CN117173168B - 基于人工智能的oled显示屏质量检测方法 - Google Patents
基于人工智能的oled显示屏质量检测方法 Download PDFInfo
- Publication number
- CN117173168B CN117173168B CN202311443630.1A CN202311443630A CN117173168B CN 117173168 B CN117173168 B CN 117173168B CN 202311443630 A CN202311443630 A CN 202311443630A CN 117173168 B CN117173168 B CN 117173168B
- Authority
- CN
- China
- Prior art keywords
- image block
- image
- defect
- area
- display screen
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 186
- 230000005856 abnormality Effects 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000002950 deficient Effects 0.000 claims description 89
- 238000000034 method Methods 0.000 claims description 77
- 230000008569 process Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于人工智能的OLED显示屏质量检测方法,包括:采集OLED显示屏灰度图像;根据OLED显示屏灰度图像得到OLED左侧区域与OLED右侧区域,从而得到初始缺陷连通域;根据初始缺陷连通域得到区域相似程度;根据区域相似程度得到若干缺陷图像块;获取区域异常差异程度;根据区域异常差异程度得到缺陷面积;根据区域异常差异程度以及缺陷面积,得到每个缺陷图像块在每个自旋度数下缺陷圆区域的第二异常程度;根据第二异常程度得到像素点的引导因子;根据引导因子进行质量检测。本发明降低了引导滤波对像素点进行滤波的误差,提高了OLED显示屏质量检测结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于人工智能的OLED显示屏质量检测方法。
背景技术
OLED显示屏作为手机部件的主要部件之一,其外观的质量直接影响着手机最终的交易额,为了保证交易额的正常额度,需要对OLED显示屏进行质量检测;在利用人工智能技术对OLED显示屏进行质量检测时,由于机器以及场景环境的影响,使采集的OLED显示屏图像存在噪声,其对缺陷检测的结果准确度产生影响,为了使OLED显示屏的质量检测结果尽可能准确,需要对采集的OLED显示屏图像进行去噪处理。
OLED显示屏的传统去噪方法是利用引导滤波算法对OLED显示屏进行去噪,但由于引导滤波算法无法有效区分OLED显示屏的噪声区域与缺陷区域,无法对OLED显示屏的不同缺陷区域进行自适应去噪,降低OLED显示屏质量检测结果的准确性。
发明内容
本发明提供基于人工智能的OLED显示屏质量检测方法,以解决现有的问题:传统引导滤波算法无法有效区分OLED显示屏的噪声区域与缺陷区域,无法对OLED显示屏的不同缺陷区域进行自适应去噪,降低OLED显示屏质量检测结果的准确性。
本发明的基于人工智能的OLED显示屏质量检测方法采用如下技术方案:
包括以下步骤:
采集若干OLED显示屏灰度图像;
根据OLED显示屏灰度图像得到每个OLED左侧区域与每个OLED右侧区域,所述OLED左侧区域中包含多个图像块,OLED右侧区域中包含多个图像块;根据OLED左侧区域与OLED右侧区域得到若干初始缺陷连通域;根据初始缺陷连通域得到若干区域相似程度;根据区域相似程度得到每张OLED显示屏灰度图像中若干缺陷图像块;
获取每个缺陷图像块的缺陷圆区域的区域异常差异程度;得到每个缺陷图像块的缺陷圆区域的缺陷面积;根据区域异常差异程度以及缺陷面积,得到每个缺陷图像块在每个自旋度数下缺陷圆区域的异常程度;
