，阈值μ3取值为5；
对二值图B计算连通区域D；并根据面积条件过滤出连通区域D1；
将连通区域D1进行拟合得到直线，计算连通区域D1的边缘点到直线距离的标准差，若标准差小于设定阈值L1，则标记其为连通区域D2；其中，标准差阈值L1取值为3。
其中，根据以下公式将连通区域D1进行拟合得到直线：
其中，xi、yi为第i个边缘点的X轴坐标和Y轴坐标，n为边缘点个数。
根据以下公式计算连通区域D1的边缘点到直线距离的标准差：
其中，Lk为第k个边缘点到拟合直线的距离，n为边缘点个数。
将得到的连通区域D2之间进行斜率的判定，当两条连通区域D2的斜率一致、并且比较靠近，则将其合并为一条连通区域D3；
计算连通区域D3的长度，若该长度大于阈值L2，则判定该连通区域D3存在线缺陷；其中，阈值L2的取值为100；
根据连通区域D3的位置提取原始图像中的局部缺陷图像I3。
进一步的，所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
通过自适应直方图均衡化对所述预处理图像进行图像增强处理，得到第五图像；
对所述第五图像进行均值滤波后进行下采样处理，得到第六图像；
分别对所述第六图像进行均值滤波以及中值滤波，对应得到第七图像和第八图像；
将所述第七图像的像素值减去所述第八图像的像素值，得到第九图像；
根据第四阈值对所述第九图像进行阈值化处理，得到第四二值图；
对所述第四二值图进行连通区域计算，得到第一区域；
根据第四预设条件对所述第一区域进行过滤，当提取得到的第四连通区域满足条件时，初步判断该区域存在块状mura缺陷，提取对应的局部图I4。
更进一步的，所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
对所述第一区域进行霍夫拟合处理，得到第二区域；
计算所述第二区域的长度，当长度大于第三预设值时，确定所述预处理图像包含所述线性mura缺陷。
在本实施例中，提取对应mura缺陷的缺陷图像的过程包括：
通过自适应直方图均衡化对图像P进行图像增强，得到图像H；
对图像H进行均值滤波，然后进行下采样，得到图像T1；
其中，下采样中设置采样后的图像T1的宽、高分别是图像P的1/6；
对图像T1进行均值滤波，得到图像M11；
对图像T1进行中值滤波，得到图像M12；
用M11减去M12得到图像M13；
对图像M13采用阈值μ4进行阈值化，得到二值图E；
对二值图E计算连通区域E1；
对连通区域E1根据面积大于阈值S1且长宽比<阈值R1的条件，提取连通区域E2；则判定连通区域E2存在块状Mura缺陷，进而根据连通区域E2的位置提取原始图像中的局部缺陷图像I5；其中阈值S1取值为500，阈值R1取值为3，该值可根据实际的质检要求调整。
对连通区域E1进行霍夫拟合，得到连通区域E3；
计算连通区域E3的长度，若长度大于阈值L7，则判定连通区域E3存在线性Mura缺陷，进而根据连通区域E3的位置提取原始图像的局部缺陷图像I5；其中阈值L7的取值为300。
上述步骤中的霍夫拟合运算为：
H(rho+row,theta)+＝1
其中，H()为图像的极坐标空间；row为图像的宽；theta为0°到180°；floor()为取整函数，返回不大于参数的最大整数值；i为从0到图像的总行数，j为从0到图像的总列数。
S13，获取训练数据图像集，将所述训练数据图像集输入预先构建的DenseNet网络并基于预设损失函数进行训练，得到缺陷检测模型，其中，所述训练数据图像集包括所述缺陷图像以及非缺陷图像；
S14，将所获取的待处理图像输入至所述缺陷检测模型进行缺陷识别，得到具有缺陷类型的检测结果。
在本实施例中，参照图4所示，图4中的(1)-(3)为非缺陷图像(包含脏污的图像)、(4)-(9)缺陷图像；其中(4)为亮点缺陷图像、(5)为暗点缺陷图像、(6)为线缺陷图像、(7)、(8)mura块状缺陷图像、(9)mura线缺陷图像，训练数据图像集包括缺陷图像以及非缺陷图像，而非缺陷图像为含灰尘或者异物的图像，将非缺陷图像按照I0以及上述提取的局部缺陷图像按照I1-I5进行标注，按照比例为6:2:2分为训练样本、验证样本和测试样本。使用DenseNet网络对样本进行训练，其中训练参数有：学习率为0.01，批次大小为128，优化器为SGD，迭代次数为20，损失函数为交叉熵损失函数，最终保存损失函数计算的最低值相对应的缺陷检测模型。进而，通过获取的待处理图像输入训练完成的缺陷检测模型进行预测，得到上述各分类对应的得分，分类最高的类型即为预测结果，如图5所示的检测结果示意图。本方案通过采用数字图像处理以提取缺陷的局部图，再利用深度学习模型进行缺陷检测分类，预处理后的局部图数据量较小且更好的保留了缺陷的细节，从而在micro oled显示屏缺陷检测中准确率更高；并且，所采用的DenseNet改变了传统神经网络中每层只和下一层连接的方式，将每一层与其余层进行密集连接，以期望各层的信息流动达到最大，具有密集shortcut连接，特征重用的特点，在较小的数据集的情况下能更好的解决过拟合的问题，也即通过使用DenseNet网络实现缺陷分类，能够提高检测的准确性。
参照图6所示为本发明另一实施例提供的一种micro oled面板缺陷检测装置的结构示意图。
在本实施例中，该装置60包括：
预处理单元61，用于采集晶圆图像，对所述晶圆图像进行预处理，得到预处理图像；
类型识别单元62，用于对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像；
模型训练单元63，用于获取训练数据图像集，将所述训练数据图像集输入预先构建的DenseNet网络并基于预设损失函数进行训练，得到缺陷检测模型，其中，所述训练数据图像集包括所述缺陷图像以及非缺陷图像；
缺陷检测单元64，用于将所获取的待处理图像输入至所述缺陷检测模型进行缺陷识别，得到具有缺陷类型的检测结果。
该装置60的各个单元模块可分别执行上述micro oled面板缺陷检测方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明实施例还提供一种micro oled面板缺陷检测设备，该设备包括如上所述的micro oled面板缺陷检测装置，其中，micro oled面板缺陷检测装置可以采用图6实施例的结构，其对应地，可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，详细可以参见上述实施例中的相关记载，此处不再赘述。
该设备包括：手机、数码相机或平板电脑等具有拍照功能的设备，或者具有图像处理功能的设备，或者具有图像显示功能的设备。所述设备可包括存储器、处理器、输入单元、显示单元、电源等部件。
其中，存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如图像播放功能等)等；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器和输入单元对存储器的访问。
输入单元可用于接收输入的数字或字符或图像信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，本实施例的输入单元除了包括摄像头，还可包括触敏表面(例如触摸显示屏)以及其他输入设备。
