CN116993718B - 基于机器视觉的tft阵列基板缺陷检测方法 - Google Patents
基于机器视觉的tft阵列基板缺陷检测方法 Download PDFInfo
- Publication number
- CN116993718B CN116993718B CN202311235341.2A CN202311235341A CN116993718B CN 116993718 B CN116993718 B CN 116993718B CN 202311235341 A CN202311235341 A CN 202311235341A CN 116993718 B CN116993718 B CN 116993718B
- Authority
- CN
- China
- Prior art keywords
- gray scale
- noise intensity
- image
- data value
- array substrate
- 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
- 239000000758 substrate Substances 0.000 title claims abstract description 123
- 230000007547 defect Effects 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 189
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 7
- 230000000739 chaotic effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- 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
- G01N21/8851—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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Liquid Crystal (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉的TFT阵列基板缺陷检测方法。方法包括:获取TFT阵列基板的灰度图像,基于灰度图像中像素点的灰度值构建不同灰阶区间长度对应的灰度游程矩阵,根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,获得目标灰度游程矩阵;根据目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异,获得综合噪声强度,基于综合噪声强度对灰度图像进行滤波处理获得去噪后的图像,进而对TFT阵列基板进行缺陷检测。本发明提高了TFT阵列基板缺陷检测结果的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的TFT阵列基板缺陷检测方法。
背景技术
TFT阵列基板是一种用于液晶显示器(LCD)和有机发光二极管(OLED)显示技术的半导体材料,往往由数块小型阵列基板组成,是液晶显示器的核心部件之一,对显示器的性能具有重要影响,它在计算机显示器、智能手机、平板电脑和其他电子设备中发挥着关键作用。实际TFT阵列基板生产中大部分过程都是在高洁净度的无尘室里完成的,但TFT阵列基板上还是不可避免地会出现一些视觉缺陷。现有的视觉检测方法通常将待测产品图像每个像素点与设计图像中对应位置像素的灰度进行对比,并通过与设定阈值对比获得检测结果。但是TFT阵列基板缺陷较细微,同时其表面成膜电路元件同样微小,而机器视觉检测时,图像的采集、传输及检测过程易受到噪声干扰,使本就微小的各元器件图像显示失真,影响检测结果。现有的去噪算法对TFT阵列基板图像处理时存在过度平滑、去噪效果不理想等问题,检测时会出现缺陷识别错误或漏识别的现象,进而使得TFT阵列基板缺陷检测的准确度较低。
发明内容
为了解决现有方法在对TFT阵列基板图像进行去噪时的去噪效果较差,进而使得在对TFT阵列基板缺陷检测时存在准确度较低的问题,本发明的目的在于提供一种基于机器视觉的TFT阵列基板缺陷检测方法,所采用的技术方案具体如下:
本发明提供了一种基于机器视觉的TFT阵列基板缺陷检测方法,该方法包括以下步骤:
获取待检测TFT阵列基板的灰度图像;
基于所述灰度图像中像素点的灰度值构建不同灰阶区间长度对应的灰度游程矩阵,根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定最优灰阶区间长度;将最优灰阶区间长度对应的灰度游程矩阵作为目标灰度游程矩阵;
根据所述目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得综合噪声强度,基于所述综合噪声强度对所述灰度图像进行滤波处理获得去噪后的图像;
基于所述去噪后的图像对待检测TFT阵列基板进行缺陷检测。
优选的,所述根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定最优灰阶区间长度,包括:
对于第k种灰阶区间长度对应的灰度游程矩阵:分别将该灰度游程矩阵中每个最大数据值对应的行数与该灰度游程矩阵的总行数的比值记为对应最大数据值的位置参数;将该灰度游程矩阵中所有最大数据值的位置参数的均值,作为目标参数;将该灰度游程矩阵中每个最大数据值的所述位置参数与所述目标参数的差异,作为对应最大数据值的位置差异指标;
根据该灰度游程矩阵中所有非零数据值的平均值与该灰度游程矩阵中最大数据值之间的差异、第k种灰阶区间长度、该灰度游程矩阵中每个最大数据值的位置差异指标,得到第k种灰阶区间长度对应的特征值;
