CN116664566B - 一种oled面板丝印质量控制方法及系统及装置及介质 - Google Patents
一种oled面板丝印质量控制方法及系统及装置及介质 Download PDFInfo
- Publication number
- CN116664566B CN116664566B CN202310937986.4A CN202310937986A CN116664566B CN 116664566 B CN116664566 B CN 116664566B CN 202310937986 A CN202310937986 A CN 202310937986A CN 116664566 B CN116664566 B CN 116664566B
- Authority
- CN
- China
- Prior art keywords
- panel
- screen
- silk
- image
- data
- 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
- 238000007650 screen-printing Methods 0.000 title claims abstract description 113
- 238000003908 quality control method Methods 0.000 title claims abstract description 28
- 238000004806 packaging method and process Methods 0.000 claims abstract description 62
- 230000007547 defect Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000005452 bending Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 13
- 239000000853 adhesive Substances 0.000 abstract description 7
- 230000001070 adhesive effect Effects 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 7
- 239000000758 substrate Substances 0.000 abstract description 6
- 239000003292 glue Substances 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000005538 encapsulation Methods 0.000 description 9
- 239000011120 plywood Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Electroluminescent Light Sources (AREA)
Abstract
本发明公开了一种OLED面板丝印质量控制方法及系统及装置及介质,涉及面板质量控制技术领域,本发明提供的一个或多个技术方案建立并训练了深度学习网络模型,通过训练后的深度学习网络模型完成对面板封装丝印区域的自动识别以及宽度测量,获得了OLED待检测面板的封装粘接比,降低了面板丝印线宽的人工测量误差,提高了检测效率;同时,本发明提供的技术方案对根据丝印区域轮廓获得对应的凸包,并根据所述凸包计算丝印区域边缘的锯齿大小,能够准确的检出OLED面板可能存在的封装胶不良和/或衬底材料质量不良缺陷,进一步增强了对OLED面板的丝印质量控制强度,保证了OLED面板的封装质量。
Description
技术领域
本发明涉及面板质量控制技术领域,具体地,涉及一种OLED面板丝印质量控制方法及系统及装置及介质。
背景技术
有机电致发光器件(Organic Light-Emitting Diode,OLED)具有功耗低、响应速度快、视角宽度大以及适用于柔性显示的优点,在面板显示领域得到了广泛的应用。OLED面板是由有机半导体材料和发光材料在电场驱动下,通过载流子注入和复合实现发光的,而有机半导体材料对水蒸气和氧气非常敏感,渗透进入OLED面板内部的水蒸气和氧气是影响器件寿命的主要因素。对OELD面板进行有效的封装能够隔绝水蒸气以及氧气的影响,使OLED面板的使用寿命延长20倍,因此,OLED面板的封装质量控制非常重要,需要在规定位置丝印OLED封装胶(OLED Frit Seal),合板后对所述OLED封装胶进行固化处理,完成面板封装作业。为了准确评价OLED面板质量,需要通过丝印粘接比进行评价OLED面板的封装质量,现有技术中通常需要人工首先对合板前后的OLED封装胶丝印线宽进行测量,再经过计算得到用于评价OLED面板封装质量的封装丝印粘接比,然而,人工测量OLED面板丝印线宽所获得的结果误差较大,且需要耗费大量的人力成本以及时间成本。
发明内容
为了自动识别OLED面板丝印区域,并自动完成封装合板前后OLED面板丝印线宽的测量,得到OLED面板封装粘接比,获得准确的OLED面板丝印质量评价结果,本发明提供了一种OLED面板丝印质量控制方法,所述OLED面板丝印质量控制方法包括以下步骤:
采集标准面板图像,对所述标准面板图像中的丝印区域进行标注,获得训练样本;
建立深度学习网络模型,根据所述训练样本对所述深度学习网络模型进行训练,获得丝印检测模型,所述丝印检测模型用于识别面板图像中的丝印区域;
确定待检测面板,采集所述待检测面板封装前对应的第一面板图像,将所述第一面板图像输入所述丝印检测模型,获得第一数据,所述第一数据用于表示所述待检测面板封装前对应的丝印区域;