显示单元可用于显示由用户输入的信息或提供给用户的信息以及设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元可包括显示面板，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器以确定触摸事件的类型，随后处理器根据触摸事件的类型在显示面板上提供相应的视觉输出。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现图1所示的micro oled面板缺陷检测方法。所述计算机可读存储介质可以是只读存储器，磁盘或光盘等。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例、设备实施例及存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
并且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种microoled面板缺陷检测方法，其特征在于，所述方法包括：
采集晶圆图像，对所述晶圆图像进行预处理，得到预处理图像；
对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像；
获取训练数据图像集，将所述训练数据图像集输入预先构建的DenseNet网络并基于预设损失函数进行训练，得到缺陷检测模型，其中，所述训练数据图像集包括所述缺陷图像以及非缺陷图像；
将所获取的待处理图像输入至所述缺陷检测模型进行缺陷识别，得到具有缺陷类型的检测结果。
2.根据权利要求1所述的一种microoled面板缺陷检测方法，其特征在于，在所述对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像之前，包括：
分别对所述预处理图像进行均值滤波以及中值滤波，对应得到第一图像以及第二图像；
将所述第一图像的像素值减去所述第二图像的像素值，得到第三图像；
将所述第二图像的像素值减去所述第一图像的像素值，得到第四图像。
3.根据权利要求2所述的一种microoled面板缺陷检测方法，其特征在于，所述缺陷类型包括亮点缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
根据第一阈值对所述第三图像进行阈值化处理，得到第一二值图；
对所述第一二值图进行连通区域计算，并根据第一预设条件进行过滤，得到亮点区域；
计算所述亮点区域的平均灰度值，当平均灰度值大于第一灰度值时，判断所述预处理图像对应的区域包含所述亮点缺陷。
4.根据权利要求2所述的一种microoled面板缺陷检测方法，其特征在于，所述缺陷类型包括暗点缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
根据第二阈值对所述第四图像进行阈值化处理，得到第二二值图；
对所述第二二值图进行连通区域计算，并根据第二预设条件对进行过滤，得到暗点区域；
计算所述暗点区域的平均灰度值，当平均灰度值大于第二灰度值时，判断所述预处理图像对应的区域包含所述暗点缺陷。
5.根据权利要求2所述的一种microoled面板缺陷检测方法，其特征在于，所述缺陷类型包括线缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
根据第三阈值对所述第三图像进行阈值化处理，得到第三二值图；
对所述第三二值图进行连通区域计算，并根据第三预设条件进行过滤，得到第一连通区域；
将所述第一连通区域进行拟合得到直线，计算所述第一连通区域的边缘点到直线距离的标准差，当标准差小于第一预设值时，则标记为第二连通区域；
当每两条所述第二连通区域的斜率满足条件时，将两条所述第二连通区域进行合并，得到第三连通区域；
计算所述第三连通区域的长度，当长度大于第二预设值时，判断所述预处理图像对应的区域包含所述线缺陷。
6.根据权利要求1所述的一种microoled面板缺陷检测方法，其特征在于，所述缺陷类型包括块状mura缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
通过自适应直方图均衡化对所述预处理图像进行图像增强处理，得到第五图像；
对所述第五图像进行均值滤波后进行下采样处理，得到第六图像；
分别对所述第六图像进行均值滤波以及中值滤波，对应得到第七图像和第八图像；
将所述第七图像的像素值减去所述第八图像的像素值，得到第九图像；
根据第四阈值对所述第九图像进行阈值化处理，得到第四二值图；
对所述第四二值图进行连通区域计算，得到第一区域；
根据第四预设条件对所述第一区域进行过滤，当提取得到的第四连通区域满足条件时，判断所述预处理图像对应的区域包含所述块状mura缺陷。
7.根据权利要求6所述的一种microoled面板缺陷检测方法，其特征在于，所述缺陷类型包括线性mura缺陷；所述对所述预处理图像进行目标区域的缺陷类型识别，包括：
对所述第一区域进行霍夫拟合处理，得到第二区域；
计算所述第二区域的长度，当长度大于第三预设值时，判断所述预处理图像对应的区域包含所述线性mura缺陷。
8.一种microoled面板缺陷检测装置，其特征在于，所述装置包括：
预处理单元，用于采集晶圆图像，对所述晶圆图像进行预处理，得到预处理图像；
类型识别单元，用于对所述预处理图像进行目标区域的缺陷类型识别，得到对应所述缺陷类型的缺陷图像；
模型训练单元，用于获取训练数据图像集，将所述训练数据图像集输入预先构建的DenseNet网络并基于预设损失函数进行训练，得到缺陷检测模型，其中，所述训练数据图像集包括所述缺陷图像以及非缺陷图像；
缺陷检测单元，用于将所获取的待处理图像输入至所述缺陷检测模型进行缺陷识别，得到具有缺陷类型的检测结果。
9.一种microoled面板缺陷检测设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如权利要求1至7任意一项所述的一种microoled面板缺陷检测方法的步骤。
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，所述计算机程序被处理器执行以实现如权利要求1至7任意一项所述的一种microoled面板缺陷检测方法的步骤。
CN202310394015.XA 2023-04-13 2023-04-13 一种micro oled面板缺陷检测方法、装置以及设备 Pending CN116503340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310394015.XA CN116503340A (zh) 2023-04-13 2023-04-13 一种micro oled面板缺陷检测方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310394015.XA CN116503340A (zh) 2023-04-13 2023-04-13 一种micro oled面板缺陷检测方法、装置以及设备

