CN117665001A - 液晶面板的不良缺陷检测方法、检测装置和检测系统 - Google Patents
液晶面板的不良缺陷检测方法、检测装置和检测系统 Download PDFInfo
- Publication number
- CN117665001A CN117665001A CN202311865766.1A CN202311865766A CN117665001A CN 117665001 A CN117665001 A CN 117665001A CN 202311865766 A CN202311865766 A CN 202311865766A CN 117665001 A CN117665001 A CN 117665001A
- Authority
- CN
- China
- Prior art keywords
- image
- liquid crystal
- crystal panel
- dust
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004973 liquid crystal related substance Substances 0.000 title claims abstract description 154
- 230000007547 defect Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000000428 dust Substances 0.000 claims abstract description 129
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000003860 storage Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 67
- 230000002950 deficient Effects 0.000 claims description 55
- 238000001914 filtration Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种液晶面板的不良缺陷检测方法、检测装置、检测系统和计算机可读存储介质。不良缺陷检测方法包括:获取标准液晶面板对应的合格样本图像和灰尘样本图像;将合格样本图像和灰尘样本图像合并,得到第一合并图像;获取待检液晶面板对应的实时待检图像和实时灰尘图像;将实时待检图像和实时灰尘图像合并,得到第二合并图像;根据第一合并图像和第二合并图像检测待检液晶面板中的不良缺陷。如此,无需对灰尘进行提取与过滤,有效地提高了不良缺陷的检测效率。
Description
技术领域
本申请涉及视觉检测技术领域,特别涉及一种液晶面板的不良缺陷检测方法、检测装置、检测系统和计算机可读存储介质。
背景技术
随着手机、电视等可显示电子产品的快速更新换代,基于工业相机的自动光学检测技术(Automatic Optic Inspection,AOI)逐渐成为主流,而在基于AOI的液晶面板缺陷检测过程中,由于液晶面板较脏,为防止灰尘对缺陷检测结果造成影响,需要对液晶面板表面的灰尘进行提取、过滤,不良缺陷检测效率较低。
发明内容
本申请实施方式提供了一种液晶面板的不良缺陷检测方法、检测装置、检测系统和计算机可读存储介质,以解决上述存在的至少一个技术问题。
本申请实施方式的液晶面板的不良缺陷检测方法,包括:
获取标准液晶面板对应的合格样本图像和灰尘样本图像;
将所述合格样本图像和所述灰尘样本图像合并,得到第一合并图像;
获取待检液晶面板对应的实时待检图像和实时灰尘图像;
将所述实时待检图像和所述实时灰尘图像合并,得到第二合并图像;
根据所述第一合并图像和所述第二合并图像检测所述待检液晶面板中的不良缺陷。
在某些实施方式中,所述获取标准液晶面板对应的合格样本图像和灰尘样本图像,包括:
控制所述标准液晶面板处于息屏状态,对所述标准液晶面板进行图像采集,得到所述灰尘样本图像;
控制所述标准液晶面板处于点亮状态,对所述标准液晶面板进行图像采集,得到所述合格样本图像。
在某些实施方式中,所述获取标准液晶面板对应的合格样本图像和灰尘样本图像,包括:
获取多个所述标准液晶面板对应的多个所述合格样本图像和多个所述灰尘样本图像,多个所述合格样本图像与多个所述灰尘样本图像一一对应;
