CN117934453A - 一种手机屏背光异物缺陷诊断方法及系统 - Google Patents
一种手机屏背光异物缺陷诊断方法及系统 Download PDFInfo
- Publication number
- CN117934453A CN117934453A CN202410304112.XA CN202410304112A CN117934453A CN 117934453 A CN117934453 A CN 117934453A CN 202410304112 A CN202410304112 A CN 202410304112A CN 117934453 A CN117934453 A CN 117934453A
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- phone screen
- data
- foreign matter
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 90
- 238000001228 spectrum Methods 0.000 claims abstract description 77
- 238000004891 communication Methods 0.000 claims abstract description 63
- 125000001475 halogen functional group Chemical group 0.000 claims abstract description 55
- 230000003595 spectral effect Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000012790 confirmation Methods 0.000 claims abstract description 17
- 238000002310 reflectometry Methods 0.000 claims description 166
- 239000000463 material Substances 0.000 claims description 114
- 230000003287 optical effect Effects 0.000 claims description 64
- 238000004088 simulation Methods 0.000 claims description 51
- 230000000694 effects Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 29
- 238000000701 chemical imaging Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000010183 spectrum analysis Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000013079 data visualisation Methods 0.000 claims description 2
- 238000007794 visualization technique Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 9
- 206010070245 Foreign body Diseases 0.000 description 70
- 238000012545 processing Methods 0.000 description 35
- 238000005286 illumination Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000003749 cleanliness Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Telephone Function (AREA)
Abstract
本发明涉及缺陷诊断技术领域，尤其涉及一种手机屏背光异物缺陷诊断方法及系统。所述方法包括以下步骤：获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据。本发明通过对手机屏幕图像进行背景区域分割、光晕区域联通标记、光谱特征分析和模型训练，提高了手机屏背光异物缺陷诊断的准确性和可靠性。
Description
技术领域
本发明涉及缺陷诊断技术领域，尤其涉及一种手机屏背光异物缺陷诊断方法及系统。
背景技术