判断丝印方向,根据丝印方向和所述第一数据计算所述第一面板图像的第一丝印线宽;
采集所述待检测面板封装后对应的第二面板图像,将所述第二面板图像输入所述丝印检测模型,获得第二数据,所述第二数据用于表示所述待检测面板封装后对应的丝印区域;
判断丝印方向,根据丝印方向和所述第二数据计算所述第二面板图像的第二丝印线宽;
根据所述第一丝印线宽和所述第二丝印线宽进行计算,获得所述待检测面板的封装粘接比。
其中,本方法建立并训练了深度学习网络模型,通过训练后的模型完成对OLED面板的封装丝印区域识别及宽度测量,对OLED面板封装前后的丝印线宽进行计算获得了待检测OLED面板的封装粘接比,获得了准确的OLED面板丝印质量评价结果,降低了OLED面板丝印线宽的人工测量误差,提高了OLED面板的丝印质量检测效率以及检测结果的可靠性,有效降低了传统OLED面板质量控制过程中需要的人力成本以及时间成本。
进一步的,封装合板前对OLED面板上规定位置进行丝印涂胶后,面板丝印区域可能由于封装胶失效、丝印框板高度不匹配等原因出现缺胶、漏胶等缺陷,上述缺陷可能导致封装合板后OLED面板封装位置存在缺口,使水蒸气或氧气易于进入OLED面板内部,影响OLED面板使用寿命,因此,在封装合板前还需要对上述缺陷进行检测,获得OLED面板缺胶、漏胶区域,便于对缺陷区域进行补胶,获得所述第一数据后,所述OLED面板丝印质量控制方法还包括以下步骤:
对所述第一数据进行拟合,将所述第一数据对应的可能存在缺胶、漏胶缺陷的丝印区域拟合为无缺漏的规则形状,获得拟合图像,所述拟合图像用于描述所述待检测面板封装前丝印区域的整体形状;
根据所述第一数据对所述第一面板图像进行图像分割,获得第一丝印图像;
根据所述第一丝印图像和所述拟合图像进行计算,即对所述拟合图像和所述第一丝印图像作差,获得第一面板上实际丝印区域和标准丝印区域的差异位置,即丝印缺陷图像。
其中,获得丝印缺陷图像后,还需要根据检测到的实际缺陷位置和缺陷大小进行筛选,进一步确定面板丝印补胶位置,因此,获得丝印缺陷图像后还包括以下步骤:
对所述丝印缺陷图像进行滤波处理,获得第一图像;
检测所述第一图像中的连通区域,并分别计算所述第一图像中连通区域的面积,获得计算结果;
根据所述计算结果对所述第一图像中的连通区域进行筛选,获得第二图像;
分析所述第二图像,获得缺陷坐标。
进一步的,由于OLED材料具有适用于柔性显示的特点,对于应用于柔性屏幕的OLED面板还需要在完成封装后进行弯折测试,而弯折测试可能引入新的缺陷,影响OLED面板质量,为了准确定位OLED面板缺陷产生的原因,提高OLED面板质量控制的有效性,所述OLED面板丝印质量控制方法还包括以下步骤:
采集所述待检测面板弯折测试后对应的第三面板图像,将所述第三面板图像输入所述丝印检测模型,获得第三数据,所述第三数据用于表示所述待检测面板弯折测试后对应的丝印区域;
计算所述第二数据和所述第三数据的差,获得第四数据;
确定第一阈值,基于所述第一阈值和所述第四数据的大小关系判断所述待检测面板是否存在缺陷。
OLED面板封装质量还收封装胶质量以及面板衬底材料质量的影响,当封装胶质量以及面板衬底材料质量存在缺陷时,即使封装丝印粘接比合格,固化后的封装胶也存在较大的实现风险,表现为OLED面板丝印完成后,丝印区域边缘出现明显的锯齿,因此,为了准确识别面板丝印区域边缘的锯齿大小,并根据锯齿大小判断OLED面板丝印封装质量,获得所述第一数据后,所述OLED面板丝印质量控制方法还包括以下步骤:
根据所述第一数据对所述第一面板图像进行图像分割,获得第二丝印图像;
对所述第二丝印图像进行二值化处理,并提取处理后图像对应的轮廓;
分析所述轮廓,获得第五数据,所述第五数据用于描述第一面板图像丝印区域边缘的锯齿大小;
确定第二阈值,基于所述第二阈值和所述第五数据的大小关系判断所述待检测面板是否存在缺陷。
进一步的,为了准确获得第一面板图像丝印区域边缘的锯齿大小,分析所述轮廓,获得第五数据的具体方法为:
获得所述轮廓对应的若干拐点;
根据所述若干拐点计算对所述轮廓进行计算,获得所述轮廓对应的凸包;
分别计算所述轮廓对应的第一面积和所述凸包对应的第二面积,对所述第一面积和所述第二面积作差,获得第五数据。
进一步的,为了准确定位丝印缺陷常见位置,根据丝印缺陷的常见位置分析丝印缺陷成因,为OLED面板丝印制程管控提供参考,提高OLED面板的制程良率,获得丝印缺陷图像后还包括以下步骤:
建立特征提取模型,所述特征提取模型用于提取丝印缺陷图像的特征;
根据所述特征提取模型对所述丝印缺陷图像进行分析,获得分析结果。
为实现上述目的,本发明还提供了一种OLED面板丝印质量控制系统,所述OLED面板丝印质量控制系统包括:
图像采集单元,用于采集标准面板图像,对所述标准面板图像中的丝印区域进行标注,获得训练样本;确定待检测面板,采集所述待检测面板封装前对应的第一面板图像和所述待检测面板封装后对应的第二面板图像;
模型建设单元,用于建立深度学习网络模型,根据所述训练样本对所述深度学习网络模型进行训练,获得丝印检测模型,所述丝印检测模型用于识别面板图像中的丝印区域;
数据处理单元,用于将所述第一面板图像和所述第二面板图像输入所述丝印检测模型,分别获得第一数据和第二数据,其中,所述第一数据用于表示所述待检测面板封装前对应的丝印区域,所述第二数据用于表示所述待检测面板封装后对应的丝印区域;
质量检测单元,用于判断丝印方向,根据丝印方向对所述第一数据和所述第二数据进行计算,分别获得对应的第一丝印线宽和第二丝印线宽;根据所述第一丝印线宽和所述第二丝印线宽进行计算,获得所述待检测面板的封装粘接比。
为实现上述目的,本发明还提供了一种OLED面板丝印质量控制装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的任意一种OLED面板丝印质量控制方法。