所述将所述合格样本图像和所述灰尘样本图像合并,得到第一合并图像,包括:
将每个所述合格样本图像与对应的所述灰尘样本图像合并,得到子合并图像,多个所述子合并图像组成所述第一合并图像。
在某些实施方式中,所述获取待检液晶面板对应的实时待检图像和实时灰尘图像,包括:
控制所述待检液晶面板处于息屏状态,对所述待检液晶面板进行图像采集,得到所述实时灰尘图像;
控制所述待检液晶面板处于点亮状态,对所述待检液晶面板进行图像采集,得到所述实时待检图像。
在某些实施方式中,所述根据所述第一合并图像和所述第二合并图像检测所述待检液晶面板中的不良缺陷,包括:
根据多个所述子合并图像提取多个第一图像特征向量;
根据所述第二合并图像提取第二图像特征向量;
根据多个所述第一图像特征向量和所述第二图像特征向量确定所述待检液晶面板中的不良缺陷位置。
在某些实施方式中,所述根据多个所述子合并图像提取多个第一图像特征向量,包括:
对每个所述子合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到每个所述第一图像特征向量;
所述根据所述第二合并图像提取第二图像特征向量,包括:
对所述第二合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到所述第二图像特征向量。
在某些实施方式中,所述根据多个所述第一图像特征向量和所述第二图像特征向量确定所述待检液晶面板中的不良缺陷位置,包括:
基于多个所述第一图像特征向量建立所述第一合并图像中每个像素点的多维高斯分布;
根据所述第二图像特征向量与所述第一合并图像中每个像素点的多维高斯分布,计算所述第二合并图像中每个像素点的马氏距离;
根据所述第二合并图像中每个像素点的马氏距离确定所述待检液晶面板中的不良缺陷位置。
本申请实施方式的液晶面板的不良缺陷检测装置,包括:
获取模块,用于获取标准液晶面板对应的合格样本图像和灰尘样本图像;
合并模块,用于将所述合格样本图像和所述灰尘样本图像合并,得到第一合并图像;
获取模块还用于获取待检液晶面板对应的实时待检图像和实时灰尘图像;
合并模块还用于将所述实时待检图像和所述实时灰尘图像合并,得到第二合并图像;
检测模块,用于根据所述第一合并图像和所述第二合并图像检测所述待检液晶面板中的不良缺陷。
本申请实施方式的液晶面板的不良缺陷检测系统,所述不良缺陷检测系统包括一个或多个处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行的情况下,实现上述任一实施方式的不良缺陷检测方法。
本申请实施方式的计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行的情况下,实现上述任一实施方式的不良缺陷检测方法。
本申请实施方式的液晶面板的不良缺陷检测方法、检测装置、检测系统和计算机可读存储介质,通过将标准液晶面板对应的灰尘样本图像与合格样本图像合并得到第一合并图像,将待检液晶面板对应的实时灰尘图像与实时待检图像合并得到第二合并图像,再根据第一合并图像和第二合并图像对不良缺陷进行检测。如此,无需对灰尘进行提取与过滤,有效地提高了不良缺陷的检测效率。
本申请实施方式的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请实施方式的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是本申请某些实施方式的不良缺陷检测方法的流程示意图;
图2是本申请某些实施方式的不良缺陷检测方法的工作过程示意图;
图3是本申请某些实施方式的实时待检图像和实时灰尘图像合并得到第二合并图像的示意图;
图4是本申请某些实施方式的合格样本图像和灰尘样本图像合并得到第一合并图像的示意图;
图5是本申请某些实施方式的不良缺陷检测方法的流程示意图;
图6是本申请某些实施方式的获取灰尘样本图像的流程示意图;
图7是本申请某些实施方式的获取合格样本图像的流程示意图;
图8是本申请某些实施方式的不良缺陷检测方法的流程示意图;
图9是本申请某些实施方式的不良缺陷检测方法的流程示意图;
图10是本申请某些实施方式的不良缺陷检测方法的流程示意图;
图11是本申请某些实施方式的不良缺陷检测方法的流程示意图;
图12是本申请某些实施方式的不良缺陷检测方法的流程示意图;