早期，手机屏幕生产中主要依赖工人目视检查来发现背光系统中的异物。但这种方法费时费力，且检测准确率有限，容易出现漏检或误检的情况，无法满足日益增长的生产需求。随着光学成像技术的发展，如CCD（电荷耦合器件）相机和高分辨率图像传感器的应用，科研人员开始探索将这些技术用于背光异物的检测。通过将手机屏幕置于特定的照明条件下，利用相机捕捉背光系统的图像，然后通过图像处理和分析软件来识别异物的位置和类型。这种方法提高了检测的速度和准确性，但仍然存在一定的局限性，例如对于微小异物的检测效果不佳。近年来，随着机器学习和人工智能技术的飞速发展，科研人员开始将这些技术应用于手机屏幕背光异物的诊断中。他们建立了基于深度学习的模型，通过大量样本的训练和学习，使得系统能够自动识别不同类型的背光异物，并且可以实时监测和检测。然而目前对于异物成像仍然采用单一光谱成像，同时无法根据异物的形态特征精准划分异物区域，进而导致异物诊断的识别准确性和可靠性不足。
发明内容
基于此，有必要提供一种手机屏背光异物缺陷诊断方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种手机屏背光异物缺陷诊断方法，所述方法包括以下步骤：
步骤S1：获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；
步骤S2：基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标；
步骤S3：基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；基于异物光谱波形特征数据对异物光谱数据进行异物材料排除，从而生成异物材料识别数据；
步骤S4：对异物材料识别数据进行光学特性有限元模拟，生成异物光学特性模拟数据；对异物光学特性模拟数据进行模型训练，生成异物缺陷危害预测模型；将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成手机屏背异物缺陷诊断报告。
本发明通过分析和处理手机屏幕反射，可以减少反射造成的干扰，提高屏幕图像的清晰度和可视性。根据屏幕反射图谱的分析结果，可以调整显示参数，优化手机屏幕的显示效果，提供更好的用户体验。通过分析屏幕反射，可以检测到可能存在的窃取屏幕信息的风险，从而提高手机屏幕的安全性。根据反射分析结果，可以动态调整屏幕亮度、对比度等参数，使手机屏幕在不同环境下都能够有较好的显示效果，提高了手机的适应性。通过对手机屏幕光晕区域的分析和确认，可以及时发现并识别屏幕上的异物，如灰尘、指纹等，有助于及时清理和维护手机屏幕的清洁度和观感。保持手机屏幕的清洁和良好的显示效果，可以提高用户对手机的使用体验，避免光晕和异物影响到屏幕的观看和操作。检测异物可能带来的安全隐患，如屏幕上的划痕可能导致屏幕易碎等问题，从而提高手机的使用安全性。自动识别和标记异物区域的功能有助于自动化手机维护流程，减少用户的手动操作和维护成本。通过多光谱成像和光谱特征分析，可以更准确地识别手机屏幕上的异物，避免误判和漏检。通过光谱数据的分析和比对，可以排除一些常见的异物材料，有助于减少误报和提高排除的精度。自动化的异物识别和排除过程可以提高手机屏幕维护的效率，减少人工成本和时间消耗。及时识别和排除可能的异物有助于保护手机屏幕，防止异物造成的损坏和影响。因此，本发明通过对手机屏幕图像进行背景区域分割、光晕区域联通标记、光谱特征分析和模型训练，提高了手机屏背光异物缺陷诊断的准确性和可靠性。
在本说明书中，提供了一种手机屏背光异物缺陷诊断系统，用于执行上述的手机屏背光异物缺陷诊断方法，该手机屏背光异物缺陷诊断系统包括：
反射分析模块，用于获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；
异物判别模块，用于基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标；
异物材料分析模块，用于基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；基于异物光谱波形特征数据对异物光谱数据进行异物材料排除，从而生成异物材料识别数据；
异物危害预测模块，用于对异物材料识别数据进行光学特性有限元模拟，生成异物光学特性模拟数据；对异物光学特性模拟数据进行模型训练，生成异物缺陷危害预测模型；将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成手机屏背异物缺陷诊断报告。
本发明的有益效果在于通过结合屏幕背景区域分割和反射图谱分析，可以高精度地检测出手机屏幕上的异物，并提取出异物的特征数据。这有助于排除一般环境噪声，确保只关注屏幕上的实际异物。使用多光谱成像技术对异物进行成像，可以提供更为详细和准确的光谱数据。这有助于更准确地识别和区分不同材料的异物，提高异物检测的准确性。利用异物光谱波形特征数据，对异物光谱数据进行材料排除。这有助于降低误识率，排除一些常见材料的干扰，提高异物检测的可信度。通过光学特性有限元模拟和模型训练，生成了异物缺陷危害预测模型。这使得可以对异物的光学特性进行更深入的分析，并在背光异物缺陷危害预测上提供了一种可靠的方法。利用异物缺陷危害预测模型，可以生成详细的手机屏背异物缺陷诊断报告。这有助于及早发现并解决异物导致的问题，提高手机生产和质量控制的效率。因此，本发明通过对手机屏幕图像进行背景区域分割、光晕区域联通标记、光谱特征分析和模型训练，提高了手机屏背光异物缺陷诊断的准确性和可靠性。
附图说明
图1为一种手机屏背光异物缺陷诊断方法的步骤流程示意图；