基于所有种灰阶区间长度对应的特征值获得最优灰阶区间长度。
优选的,采用如下公式计算第k种灰阶区间长度对应的特征值:
其中,为第k种灰阶区间长度对应的特征值,/>为第k种灰阶区间长度对应的灰度游程矩阵中的最大数据值,/>为该灰度游程矩阵中所有非零数据值的平均值,/>为第k种灰阶区间长度,/>为该灰度游程矩阵中最大数据值的数量,/>为第k种灰阶区间长度对应的灰度游程矩阵中第i个最大数据值的位置参数,/>为第k种灰阶区间长度对应的灰度游程矩阵中所有最大数据值的位置参数的均值,| |为取绝对值符号。
优选的,所述基于所有种灰阶区间长度对应的特征值获得最优灰阶区间长度,包括:
将特征值最大的灰阶区间长度,确定为最优灰阶区间长度。
优选的,所述根据所述目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得综合噪声强度,包括:
根据所述目标灰度游程矩阵中非零数据值与最大数据值之间的差异、非零数据值与最大数据值的相对位置分布情况,得到所述灰度图像对应的初始噪声强度;
分别将所述目标灰度游程矩阵中第一列中每个数据值与所述目标灰度游程矩阵中第一列所有数据值之和的比值,作为第一列中每个数据值的概率;根据所述目标灰度游程矩阵中第一列中所有数据值的概率,得到噪声强度调节参数;
基于所述初始噪声强度和所述噪声强度调节参数获得综合噪声强度,所述初始噪声强度和所述噪声强度调节参数均与所述综合噪声强度呈正相关关系。
优选的,采用如下公式计算所述灰度图像对应的初始噪声强度:
其中,为所述灰度图像对应的初始噪声强度,J为目标灰度游程矩阵中非零数据值的数量,/>为目标灰度游程矩阵中第j个非零数据值,/>为目标灰度游程矩阵中的最大数据值,/>为目标灰度游程矩阵中第j个非零数据值与最大数据值的最小欧氏距离,m为目标灰度游程矩阵的行数,n为目标灰度游程矩阵的列数。
优选的,根据所述目标灰度游程矩阵中第一列中所有数据值的概率,得到噪声强度调节参数,包括:
基于所述目标灰度游程矩阵中第一列中所有数据值的概率和信息熵的计算公式,获得噪声强度调节参数。
优选的,基于所述初始噪声强度和所述噪声强度调节参数获得综合噪声强度,包括:
计算所述初始噪声强度与所述噪声强度调节参数的和值,获取以自然常数为底数,以负的所述和值为指数的指数函数值;
将常数1与所述指数函数值的差值,确定为所述综合噪声强度。
优选的,所述基于所述综合噪声强度对所述灰度图像进行滤波处理获得去噪后的图像,包括:
将所述综合噪声强度作为维纳滤波时对应的滤波强度,采用维纳滤波算法对所述灰度图像进行滤波处理,获得去噪后的图像。
优选的,基于所述目标灰度游程矩阵中第一列中所有数据值的概率和信息熵的计算公式,获得噪声强度调节参数,包括:
分别将所述目标灰度游程矩阵中第一列中每个数据值的概率与预设调整参数的和值,作为对应数据值的目标概率,将所述目标灰度游程矩阵中第一列中所有数据值的所述目标概率代入信息熵计算公式中,将计算结果作为噪声强度调节参数;其中,预设调整参数大于0。
本发明至少具有如下有益效果:
1、本发明考虑到在构建待检测TFT阵列基板的灰度图像对应的灰度游程矩阵时,灰阶区间的长度会影响后续的分析结果,若灰阶区间的长度过大,则构建的灰度游程矩阵容易丢失噪声信息;若灰阶区间的长度过小,则构建的灰度游程矩阵分布过于混乱,无法分析有效噪声信息,本发明根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定了最优灰阶区间长度,并将最优灰阶区间长度对应的灰度游程矩阵作为了目标灰度游程矩阵,目标灰度游程矩阵能够更准确地表征待检测TFT阵列基板的灰度图像中像素点的灰度分布特征,与现有灰阶区间划分过程相比,在保证灰度游程矩阵体现噪声信息的同时大幅减少了计算成本,提升了检测效率,本发明通过目标灰度游程矩阵表现的图像纹理信息更准确地获取图像的综合噪声强度,使得后续的滤波效果更好,能够有效地提高TFT阵列基板缺陷检测结果的准确精度。
2、本发明利用目标灰度游程矩阵评估待检测TFT阵列基板的灰度图像的噪声强度,通过分析目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得了综合噪声强度,并基于综合噪声强度对待检测TFT阵列基板的灰度图像进行去噪处理,使去噪结果更理想。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于机器视觉的TFT阵列基板缺陷检测方法的流程图;
图2为本发明一个实施例所提供的一种基于机器视觉的TFT阵列基板图像的去噪方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于机器视觉的TFT阵列基板缺陷检测方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的TFT阵列基板缺陷检测方法的具体方案。
基于机器视觉的TFT阵列基板缺陷检测方法实施例:
本实施例所针对的具体场景为:在TFT阵列基板的生产过程中,不可避免地会出现一些视觉缺陷,为了提高产品的合格率,在每次显影和刻蚀后,往往会做一次光学检测,检测通常计算经过锐化后的图像的像素点与正常像素点之间的灰阶差异,当差异超过阈值时判定其为缺陷像素点。但是由于TFT阵列基板上电路极其细微,在对比计算的过程中容易受到噪声干扰,导致缺陷检测准确率下降,因此本实施例对采集到的待检测TFT阵列基板的图像进行自适应去噪处理,降低甚至消除噪声带来的影响,提高后续缺陷检测结果的准确度。
本实施例提出了基于机器视觉的TFT阵列基板缺陷检测方法,如图1所示,本实施例的基于机器视觉的TFT阵列基板缺陷检测方法包括以下步骤:
步骤S1,获取待检测TFT阵列基板的灰度图像。