图13是本申请某些实施方式的不良缺陷检测装置的模块示意图;
图14是本申请某些实施方式的不良缺陷检测系统的模块示意图;
图15是本申请某些实施方式的计算机可读存储介质与处理器的连接状态示意图。
具体实施方式
以下结合附图对本申请的实施方式作进一步说明。附图中相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。另外,下面结合附图描述的本申请的实施方式是示例性的,仅用于解释本申请的实施方式,而不能理解为对本申请的限制。
请参阅图1和图2,本申请实施方式提供一种液晶面板的不良缺陷检测方法,包括:
010:获取标准液晶面板对应的合格样本图像和灰尘样本图像;
020:将合格样本图像和灰尘样本图像合并,得到第一合并图像;
030:获取待检液晶面板对应的实时待检图像和实时灰尘图像;
040:将实时待检图像和实时灰尘图像合并,得到第二合并图像;
050:根据第一合并图像和第二合并图像检测待检液晶面板中的不良缺陷。
本申请实施方式的液晶面板的不良缺陷检测方法,通过将标准液晶面板对应的灰尘样本图像与合格样本图像合并得到第一合并图像,将待检液晶面板对应的实时灰尘图像与实时待检图像合并得到第二合并图像,再根据第一合并图像和第二合并图像对不良缺陷进行检测。如此,无需对灰尘进行提取与过滤,有效地提高了不良缺陷的检测效率。
具体地,标准液晶面板为无不良缺陷的合格液晶面板,待检液晶面板包括不良缺陷液晶面板和合格液晶面板。液晶面板可以为手机、电脑、电视等可显示电子产品的显示面板。本申请实施方式的不良缺陷检测方法的执行主体可以为AOI设备。在产线试量产时,获取标准液晶面板对应的合格样本图像和灰尘样本图像,合格样本图像和灰尘样本图像可以为灰度图像。
需要说明的是,为满足液晶面板的不良缺陷检测精度,采集液晶面板图像时选用的工业相机分辨率较大,例如,选用的相机分辨率可以为60M(图像宽×高=5000pixels×12000pixels)、71M(图像宽×高=7096pixels×10000pixels)或151M(图像宽×高=10640pixels×14160pixels)等。相机对标准液晶面板进行图像采集,得到对应的尺寸较大的合格图像和灰尘图像,在后续采用无监督深度学习模型进行不良缺陷检测时,会根据图像尺寸占用显卡显存,图像过大时对硬件性能要求较高,且会增加推理耗时。因此,可以将相机采集到的合格图像和灰尘图像裁剪为尺寸较小的图像,具体尺寸可以人为设定并根据实际情况进行调整。例如,可以根据待检测的不良缺陷的最小尺寸将合格图像和灰尘图像裁剪为宽×高=256pixels×256pixels的图像,得到标准液晶面板对应的合格样本图像和灰尘样本图像。
如图4所示,将合格样本图像和灰尘样本图像中对应的像素点的像素值相加,即可合并得到第一合并图像。之后,进行在线检测时,实时对待检液晶面板进行图像采集,并对采集到的图像进行裁剪,得到待检液晶面板对应的实时待检图像和实时灰尘图像。需要注意的是,实时待检图像和实时灰尘图像的尺寸应当与合格样本图像和灰尘样本图像的尺寸相同。如图2所示,将实时待检图像和实时灰尘图像输入无监督深度学习模型,将实时待检图像和实时灰尘图像中对应的像素点的像素值相加,即可合并得到第二合并图像。请结合图3和图4,由于不良缺陷在实时待检图像中表现为黑色区域,灰尘在实时灰尘图像和灰尘样本图像中均表现为黑画面中的亮点区域,因此实时待检图像中的不良缺陷经与实时灰尘图像相加后,在第二合并图像中的对应位置仍表现为黑色区域。而合格样本图像中的灰尘干扰经与灰尘样本图像相加后,在第一合并图像中的对应位置与背景灰度接近。由此无监督深度学习模型对第一合并图像进行学习,并结合第一合并图像和第二合并图像即可检测出待检液晶面板中的不良缺陷。
需要指出的是,本申请实施方式的不良缺陷检测方法基于无监督深度学习模型,只需要对标准液晶面板正样本(也即第一合并图像)进行学习,无需对不良缺陷液晶面板负样本进行学习,避免因负样本数量不足影响不良缺陷的检测效果。此外,当生产过程中出现批量未知缺陷时,本申请实施方式的不良检测方法仍具有较好的检测效果,可以避免产生重大品质事故。
相关技术中,在对液晶面板进行检测时,直接对获取的图像进行不良缺陷检测,液晶面板表面的灰尘也会被误检为不良缺陷。因此,需要对图像中的灰尘进行提取,再将灰尘提取位置与不良缺陷位置进行对比,根据灰尘提取位置与不良缺陷位置的重叠情况对灰尘进行过滤,以得到真实的不良缺陷,不良缺陷的检测效率较低,且在灰尘过滤过程中,易将部分灰尘误判为真实的不良缺陷,导致不良缺陷的检测精度较低。
