CN117522867A - 基于图像特征的显示屏异常颜色检测方法 - Google Patents

基于图像特征的显示屏异常颜色检测方法 Download PDF

Info

Publication number
CN117522867A
CN117522867A CN202410008748.XA CN202410008748A CN117522867A CN 117522867 A CN117522867 A CN 117522867A CN 202410008748 A CN202410008748 A CN 202410008748A CN 117522867 A CN117522867 A CN 117522867A
Authority
CN
China
Prior art keywords
breakpoint
abnormal
display screen
position sequence
sequence
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.)
Granted
Application number
CN202410008748.XA
Other languages
English (en)
Other versions
CN117522867B (zh
Inventor
刘峰
彭文官
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.)
Shenzhen User Special Display Technology Co ltd
Original Assignee
Shenzhen User Special Display 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 Shenzhen User Special Display Technology Co ltd filed Critical Shenzhen User Special Display Technology Co ltd
Priority to CN202410008748.XA priority Critical patent/CN117522867B/zh
Publication of CN117522867A publication Critical patent/CN117522867A/zh
Application granted granted Critical
Publication of CN117522867B publication Critical patent/CN117522867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于图像特征的显示屏异常颜色检测方法，包括：根据断点位置序列之间的距离、所有数据的个数、灰度值的均值和标准差，得到每个断点位置序列之间合并的可能性，获得显示屏图像中的所有异常断点区域；根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点为种子点的可能性，得到每个异常断点区域中的种子点，根据每个异常断点区域与对应的目标像素点的灰度值之间的差异和距离，获得每个异常断点区域修正后的生长参数，得到所有的偏色区域；对偏色区域进行质量评估。本发明更加准确的分割出了偏色区域，提高了显示屏异常检测的准确性。