根据异常程度得到每个缺陷图像块内若干像素点的引导因子;根据引导因子得到每张去噪的OLED显示屏灰度图像,利用神经网络对去噪的OLED显示屏灰度图像进行质量检测。
优选的,所述根据OLED显示屏灰度图像得到每个OLED左侧区域与每个OLED右侧区域,包括的具体方法为:
将预设的灰度级数量以及分块数量分别记为T1、T2;对于任意一张OLED显示屏灰度图像,将OLED显示屏灰度图像的所有灰度值均分为T1个灰度级;沿竖直方向作一条过OLED显示屏灰度图像中心的直线,记为参考区域轴;将参考区域轴左侧的图像区域记为OLED左侧区域,将参考区域轴右侧的图像区域记为OLED右侧区域;将OLED左侧区域与OLED右侧区域分别均分为T2个图像块。
优选的,所述根据OLED左侧区域与OLED右侧区域得到若干初始缺陷连通域,包括的具体方法为:
将任意一个OLED左侧区域中任意一个图像块记为目标图像块,以参考区域轴作为对称轴,获取目标图像块在OLED右侧区域中对称的图像块,记为目标图像块的右侧对称图像块;将目标图像块与目标图像块的右侧对称图像块相减得到差值图像,记为目标图像块的对称差值图像;获取目标图像块的对称差值图像中所有连通域的面积,并将对称差值图像中灰度值不为0的连通域记为初始缺陷连通域。
优选的,所述根据初始缺陷连通域得到若干区域相似程度,包括的具体方法为:
对于任意一个OLED左侧区域中任意一个图像块,获取图像块的面积;
式中,表示图像块与图像块的右侧对称图像块的区域相似程度;/>表示图像块的对称差值图像中初始缺陷连通域的数量;/>表示图像块的对称差值图像中第/>个初始缺陷连通域的面积;/>表示图像块的面积;/>表示以自然常数为底的指数函数。
优选的,所述根据区域相似程度得到每张OLED显示屏灰度图像中若干缺陷图像块,包括的具体方法为:
对于任意一个OLED左侧区域中任意一个图像块,将图像块八邻域内的每个图像块记为图像块的邻域图像块;
式中,表示图像块的区域第一异常程度;/>表示图像块与图像块的右侧对称图像块的区域相似程度;/>表示图像块的邻域图像块的数量;/>表示图像块的第/>个邻域图像块与第/>个邻域图像块的右侧对称图像块的区域相似程度;/>表示以自然常数为底的指数函数;
将预设的区域第一异常阈值记为T3,若图像块的区域第一异常程度大于T3,将图像块记为缺陷图像块。
优选的,所述获取每个缺陷图像块的缺陷圆区域的区域异常差异程度,包括的具体方法为:
对于任意一张OLED显示屏灰度图像中任意一块缺陷图像块,将缺陷图像块的八邻域内每个缺陷图像块记为缺陷图像块的邻域缺陷图像块;将包含缺陷图像块的所有邻域图像块的最小外接圆所占的图像区域记为缺陷图像块的缺陷圆区域;
式中,表示缺陷图像块的缺陷圆区域的区域异常差异程度;/>表示缺陷图像块的邻域缺陷图像块的数量;/>表示缺陷图像块的第/>个邻域缺陷图像块的区域第一异常程度;/>表示预设的超参数。
优选的,所述得到每个缺陷图像块的缺陷圆区域的缺陷面积,包括的具体方法为:
对于任意一张OLED显示屏灰度图像中任意一块缺陷图像块,式中,表示缺陷图像块的缺陷圆区域的缺陷面积;/>表示缺陷图像块的邻域缺陷图像块的数量;/>表示缺陷图像块的第/>个邻域缺陷图像块的对称差值图像中初始缺陷连通域的数量;/>表示缺陷图像块的第/>个邻域缺陷图像块的对称差值图像中,第/>个初始缺陷连通域的面积。
优选的,所述根据区域异常差异程度以及缺陷面积,得到每个缺陷图像块在每个自旋度数下缺陷圆区域的异常程度,包括的具体方法为:
将缺陷图像块的缺陷圆区域自旋转a度,其中a表示自旋度数,其值为1、2、3、……、360;将缺陷图像块在没有进行自旋之前的缺陷圆区域记为初始参考圆区域,将缺陷图像块在每个自旋度数下的缺陷圆区域记为参考圆区域,将初始参考圆区域到参考圆区域中灰度值发生变化的像素点记为参考变化点;
式中,表示缺陷图像块在自旋度数下缺陷圆区域的异常程度;/>表示缺陷图像块的缺陷圆区域的区域异常差异程度;/>表示缺陷图像块的缺陷圆区域的缺陷面积;/>表示参考变化点的数量。
优选的,所述根据异常程度得到每个缺陷图像块内若干像素点的引导因子,包括的具体方法为:
对于OLED显示屏灰度图像中任意一个缺陷图像块内任意一个像素点,利用引导滤波获取像素点的权重系数;
式中,表示像素点的引导因子;/>表示像素点的权重系数;/>表示像素点所属缺陷图像块在所有自旋度数下缺陷圆区域的异常程度的标准差。
优选的,所述根据引导因子得到每张去噪的OLED显示屏灰度图像,利用神经网络对去噪的OLED显示屏灰度图像进行质量检测,包括的具体方法为:
对于任意一张OLED显示屏灰度图像,将OLED显示屏灰度图像作为引导图,将OLED显示屏灰度图像中所有缺陷图像块内所有像素点的权重系数替换为引导因子,根据引导因子进行引导滤波得到去噪的OLED显示屏灰度图像,获取所有去噪的OLED显示屏灰度图像;将每张去噪后的OLED显示屏灰度图像输入训练好的神经网络中获取每张去噪后的OLED显示屏灰度图像中的若干缺陷区域。
本发明的技术方案的有益效果是:根据OLED显示屏灰度图像得到若干初始缺陷连通域,根据初始缺陷连通域得到若干区域相似程度,根据区域相似程度得到若干缺陷图像块,根据缺陷图像块得到区域异常差异程度,根据区域异常差异程度得到若干异常程度,根据异常程度得到若干引导因子,根据引导因子进行质量检测;相较于现有技术无法有效区分OLED显示屏的噪声区域与缺陷区域,无法对OLED显示屏的不同缺陷区域进行自适应去噪;本发明的区域相似程度反映了图像块与图像块的右侧对称图像块之间内容的相似度,异常程度反映了缺陷图像块在自旋度数下的缺陷变化程度,降低了引导滤波对像素点进行滤波的误差,提高了OLED显示屏质量检测结果的准确性。
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为本发明基于人工智能的OLED显示屏质量检测方法的步骤流程图。
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基于人工智能的OLED显示屏质量检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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基于人工智能的OLED显示屏质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的OLED显示屏质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干OLED显示屏灰度图像。
需要说明的是,OLED显示屏的传统去噪方法是利用引导滤波算法对OLED显示屏进行去噪,但由于引导滤波算法无法有效区分OLED显示屏的噪声区域与缺陷区域,无法对OLED显示屏的不同缺陷区域进行自适应去噪,降低OLED显示屏质量检测结果的准确性。为此,本实施例提出了基于人工智能的OLED显示屏质量检测方法。
具体的,为了实现本实施例提出的基于人工智能的OLED显示屏质量检测方法,首先需要采集OLED显示屏灰度图像,具体过程为:利用工业相机拍摄若干OLED显示屏得到若干OLED显示屏图像,将每张OLED显示屏图像进行灰度化处理得到若干灰度图像,记为OLED显示屏灰度图像。其中灰度化处理是公知技术,本实施例不进行叙述。
至此,通过上述方法得到所有OLED显示屏灰度图像。
步骤S002:根据OLED显示屏灰度图像得到每个OLED左侧区域与每个OLED右侧区域;根据OLED左侧区域与OLED右侧区域得到若干初始缺陷连通域;根据初始缺陷连通域得到若干区域相似程度;根据区域相似程度得到每张OLED显示屏灰度图像中若干缺陷图像块。
需要说明的是,对于OLED显示屏而言,OLED显示屏的灰度图像中存在边框区域与显示区域,其中显示区域中则主要为完全透明的玻璃屏区域,形状受其型号的限制;边框区域中有听筒、前置摄像头、按键等部分,这些部分的形状多数为圆形或者圆角矩形,存在一定的旋转相似度;所以可以通过分析局部图像的相似度得到区域第一异常程度,以便后续分析异常处理。