为实现上述目的,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种OLED面板丝印质量控制方法。
本发明提供的一个或多个技术方案建立并训练了深度学习网络模型,通过训练后的深度学习网络模型完成对OLED面板封装丝印区域的自动识别以及宽度测量,根据待检测OLED面板封装前后的丝印线宽进行计算,获得了OLED待检测面板的封装粘接比,降低了面板丝印线宽的人工测量误差,提高了检测效率,获得了准确的OLED面板丝印质量评价结果;同时,本发明提供的技术方案对根据丝印区域轮廓获得对应的凸包,并根据所述凸包计算丝印区域边缘的锯齿大小,能够准确的检出OLED面板可能存在的封装胶不良和/或衬底材料质量不良缺陷,进一步增强了对OLED面板的丝印质量控制强度,保证了OLED面板封装质量。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1是本发明中OLED面板丝印质量控制方法流程示意图;
图2是本发明中OLED面板丝印质量控制系统架构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
请参考图1,本发明实施例一提供了一种OLED面板丝印质量控制方法,所述OLED面板丝印质量控制方法包括以下步骤:
采集标准面板图像,对所述标准面板图像中的丝印区域进行标注,获得训练样本;
建立深度学习网络模型,根据所述训练样本对所述深度学习网络模型进行训练,获得丝印检测模型,所述丝印检测模型用于识别面板图像中的丝印区域;
确定待检测面板,采集所述待检测面板封装前对应的第一面板图像,将所述第一面板图像输入所述丝印检测模型,获得第一数据,所述第一数据用于表示所述待检测面板封装前对应的丝印区域;
判断丝印方向,根据丝印方向和所述第一数据计算所述第一面板图像的第一丝印线宽;
采集所述待检测面板封装后对应的第二面板图像,将所述第二面板图像输入所述丝印检测模型,获得第二数据,所述第二数据用于表示所述待检测面板封装后对应的丝印区域;
判断丝印方向,根据丝印方向和所述第二数据计算所述第二面板图像的第二丝印线宽;
根据所述第一丝印线宽和所述第二丝印线宽进行计算,获得所述待检测面板的封装粘接比。
其中,所述深度学习网络模型可以为R-CNN模型、Faster-RCNN模型、YOLO模型或SegNet模型等,所述深度学习网络模型的具体种类根据实际需要确定,本实施例在此不做具体限定。
具体的,所述OLED面板丝印质量控制方法中,采集标准面板图像,对所述标准面板图像中的丝印区域进行mask打标,即标注所述标准面板图像中丝印区域轮廓,获得训练样本,为了保证对深度学习网络模型的训练效果,优选所述标准面板图像的数量为实际能够获得的标准面板图像最大值,为所述深度学习网络模型提供充分的训练样本;
将所述训练样本输入所述深度学习网络模型,所述深度学习网络模型提取训练样本的图像特征,通过图像特征与标签类型的训练学习图像特征与标签间的关系,获得丝印检测模型;
确定待检测面板后,首先采集所述待检测面板封装前对应的第一面板图像,将所述第一面板图像输入所述丝印检测模型,获得用于表示所述待检测面板封装前丝印区域的第一数据,所述第一数据表示所述第一面板图像中每个像素点属于丝印区域的概率,通过确定置信度区间对所述第一数据进行处理即可获得与所述第一面板图像对应丝印mask图像;
对所述丝印mask图像的长宽比进行分析,获得第一面板图像对应的丝印方向,为了避免丝印局部区域过宽或或窄缺陷影响整体丝印线宽的测算,根据丝印方向对提取到的丝印mask图像切分为n份,分别计算每份丝印mask图像的宽度w1,w2…wn;
计算与所述第一面板图像对应的第一丝印线宽;
对所述待检测面板进行合板封装,并对封装胶进行固化处理,采集所述待检测面板封装后对应的第二面板图像,将所述第二面板图像输入所述丝印检测模型,获得第二数据;
判断丝印方向,根据丝印方向和所述第二数据计算所述第二面板图像的第二丝印线宽,所述第二丝印线宽W2的计算方法与所述第一丝印线宽W1的计算方法原理相同,本实施例在此不再赘述。
根据所述第一丝印线宽W1和所述第二丝印线宽W2进行计算,获得所述待检测面板的封装粘接比,分析所述封装粘接比的大小即可获得OLED面板封装质量评估结果,其中,所述待检测面板封装粘接比的标准值根据实际需要确定,本实施例在此不做具体限定。
其中,在本实施例中,获得所述第一数据后,所述OLED面板丝印质量控制方法还包括以下步骤:
对所述第一数据进行拟合,获得拟合图像,所述拟合图像用于描述所述待检测面板封装前丝印区域的整体形状;
根据所述第一数据对所述第一面板图像进行图像分割,获得第一丝印图像;
根据所述第一丝印图像和所述拟合图像进行计算,获得丝印缺陷图像。
其中,对所述第一数据进行拟合可以通过基于opencv的cv2.boundingRect()函数实现,也可以通过cv2.minAreaRect()函数或cv2.minEnclosingCircle()函数实现,具体函数选择根据实际需要确定,本实施例在此不作具体限定。
其中,根据所述第一丝印图像和所述拟合图像进行计算即对所述第一丝印图像和所述拟合图像分别进行二值化处理后,计算处理后所述第一丝印图像和处理后所述拟合图像的差值,获得丝印缺陷图像。
其中,在本实施例中,获得丝印缺陷图像后还包括以下步骤:
对所述丝印缺陷图像进行滤波处理,获得第一图像;
检测所述第一图像中的连通区域,并分别计算所述第一图像中连通区域的面积,获得计算结果;
根据所述计算结果对所述第一图像中的连通区域进行筛选,获得第二图像;
分析所述第二图像,获得缺陷坐标。
其中,可以通过中值滤波、高斯滤波或均值滤波算法对所述丝印缺陷图像进行滤波处理,具体算法选择根据实际需要确定,本实施例在此不做具体限定。