Description

基于图像特征的显示屏异常颜色检测方法
技术领域
本发明图像处理技术领域，具体涉及基于图像特征的显示屏异常颜色检测方法。
背景技术
显示屏颜色异常即为显示偏色，是指显示屏在显示颜色时与标准颜色有所偏差，这可能是由于硬件问题、校准不良、信号问题或显示器老化等因素引起的。由于偏色异常对于显示观感以及图像分析会产生巨大的影响，因此对于显示屏的颜色显示情况进行出厂检测和校准是非常重要的。
在常规的对显示屏的颜色异常检测时，可以使用阈值分割算法对图像分割，然后对分割后的偏色区域进行检测；但是由于部分偏色区域的偏色程度较小，用阈值分割可能将偏色程度较小的区域分割不出，导致无法检测出显示屏的颜色异常，也就降低了显示屏异常检测的准确性。
发明内容
本发明提供基于图像特征的显示屏异常颜色检测方法，以解决现有的问题。
本发明的基于图像特征的显示屏异常颜色检测方法采用如下技术方案：
本发明一个实施例提供了基于图像特征的显示屏异常颜色检测方法，该方法包括以下步骤：
采集显示屏图像；
根据显示屏图像中像素点之间灰度值的差异获得显示屏图像中所有的断点，根据所有的断点获得所有断点位置序列，获取每个断点位置序列对应的参考断点位置序列，根据每个断点位置序列和对应的每个参考断点位置序列之间的距离、每个断点位置序列中的所有数据的个数、每个断点位置序列中的所有数据的灰度值的均值和标准差，得到每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，根据每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，获得显示屏图像中的所有异常断点区域；
根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点的种子点可能性，根据每个异常断点区域中每个像素点的种子点可能性得到每个异常断点区域中的种子点，获取每个异常断点区域的所有目标像素点，根据每个异常断点区域中所有像素点的灰度值的均值与对应的目标像素点的灰度值之间的差异、每个异常断点区域中种子点与对应的每个目标像素点之间的距离，对每个异常断点区域的生长参数进行修正，得到每个异常断点区域修正后的生长参数，根据每个异常断点区域修正后的生长参数和每个异常断点区域的种子点进行区域生长，得到所有的偏色区域；
对显示屏图像中的所有偏色区域进行异常检测获得显示屏图像的异常检测结果，根据显示屏图像的异常检测结果进行显示屏的质量评估。
进一步地，所述根据显示屏图像中像素点之间灰度值的差异获得显示屏图像中所有的断点，根据所有的断点获得所有断点位置序列，包括的具体步骤如下：
对于显示屏图像中的任意一行，当所述行中第个像素点与第/>个像素点得灰度值不同时，将第/>个像素点记为断点；
以此类推，获取该行中的所有断点；
将每行中连续的所有断点组成一个断点位置序列。
进一步地，所述获取每个断点位置序列对应的参考断点位置序列，包括的具体步骤如下：
将每个断点位置序列相邻的下一行中相连接的断点位置序列记为每个断点位置序列对应的参考断点位置序列。
进一步地，所述根据每个断点位置序列和对应的每个参考断点位置序列之间的距离、每个断点位置序列中的所有数据的个数、每个断点位置序列中的所有数据的灰度值的均值和标准差，得到每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，包括的计算公式如下：
式中，表示第/>个断点位置序列中的所有像素点个数，/>表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点个数，/>表示第/>个断点位置序列中所有像素点的灰度值的均值，/>表示第/>个断点位置序列中所有像素点的灰度值的标准差，/>表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点的灰度值的均值，表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点的灰度值的标准差，/>表示第/>个断点位置序列和对应的第/>个参考断点位置序列之间的距离，/>表示以自然常数为底的指数函数，/>为绝对值符号，/>表示第/>个断点位置序列和对应的第/>个参考断点位置序列之间合并的可能性；
选取每个断点位置序列中的中点，将两个断点位置序列的中点之间的距离作为两个断点位置序列的距离。
进一步地，所述根据每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，获得显示屏图像中的所有异常断点区域，包括的具体步骤如下：
将每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性大于或者等于预设阈值A的每个断点位置序列和对应的每个参考断点位置序列进行合并，将每个断点位置序列和对应的每个参考断点位置序列合并之后的区域记为第一区域，当第一区域之间有交集时，则将有交集的第一区域进行合并，得到显示屏图像中的所有异常断点区域。