具体的,预设一个灰度级数量T1以及一个分块数量T2,其中本实施例以T1=32、T2=16为例进行叙述,本实施例不进行具体限定,其中T1、T2可根据具体实施情况而定;以任意一张OLED显示屏灰度图像为例,将该OLED显示屏灰度图像的所有灰度值均分为T1个灰度级;沿竖直方向作一条过该OLED显示屏灰度图像中心的直线,记为参考区域轴;将该参考区域轴左侧的图像区域记为OLED左侧区域,将该参考区域轴右侧的图像区域记为OLED右侧区域;将OLED左侧区域与OLED右侧区域分别均分为T2个图像块。其中OLED左侧区域包含T2个图像块,OLED右侧区域包含T2个图像块,每个图像块包含多个灰度级。
进一步的,以OLED左侧区域中任意一个图像块为例,以参考区域轴作为对称轴,获取该图像块在OLED右侧区域中对称的图像块,记为该图像块的右侧对称图像块;将该图像块与该图像块的右侧对称图像块相减得到差值图像,记为该图像块的对称差值图像,其中将灰度值的差值不为0的像素点的灰度值记为255,将灰度值的差值为0的像素点的灰度值记为0;获取该图像块的对称差值图像中所有连通域的面积,并将灰度值不为0的连通域记为初始缺陷连通域。其中OLED左侧区域中每个图像块在OLED右侧区域中都存在一块与其对称的图像块;连通域面积的获取是公知技术,本实施例不进行叙述。
进一步的,获取该图像块的面积,根据该图像块的面积以及该图像块的对称差值图像中所有初始连通域的面积,得到该图像块与该图像块的右侧对称图像块的区域相似程度。其中图像块面积的获取是公知内容,本实施例不进行叙述;另外该图像块与该图像块的右侧对称图像块的区域相似程度的计算方法为:
式中,表示该图像块与该图像块的右侧对称图像块的区域相似程度;/>表示该图像块的对称差值图像中初始缺陷连通域的数量;/>表示该图像块的对称差值图像中第/>个初始缺陷连通域的面积;/>表示该图像块的面积;/>表示以自然常数为底的指数函数;实施例采用/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比例函数及归一化函数。其中若该图像块与该图像块的右侧对称图像块的区域相似程度越大,说明该图像块与该图像块的右侧对称图像块之间的灰度分布差异越小,反映该图像块与该图像块的右侧对称图像块之间的内容越相似。
进一步的,将该图像块视为一个像素点,将该图像块八邻域内每个图像块记为该图像块的邻域图像块;根据该图像块与该图像块的右侧对称图像块的区域相似程度以及邻域图像块,得到该图像块的区域第一异常程度;其中该图像块的区域第一异常程度的计算方法为:
式中,表示该图像块的区域第一异常程度;/>表示该图像块与该图像块的右侧对称图像块的区域相似程度;/>表示该图像块的邻域图像块的数量;/>表示该图像块的第/>个邻域图像块与第/>个邻域图像块的右侧对称图像块的区域相似程度;/>表示以自然常数为底的指数函数;实施例采用/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比例函数及归一化函数;/>表示该图像块与该图像块的邻域图像块的总数量。其中若该图像块的区域第一异常程度越大,说明该图像块以及周围区域与OLED右侧区域中对称区域的变化差异越小,反映该图像块以及周围区域与OLED右侧区域中对称区域的相似度越大。
进一步的,预设一个区域第一异常阈值T3,其中本实施例以T3=0.6为例进行叙述,本实施例不进行具体限定,其中T3可根据具体实施情况而定;若该图像块的区域第一异常程度大于区域第一异常阈值T3,将该图像块记为缺陷图像块。获取该OLED显示屏灰度图像中所有缺陷图像块;获取所有OLED显示屏灰度图像中所有缺陷图像块。
至此,通过上述方法得到所有OLED显示屏灰度图像中所有缺陷图像块。
步骤S003:获取每个缺陷图像块的缺陷圆区域的区域异常差异程度;根据区域异常差异程度得到每个缺陷图像块的缺陷圆区域的缺陷面积;根据区域异常差异程度以及缺陷面积,得到每个缺陷图像块在每个自旋度数下缺陷圆区域的异常程度。
需要说明的是,由于缺陷以及缺陷周围存在的缺陷变化存在不同程度的差异,根据缺陷进行自适应去噪时的强度也会不同,所以还需要对获取的缺陷图像块周围的缺陷变化进行分析。本实施例通过将相邻的缺陷图像块进行拼接,利用缺陷的邻域灰度分布特点,通过分析拼接后图像块的旋转放射变化过程中的变化特点,得到异常程度,以便后续进行分析。