而本申请实施方式中,将灰尘样本图像与合格样本图像合并得到第一合并图像,将实时灰尘图像与实时待检图像合并得到第二合并图像,再根据第一合并图像和第二合并图像对不良缺陷进行检测。如此,无需对灰尘进行提取与过滤也可以检测出真实不良缺陷,有效地提高了不良缺陷的检测效率。此外,避免了灰尘的干扰,不会因为灰尘过滤的结果而影响不良缺陷检测的结果,提高了不良缺陷的检测精度。
请参阅图5,在某些实施方式中,获取标准液晶面板对应的合格样本图像和灰尘样本图像(即010),包括:
011:控制标准液晶面板处于息屏状态,对标准液晶面板进行图像采集,得到灰尘样本图像;
012:控制标准液晶面板处于点亮状态,对标准液晶面板进行图像采集,得到合格样本图像。
具体地,利用点亮治具、通过输入不同点亮程序可以将液晶面板切换至不同状态。请结合图6,控制标准液晶面板处于息屏状态,通过侧光将标准液晶面板表面的灰尘照亮,再对标准液晶面板进行图像采集得到灰尘图像、裁剪后得到灰尘样本图像。请结合图7,控制标准液晶面板处于点亮状态,对标准液晶面板进行图像采集得到合格图像、裁剪后得到合格样本图像。如此,灰尘样本图像和合格样本图像的获取方式较为简单。
请参阅图8,在某些实施方式中,获取标准液晶面板对应的合格样本图像和灰尘样本图像(即010),包括:
013:获取多个标准液晶面板对应的多个合格样本图像和多个灰尘样本图像,多个合格样本图像与多个灰尘样本图像一一对应;
将合格样本图像和灰尘样本图像合并,得到第一合并图像(即020),包括:
021:将每个合格样本图像与对应的灰尘样本图像合并,得到子合并图像,多个子合并图像组成第一合并图像。
具体地,为使无监督深度学习模型能够更好地学习标准液晶面板对应的第一合并图像的特征,以进行更准确的不良缺陷检测,需要对多个标准液晶面板进行图像采集,得到对应的多个合格样本图像和多个灰尘样本图像。例如,可以对30-50个标准液晶面板进行图像采集,具体数量可以根据实际情况确定。多个合格样本图像与多个灰尘样本图像一一对应,也即是说,每个标准液晶面板对应一个合格样本图像和一个灰尘样本图像。将每个合格样本图像与对应的一个灰尘样本图像合并,得到一个子合并图像,多个合格样本图像和多个灰尘样本图像可以对应得到多个子合并图像,多个子合并图像组成第一合并图像。
请参阅图9,在某些实施方式中,获取待检液晶面板对应的实时待检图像和实时灰尘图像(即030),包括:
031:控制待检液晶面板处于息屏状态,对待检液晶面板进行图像采集,得到实时灰尘图像;
032:控制待检液晶面板处于点亮状态,对待检液晶面板进行图像采集,得到实时待检图像。
具体地,实时灰尘图像和实时待检图像的采集过程与灰尘样本图像和合格样本图像的采集过程类似。控制待检液晶面板处于息屏状态,通过侧光将待检液晶面板表面的灰尘照亮,再对待检液晶面板进行图像采集与裁剪后得到实时灰尘图像。控制待检液晶面板处于点亮状态,对待检液晶面板进行图像采集与裁剪后得到实时待检图像。如此,实时灰尘图像和实时待检图像的获取方式较为简单。
请参阅图10,在某些实施方式中,根据第一合并图像和第二合并图像检测待检液晶面板中的不良缺陷(即050),包括:
051:根据多个子合并图像提取多个第一图像特征向量;
052:根据第二合并图像提取第二图像特征向量;
053:根据多个第一图像特征向量和第二图像特征向量确定待检液晶面板中的不良缺陷位置。
具体地,上述无监督深度学习模型可以基于ImgNet进行预训练,再对多个子合并图像、以及第二合并图像进行特征提取。ImgNet为一个包括大量图像数据的数据集,基于ImgNet训练的模型具有较好的特征提取能力和泛化能力。对多个子合并图像进行特征提取,包括特征的高度、特征的宽度、特征的通道数等,根据多个子合并图像的特征可以对应得到多个第一图像特征向量;再对第二合并图像进行特征提取,得到第二图像特征向量。
需要说明的是,进行图像特征提取时,每个像素点可以对应得到一个子特征向量。一个子合并图像中的多个像素点对应得到多个第一子特征向量,可以从多个第一子特征向量中随机抽取预定占比(例如10%)组成该子合并图像的第一图像特征向量;第二合并图像中的多个像素点对应得到多个第二子特征向量,组成第二合并图像的第二图像特征向量。
请参阅图11,在某些实施方式中,根据多个子合并图像提取多个第一图像特征向量(即051),包括:
0511:对每个子合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到每个第一图像特征向量;
根据第二合并图像提取第二图像特征向量(即052),包括:
0521:对第二合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到第二图像特征向量。
其中,下采样处理指的是对图像进行缩放,例如可以将图像缩放三次,每次缩放将图像尺寸变为原图像的1/2。上采样处理指的是对图像进行放大,例如可以将经过下采样处理的图像放大回原图像尺寸。滤波处理可以使图像更平滑,例如可以采用高斯滤波对图像进行滤波处理。
具体地,对每个子合并图像均进行下采样处理、上采样处理和滤波处理。将多个子合并图像输入上述基于ImgNet预训练后的无监督深度学习模型,对每个子合并图像进行特征提取,先对子合并图像进行下采样处理得到缩放图像,模型基于缩放图像能够完整地提取图像的各层特征;再进行上采样处理将缩放图像放大回原尺寸,使得基于缩放图像提取的图像特征可以适用于子合并图像,经过滤波处理后,根据图像特征可以得到第一图像特征向量。
类似地,对第二合并图像进行下采样处理、上采样处理和滤波处理。将第二合并图像输入上述基于ImgNet预训练后的无监督深度学习模型,对第二合并图像进行特征提取,先对第二合并图像进行下采样处理得到缩放图像,模型基于缩放图像能够完整地提取图像的各层特征;再进行上采样处理将缩放图像放大回原尺寸,使得基于缩放图像提取的图像特征可以适用于第二合并图像,经过滤波处理后,根据图像特征可以得到第二图像特征向量。
请参阅图2和图12,在某些实施方式中,根据多个第一图像特征向量和第二图像特征向量确定待检液晶面板中的不良缺陷位置(即053),包括:
0531:基于多个第一图像特征向量建立第一合并图像中每个像素点的多维高斯分布;
0532:根据第二图像特征向量与第一合并图像中每个像素点的多维高斯分布,计算第二合并图像中每个像素点的马氏距离;
0533:根据第二合并图像中每个像素点的马氏距离确定待检液晶面板中的不良缺陷位置。
具体地,第一合并图像中每个子合并图像的第一图像特征向量包括多个像素点的第一子特征向量,计算多个子合并图像中同一位置的像素点对应的多个第一子特征向量的均值,再基于该多个第一子特征向量和均值计算该像素点的第一子特征向量的协方差矩阵。以(i,j)表示像素点的位置坐标,协方差矩阵Σij的计算公式可以如下:
其中,N为子合并图像的数量,xi k j表示第k张子合并图像中(i,j)处像素点对应的第一子特征向量,μij为多张子合并图像中(i,j)处像素点对应的第一子特征向量的均值,T为矩阵的转置符号,∈I为正则化项,∈为正则化参数,I为单位矩阵。
基于该像素点的第一子特征向量的均值μij和协方差矩阵Σij即可建立该像素点的多维高斯分布N(μij,Σij)。对于第一合并图像中的每一个像素点,可以建立一个多维高斯分布。
第二合并图像的第二图像特征向量包括多个像素点的第二子特征向量,对于每个第二子特征向量,计算该第二子特征向量与第一合并图像中对应的像素点的多维高斯分布的马氏距离,马氏距离可以表示该第二子特征向量与对应的多维高斯分布的相似距离。马氏距离M(xij)的计算公式可以如下:
其中,为协方差矩阵Σij的逆矩阵。
对于第二合并图像中的每一个像素点,可以计算得到一个马氏距离。将计算得到的第二合并图像中所有像素点的马氏距离归一化到0-255范围内,作为图像像素值,构成一张马氏距离图像。之后,可以基于阈值分割获取马氏距离图像中的不良缺陷,例如,可以采用自适应阈值算法获取马氏距离图像中的疑似不良缺陷(如图2所示)。对于多个疑似不良缺陷可以根据预定规则进行筛选,得到最终不良缺陷。之后根据马氏距离图像中的最终不良缺陷的位置信息,可以在实时待检图像中对应地确定出不良缺陷位置(如图2所示),进而确定待检液晶面板中的不良缺陷位置。
请参阅图13,本申请实施方式还提供一种液晶面板的不良缺陷检测装置100。不良缺陷检测装置100包括获取模块10、合并模块20和检测模块30。获取模块10用于获取标准液晶面板对应的合格样本图像和灰尘样本图像。合并模块20用于将合格样本图像和灰尘样本图像合并,得到第一合并图像。获取模块10还用于获取待检液晶面板对应的实时待检图像和实时灰尘图像。合并模块20还用于将实时待检图像和实时灰尘图像合并,得到第二合并图像。检测模块30用于根据第一合并图像和第二合并图像检测待检液晶面板中的不良缺陷。