进一步地，所述根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点的种子点可能性，包括的计算公式如下：
式中，表示第/>个异常断点区域中第/>个像素点的灰度值，/>表示第/>个异常断点区域中所有像素点的灰度值的均值，/>表示第/>个异常断点区域的形心位置的像素点与第/>个异常断点区域中第/>个像素点之间的距离，/>为绝对值符号，/>表示线性归一化函数，表示第/>个异常断点区域中第/>个像素点的种子点可能性。
进一步地，所述根据每个异常断点区域中每个像素点的种子点可能性得到每个异常断点区域中的种子点，包括的具体步骤如下：
将每个异常断点区域中最大种子点可能性对应像素点记为种子点。
进一步地，所述获取每个异常断点区域的所有目标像素点，包括的具体步骤如下：
将与每个异常断点区域相连接但不属于每个异常断点区域的像素点记为每个异常断点区域的目标像素点；至此，得到每个异常断点区域的所有目标像素点。
进一步地，所述根据每个异常断点区域中所有像素点的灰度值的均值与对应的目标像素点的灰度值之间的差异、每个异常断点区域中种子点与对应的每个目标像素点之间的距离，对每个异常断点区域的生长参数进行修正，得到每个异常断点区域修正后的生长参数，包括的计算公式如下：
式中，表示第/>个异常断点区域的生长参数，/>表示第/>个异常断点区域对应的第/>个目标像素点，/>表示第/>个异常断点区域中所有像素点的灰度值的均值，/>表示第/>个异常断点区域的种子点与对应的第/>个目标像素点之间的距离，/>表示每个异常断点区域对应的所有目标像素点的个数，/>为绝对值符号，/>表示线性归一化函数，/>表示第/>个异常断点区域修正后的生长参数。
进一步地，所述对显示屏图像中的所有偏色区域进行异常检测获得显示屏图像的异常检测结果，根据显示屏图像的异常检测结果进行显示屏的质量评估，包括的具体步骤如下：
通过CNN神经网络对显示屏图像中的所有偏色区域进行异常检测；
当偏色区域中有一个为异常时，则判定显示屏显示颜色时存在异常，即判定质量不合格。
本发明的技术方案的有益效果是：本发明根据每个断点位置序列和对应的每个参考断点位置序列之间的距离、每个断点位置序列中的所有数据的个数、灰度值的均值和标准差，得到每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，根据合并的可能性获得显示屏图像中的所有异常断点区域，初步筛选出了显示屏异常区域，提高了显示屏异常区域筛选的准确性；根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点为种子点的可能性，根据像素点为种子点的可能性得到每个异常断点区域中的种子点，根据每个异常断点区域与对应的目标像素点的灰度值之间的差异、每个异常断点区域中种子点与对应的每个目标像素点之间的距离，得到每个异常断点区域修正后的生长参数，根据每个异常断点区域修正后的生长参数和种子点进行区域生长，得到所有的偏色区域，降低了部分偏色区域的偏色程度较小所带来的影响；对显示屏图像中的所有偏色区域进行显示屏的质量评估，能够准确的检测出显示屏的颜色异常，提高了显示屏异常检测的准确性。
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为本发明基于图像特征的显示屏异常颜色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图像特征的显示屏异常颜色检测方法，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图像特征的显示屏异常颜色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图像特征的显示屏异常颜色检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集显示屏图像。
需要说明的是，为了分析显示屏的颜色异常情况，则需要采集显示屏的颜色图像，根据显示屏的颜色图像进行分析显示屏的异常情况。
具体地，使用具有出色的性能和对颜色信息高度敏感的中幅相机或者大幅相机对纯色显示屏进行拍摄采集，得到显示屏的颜色图像，再对显示屏的颜色图像进行灰度化预处理得到预处理后的显示屏图像。
至此，得到显示屏图像。
步骤S002：获取显示屏图像中所有的断点，获取所有断点位置序列，获取每个断点位置序列的参考断点位置序列，根据每个断点位置序列和对应的每个参考断点位置序列之间的距离、每个断点位置序列中的所有数据的个数、每个断点位置序列中的所有数据的灰度值的均值和标准差，得到每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，根据每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，获得显示屏图像中的所有异常断点区域。