本实施例采用高分辨率线性CCD相机拍摄待检测TFT阵列基板的表面图像,该相机的分辨率通常在3微米以上,便于后续对采集到的图像进行放大处理。具体地,首先设置高分辨率线性CCD相机,使相机正对待检测TFT阵列基板,以俯视角度拍摄待检测TFT阵列基板的表面图像,在具体应用中,实施者可根据具体情况设置相机的位置和拍摄角度;需要说明的是,采集到的待检测TFT阵列基板的表面图像为RGB图像。本实施例对采集到的待检测TFT阵列基板的表面图像进行灰度化处理,获得待检测TFT阵列基板的灰度图像,用于后续对待检测TFT阵列基板的缺陷检测。图像的灰度化处理为现有技术,此处不再过多赘述。
至此,获得了待检测TFT阵列基板的灰度图像。
步骤S2,基于所述灰度图像中像素点的灰度值构建不同灰阶区间长度对应的灰度游程矩阵,根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定最优灰阶区间长度;将最优灰阶区间长度对应的灰度游程矩阵作为目标灰度游程矩阵。
TFT阵列基板缺陷按其成因可分为短路缺陷和断路缺陷,按其显示效果可分为点缺陷和线缺陷。由于光照角度、采像及数据传输过程等原因会使得获取到的待检测TFT阵列基板的灰度图像中存在一定的噪声,待检测TFT阵列基板的灰度图像上存在大量微小电路,现有的滤波算法往往无法获取相对理想的滤波效果,因此需要结合待检测TFT阵列基板的灰度图像的特征优化自适应滤波算法对待检测TFT阵列基板的灰度图像进行降噪处理,提升后续缺陷检测的准确率。
本实施例将采用去噪性能相对较好的维纳滤波算法对图像进行处理。为了设计针对待检测TFT阵列基板的灰度图像的自适应滤波算法,对图像进行噪声强度评估是非常有必要的。现有的噪声评估方法大多采用计算无参考信噪比的方式进行评估,但是由于TFT阵列基板电路及其缺陷表现都相对微小,图像整体纹理丰富,直接计算无参考信噪比参考价值不大,本实施例将优化灰度游程矩阵,并设计算法自适应评价图像噪声强度。
由于TFT阵列基板的灰度图像分辨率较高,且基板本身亮暗差距明显,因此为了避免计算量过大,在计算灰度游程矩阵之前,需要对图像进行灰阶划分。首先确定图像的整体灰度范围,待检测TFT阵列基板主要是玻璃基板和蚀刻后的金属或半导体成膜的阵列组成的,因此在理想状态下待检测TFT阵列基板的灰度图像中像素点的灰度值应当分为两个灰度区间且每个区间灰度分布相对集中,其中灰度较高的部分是无导体电路的玻璃基板部分,较低的部分是成膜电路部分。因此,本实施例将基于待检测TFT阵列基板的灰度图像中像素点的灰度分布情况构建对应的灰度游程矩阵,进而结合构建的灰度游程矩阵对待检测TFT阵列基板的灰度图像进行分析,确定噪声强度,并进行自适应滤波获得去噪后的图像,基于去噪后的图像判断待检测TFT阵列基板是否存在缺陷。
考虑到在构建灰度游程矩阵时灰阶区间的长度会直接影响后续分析结果的准确度,若灰度游程矩阵中的最大数据值与其他数据值之间的差距较大,则说明该值代表游程经过灰度较低且噪声较弱区域;而如果灰阶区间划分过于粗糙,也即灰阶区间的长度较长,则灰度游程矩阵对图像噪声的表现不够精确,仅能显示极强噪声。为了提高检测结果的准确度,本实施例将基于不同灰阶区间长度构建不同的灰度游程矩阵,基于构建的每个灰度游程矩阵中最大数据值的变化情况确定最优灰阶区间长度,并将最优灰阶区间长度对应的灰度游程矩阵作为后续分析的灰度游程矩阵。
具体地,灰阶区间数量从小到大开始依次增加,灰阶区间数量的数量每次增加1,直到灰阶区间长度为64时为止;初始灰阶区间数量为2,即每个灰阶区间包含128个像素值,也即灰阶区间长度为128,本实施例中待检测TFT阵列基板的灰度图像的形状为矩形,待检测TFT阵列基板的灰度图像整体可以看作是由数量较多的小矩形块组成的,为了保证后续噪声评估结果,设置游程方向平行于矩形块短边方向,基于待检测TFT阵列基板的灰度图像中像素点的灰度值,构建该灰阶区间长度对应的灰度游程矩阵;灰阶区间长度不断增加,本实施例中灰阶区间长度每次增加1,构建每种灰阶区间长度对应的灰度游程矩阵;灰度游程矩阵的构建过程为:按照灰阶区间长度,遍历待检测TFT阵列基板的灰度图像中的所有像素点,并将灰度级映射到对应的灰阶区间,然后根据游程方向获取同灰阶像素点的数量,将其存储在灰度游程矩阵对应位置,灰度游程矩阵的行数等于灰阶区间的数量,列数为最大连续同灰阶像素点数量。具体计算灰度游程矩阵方法为现有公知技术,此处不再过多赘述。需要说明的是:由于灰度值的取值为[0,255],因此对于部分灰阶长度而言,在构建其对应的灰度游程矩阵时,最后一个灰度区间的长度达不到对应的灰阶长度,此时便将未达到对应的灰阶长度的灰度区间作为一个灰度区间,构建灰度游程矩阵;例如:当灰阶数量为3,也即灰阶长度为85时,此时在构建灰度游程矩阵时,最后一个灰度区间只存在一个灰度值,对于这种情况,无需进行任何处理,其对后续分析结果影响不大。
对于第k种灰阶区间长度对应的灰度游程矩阵:
分别将该灰度游程矩阵中每个最大数据值对应的行数与该灰度游程矩阵的总行数的比值记为对应最大数据值的位置参数;将该灰度游程矩阵中所有最大数据值的位置参数的均值,作为目标参数;将该灰度游程矩阵中每个最大数据值的所述位置参数与所述目标参数的差异,作为对应最大数据值的位置差异指标;根据该灰度游程矩阵中所有非零数据值的平均值与该灰度游程矩阵中最大数据值之间的差异、第k种灰阶区间长度、该灰度游程矩阵中每个最大数据值的位置差异指标,得到第k种灰阶区间长度对应的特征值。基于所有种灰阶区间长度对应的特征值获得最优灰阶区间长度。第k种灰阶区间长度对应的特征值的具体计算公式为:
其中,为第k种灰阶区间长度对应的特征值,/>为第k种灰阶区间长度对应的灰度游程矩阵中的最大数据值,/>为该灰度游程矩阵中所有非零数据值的平均值,/>为第k种灰阶区间长度,/>为该灰度游程矩阵中最大数据值的数量,/>为第k种灰阶区间长度对应的灰度游程矩阵中第i个最大数据值的位置参数,/>为第k种灰阶区间长度对应的灰度游程矩阵中所有最大数据值的位置参数的均值,| |为取绝对值符号。