具体的,以任意一张OLED显示屏灰度图像中任意一块缺陷图像块为例,将该缺陷图像块视为一个像素点,将该缺陷图像块的八邻域内每个缺陷图像块记为该缺陷图像块的邻域缺陷图像块;将包含该缺陷图像块的所有邻域图像块的最小外接圆所占的图像区域记为该缺陷图像块的缺陷圆区域;将该缺陷图像块的缺陷圆区域自旋转a度,其中a表示自旋度数,其值为1、2、3、……、360。其中该缺陷图像块的缺陷圆区域内包含该缺陷图像块的所有邻域缺陷图像块;最小外接圆的获取是公知内容,本实施例不进行叙述。
进一步的,获取该缺陷图像块的缺陷圆区域的区域异常差异程度;其中该缺陷图像块的缺陷圆区域的区域异常差异程度的计算方法为:
式中,表示该缺陷图像块的缺陷圆区域的区域异常差异程度;/>表示该缺陷图像块的邻域缺陷图像块的数量;/>表示该缺陷图像块的第/>个邻域缺陷图像块的区域第一异常程度;/>表示预设的超参数,本实施例预设/>,用于防止分母为0。其中若该缺陷图像块的区域差异程度越大,说明该缺陷图像块的缺陷圆区域内的缺陷分布差异越大。
进一步的,获取该缺陷图像块的缺陷圆区域的缺陷面积;其中该缺陷图像块的缺陷圆区域的缺陷面积的计算方法为:
式中,表示该缺陷图像块的缺陷圆区域的缺陷面积;/>表示该缺陷图像块的邻域缺陷图像块的数量;/>表示该缺陷图像块的第/>个邻域缺陷图像块的对称差值图像中初始缺陷连通域的数量;/>表示该缺陷图像块的第/>个邻域缺陷图像块的对称差值图像中,第/>个初始缺陷连通域的面积。其中若该缺陷图像块的缺陷圆区域的缺陷面积越大,说明该缺陷图像块的缺陷圆区域内的缺陷分布越广。
进一步的,以该缺陷图像块的缺陷圆区域的任意一个自旋度数为例,将该缺陷图像块在没有进行自旋之前的缺陷圆区域记为初始参考圆区域,将该缺陷图像块在该自旋度数下的缺陷圆区域记为参考圆区域,将初始参考圆区域到参考圆区域中灰度值发生变化的像素点记为参考变化点;根据区域异常差异程度、缺陷面积以及参考变化点,得到该缺陷图像块在该自旋度数下缺陷圆区域的异常程度;其中该缺陷图像块在该自旋度数下缺陷圆区域的异常程度的计算方法为:
式中,表示该缺陷图像块在该自旋度数下缺陷圆区域的异常程度;/>表示该缺陷图像块的缺陷圆区域的区域异常差异程度;/>表示该缺陷图像块的缺陷圆区域的缺陷面积;/>表示参考变化点的数量。其中该缺陷图像块在该自旋度数下缺陷圆区域的异常程度越大,说明该缺陷图像块在该自旋度数下缺陷变化程度越剧烈。获取该缺陷图像块在所有自旋度数下缺陷圆区域的异常程度;获取该OLED显示屏灰度图像中所有缺陷图像块在所有自旋度数下缺陷圆区域的异常程度。
至此,通过上述方法得到该OLED显示屏灰度图像中所有缺陷图像块在所有自旋度数下缺陷圆区域的异常程度。
步骤S004:根据异常程度得到每个缺陷图像块内若干像素点的引导因子;根据引导因子得到每张去噪的OLED显示屏灰度图像,利用神经网络对去噪的OLED显示屏灰度图像进行质量检测。
具体的,以该OLED显示屏灰度图像中任意一个缺陷图像块内任意一个像素点为例,获取该像素点的权重系数;根据该缺陷图像块在所有自旋度数下缺陷圆区域的异常程度以及该像素点的权重系数,得到该像素点的引导因子。其中该像素点的权重系数的获取是引导滤波的公知内容,本实施例不进行叙述;该像素点的引导因子的计算方法为:
式中,表示该像素点的引导因子;/>表示该像素点的权重系数;/>表示该像素点所属缺陷图像块在所有自旋度数下缺陷圆区域的异常程度的标准差。其中该像素点的引导因子越大,说明该像素点越需要进行去噪,反映该像素点原本存在的误差越大。获取该OLED显示屏灰度图像中该缺陷图像块内所有像素点的引导因子;获取该OLED显示屏灰度图像中所有缺陷图像块内所有像素点的引导因子。
进一步的,以该OLED显示屏灰度图像作为引导图,将该OLED显示屏灰度图像中所有缺陷图像块内所有像素点的权重系数替换为引导因子,根据引导因子进行引导滤波得到去噪的OLED显示屏灰度图像,获取所有去噪的OLED显示屏灰度图像;以任意一张去噪后的OLED显示屏灰度图像为例,将该去噪后的OLED显示屏灰度图像输入训练好的神经网络中获取该去噪后的OLED显示屏灰度图像中的若干缺陷区域;其中本实施例使用的神经网络为YOLOv3,训练该神经网络的数据集的获取方法为:
采集大量去噪后的OLED显示屏灰度图像,人为地在每张去噪后的OLED显示屏灰度图像中标记出包围框,将包围框记为每张去噪后的OLED显示屏灰度图像的标签;采集大量的去噪后的OLED显示屏灰度图像以及其对应的标签构成数据集;利用该数据集训练该神经网络,训练过程中使用的损失函数为均方差损失函数;其中具体的训练过程是神经网络的公知内容,本实施例不再赘述具体的训练过程,包围框表示了缺陷的位置信息。
需要说明的是,对于不属于该OLED显示屏灰度图像中所有缺陷图像块内的像素点,还是采用像素点原本的权重系数进行引导滤波;其中根据引导图以及引导因子进行滤波的过程是引导滤波的公知内容,本实施例不进行叙述。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,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.基于人工智能的OLED显示屏质量检测方法,其特征在于,该方法包括以下步骤:
采集若干OLED显示屏灰度图像;
根据OLED显示屏灰度图像得到每个OLED左侧区域与每个OLED右侧区域,所述OLED左侧区域中包含多个图像块,OLED右侧区域中包含多个图像块;根据OLED左侧区域与OLED右侧区域得到若干初始缺陷连通域;根据初始缺陷连通域得到若干区域相似程度;根据区域相似程度得到每张OLED显示屏灰度图像中若干缺陷图像块;
获取每个缺陷图像块的缺陷圆区域的区域异常差异程度;得到每个缺陷图像块的缺陷圆区域的缺陷面积;根据区域异常差异程度以及缺陷面积,得到每个缺陷图像块在每个自旋度数下缺陷圆区域的异常程度;
根据异常程度得到每个缺陷图像块内若干像素点的引导因子;根据引导因子得到每张去噪的OLED显示屏灰度图像,利用神经网络对去噪的OLED显示屏灰度图像进行质量检测;
所述根据OLED显示屏灰度图像得到每个OLED左侧区域与每个OLED右侧区域,包括的具体方法为:
将预设的灰度级数量以及分块数量分别记为T1、T2;对于任意一张OLED显示屏灰度图像,将OLED显示屏灰度图像的所有灰度值均分为T1个灰度级;沿竖直方向作一条过OLED显示屏灰度图像中心的直线,记为参考区域轴;将参考区域轴左侧的图像区域记为OLED左侧区域,将参考区域轴右侧的图像区域记为OLED右侧区域;将OLED左侧区域与OLED右侧区域分别均分为T2个图像块;
所述根据OLED左侧区域与OLED右侧区域得到若干初始缺陷连通域,包括的具体方法为:
将任意一个OLED左侧区域中任意一个图像块记为目标图像块,以参考区域轴作为对称轴,获取目标图像块在OLED右侧区域中对称的图像块,记为目标图像块的右侧对称图像块;将目标图像块与目标图像块的右侧对称图像块相减得到差值图像,记为目标图像块的对称差值图像;获取目标图像块的对称差值图像中所有连通域的面积,并将对称差值图像中灰度值不为0的连通域记为初始缺陷连通域;
得到每个缺陷图像块的缺陷圆区域的缺陷面积,包括的具体方法为:
对于任意一张OLED显示屏灰度图像中任意一块缺陷图像块,式中,表示缺陷图像块的缺陷圆区域的缺陷面积;/>表示缺陷图像块的邻域缺陷图像块的数量;/>表示缺陷图像块的第/>个邻域缺陷图像块的对称差值图像中初始缺陷连通域的数量;/>表示缺陷图像块的第/>个邻域缺陷图像块的对称差值图像中,第/>个初始缺陷连通域的面积。
2.根据权利要求1所述基于人工智能的OLED显示屏质量检测方法,其特征在于,所述根据初始缺陷连通域得到若干区域相似程度,包括的具体方法为:
对于任意一个OLED左侧区域中任意一个图像块,获取图像块的面积;
式中,表示图像块与图像块的右侧对称图像块的区域相似程度;/>表示图像块的对称差值图像中初始缺陷连通域的数量;/>表示图像块的对称差值图像中第/>个初始缺陷连通域的面积;/>表示图像块的面积;/>表示以自然常数为底的指数函数。
3.根据权利要求1所述基于人工智能的OLED显示屏质量检测方法,其特征在于,所述根据区域相似程度得到每张OLED显示屏灰度图像中若干缺陷图像块,包括的具体方法为:
对于任意一个OLED左侧区域中任意一个图像块,将图像块八邻域内的每个图像块记为图像块的邻域图像块;
式中,表示图像块的区域第一异常程度;/>表示图像块与图像块的右侧对称图像块的区域相似程度;/>表示图像块的邻域图像块的数量;/>表示图像块的第/>个邻域图像块与第/>个邻域图像块的右侧对称图像块的区域相似程度;/>表示以自然常数为底的指数函数;