需要说明的是，当显示屏的质量没有问题时，则纯色的显示屏每个像素点的像素值应该是相同的，要么就是有一点的差异，但是差异不是很大，即越正常的显示屏，其显示屏图像越平滑，反之，当显示屏越有问题，则显示屏图像越不平滑；因此首先可以根据显示屏图像中同一行中相邻像素点之间的灰度差异来分析获取有异常的像素点，根据有异常的像素点的分布情况来确定显示屏的异常情况。
具体地，首先以显示屏图像中的任意一行为例进行断点的划分，其划分的过程为：从该行左侧的第一个像素点开始，判断第一个像素点的灰度值和第二个像素点的灰度值是否相同，当第一个像素点的灰度值和第二个像素点的灰度值相同，则判断第二个像素点的灰度值和第三个像素点的灰度值是否相同，当第二个像素点的灰度值和第三个像素点的灰度值相同，则继续判断第三个像素点的灰度值和下一个像素点的灰度值是否相同，直至出现一个像素点的灰度值与前面的灰度值不同时，则将该像素点记为第一个断点，然后再从第一个断点开始，判断第一个断点与后一个像素点的灰度值是否相同，直至出现一个像素点的灰度值与前面的灰度值不同时，则停止，此时将其记为第二断点；即当所述行中第个像素点与第/>个像素点得灰度值不同时，将第/>个像素点记为断点。
以此类推，获取该行中的所有断点。其中，显示屏图像中每行得断点划分过程是相同的。
至此，得到显示屏图像的每行中的所有断点。
将每行中连续的所有断点组成一个断点位置序列，其中，当有断点在对应的行中没有相连的断点时，则就将单独的一个断点作为一个断点位置序列。至此，得到显示屏图像中所有的断点位置序列。
将每个断点位置序列相邻的下一行中相连接的断点位置序列记为每个断点位置序列对应的参考断点位置序列。其中，每个断点位置序列对应的参考断点位置序列可能有一个，也可能有多个，还有可能没有对应的参考断点位置序列。
需要说明的是，由于在显示屏的有异常情况时，则会出现一些不同的区域，因此根据每个断点位置序列的像素点的灰度值和对应的参考断点位置序列的像素点的灰度值之间的差异，和序列之间的距离进行合并，得到一些区域，当两个序列的像素点的灰度值之间的差异很小，且位置距离也很小时，则判定这两个序列为同一个区域的可能性很大，当两个序列的像素点的灰度值之间的差异很大，且位置距离也很大时，则判定这两个序列为同一个区域的可能性很小。
具体地，选取每个断点位置序列中的中点，将两个断点位置序列的中点之间的距离作为两个断点位置序列的距离；其中，当断点位置序列中的像素点个数为偶数时，选取中间两个像素点中最左侧的像素点记为断点位置序列中的中点。根据每个断点位置序列和对应的每个参考断点位置序列之间的距离、每个断点位置序列中的所有数据的个数、每个断点位置序列中的所有数据的灰度值的均值和标准差，得到每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，用公式表示为：
式中，表示第/>个断点位置序列中的所有像素点个数，/>表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点个数，/>表示第/>个断点位置序列中所有像素点的灰度值的均值，/>表示第/>个断点位置序列中所有像素点的灰度值的标准差，/>表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点的灰度值的均值，表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点的灰度值的标准差，/>表示第/>个断点位置序列和对应的第/>个参考断点位置序列之间的距离，/>表示以自然常数为底的指数函数，/>为绝对值符号，/>表示第/>个断点位置序列和对应的第/>个参考断点位置序列之间合并的可能性。
其中，表示两个断点位置序列中所有像素点的灰度值的均值和标准差的乘积之间的比值，当该比值越接近于1时，则判定这两个断点位置序列越相似，即/>越小，这两个断点位置序列合并的可能性越大。/>表示两个断点位置序列中所有像素点个数的差异，当该差异越小，则判定这两个断点位置序列越相似，即这两个断点位置序列合并的可能性越大，反之，当该差异越大，则判定这两个断点位置序列越不相似，即这两个断点位置序列合并的可能性越小。当两个断点位置序列之间的距离越短，则判定这两个断点位置序列越相似，即这两个断点位置序列合并的可能性越大，当两个断点位置序列之间的距离越长，则判定这两个断点位置序列越不相似，即这两个断点位置序列合并的可能性越小，因此通过/>进行负映射。其中，以显示屏图像的左下角像素点为坐标原点，以水平向右为横轴，以数值向上为纵轴建立坐标系；在本实施例中的距离都是通过建立的坐标系计算两个像素点之间的欧式距离。