其中,所述第一图像中的连通区域可以通过Two-pass算法或SeedFilling算法实现,具体算法的选择根据实际需要确定,本实施例在此不做具体限定。
其中,可以根据连通区域的面积、连通区域的周长-面积比值对所述第一图像中的连通区域的进行筛选,剔除丝印缺陷图像中面积过小的区域或周长-面积比值过大的区域,即剔除部分不需要补胶的细小缺陷,所述连通区域的具体筛选依据和具体筛选标准根据实际需要确定,本实施例在此不做具体限定。
其中,在本实施例中,所述OLED面板丝印质量控制方法还包括以下步骤:
采集所述待检测面板弯折测试后对应的第三面板图像,将所述第三面板图像输入所述丝印检测模型,获得第三数据,所述第三数据用于表示所述待检测面板弯折测试后对应的丝印区域;
计算所述第二数据和所述第三数据的差,获得第四数据;
确定第一阈值,基于所述第一阈值和所述第四数据的大小关系判断所述待检测面板是否存在缺陷。
具体的,若所述第一数据小于或等于所述第一阈值,则认为OLED面板弯折测试后封装区域没有引入新缺陷,OLED面板封装质量达标,若所述第一数据大于所述第一阈值,则认为OLED面板弯折测试后封装区域引入了新的缺陷,OLED面板可能存在封装胶失效或封装胶固化时间不足的缺陷,所述第一阈值的具体取值根据实际需要确定,本实施例在此不做具体限定。
实施例二
请参考图1,本发明实施例二提供了一种OLED面板丝印质量控制方法,在实施例一的基础上,获得所述第一数据后,所述OLED面板丝印质量控制方法还包括以下步骤:
根据所述第一数据对所述第一面板图像进行图像分割,获得第二丝印图像;
对所述第二丝印图像进行二值化处理,并提取处理后图像对应的轮廓;
分析所述轮廓,获得第五数据,所述第五数据用于描述第一面板图像丝印区域边缘的锯齿大小;
确定第二阈值,基于所述第二阈值和所述第五数据的大小关系判断所述待检测面板是否存在缺陷。
其中,可以通过Canny边缘检测算法、Sobel算子或Prewitt算子实现对二值化处理后的第二丝印图像的轮廓提取,具体算法根据实际需要确定,本实施例在此不做具体限定。
其中,以纵向封装的OLED面板为例,要获得丝印区域边缘的锯齿情况,可以提取根据丝印区域轮廓整体的横坐标最大值和最小值,将横坐标最大值和最小值所包含的面积减去丝印区域轮廓包含的面积,获得对应的第五数据,所述第五数据用于描述第一面板图像中丝印区域边缘的锯齿大小。
其中,所述第二阈值用于描述可以接受的最大第一面板图像丝印区域边缘的锯齿大小,若所述第五数据大于所述第二阈值,则OLED面板存在封装胶失效或面板衬底材料不良的缺陷,若所述第五数据小于或等于所述第二阈值,则OLED面板不存在封装胶失效或面板衬底材料不良的缺陷,所述第二阈值的取值根据实际需要确定,本实施例在此不做具体限定。
其中,以纵向封装的OLED面板为例,要获得丝印区域边缘的锯齿情况,还可以分别提取丝印区域左侧轮廓和丝印区域右侧轮廓;针对丝印区域左侧轮廓,提取对应的横坐标最大值x1和横坐标最小值x2,计算丝印区域左侧轮廓的横坐标的标准值x3=(x1+x2)/2,计算所述横坐标标准值对应的直线与丝印区域左侧轮廓围成的第一锯齿面积;针对丝印区域右侧轮廓,提取对应的横坐标最大值x4和横坐标最小值x5,计算丝印区域左侧轮廓的横坐标的标准值x6=(x4+x5)/2,计算所述横坐标标准值对应的直线与丝印区域右侧轮廓围成的第二锯齿面积,所述第五数据即所述第一锯齿面积与所述第二锯齿面积的和。
其中,通过丝印轮廓区域坐标的最大/最小值计算锯齿大小易受个别凸出的锯齿影响导致获得的计算结果偏大,而通过丝印轮廓区域坐标均值的方法获得的计算结果偏小,无法检出小而密集的锯齿,因此,在更为优选的实例中,优选分析所述轮廓,获得第五数据的具体方法为:
获得所述轮廓对应的若干拐点;
根据所述若干拐点计算对所述轮廓进行计算,获得所述轮廓对应的凸包;
分别计算所述轮廓对应的第一面积和所述凸包对应的第二面积,对所述第一面积和所述第二面积作差,获得第五数据。
具体的,本方法首先通过基于opencv的findContourhe()函数和DrawContours()函数获得所述轮廓对应的若干拐点,再通过Graham算法根据所述额若干拐点生成与所述轮廓对应的凸包,分别计算所述轮廓对应的第一面积和所述凸包对应的第二面积,对所述第一面积和所述第二面积作差,获得第五数据,所述第五数据准确的描述了丝印区域边缘的锯齿大小。
其中,在本实施例中,获得丝印缺陷图像后还包括以下步骤:
建立特征提取模型,所述特征提取模型用于提取丝印缺陷图像的特征;
根据所述特征提取模型对所述丝印缺陷图像进行分析,获得分析结果。
其中,所述特征提取模型可以为LBP算法模型或HOG算法模型等任意能够提取所述丝印缺陷图像特征的算法模型,所述特征提取模型的种类根据实际需要确定,本实施例在此不做具体限定。
实施例三
请参考图2,本发明实施例三提供了一种OLED面板丝印质量控制系统,所述OLED面板丝印质量控制系统包括:
图像采集单元,用于采集标准面板图像,对所述标准面板图像中的丝印区域进行标注,获得训练样本;确定待检测面板,采集所述待检测面板封装前对应的第一面板图像和所述待检测面板封装后对应的第二面板图像;
模型建设单元,用于建立深度学习网络模型,根据所述训练样本对所述深度学习网络模型进行训练,获得丝印检测模型,所述丝印检测模型用于识别面板图像中的丝印区域;
数据处理单元,用于将所述第一面板图像和所述第二面板图像输入所述丝印检测模型,分别获得第一数据和第二数据,其中,所述第一数据用于表示所述待检测面板封装前对应的丝印区域,所述第二数据用于表示所述待检测面板封装后对应的丝印区域;
质量检测单元,用于判断丝印方向,根据丝印方向对所述第一数据和所述第二数据进行计算,分别获得对应的第一丝印线宽和第二丝印线宽;根据所述第一丝印线宽和所述第二丝印线宽进行计算,获得所述待检测面板的封装粘接比。
实施例四