表示第k种灰阶区间长度对应的灰度游程矩阵中所有非零数据值的平均值与该灰度游程矩阵中最大数据值之间的差异,计算该差异与/>的比值是为了统一量纲。/>表示第k种灰阶区间长度,也即第k种灰阶区间中灰度值的数量,其值越大,说明当前灰阶划分越粗糙,单个灰阶内对应图像包含高强度噪声的可能性越大,计算其与256的比值是为了统一量纲。/>表示目标参数,/>表示第k种灰阶区间长度对应的灰度游程矩阵中的第i个最大数据值的位置差异指标,/>表示第k种灰阶区间长度对应的灰度游程矩阵中的所有最大数据值的位置差异指标的均值,该均值越大,说明当前灰阶区间长度将原本包含在正常范围的弱噪声或真实细微纹理划分开的可能性越大,对估测干扰缺陷检测的噪声的强度造成的影响越大,当前灰阶区间长度越不适合用于构建灰度游程矩阵。当第k种灰阶区间长度对应的灰度游程矩阵中所有非零数据值的平均值与该灰度游程矩阵中最大数据值之间的差异越小、第k种灰阶区间长度越长、第k种灰阶区间长度对应的灰度游程矩阵中的所有最大数据值的位置差异指标的均值越大时,说明第k种灰阶区间长度越不适合用于构建灰度游程矩阵,即第k种灰阶区间长度对应的特征值越小。
采用上述方法,能够获得每种灰阶区间长度对应的特征值,特征值越大,说明对应的灰度区间长度越适合用于构建灰度游程矩阵,也即构建的灰度游程矩阵越能反映待检测TFT阵列基板的灰度图像中像素点的灰度分布情况,因此,本实施例将特征值最大的灰阶区间长度,确定为最优灰阶区间长度,将基于最优灰阶区间长度构建的灰度游程矩阵作为目标灰度游程矩阵。
步骤S3,根据所述目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得综合噪声强度,基于所述综合噪声强度对所述灰度图像进行滤波处理获得去噪后的图像。
本实施例在步骤S2中获得了目标灰度游程矩阵,目标灰度游程矩阵能够更好地反映待检测TFT阵列基板的灰度图像中像素点的灰度分布情况,因此本实施例接下来将基于目标灰度游程矩阵对待检测TFT阵列基板的灰度图像进行分析,判断待检测TFT阵列基板的灰度图像中的噪声强度,进而设置合适的滤波参数,以达到较好的滤波效果,提高后续缺陷检测结果的准确度。
目标灰度游程矩阵中应当存在最大数据值,且最大数据值与其他数据值之间存在较大的数值差,如果目标灰度游程矩阵中仍无法获得这样的最大数据值,则说明待检测TFT阵列基板的灰度图像受噪声干扰较大,因此可以计算目标灰度游程矩阵中的最大数据值与其他数据值的差值,由于待检测TFT阵列基板的灰度图像存在噪声,因此其他数据值中总是会存在类似1的较小数,所以如果这些差值的内部差异较大,即最大数据值无法与其他数据值拉开差距,则说明待检测TFT阵列基板的灰度图像受噪声干扰较大。对于无噪声的图像来说,由于图像中存在较亮的分隔线,灰度游程矩阵中,该最大值与其他非零元素在矩阵中的位置整体存在较大差异,即空间距离相对较大;但受噪声干扰后,由于最大数据值与其他元素数值差异降低,在矩阵中的位置分布差异也会降低,因此本实施例将根据所述目标灰度游程矩阵中非零数据值与最大数据值之间的差异、非零数据值与最大数据值的相对位置分布情况,得到所述灰度图像对应的初始噪声强度,初始噪声强度的具体计算公式为:
其中,为所述灰度图像对应的初始噪声强度,J为目标灰度游程矩阵中非零数据值的数量,/>为目标灰度游程矩阵中第j个非零数据值,/>为目标灰度游程矩阵中的最大数据值,/>为目标灰度游程矩阵中第j个非零数据值与最大数据值的最小欧氏距离,m为目标灰度游程矩阵的行数,n为目标灰度游程矩阵的列数。
表示目标灰度游程矩阵中的最大数据值与第j个非零数据值之间的差异,/>表示目标灰度游程矩阵中的最大数据值与所有非零数据值之间的平均差异,/>能够反映不同差值与平均差异的差异情况,并通过平方放大该差异,/>表示目标灰度游程矩阵中的最大数据值与其他非零数据值差值的整体差异,该差异越大,说明差值越离散,即最大数据值无法与其他非零数据值拉开较大差异,待检测TFT阵列基板的灰度图像中的噪声强度越大。目标灰度游程矩阵中可能存在多个最大数据值,/>表示目标灰度游程矩阵中非零数据值与最大数据值的最小欧氏距离的平均值,能够反映目标灰度游程矩阵中非零数据值与最大数据值的相对距离,目标灰度游程矩阵中非零数据值与最大数据值的最小欧氏距离的平均值越小,说明其对待检测TFT阵列基板的灰度图像的噪声影响程度越大。当目标灰度游程矩阵中的最大数据值与其他非零值差值的整体差异越大、目标灰度游程矩阵中非零数据值与最大数据值的最小欧氏距离的平均值越小时,待检测TFT阵列基板的灰度图像受噪声的干扰程度越大,即待检测TFT阵列基板的灰度图像对应的初始噪声强度越大。
目标灰度游程矩阵的第一列数据值表示待检测TFT阵列基板的灰度图像中不同灰阶游程值为1的像素点的个数,这部分像素在图像上表现为强噪声点。初始噪声强度主要反映噪声随机数的取值范围和空间分布情况,但是对于能够影响缺陷检测结果的强噪声点在评估时也应当进行考虑,可以通过目标灰度游程矩阵第一列数据值的混乱程度反映强噪声对图像的干扰情况,并通过该信息调整初始噪声强度。
具体地,分别将所述目标灰度游程矩阵中第一列中每个数据值与所述目标灰度游程矩阵中第一列所有数据值之和的比值,作为第一列中每个数据值的概率;分别将所述目标灰度游程矩阵中第一列中每个数据值的概率与预设调整参数的和值,作为对应数据值的目标概率,将所述目标灰度游程矩阵中第一列中所有数据值的所述目标概率代入信息熵计算公式中,将计算结果作为噪声强度调节参数。噪声强度调节参数的具体计算公式为:
其中,为噪声强度调节参数,m为目标灰度游程矩阵的行数,/>为目标灰度游程矩阵中第r个数据值,/>为预设调整参数,log( )为以2为底数的对数函数。
表示标灰度游程矩阵中第一列所有数据值之和;噪声强度调节参数的计算公式中引入预设调整参数是为了防止对数函数的真数为0,本实施例中预设调整参数为0.01,在具体应用中,实施者可根据具体情况进行设置,但需要保证预设调整参数大于0。表示目标概率;本实施例结合信息熵计算公式获得噪声强度调节参数,目标灰度游程矩阵中第一列的数据值越混乱,则噪声强度调节参数越大。