预设一个阈值A，其中本实施例以A=0.8为例进行叙述，本实施例不进行具体限定，其中A可根据具体实施情况而定。将每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性大于或者等于预设阈值A的每个断点位置序列和对应的每个参考断点位置序列进行合并，将每个断点位置序列和对应的每个参考断点位置序列合并之后的区域记为第一区域，当第一区域之间有交集时，则将有交集的第一区域进行合并，得到显示屏图像中的所有异常断点区域。
至此，得到显示屏图像中的所有异常断点区域。
步骤S003：根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点的种子点可能性，根据每个异常断点区域中每个像素点的种子点可能性得到每个异常断点区域中的种子点，获取每个异常断点区域的所有目标像素点，根据每个异常断点区域中所有像素点的灰度值的均值与对应的目标像素点的灰度值之间的差异、每个异常断点区域中种子点与对应的每个目标像素点之间的距离，对每个异常断点区域的生长参数进行修正，得到每个异常断点区域修正后的生长参数，根据每个异常断点区域修正后的生长参数和每个异常断点区域的种子点进行区域生长，得到所有的偏色区域。
需要说明的是，由于上述得到的异常断点区域只是通过相连的两个断点位置序列分析得到，分析过程中考虑的局部范围过小，导致得到异常断点区域还不能准确的作为偏色区域，因此根据每个异常断点区域中所有像素点进行分析，获取一个准确的偏色区域。
具体地，根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点的种子点可能性，用公式表示为：
式中，表示第/>个异常断点区域中第/>个像素点的灰度值，/>表示第/>个异常断点区域中所有像素点的灰度值的均值，/>表示第/>个异常断点区域的形心位置的像素点与第/>个异常断点区域中第/>个像素点之间的距离，/>为绝对值符号，/>表示线性归一化函数，表示第/>个异常断点区域中第/>个像素点的种子点可能性。
其中，表示每个异常断点区域中每个像素点的灰度值与所有像素点的灰度值的均值之间的差异，当该差异越大，表示该像素点为种子点的可能性越小，当该差异越小，表示该像素点为种子点的可能性越大。当每个异常断点区域中每个像素点与区域的形心位置对应的像素点之间的距离，当该距离越大，表示该像素点为种子点的可能性越小，当该距离越小，表示该像素点为种子点的可能性越大。其中，差异表示差值的绝对值。
将每个异常断点区域中的最大种子点可能性对应像素点记为种子点。
至此，得到每个异常断点区域中的种子点。
需要说明的是，由于在获取异常断点区域的过程中，分析过程中是利用的局部范围中的数据过少，可能存在很大的误差，因此还不能将异常断点区域作为偏色区域；所以通过获取每个异常断点区域的种子点，根据种子点和每个异常断点区域的生长准则进行自适应的获取每个偏色区域。
具体地，将与每个异常断点区域相连接但不属于每个异常断点区域的像素点记为每个异常断点区域的目标像素点；至此，得到每个异常断点区域的所有目标像素点。
将每个异常断点区域中最大灰度值减去最小灰度值作为每个异常断点区域的生长参数。
根据每个异常断点区域中所有像素点的灰度值的均值与对应的目标像素点的灰度值之间的差异、每个异常断点区域中种子点与对应的每个目标像素点之间的距离，对每个异常断点区域的生长参数进行修正，得到每个异常断点区域修正后的生长参数，用公式表示为：
式中，表示第/>个异常断点区域的生长参数，/>表示第/>个异常断点区域对应的第/>个目标像素点，/>表示第/>个异常断点区域中所有像素点的灰度值的均值，/>表示第/>个异常断点区域的种子点与对应的第/>个目标像素点之间的距离，/>表示每个异常断点区域对应的所有目标像素点的个数，/>为绝对值符号，/>表示线性归一化函数，/>表示第/>个异常断点区域修正后的生长参数。
其中，表示每个异常断点区域中所有像素点的灰度值的均值与每个异常断点区域对应的目标像素点的灰度值之间的差异，当该差异越大，表示异常断点区域的生长参数修正的越大，当该差异越小，表示异常断点区域的生长参数修正的越小。
至此，得到每个异常断点区域修正后的生长参数。
根据每个异常断点区域修正后的生长参数和每个异常断点区域的种子点通过区域生长算法进行区域生长，得到所有的偏色区域。
至此，得到显示屏图像中的所有偏色区域。
步骤S004：对显示屏图像中的所有偏色区域进行异常检测获得显示屏图像的异常检测结果，根据显示屏图像的异常检测结果进行显示屏的质量评估。
通过CNN神经网络对显示屏图像中的所有偏色区域进行异常检测。其中CNN神经网络的输入：显示屏图像中的所有偏色区域；输出：偏色区域的分类，当输出为0时，则偏色区域为正常，当输出为1时，则判定偏色区域为异常。
当偏色区域中有一个为异常时，则判定显示屏显示颜色时存在异常，即判定显示屏在生产过程中质量不合格。
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 (10)