本发明实施例四提供了一种OLED面板丝印质量控制装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序执行所述计算机程序时实现所述OLED面板丝印质量控制方法。
实施例五
本发明实施例五提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述OLED面板丝印质量控制方法。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Field programmablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器也可以是任何常规的处理器。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中OLED面板丝印质量控制装置的各种功能。所述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(比如声音播放功能、图像播放功能等)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,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、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。
所述OLED面板丝印质量控制装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序存储于一个计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种OLED面板丝印质量控制方法,其特征在于,所述OLED面板丝印质量控制方法包括以下步骤:
采集标准面板图像,对所述标准面板图像中的丝印区域进行标注,获得训练样本;
建立深度学习网络模型,根据所述训练样本对所述深度学习网络模型进行训练,获得丝印检测模型,所述丝印检测模型用于识别面板图像中的丝印区域;
确定待检测面板,采集所述待检测面板封装前对应的第一面板图像,将所述第一面板图像输入所述丝印检测模型,获得第一数据,所述第一数据用于表示所述待检测面板封装前对应的丝印区域;
判断丝印方向,根据丝印方向和所述第一数据计算所述第一面板图像的第一丝印线宽;
采集所述待检测面板封装后对应的第二面板图像,将所述第二面板图像输入所述丝印检测模型,获得第二数据,所述第二数据用于表示所述待检测面板封装后对应的丝印区域;
判断丝印方向,根据丝印方向和所述第二数据计算所述第二面板图像的第二丝印线宽;
根据所述第一丝印线宽和所述第二丝印线宽进行计算,获得所述待检测面板的封装粘接比。
2.根据权利要求1所述的一种OLED面板丝印质量控制方法,其特征在于,获得所述第一数据后,所述OLED面板丝印质量控制方法还包括以下步骤:
对所述第一数据进行拟合,获得拟合图像,所述拟合图像用于描述所述待检测面板封装前丝印区域的整体形状;
根据所述第一数据对所述第一面板图像进行图像分割,获得第一丝印图像;
根据所述第一丝印图像和所述拟合图像进行计算,获得丝印缺陷图像。
3.根据权利要求2所述的一种OLED面板丝印质量控制方法,其特征在于,获得丝印缺陷图像后还包括以下步骤:
对所述丝印缺陷图像进行滤波处理,获得第一图像;
检测所述第一图像中的连通区域,并分别计算所述第一图像中连通区域的面积,获得计算结果;
根据所述计算结果对所述第一图像中的连通区域进行筛选,获得第二图像;
分析所述第二图像,获得缺陷坐标。
4.根据权利要求1所述的一种OLED面板丝印质量控制方法,其特征在于,所述OLED面板丝印质量控制方法还包括以下步骤:
采集所述待检测面板弯折测试后对应的第三面板图像,将所述第三面板图像输入所述丝印检测模型,获得第三数据,所述第三数据用于表示所述待检测面板弯折测试后对应的丝印区域;
计算所述第二数据和所述第三数据的差,获得第四数据;
确定第一阈值,基于所述第一阈值和所述第四数据的大小关系判断所述待检测面板是否存在缺陷。
5.根据权利要求1所述的一种OLED面板丝印质量控制方法,其特征在于,获得所述第一数据后,所述OLED面板丝印质量控制方法还包括以下步骤:
根据所述第一数据对所述第一面板图像进行图像分割,获得第二丝印图像;
对所述第二丝印图像进行二值化处理,并提取处理后图像对应的轮廓;
分析所述轮廓,获得第五数据,所述第五数据用于描述第一面板图像丝印区域边缘的锯齿大小;
确定第二阈值,基于所述第二阈值和所述第五数据的大小关系判断所述待检测面板是否存在缺陷。
6.根据权利要求5所述的一种OLED面板丝印质量控制方法,其特征在于,分析所述轮廓,获得第五数据的具体方法为:
获得所述轮廓对应的若干拐点;
根据所述若干拐点计算对所述轮廓进行计算,获得所述轮廓对应的凸包;
分别计算所述轮廓对应的第一面积和所述凸包对应的第二面积,对所述第一面积和所述第二面积作差,获得第五数据。
7.根据权利要求2所述的一种OLED面板丝印质量控制方法,其特征在于,获得丝印缺陷图像后还包括以下步骤:
建立特征提取模型,所述特征提取模型用于提取丝印缺陷图像的特征;
根据所述特征提取模型对所述丝印缺陷图像进行分析,获得分析结果。
8.一种OLED面板丝印质量控制系统,其特征在于,所述OLED面板丝印质量控制系统包括:
图像采集单元,用于采集标准面板图像,对所述标准面板图像中的丝印区域进行标注,获得训练样本;确定待检测面板,采集所述待检测面板封装前对应的第一面板图像和所述待检测面板封装后对应的第二面板图像;
模型建设单元,用于建立深度学习网络模型,根据所述训练样本对所述深度学习网络模型进行训练,获得丝印检测模型,所述丝印检测模型用于识别面板图像中的丝印区域;