在某些实施方式中,获取模块10具体用于控制标准液晶面板处于息屏状态,对标准液晶面板进行图像采集,得到灰尘样本图像;控制标准液晶面板处于点亮状态,对标准液晶面板进行图像采集,得到合格样本图像。
在某些实施方式中,获取模块10具体用于获取多个标准液晶面板对应的多个合格样本图像和多个灰尘样本图像,多个合格样本图像与多个灰尘样本图像一一对应。合并模块20具体用于将每个合格样本图像与对应的灰尘样本图像合并,得到子合并图像,多个子合并图像组成第一合并图像。
在某些实施方式中,获取模块10具体用于控制待检液晶面板处于息屏状态,对待检液晶面板进行图像采集,得到实时灰尘图像;控制待检液晶面板处于点亮状态,对待检液晶面板进行图像采集,得到实时待检图像。
在某些实施方式中,检测模块30具体用于根据多个子合并图像提取多个第一图像特征向量;根据第二合并图像提取第二图像特征向量;根据多个第一图像特征向量和第二图像特征向量确定待检液晶面板中的不良缺陷位置。
在某些实施方式中,检测模块30具体用于对每个子合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到每个第一图像特征向量;对第二合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到第二图像特征向量。
在某些实施方式中,检测模块30具体用于基于多个第一图像特征向量建立第一合并图像中每个像素点的多维高斯分布;根据第二图像特征向量与第一合并图像中每个像素点的多维高斯分布,计算第二合并图像中每个像素点的马氏距离;根据第二合并图像中每个像素点的马氏距离确定待检液晶面板中的不良缺陷位置。
需要指出的是,前述实施方式中对不良缺陷检测方法的解释说明同样适用于本申请实施方式的不良缺陷检测装置100,在此不再展开说明。
请参阅图14,本申请实施方式还提供一种液晶面板的不良缺陷检测系统200,不良缺陷检测系统200包括一个或多个处理器210和存储器220,存储器220存储有计算机程序,计算机程序被处理器210执行的情况下,实现上述任一实施方式的不良缺陷检测方法。
例如,计算机程序被处理器210执行的情况下,实现如下的不良缺陷检测方法:
010:获取标准液晶面板对应的合格样本图像和灰尘样本图像;
020:将合格样本图像和灰尘样本图像合并,得到第一合并图像;
030:获取待检液晶面板对应的实时待检图像和实时灰尘图像;
040:将实时待检图像和实时灰尘图像合并,得到第二合并图像;
050:根据第一合并图像和第二合并图像检测待检液晶面板中的不良缺陷。
又例如,计算机程序被处理器210执行的情况下,实现如下的不良缺陷检测方法:
011:控制标准液晶面板处于息屏状态,对标准液晶面板进行图像采集,得到灰尘样本图像;
012:控制标准液晶面板处于点亮状态,对标准液晶面板进行图像采集,得到合格样本图像。
需要指出的是,前述实施方式中对不良缺陷检测方法和不良缺陷检测装置100的解释说明同样适用于本申请实施方式的不良缺陷检测系统200,在此不再展开说明。
请参阅图15,本申请实施方式还提供一种计算机可读存储介质300,其上存储有计算机程序310。程序被处理器320执行的情况下,实现上述任一实施方式的不良缺陷检测方法。
例如,程序被处理器310执行的情况下,实现如下的不良缺陷检测方法:
010:获取标准液晶面板对应的合格样本图像和灰尘样本图像;
020:将合格样本图像和灰尘样本图像合并,得到第一合并图像;
030:获取待检液晶面板对应的实时待检图像和实时灰尘图像;
040:将实时待检图像和实时灰尘图像合并,得到第二合并图像;
050:根据第一合并图像和第二合并图像检测待检液晶面板中的不良缺陷。
又例如,程序被处理器310执行的情况下,实现如下的不良缺陷检测方法:
011:控制标准液晶面板处于息屏状态,对标准液晶面板进行图像采集,得到灰尘样本图像;
012:控制标准液晶面板处于点亮状态,对标准液晶面板进行图像采集,得到合格样本图像。
需要指出的是,前述实施方式中对不良缺陷检测方法和不良缺陷检测装置100100的解释说明同样适用于本申请实施方式的计算机可读存储介质300,在此不再展开说明。