1.基于图像特征的显示屏异常颜色检测方法，其特征在于，该方法包括以下步骤：
采集显示屏图像；
根据显示屏图像中像素点之间灰度值的差异获得显示屏图像中所有的断点，根据所有的断点获得所有断点位置序列，获取每个断点位置序列对应的参考断点位置序列，根据每个断点位置序列和对应的每个参考断点位置序列之间的距离、每个断点位置序列中的所有数据的个数、每个断点位置序列中的所有数据的灰度值的均值和标准差，得到每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，根据每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，获得显示屏图像中的所有异常断点区域；
根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点的种子点可能性，根据每个异常断点区域中每个像素点的种子点可能性得到每个异常断点区域中的种子点，获取每个异常断点区域的所有目标像素点，根据每个异常断点区域中所有像素点的灰度值的均值与对应的目标像素点的灰度值之间的差异、每个异常断点区域中种子点与对应的每个目标像素点之间的距离，对每个异常断点区域的生长参数进行修正，得到每个异常断点区域修正后的生长参数，根据每个异常断点区域修正后的生长参数和每个异常断点区域的种子点进行区域生长，得到所有的偏色区域；
对显示屏图像中的所有偏色区域进行异常检测获得显示屏图像的异常检测结果，根据显示屏图像的异常检测结果进行显示屏的质量评估。
2.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述根据显示屏图像中像素点之间灰度值的差异获得显示屏图像中所有的断点，根据所有的断点获得所有断点位置序列，包括的具体步骤如下：
对于显示屏图像中的任意一行，当所述行中第个像素点与第/>个像素点得灰度值不同时，将第/>个像素点记为断点；
以此类推，获取该行中的所有断点；
将每行中连续的所有断点组成一个断点位置序列。
3.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述获取每个断点位置序列对应的参考断点位置序列，包括的具体步骤如下：
将每个断点位置序列相邻的下一行中相连接的断点位置序列记为每个断点位置序列对应的参考断点位置序列。
4.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述根据每个断点位置序列和对应的每个参考断点位置序列之间的距离、每个断点位置序列中的所有数据的个数、每个断点位置序列中的所有数据的灰度值的均值和标准差，得到每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，包括的计算公式如下：
式中，表示第/>个断点位置序列中的所有像素点个数，/>表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点个数，/>表示第/>个断点位置序列中所有像素点的灰度值的均值，/>表示第/>个断点位置序列中所有像素点的灰度值的标准差，/>表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点的灰度值的均值，/>表示第/>个断点位置序列对应的第/>个参考断点位置序列中的所有像素点的灰度值的标准差，/>表示第/>个断点位置序列和对应的第/>个参考断点位置序列之间的距离，/>表示以自然常数为底的指数函数，/>为绝对值符号，/>表示第/>个断点位置序列和对应的第/>个参考断点位置序列之间合并的可能性；
选取每个断点位置序列中的中点，将两个断点位置序列的中点之间的距离作为两个断点位置序列的距离。
5.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述根据每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性，获得显示屏图像中的所有异常断点区域，包括的具体步骤如下：
将每个断点位置序列和对应的每个参考断点位置序列之间合并的可能性大于或者等于预设阈值A的每个断点位置序列和对应的每个参考断点位置序列进行合并，将每个断点位置序列和对应的每个参考断点位置序列合并之后的区域记为第一区域，当第一区域之间有交集时，则将有交集的第一区域进行合并，得到显示屏图像中的所有异常断点区域。
6.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述根据每个异常断点区域中像素点之间的灰度差异和像素点之间的距离，得到每个异常断点区域中每个像素点的种子点可能性，包括的计算公式如下：
式中，表示第/>个异常断点区域中第/>个像素点的灰度值，/>表示第/>个异常断点区域中所有像素点的灰度值的均值，/>表示第/>个异常断点区域的形心位置的像素点与第/>个异常断点区域中第/>个像素点之间的距离，/>为绝对值符号，/>表示线性归一化函数，/>表示第/>个异常断点区域中第/>个像素点的种子点可能性。
7.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述根据每个异常断点区域中每个像素点的种子点可能性得到每个异常断点区域中的种子点，包括的具体步骤如下：
将每个异常断点区域中最大种子点可能性对应像素点记为种子点。
8.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述获取每个异常断点区域的所有目标像素点，包括的具体步骤如下：
将与每个异常断点区域相连接但不属于每个异常断点区域的像素点记为每个异常断点区域的目标像素点；至此，得到每个异常断点区域的所有目标像素点。
9.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述根据每个异常断点区域中所有像素点的灰度值的均值与对应的目标像素点的灰度值之间的差异、每个异常断点区域中种子点与对应的每个目标像素点之间的距离，对每个异常断点区域的生长参数进行修正，得到每个异常断点区域修正后的生长参数，包括的计算公式如下：
式中，表示第/>个异常断点区域的生长参数，/>表示第/>个异常断点区域对应的第/>个目标像素点，/>表示第/>个异常断点区域中所有像素点的灰度值的均值，/>表示第/>个异常断点区域的种子点与对应的第/>个目标像素点之间的距离，/>表示每个异常断点区域对应的所有目标像素点的个数，/>为绝对值符号，/>表示线性归一化函数，/>表示第/>个异常断点区域修正后的生长参数。
10.根据权利要求1所述基于图像特征的显示屏异常颜色检测方法，其特征在于，所述对显示屏图像中的所有偏色区域进行异常检测获得显示屏图像的异常检测结果，根据显示屏图像的异常检测结果进行显示屏的质量评估，包括的具体步骤如下：
通过CNN神经网络对显示屏图像中的所有偏色区域进行异常检测；
当偏色区域中有一个为异常时，则判定显示屏显示颜色时存在异常，即判定质量不合格。
CN202410008748.XA 2024-01-04 2024-01-04 基于图像特征的显示屏异常颜色检测方法 Active CN117522867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410008748.XA CN117522867B (zh) 2024-01-04 2024-01-04 基于图像特征的显示屏异常颜色检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410008748.XA CN117522867B (zh) 2024-01-04 2024-01-04 基于图像特征的显示屏异常颜色检测方法