数据处理单元,用于将所述第一面板图像和所述第二面板图像输入所述丝印检测模型,分别获得第一数据和第二数据,其中,所述第一数据用于表示所述待检测面板封装前对应的丝印区域,所述第二数据用于表示所述待检测面板封装后对应的丝印区域;
质量检测单元,用于判断丝印方向,根据丝印方向对所述第一数据和所述第二数据进行计算,分别获得对应的第一丝印线宽和第二丝印线宽;根据所述第一丝印线宽和所述第二丝印线宽进行计算,获得所述待检测面板的封装粘接比。
9.一种OLED面板丝印质量控制装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的一种OLED面板丝印质量控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的一种OLED面板丝印质量控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310937986.4A CN116664566B (zh) | 2023-07-28 | 2023-07-28 | 一种oled面板丝印质量控制方法及系统及装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310937986.4A CN116664566B (zh) | 2023-07-28 | 2023-07-28 | 一种oled面板丝印质量控制方法及系统及装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664566A CN116664566A (zh) | 2023-08-29 |
CN116664566B true CN116664566B (zh) | 2023-09-26 |
Family
ID=87720977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310937986.4A Active CN116664566B (zh) | 2023-07-28 | 2023-07-28 | 一种oled面板丝印质量控制方法及系统及装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664566B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197112B (zh) * | 2023-09-26 | 2024-04-30 | 四川数聚智造科技有限公司 | 一种基于样本比对的工业丝印缺陷检测方法及系统 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1338712A (zh) * | 2000-07-25 | 2002-03-06 | 株式会社半导体能源研究所 | 显示装置 |
CN1669133A (zh) * | 2002-05-14 | 2005-09-14 | 菲科公司 | 利用箔片层封装电子元件的方法 |
CN101750767A (zh) * | 2008-12-08 | 2010-06-23 | 乐金显示有限公司 | 显示设备及其制造方法 |
CN103038942A (zh) * | 2010-06-11 | 2013-04-10 | 伊利诺斯工具制品有限公司 | 制造和操作用于通信设备的天线装置的方法 |
CN104979512A (zh) * | 2014-04-10 | 2015-10-14 | 宁德时代新能源科技有限公司 | 电化学装置、所使用的隔离膜及隔离膜的制备方法 |
CN109212670A (zh) * | 2018-10-10 | 2019-01-15 | 武汉光迅科技股份有限公司 | 一种波分复用器件以及相应的光模块 |
CN110956604A (zh) * | 2018-09-27 | 2020-04-03 | 上海蔚来汽车有限公司 | 一种用于对粘接胶的有效粘接面积进行统计的方法和系统 |
WO2020119330A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳市汇顶科技股份有限公司 | 指纹识别装置和电子设备 |
CN111556648A (zh) * | 2020-06-05 | 2020-08-18 | 京东方科技集团股份有限公司 | 驱动芯片保护膜和显示装置 |
CN111798760A (zh) * | 2020-07-20 | 2020-10-20 | 上海天马有机发光显示技术有限公司 | 显示面板及显示装置 |
CN113554589A (zh) * | 2021-06-04 | 2021-10-26 | 奕目(上海)科技有限公司 | 基于深度学习的半导体芯片金线分割方法及系统 |
CN113762461A (zh) * | 2020-06-05 | 2021-12-07 | 辉达公司 | 使用可逆增强算子采用有限数据训练神经网络 |
CN114071014A (zh) * | 2021-11-01 | 2022-02-18 | 深圳市卡博尔科技有限公司 | 一种提高ic载板线路图形成像精度的方法及系统 |
CN114079020A (zh) * | 2020-08-18 | 2022-02-22 | 华为技术有限公司 | 显示屏及其封装方法、终端 |
CN114720271A (zh) * | 2021-01-04 | 2022-07-08 | 中国航发商用航空发动机有限责任公司 | 复合材料裂纹尖端的塑性变形区测量方法 |
CN114821216A (zh) * | 2021-01-29 | 2022-07-29 | 中国电信股份有限公司 | 图片去网纹神经网络模型建模、使用方法及相关设备 |