综上,本申请实施方式的液晶面板的不良缺陷检测方法、检测装置100、检测系统200和计算机可读存储介质300,通过将标准液晶面板对应的灰尘样本图像与合格样本图像合并得到第一合并图像,将待检液晶面板对应的实时灰尘图像与实时待检图像合并得到第二合并图像,再根据第一合并图像和第二合并图像对不良缺陷进行检测。如此,无需对灰尘进行提取与过滤,有效地提高了不良缺陷的检测效率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,计算机可读存储介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置、以及便携式光盘只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器,磁盘或光盘等。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种液晶面板的不良缺陷检测方法,其特征在于,包括:
获取标准液晶面板对应的合格样本图像和灰尘样本图像;
将所述合格样本图像和所述灰尘样本图像合并,得到第一合并图像;
获取待检液晶面板对应的实时待检图像和实时灰尘图像;
将所述实时待检图像和所述实时灰尘图像合并,得到第二合并图像;
根据所述第一合并图像和所述第二合并图像检测所述待检液晶面板中的不良缺陷。
2.根据权利要求1所述的不良缺陷检测方法,其特征在于,所述获取标准液晶面板对应的合格样本图像和灰尘样本图像,包括:
控制所述标准液晶面板处于息屏状态,对所述标准液晶面板进行图像采集,得到所述灰尘样本图像;
控制所述标准液晶面板处于点亮状态,对所述标准液晶面板进行图像采集,得到所述合格样本图像。
3.根据权利要求1所述的不良缺陷检测方法,其特征在于,所述获取标准液晶面板对应的合格样本图像和灰尘样本图像,包括:
获取多个所述标准液晶面板对应的多个所述合格样本图像和多个所述灰尘样本图像,多个所述合格样本图像与多个所述灰尘样本图像一一对应;
所述将所述合格样本图像和所述灰尘样本图像合并,得到第一合并图像,包括:
将每个所述合格样本图像与对应的所述灰尘样本图像合并,得到子合并图像,多个所述子合并图像组成所述第一合并图像。
4.根据权利要求1所述的不良缺陷检测方法,其特征在于,所述获取待检液晶面板对应的实时待检图像和实时灰尘图像,包括:
控制所述待检液晶面板处于息屏状态,对所述待检液晶面板进行图像采集,得到所述实时灰尘图像;
控制所述待检液晶面板处于点亮状态,对所述待检液晶面板进行图像采集,得到所述实时待检图像。
5.根据权利要求3所述的不良缺陷检测方法,其特征在于,所述根据所述第一合并图像和所述第二合并图像检测所述待检液晶面板中的不良缺陷,包括:
根据多个所述子合并图像提取多个第一图像特征向量;
根据所述第二合并图像提取第二图像特征向量;
根据多个所述第一图像特征向量和所述第二图像特征向量确定所述待检液晶面板中的不良缺陷位置。
6.根据权利要求5所述的不良缺陷检测方法,其特征在于,所述根据多个所述子合并图像提取多个第一图像特征向量,包括:
对每个所述子合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到每个所述第一图像特征向量;
所述根据所述第二合并图像提取第二图像特征向量,包括:
对所述第二合并图像进行下采样处理、上采样处理和滤波处理中的任意一种或多种,得到所述第二图像特征向量。
7.根据权利要求5所述的不良缺陷检测方法,其特征在于,所述根据多个所述第一图像特征向量和所述第二图像特征向量确定所述待检液晶面板中的不良缺陷位置,包括:
基于多个所述第一图像特征向量建立所述第一合并图像中每个像素点的多维高斯分布;
根据所述第二图像特征向量与所述第一合并图像中每个像素点的多维高斯分布,计算所述第二合并图像中每个像素点的马氏距离;
根据所述第二合并图像中每个像素点的马氏距离确定所述待检液晶面板中的不良缺陷位置。
8.一种液晶面板的不良缺陷检测装置,其特征在于,包括:
获取模块,用于获取标准液晶面板对应的合格样本图像和灰尘样本图像;
合并模块,用于将所述合格样本图像和所述灰尘样本图像合并,得到第一合并图像;
获取模块还用于获取待检液晶面板对应的实时待检图像和实时灰尘图像;
合并模块还用于将所述实时待检图像和所述实时灰尘图像合并,得到第二合并图像;
检测模块,用于根据所述第一合并图像和所述第二合并图像检测所述待检液晶面板中的不良缺陷。