将预设的区域第一异常阈值记为T3,若图像块的区域第一异常程度大于T3,将图像块记为缺陷图像块。
4.根据权利要求3所述基于人工智能的OLED显示屏质量检测方法,其特征在于,所述获取每个缺陷图像块的缺陷圆区域的区域异常差异程度,包括的具体方法为:
对于任意一张OLED显示屏灰度图像中任意一块缺陷图像块,将缺陷图像块的八邻域内每个缺陷图像块记为缺陷图像块的邻域缺陷图像块;将包含缺陷图像块的所有邻域图像块的最小外接圆所占的图像区域记为缺陷图像块的缺陷圆区域;
式中,表示缺陷图像块的缺陷圆区域的区域异常差异程度;/>表示缺陷图像块的邻域缺陷图像块的数量;/>表示缺陷图像块的第/>个邻域缺陷图像块的区域第一异常程度;/>表示预设的超参数。
5.根据权利要求1所述基于人工智能的OLED显示屏质量检测方法,其特征在于,所述根据区域异常差异程度以及缺陷面积,得到每个缺陷图像块在每个自旋度数下缺陷圆区域的异常程度,包括的具体方法为:
将缺陷图像块的缺陷圆区域自旋转a度,其中a表示自旋度数,其值为1、2、3、……、360;将缺陷图像块在没有进行自旋之前的缺陷圆区域记为初始参考圆区域,将缺陷图像块在每个自旋度数下的缺陷圆区域记为参考圆区域,将初始参考圆区域到参考圆区域中灰度值发生变化的像素点记为参考变化点;
式中,表示缺陷图像块在自旋度数下缺陷圆区域的异常程度;/>表示缺陷图像块的缺陷圆区域的区域异常差异程度;/>表示缺陷图像块的缺陷圆区域的缺陷面积;/>表示参考变化点的数量。
6.根据权利要求1所述基于人工智能的OLED显示屏质量检测方法,其特征在于,所述根据异常程度得到每个缺陷图像块内若干像素点的引导因子,包括的具体方法为:
对于OLED显示屏灰度图像中任意一个缺陷图像块内任意一个像素点,利用引导滤波获取像素点的权重系数;
式中,表示像素点的引导因子;/>表示像素点的权重系数;/>表示像素点所属缺陷图像块在所有自旋度数下缺陷圆区域的异常程度的标准差。
7.根据权利要求1所述基于人工智能的OLED显示屏质量检测方法,其特征在于,所述根据引导因子得到每张去噪的OLED显示屏灰度图像,利用神经网络对去噪的OLED显示屏灰度图像进行质量检测,包括的具体方法为:
对于任意一张OLED显示屏灰度图像,将OLED显示屏灰度图像作为引导图,将OLED显示屏灰度图像中所有缺陷图像块内所有像素点的权重系数替换为引导因子,根据引导因子进行引导滤波得到去噪的OLED显示屏灰度图像,获取所有去噪的OLED显示屏灰度图像;将每张去噪后的OLED显示屏灰度图像输入训练好的神经网络中获取每张去噪后的OLED显示屏灰度图像中的若干缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443630.1A CN117173168B (zh) | 2023-11-02 | 2023-11-02 | 基于人工智能的oled显示屏质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443630.1A CN117173168B (zh) | 2023-11-02 | 2023-11-02 | 基于人工智能的oled显示屏质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173168A CN117173168A (zh) | 2023-12-05 |
CN117173168B true CN117173168B (zh) | 2024-02-23 |
Family
ID=88941566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311443630.1A Active CN117173168B (zh) | 2023-11-02 | 2023-11-02 | 基于人工智能的oled显示屏质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173168B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115661136A (zh) * | 2022-12-12 | 2023-01-31 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