Publications (2)

Publication Number Publication Date
CN117522867A true CN117522867A (zh) 2024-02-06
CN117522867B CN117522867B (zh) 2024-04-05

Family

ID=89744236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410008748.XA Active CN117522867B (zh) 2024-01-04 2024-01-04 基于图像特征的显示屏异常颜色检测方法

Country Status (1)

Country Link
CN (1) CN117522867B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020093685A1 (zh) * 2018-11-08 2020-05-14 京东方科技集团股份有限公司 用于显示屏的补偿方法、补偿装置和显示装置
CN115049633A (zh) * 2022-06-28 2022-09-13 歌尔科技有限公司 屏幕质量检测方法、装置及手环、计算机可读存储介质
CN116204366A (zh) * 2023-05-06 2023-06-02 深圳卓创智能科技有限公司 平板电脑质量检测方法、装置、设备及存储介质
CN116990993A (zh) * 2023-09-26 2023-11-03 深圳市柯达科电子科技有限公司 一种lcd显示面板质量检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020093685A1 (zh) * 2018-11-08 2020-05-14 京东方科技集团股份有限公司 用于显示屏的补偿方法、补偿装置和显示装置
CN115049633A (zh) * 2022-06-28 2022-09-13 歌尔科技有限公司 屏幕质量检测方法、装置及手环、计算机可读存储介质
CN116204366A (zh) * 2023-05-06 2023-06-02 深圳卓创智能科技有限公司 平板电脑质量检测方法、装置、设备及存储介质
CN116990993A (zh) * 2023-09-26 2023-11-03 深圳市柯达科电子科技有限公司 一种lcd显示面板质量检测方法

Also Published As

Publication number Publication date
CN117522867B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN115601364B (zh) 基于图像分析的金手指电路板检测方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN109993052B (zh) 一种复杂场景下尺度自适应的目标跟踪方法和系统
CN112215833B (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN115439481A (zh) 基于图像处理的除氧器焊接质量检测方法
CN115311304B (zh) 一种铁板锈蚀缺陷检测方法
CN116703251B (zh) 基于人工智能的胶圈生产质量检测方法
CN111354026A (zh) 一种基于surf特征的改进列车图像精确配准方法和系统
CN117576100B (zh) 一种fpc连接器表面缺陷分级检测评价方法
CN116229438B (zh) 一种纺纱质量视觉识别系统
CN117576086B (zh) 一种金属电子束焊缺陷检测方法及系统
CN117635604A (zh) 一种建筑工程钢结构焊接质量检测方法
CN115578732A (zh) 一种肥料生产线的标签识别方法
CN116188468A (zh) 一种hdmi线缆传输分拣智能控制系统
CN113706523A (zh) 基于人工智能技术的皮带跑偏及异常运行状态的监测方法
CN117036737A (zh) 基于信息熵、gms与lc显著检测的特征提取与匹配方法
CN117893457B (zh) Pcb板智能检测方法、装置和计算机设备
CN116863253A (zh) 基于大数据分析的运维风险预警方法
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN117522867B (zh) 基于图像特征的显示屏异常颜色检测方法
CN115452845B (zh) 一种基于机器视觉的led屏幕表面损伤检测方法
CN112329775B (zh) 一种数字多用表字符识别方法
CN114998346A (zh) 一种防水布质量数据处理、识别方法

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