噪声强度调节参数越大,说明强噪声在不同灰阶区间出现的随机性越强,待检测TFT阵列基板的灰度图像的噪声程度越高,本实施例接下来将基于噪声强度调节参数对初始噪声强度进行调节,进而确定待检测TFT阵列基板的综合噪声强度,所述初始噪声强度和所述噪声强度调节参数均与所述综合噪声强度呈正相关关系;具体的,计算所述初始噪声强度与所述噪声强度调节参数的和值,获取以自然常数为底数,以负的所述和值为指数的指数函数值;将常数1与所述指数函数值的差值,确定为所述综合噪声强度。综合噪声强度的具体计算公式为:
其中,W为综合噪声强度,为所述灰度图像对应的初始噪声强度,/>为噪声强度调节参数,e为自然常数。
当待检测TFT阵列基板的灰度图像的初始噪声强度越大、噪声强度调节参数越大时,说明待检测TFT阵列基板的灰度图像受到的噪声干扰强度越大,即综合噪声强度越大,后续对应的滤波强度应当越大。
待检测TFT阵列基板生产成本较高,相对的检测过程应当较精细,在经典图像退化系统中,考虑退化函数和加性噪声的情况下,维纳滤波是较为合适的选择。传统的维纳滤波算法通过计算峰值信噪比的倒数结合模板图像获取其滤波强度,但由于待检测TFT阵列基板生产过程及检测图像精度较高,很难获取相对理想的模板图像,因此本实施例将所述综合噪声强度作为维纳滤波时对应的滤波强度,采用维纳滤波算法对待检测TFT阵列基板的灰度图像进行滤波处理,获得去噪后的图像,实现较理想的滤波效果。维纳滤波为现有技术,此处不再过多赘述。
步骤S4,基于所述去噪后的图像对待检测TFT阵列基板进行缺陷检测。
本实施例已经获得了去噪后的图像,去噪后的图像降低甚至消除了噪声的干扰,因此本实施例将基于去噪后的图像对待检测TFT阵列基板的灰度图像进行缺陷检测。
在基于去噪后的图像对待检测TFT阵列基板的灰度图像进行缺陷检测时,可以将待检测TFT阵列基板的灰度图像输入到训练好的神经网络中,利用神经网络提取待检测TFT阵列基板的灰度图像中的缺陷区域,并设置面积阈值,当待检测TFT阵列基板的灰度图像中缺陷区域的面积小于面积阈值时,判定待检测TFT阵列基板的灰度图像的质量合格;当待检测TFT阵列基板的灰度图像中缺陷区域的面积大于或等于面积阈值时,判定待检测TFT阵列基板的灰度图像的质量不合格。本实施例中面积阈值为待检测TFT阵列基板的灰度图像总面积的5%,在具体应用中,实施者可根据具体情况进行设置。
至此,采用本实施例提供的方法完成了对待检测TFT阵列基板的缺陷检测。
本实施例考虑到在构建待检测TFT阵列基板的灰度图像对应的灰度游程矩阵时,灰阶区间的长度会影响后续的分析结果,若灰阶区间的长度过大,则构建的灰度游程矩阵容易丢失噪声信息;若灰阶区间的长度过小,则构建的灰度游程矩阵分布过于混乱,无法分析有效噪声信息,本实施例根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定了最优灰阶区间长度,并将最优灰阶区间长度对应的灰度游程矩阵作为了目标灰度游程矩阵,目标灰度游程矩阵能够更准确地表征待检测TFT阵列基板的灰度图像中像素点的灰度分布特征,与现有灰阶区间划分过程相比,在保证灰度游程矩阵体现噪声信息的同时大幅减少了计算成本,提升了检测效率,本实施例通过目标灰度游程矩阵表现的图像纹理信息更准确地获取图像的综合噪声强度,使得后续的滤波效果更好,能够有效地提高TFT阵列基板缺陷检测结果的准确精度。本实施例利用目标灰度游程矩阵评估待检测TFT阵列基板的灰度图像的噪声强度,通过分析目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得了综合噪声强度,并基于综合噪声强度对待检测TFT阵列基板的灰度图像进行去噪处理,使去噪结果更理想。
基于机器视觉的TFT阵列基板图像的去噪方法实施例:
TFT阵列基板往往由数块小型阵列基板组成,其表面成膜电路元件较微小,而机器视觉检测时,图像的采集、传输及检测过程易受到噪声干扰,使本就微小的各元器件图像显示失真,因此往往需要对采集到的初始图像进行去噪处理,以消除噪声对分析结果的影响,但现有的去噪算法对TFT阵列基板图像进行去噪处理时的去噪效果较差。
为了解决现有方法在对TFT阵列基板图像进行去噪处理时存在的去噪效果较差的问题,本发明的目的在于提供一种基于机器视觉的TFT阵列基板图像的去噪方法,所采用的技术方案具体如下:
本实施例提出了基于机器视觉的TFT阵列基板图像的去噪方法,如图2所示,本实施例的基于机器视觉的TFT阵列基板图像的去噪方法包括以下步骤:
步骤S001,获取待检测TFT阵列基板的灰度图像。
步骤S002,基于所述灰度图像中像素点的灰度值构建不同灰阶区间长度对应的灰度游程矩阵,根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定最优灰阶区间长度;将最优灰阶区间长度对应的灰度游程矩阵作为目标灰度游程矩阵。
步骤S003,根据所述目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得综合噪声强度,基于所述综合噪声强度对所述灰度图像进行滤波处理获得去噪后的图像。
其中,步骤S001~步骤S003在基于机器视觉的TFT阵列基板缺陷检测方法实施例的步骤S1~步骤S3中已经进行了详细说明,不再赘述。
本实施例提供的基于机器视觉的TFT阵列基板图像的去噪方法具有如下有益效果:
本实施例考虑到在构建待检测TFT阵列基板的灰度图像对应的灰度游程矩阵时,灰阶区间的长度会影响后续的分析结果,若灰阶区间的长度过大,则构建的灰度游程矩阵容易丢失噪声信息;若灰阶区间的长度过小,则构建的灰度游程矩阵分布过于混乱,无法分析有效噪声信息,本实施例根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定了最优灰阶区间长度,并将最优灰阶区间长度对应的灰度游程矩阵作为了目标灰度游程矩阵,目标灰度游程矩阵能够更准确地表征待检测TFT阵列基板的灰度图像中像素点的灰度分布特征,与现有灰阶区间划分过程相比,在保证灰度游程矩阵体现噪声信息的同时大幅减少了计算成本,提升了检测效率,本实施例通过目标灰度游程矩阵表现的图像纹理信息更准确地获取图像的综合噪声强度,使得后续的滤波效果更好。本实施例利用目标灰度游程矩阵评估待检测TFT阵列基板的灰度图像的噪声强度,通过分析目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得了综合噪声强度,并基于综合噪声强度对待检测TFT阵列基板的灰度图像进行去噪处理,使去噪结果更理想。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于机器视觉的TFT阵列基板缺陷检测方法,其特征在于,该方法包括以下步骤:
获取待检测TFT阵列基板的灰度图像;
基于所述灰度图像中像素点的灰度值构建不同灰阶区间长度对应的灰度游程矩阵,根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定最优灰阶区间长度;将最优灰阶区间长度对应的灰度游程矩阵作为目标灰度游程矩阵;
根据所述目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得综合噪声强度,基于所述综合噪声强度对所述灰度图像进行滤波处理获得去噪后的图像;
基于所述去噪后的图像对待检测TFT阵列基板进行缺陷检测;
所述根据每种灰阶区间长度对应的灰度游程矩阵中数据值的分布情况以及位置分布情况,确定最优灰阶区间长度,包括:
对于第k种灰阶区间长度对应的灰度游程矩阵:分别将该灰度游程矩阵中每个对应最大数据值的元素所在的行数与该灰度游程矩阵的总行数的比值记为对应最大数据值所在位置的位置参数;将该灰度游程矩阵中所有最大数据值的位置参数的均值,作为目标参数;将该灰度游程矩阵中每个最大数据值的所述位置参数与所述目标参数的差异,作为对应最大数据值的位置差异指标;
根据第k种灰阶区间长度对应的灰度游程矩阵中所有非零数据值的平均值与第k种灰阶区间长度对应的灰度游程矩阵中最大数据值之间的差异、第k种灰阶区间长度、第k种灰阶区间长度对应的灰度游程矩阵中每个最大数据值的位置差异指标,得到第k种灰阶区间长度对应的特征值;
基于所有种灰阶区间长度对应的特征值获得最优灰阶区间长度;
采用如下公式计算第k种灰阶区间长度对应的特征值:
其中,为第k种灰阶区间长度对应的特征值,/>为第k种灰阶区间长度对应的灰度游程矩阵中的最大数据值,/>为第k种灰阶区间长度对应的灰度游程矩阵中所有非零数据值的平均值,/>为第k种灰阶区间长度,/>为第k种灰阶区间长度对应的灰度游程矩阵中最大数据值的数量,/>为第k种灰阶区间长度对应的灰度游程矩阵中第i个最大数据值的位置参数,/>为第k种灰阶区间长度对应的灰度游程矩阵中所有最大数据值的位置参数的均值,| |为取绝对值符号;
所述根据所述目标灰度游程矩阵中非零数据值与最大数据值的相对位置分布情况以及数据值之间的差异情况,获得综合噪声强度,包括:
根据所述目标灰度游程矩阵中非零数据值与最大数据值之间的差异、非零数据值与最大数据值的相对位置分布情况,得到所述灰度图像对应的初始噪声强度;
分别将所述目标灰度游程矩阵中第一列中每个数据值与所述目标灰度游程矩阵中第一列所有数据值之和的比值,作为第一列中每个数据值的概率;根据所述目标灰度游程矩阵中第一列中所有数据值的概率,得到噪声强度调节参数;
基于所述初始噪声强度和所述噪声强度调节参数获得综合噪声强度,所述初始噪声强度和所述噪声强度调节参数均与所述综合噪声强度呈正相关关系。
2.根据权利要求1所述的基于机器视觉的TFT阵列基板缺陷检测方法,其特征在于,所述基于所有种灰阶区间长度对应的特征值获得最优灰阶区间长度,包括:
将特征值最大的灰阶区间长度,确定为最优灰阶区间长度。
3.根据权利要求1所述的基于机器视觉的TFT阵列基板缺陷检测方法,其特征在于,采用如下公式计算所述灰度图像对应的初始噪声强度:
其中,为所述灰度图像对应的初始噪声强度,J为目标灰度游程矩阵中非零数据值的数量,/>为目标灰度游程矩阵中第j个非零数据值,/>为目标灰度游程矩阵中的最大数据值,/>为目标灰度游程矩阵中第j个非零数据值与最大数据值的最小欧氏距离,m为目标灰度游程矩阵的行数,n为目标灰度游程矩阵的列数。
4.根据权利要求1所述的基于机器视觉的TFT阵列基板缺陷检测方法,其特征在于,根据所述目标灰度游程矩阵中第一列中所有数据值的概率,得到噪声强度调节参数,包括:
基于所述目标灰度游程矩阵中第一列中所有数据值的概率和信息熵的计算公式,获得噪声强度调节参数。
5.根据权利要求1所述的基于机器视觉的TFT阵列基板缺陷检测方法,其特征在于,基于所述初始噪声强度和所述噪声强度调节参数获得综合噪声强度,包括:
计算所述初始噪声强度与所述噪声强度调节参数的和值,获取以自然常数为底数,以负的所述和值为指数的指数函数值;
将常数1与所述指数函数值的差值,确定为所述综合噪声强度。
6.根据权利要求1所述的基于机器视觉的TFT阵列基板缺陷检测方法,其特征在于,所述基于所述综合噪声强度对所述灰度图像进行滤波处理获得去噪后的图像,包括:
将所述综合噪声强度作为维纳滤波时对应的滤波强度,采用维纳滤波算法对所述灰度图像进行滤波处理,获得去噪后的图像。
7.根据权利要求4所述的基于机器视觉的TFT阵列基板缺陷检测方法,其特征在于,基于所述目标灰度游程矩阵中第一列中所有数据值的概率和信息熵的计算公式,获得噪声强度调节参数,包括:
分别将所述目标灰度游程矩阵中第一列中每个数据值的概率与预设调整参数的和值,作为对应数据值的目标概率,将所述目标灰度游程矩阵中第一列中所有数据值的所述目标概率代入信息熵计算公式中,将计算结果作为噪声强度调节参数;其中,预设调整参数大于0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235341.2A CN116993718B (zh) | 2023-09-25 | 2023-09-25 | 基于机器视觉的tft阵列基板缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235341.2A CN116993718B (zh) | 2023-09-25 | 2023-09-25 | 基于机器视觉的tft阵列基板缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993718A CN116993718A (zh) | 2023-11-03 |
CN116993718B true CN116993718B (zh) | 2023-12-22 |
Family
ID=88534005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311235341.2A Active CN116993718B (zh) | 2023-09-25 | 2023-09-25 | 基于机器视觉的tft阵列基板缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649451B (zh) * | 2024-01-30 | 2024-04-30 | 深圳互喜智联科技有限公司 | 一种用于寻边器晶圆定位的视觉定位方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548193A (zh) * | 2014-10-22 | 2016-05-04 | 东友精细化工有限公司 | 缺陷检测系统和方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN108460757A (zh) * | 2018-02-11 | 2018-08-28 | 深圳市鑫信腾科技有限公司 | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 |
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
CN111474177A (zh) * | 2020-05-06 | 2020-07-31 | 深圳市斑马视觉科技有限公司 | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 |
CN111612781A (zh) * | 2020-05-27 | 2020-09-01 | 歌尔股份有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
CN115082458A (zh) * | 2022-08-18 | 2022-09-20 | 南通睿谷纺织科技有限公司 | 一种基于灰度游程矩阵的纺织材料疵点分析方法 |
CN115222729A (zh) * | 2022-04-24 | 2022-10-21 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及系统 |
CN115359053A (zh) * | 2022-10-19 | 2022-11-18 | 江苏万森绿建装配式建筑有限公司 | 一种金属板材缺陷智能检测方法及系统 |
CN115471465A (zh) * | 2022-08-29 | 2022-12-13 | 中国计量大学 | 一种基于差影法的tft基板线路缺陷检测方法 |
CN115684176A (zh) * | 2022-10-24 | 2023-02-03 | 浙江荣图智能科技有限公司 | 一种薄膜表面缺陷在线视觉检测系统 |
CN116091455A (zh) * | 2023-01-30 | 2023-05-09 | 南通海驹钢结构有限公司 | 基于机器视觉的钢网表面缺陷判定方法 |
CN116309510A (zh) * | 2023-03-29 | 2023-06-23 | 清华大学 | 数控加工表面缺陷定位方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369650B2 (en) * | 2003-09-30 | 2013-02-05 | DigitalOptics Corporation Europe Limited | Image defect map creation using batches of digital images |
US9805458B2 (en) * | 2016-03-23 | 2017-10-31 | Communications Test Design, Inc. | Method and system for detecting defective pixels and screen imperfections of a mobile device |
CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
CN108281120B (zh) * | 2018-01-27 | 2020-04-10 | 深圳市华星光电半导体显示技术有限公司 | 显示面板的Mura修补方法 |
US10957034B2 (en) * | 2019-01-17 | 2021-03-23 | Applied Materials Israel Ltd. | Method of examination of a specimen and system thereof |