Publications (1)

Publication Number Publication Date
CN116503340A true CN116503340A (zh) 2023-07-28

Family

ID=87321027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310394015.XA Pending CN116503340A (zh) 2023-04-13 2023-04-13 一种micro oled面板缺陷检测方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN116503340A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058150A (zh) * 2023-10-12 2023-11-14 深圳市信润富联数字科技有限公司 灯珠缺陷的检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058150A (zh) * 2023-10-12 2023-11-14 深圳市信润富联数字科技有限公司 灯珠缺陷的检测方法及装置
CN117058150B (zh) * 2023-10-12 2024-01-12 深圳市信润富联数字科技有限公司 灯珠缺陷的检测方法及装置

Similar Documents

Publication Publication Date Title
CN107845087B (zh) 液晶面板亮度不均匀缺陷的检测方法和系统
CN113688807B (zh) 一种自适应缺陷检测方法、装置、识别系统及存储介质
WO2021143343A1 (zh) 一种产品质量检测方法及装置
CN109683360B (zh) 液晶面板缺陷检测方法及装置
CN111080622A (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN110927171A (zh) 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN108961230B (zh) 结构表面裂缝特征的识别与提取方法
JP4597155B2 (ja) データ処理装置、およびデータ処理方法
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN114910480A (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
TW202127372A (zh) 瑕疵等級判定的方法及存儲介質
CN114743102A (zh) 一种面向家具板材的瑕疵检测方法、系统及装置
CN108445010A (zh) 自动光学检测方法及装置
CN116503340A (zh) 一种micro oled面板缺陷检测方法、装置以及设备
CN110781913A (zh) 一种拉链布带缺陷检测方法
CN112837308A (zh) 一种建筑裂缝检测方法、装置、设备及存储介质
CN114627089A (zh) 缺陷识别方法、装置、计算机设备及计算机可读存储介质
CN107610119A (zh) 基于直方图分解的带钢表面缺陷精准检测方法
CN114255212A (zh) 一种基于cnn的fpc表面缺陷检测方法及其系统
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN117611551B (zh) 基于物联网的显示屏异常检测方法及系统
CN116542967B (zh) 一种锂电池极柱缺陷的检测方法、装置以及设备
Deng et al. A new measuring method of wool fiber diameter based on image processing

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