CN114862817A (zh) * | 2022-05-24 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 |
CN114939875A (zh) * | 2022-02-08 | 2022-08-26 | 青岛美芝冷链科技有限公司 | 全自动往复式异形门密封条粘接机器人 |
CN115472600A (zh) * | 2022-09-14 | 2022-12-13 | 浙江德合光电科技有限公司 | 一种高对比度的led器件及其制造方法 |
CN218078745U (zh) * | 2022-08-22 | 2022-12-20 | 苏州肺盾医疗科技有限公司 | 一种医用组件的点胶固化设备 |
CN115768163A (zh) * | 2022-11-23 | 2023-03-07 | 武汉天马微电子有限公司 | 显示面板及显示装置 |
CN116090330A (zh) * | 2022-12-01 | 2023-05-09 | 大连理工大学 | 一种基于深度学习的led荧光粉层结构设计方法 |
JP2023077567A (ja) * | 2021-11-25 | 2023-06-06 | セイコーエプソン株式会社 | 貯蔵装置、液体吐出装置、及び、貯蔵装置の製造方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210398270A1 (en) * | 2018-11-30 | 2021-12-23 | Boise Cascade Company | Method and system for layered wood product production |
US11663700B2 (en) * | 2019-06-29 | 2023-05-30 | Intel Corporation | Automatic elimination of noise for big data analytics |
US11960570B2 (en) * | 2021-08-25 | 2024-04-16 | Nvidia Corporation | Learning contrastive representation for semantic correspondence |
US11623762B1 (en) * | 2021-09-17 | 2023-04-11 | Beta Air, Llc | System and method for actuator monitoring for an electric aircraft |
KR20230056365A (ko) * | 2021-10-20 | 2023-04-27 | 주식회사 레다즈 | 실리콘 기반의 렌즈 형성 방법 및 이를 적용한 백라이트 유닛 |
-
2023
- 2023-07-28 CN CN202310937986.4A patent/CN116664566B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1338712A (zh) * | 2000-07-25 | 2002-03-06 | 株式会社半导体能源研究所 | 显示装置 |
CN1669133A (zh) * | 2002-05-14 | 2005-09-14 | 菲科公司 | 利用箔片层封装电子元件的方法 |
CN101750767A (zh) * | 2008-12-08 | 2010-06-23 | 乐金显示有限公司 | 显示设备及其制造方法 |
CN103038942A (zh) * | 2010-06-11 | 2013-04-10 | 伊利诺斯工具制品有限公司 | 制造和操作用于通信设备的天线装置的方法 |
CN104979512A (zh) * | 2014-04-10 | 2015-10-14 | 宁德时代新能源科技有限公司 | 电化学装置、所使用的隔离膜及隔离膜的制备方法 |
CN110956604A (zh) * | 2018-09-27 | 2020-04-03 | 上海蔚来汽车有限公司 | 一种用于对粘接胶的有效粘接面积进行统计的方法和系统 |
CN109212670A (zh) * | 2018-10-10 | 2019-01-15 | 武汉光迅科技股份有限公司 | 一种波分复用器件以及相应的光模块 |
WO2020119330A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳市汇顶科技股份有限公司 | 指纹识别装置和电子设备 |
CN111556648A (zh) * | 2020-06-05 | 2020-08-18 | 京东方科技集团股份有限公司 | 驱动芯片保护膜和显示装置 |
CN113762461A (zh) * | 2020-06-05 | 2021-12-07 | 辉达公司 | 使用可逆增强算子采用有限数据训练神经网络 |
CN111798760A (zh) * | 2020-07-20 | 2020-10-20 | 上海天马有机发光显示技术有限公司 | 显示面板及显示装置 |
CN114079020A (zh) * | 2020-08-18 | 2022-02-22 | 华为技术有限公司 | 显示屏及其封装方法、终端 |
CN114720271A (zh) * | 2021-01-04 | 2022-07-08 | 中国航发商用航空发动机有限责任公司 | 复合材料裂纹尖端的塑性变形区测量方法 |
CN114821216A (zh) * | 2021-01-29 | 2022-07-29 | 中国电信股份有限公司 | 图片去网纹神经网络模型建模、使用方法及相关设备 |