9.一种液晶面板的不良缺陷检测系统,其特征在于,所述不良缺陷检测系统包括一个或多个处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行的情况下,实现权利要求1-7任意一项所述的不良缺陷检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行的情况下,实现权利要求1-7任意一项所述的不良缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311865766.1A CN117665001A (zh) | 2023-12-29 | 2023-12-29 | 液晶面板的不良缺陷检测方法、检测装置和检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311865766.1A CN117665001A (zh) | 2023-12-29 | 2023-12-29 | 液晶面板的不良缺陷检测方法、检测装置和检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117665001A true CN117665001A (zh) | 2024-03-08 |
Family
ID=90084688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311865766.1A Pending CN117665001A (zh) | 2023-12-29 | 2023-12-29 | 液晶面板的不良缺陷检测方法、检测装置和检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117665001A (zh) |
-
2023
- 2023-12-29 CN CN202311865766.1A patent/CN117665001A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
US20160364849A1 (en) | Defect detection method for display panel based on histogram of oriented gradient | |
CN113498528A (zh) | 图像缺陷确定方法与装置、电子设备及存储介质 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN109801286B (zh) | 一种lcd导光板的表面缺陷检测方法 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
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 | |
CN111223083A (zh) | 表面划痕检测神经网络的构建方法、系统、装置及介质 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
WO2022088856A1 (zh) | 眼底图像识别方法及装置和设备 | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
CN113673396A (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN115631197B (zh) | 一种图像处理方法、装置、介质、设备及系统 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 | |
CN117665001A (zh) | 液晶面板的不良缺陷检测方法、检测装置和检测系统 | |
CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 | |
CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
CN115496984A (zh) | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 | |
CN114937003A (zh) | 一种针对玻璃面板的多类型缺陷检测系统和方法 |
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 |