CN110414538B (zh) * | 2019-07-24 | 2022-05-27 | 京东方科技集团股份有限公司 | 缺陷分类方法、缺陷分类训练方法及其装置 |
-
2023
- 2023-09-25 CN CN202311235341.2A patent/CN116993718B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548193A (zh) * | 2014-10-22 | 2016-05-04 | 东友精细化工有限公司 | 缺陷检测系统和方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN108460757A (zh) * | 2018-02-11 | 2018-08-28 | 深圳市鑫信腾科技有限公司 | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 |
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
CN111474177A (zh) * | 2020-05-06 | 2020-07-31 | 深圳市斑马视觉科技有限公司 | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 |
CN111612781A (zh) * | 2020-05-27 | 2020-09-01 | 歌尔股份有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
CN115222729A (zh) * | 2022-04-24 | 2022-10-21 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及系统 |
CN115082458A (zh) * | 2022-08-18 | 2022-09-20 | 南通睿谷纺织科技有限公司 | 一种基于灰度游程矩阵的纺织材料疵点分析方法 |
CN115471465A (zh) * | 2022-08-29 | 2022-12-13 | 中国计量大学 | 一种基于差影法的tft基板线路缺陷检测方法 |
CN115359053A (zh) * | 2022-10-19 | 2022-11-18 | 江苏万森绿建装配式建筑有限公司 | 一种金属板材缺陷智能检测方法及系统 |
CN115684176A (zh) * | 2022-10-24 | 2023-02-03 | 浙江荣图智能科技有限公司 | 一种薄膜表面缺陷在线视觉检测系统 |
CN116091455A (zh) * | 2023-01-30 | 2023-05-09 | 南通海驹钢结构有限公司 | 基于机器视觉的钢网表面缺陷判定方法 |
CN116309510A (zh) * | 2023-03-29 | 2023-06-23 | 清华大学 | 数控加工表面缺陷定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116993718A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116993718B (zh) | 基于机器视觉的tft阵列基板缺陷检测方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN116452598B (zh) | 基于计算机视觉的车桥生产质量快速检测方法及系统 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN116385439A (zh) | 基于图像处理的电机橡胶减震垫质量检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN116912248B (zh) | 基于计算机视觉的不规则五金件表面缺陷检测方法 | |
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 | |
CN109064479B (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
CN115661143B (zh) | 用于MiniLED晶圆缺陷的快速检测系统 | |
CN114612345A (zh) | 一种基于图像处理的光源检测方法 | |
CN108305270B (zh) | 一种基于手机拍照的仓储粮虫计数系统及方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117557820A (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN117173160B (zh) | 基于图像处理的房车部件质量检测方法 | |
CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
CN117437223A (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN110211105B (zh) | 一种模糊图像检测方法、装置及系统 | |
CN109064441B (zh) | 基于独立成分自适应选择的Mura侦测方法 | |
CN116503370A (zh) | 烟丝宽度的确定方法、装置、电子设备及存储介质 | |
CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 |
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 |