CN113554589A (zh) * | 2021-06-04 | 2021-10-26 | 奕目(上海)科技有限公司 | 基于深度学习的半导体芯片金线分割方法及系统 |
CN114071014A (zh) * | 2021-11-01 | 2022-02-18 | 深圳市卡博尔科技有限公司 | 一种提高ic载板线路图形成像精度的方法及系统 |
JP2023077567A (ja) * | 2021-11-25 | 2023-06-06 | セイコーエプソン株式会社 | 貯蔵装置、液体吐出装置、及び、貯蔵装置の製造方法 |
CN114939875A (zh) * | 2022-02-08 | 2022-08-26 | 青岛美芝冷链科技有限公司 | 全自动往复式异形门密封条粘接机器人 |
CN114862817A (zh) * | 2022-05-24 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 |
CN218078745U (zh) * | 2022-08-22 | 2022-12-20 | 苏州肺盾医疗科技有限公司 | 一种医用组件的点胶固化设备 |
CN115472600A (zh) * | 2022-09-14 | 2022-12-13 | 浙江德合光电科技有限公司 | 一种高对比度的led器件及其制造方法 |
CN115768163A (zh) * | 2022-11-23 | 2023-03-07 | 武汉天马微电子有限公司 | 显示面板及显示装置 |
CN116090330A (zh) * | 2022-12-01 | 2023-05-09 | 大连理工大学 | 一种基于深度学习的led荧光粉层结构设计方法 |
Non-Patent Citations (2)
Title |
---|
Optimization of production parameters of particle gluing on internal bonding strength of particleboards using machine learning technology;Zhang, Beilong等;《Journal of Wood Science》;第68卷(第1期);第1-11页 * |
大型镜面原位光学加工-检测多点复合支撑系统研究;胡海飞;《中国博士学位论文全文数据库 工程科技II辑》(第8期);第C030-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664566A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709948B (zh) | 容器瑕疵检测方法和装置 | |
CN109117814B (zh) | 图像处理方法、装置、电子设备及介质 | |
CN116664566B (zh) | 一种oled面板丝印质量控制方法及系统及装置及介质 | |
CN111311542A (zh) | 一种产品质量检测方法及装置 | |
CN110532833A (zh) | 一种视频分析方法及装置 | |
CN108805180B (zh) | 目标对象的检测方法及装置 | |
CN109325492B (zh) | 字符切割方法、装置、计算机设备及存储介质 | |
CN110276295B (zh) | 车辆识别号码检测识别方法及设备 | |
CN112330598B (zh) | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 | |
CN111489352A (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
CN109285181B (zh) | 用于识别图像的方法和装置 | |
CN115063618B (zh) | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 | |
CN113936280B (zh) | 一种嵌入式仪表码盘字符自动识别系统及方法 | |
CN114862817A (zh) | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 | |
CN115661160B (zh) | 一种面板缺陷检测方法及系统及装置及介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN111428374A (zh) | 零件缺陷检测方法、装置、设备及存储介质 | |
CN115880520A (zh) | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN110991437B (zh) | 字符识别方法及其装置、字符识别模型的训练方法及其装置 | |
JP2020155128A (ja) | シンボルを評価するためのシステムおよび方法 | |
CN113630594A (zh) | 一种显示面板坏点检测系统 | |
US20240070848A1 (en) | Method and apparatus of training image recognition model, and method of detecting display substrate | |
CN109658452B (zh) | 一种轨距检测方法及装置 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 |
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 |