CN116703251A (zh) * | 2023-08-08 | 2023-09-05 | 德润杰(山东)纺织科技有限公司 | 基于人工智能的胶圈生产质量检测方法 |
CN116740058A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金胜电子科技有限公司 | 一种固态硬盘配套晶圆的质量检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7021667B2 (ja) * | 2017-05-29 | 2022-02-17 | コニカミノルタ株式会社 | 表面欠陥検査装置および該方法 |
-
2023
- 2023-11-02 CN CN202311443630.1A patent/CN117173168B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115661136A (zh) * | 2022-12-12 | 2023-01-31 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
CN116703251A (zh) * | 2023-08-08 | 2023-09-05 | 德润杰(山东)纺织科技有限公司 | 基于人工智能的胶圈生产质量检测方法 |
CN116740058A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金胜电子科技有限公司 | 一种固态硬盘配套晶圆的质量检测方法 |
Non-Patent Citations (1)
Title |
---|
矿山遥感图像自适应加权改进中值滤波算法;姚薇 等;金属矿山(第04期);第101-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173168A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN115409833B (zh) | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
CN114494210A (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN110232680B (zh) | 一种图像模糊度评价方法及装置 | |
CN115035113B (zh) | 基于x射线的手机数据线生产缺陷无损检测方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN118096796B (zh) | 基于机器学习的径锻钛棒外观视觉检测方法 | |
CN117689655A (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN117611563A (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN101897592B (zh) | X射线影像中金属异物的提取方法和装置 | |
CN106815851A (zh) | 一种基于视觉测量的栅格圆形油位计自动读数方法 | |
CN116977335B (zh) | 一种用于机械零件表面点蚀缺陷的智能检测方法 | |
CN116416164B (zh) | 一种紫外光路成像分辨率优化方法 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN117173168B (zh) | 基于人工智能的oled显示屏质量检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
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 |