图2为图1中步骤S1的详细实施步骤流程示意图；
图3为图2中步骤S14的详细实施步骤流程示意图；
图4为图3中步骤S144的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，一种手机屏背光异物缺陷诊断方法，所述方法包括以下步骤：
步骤S1：获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；
步骤S2：基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标；
步骤S3：基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；基于异物光谱波形特征数据对异物光谱数据进行异物材料排除，从而生成异物材料识别数据；
步骤S4：对异物材料识别数据进行光学特性有限元模拟，生成异物光学特性模拟数据；对异物光学特性模拟数据进行模型训练，生成异物缺陷危害预测模型；将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成手机屏背异物缺陷诊断报告。
本发明通过分析和处理手机屏幕反射，可以减少反射造成的干扰，提高屏幕图像的清晰度和可视性。根据屏幕反射图谱的分析结果，可以调整显示参数，优化手机屏幕的显示效果，提供更好的用户体验。通过分析屏幕反射，可以检测到可能存在的窃取屏幕信息的风险，从而提高手机屏幕的安全性。根据反射分析结果，可以动态调整屏幕亮度、对比度等参数，使手机屏幕在不同环境下都能够有较好的显示效果，提高了手机的适应性。通过对手机屏幕光晕区域的分析和确认，可以及时发现并识别屏幕上的异物，如灰尘、指纹等，有助于及时清理和维护手机屏幕的清洁度和观感。保持手机屏幕的清洁和良好的显示效果，可以提高用户对手机的使用体验，避免光晕和异物影响到屏幕的观看和操作。检测异物可能带来的安全隐患，如屏幕上的划痕可能导致屏幕易碎等问题，从而提高手机的使用安全性。自动识别和标记异物区域的功能有助于自动化手机维护流程，减少用户的手动操作和维护成本。通过多光谱成像和光谱特征分析，可以更准确地识别手机屏幕上的异物，避免误判和漏检。通过光谱数据的分析和比对，可以排除一些常见的异物材料，有助于减少误报和提高排除的精度。自动化的异物识别和排除过程可以提高手机屏幕维护的效率，减少人工成本和时间消耗。及时识别和排除可能的异物有助于保护手机屏幕，防止异物造成的损坏和影响。因此，本发明通过对手机屏幕图像进行背景区域分割、光晕区域联通标记、光谱特征分析和模型训练，提高了手机屏背光异物缺陷诊断的准确性和可靠性。
本发明实施例中，参考图1所述，为本发明一种手机屏背光异物缺陷诊断方法的步骤流程示意图，在本实例中，所述一种手机屏背光异物缺陷诊断方法包括以下步骤：
步骤S1：获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；
本发明实施例中，通过使用手机摄像头或者其他成像设备获取手机屏幕的原始图像。这可以通过调用手机的摄像头应用程序或者通过外部设备连接到手机来实现。对获取的原始图像进行预处理，包括调整图像的亮度、对比度、色彩平衡等，以确保图像质量良好。利用图像处理技术，例如图像分割算法（如基于阈值、边缘检测、区域生长等），将手机屏幕图像中的背景与屏幕部分分割开来。这可以帮助将屏幕与周围环境分离开来，便于后续的分析。在分割后的手机屏幕区域图像上，进行反射分析。这包括识别和分析屏幕上的反射现象，如镜面反射、漫反射等。可以利用图像处理技术和计算机视觉算法，如光照模型、反射分析算法等，来定量分析和描述屏幕反射的特征。生成手机屏幕反射图谱，记录不同区域的反射强度、反射角度等信息。这有助于后续识别和分析屏幕上的光晕、异物等现象。
步骤S2：基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标；
本发明实施例中，通过使用手机屏幕反射图谱对手机屏幕区域图像进行处理，突出光晕区域的特征。利用图像处理技术，比如阈值分割、边缘检测等方法，将光晕区域与其他区域分离。对光晕区域进行进一步分析，确认其中可能存在的异物。可以采用图像处理算法，如形态学操作、颜色分析等，以识别潜在的异物。提取异物的特征数据，如形状、颜色、大小等信息，以便后续的异物区域坐标索引。基于手机屏幕异物特征数据，对光晕联通区域数据进行分析和索引。确定异物在光晕联通区域的位置，可以采用像素坐标或其他坐标系统，以便后续的定位和处理。
步骤S3：基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；基于异物光谱波形特征数据对异物光谱数据进行异物材料排除，从而生成异物材料识别数据；
本发明实施例中，通过使用支持多光谱成像的设备，可以是专业的多光谱相机或者传感器。利用先前的异物区域坐标，在手机屏幕上指定的位置进行多光谱成像，确保只捕捉到异物区域的光谱信息。对异物区域进行多光谱成像，获取各个波段下的光谱数据。每个像素都应该包含不同波长的反射率或吸收率信息。对每个像素的光谱数据进行预处理，可能包括去噪、波形校正等。使用光谱分析方法提取波形特征，比如峰值、波谷、波段间隔等。这些特征能够反映异物的光学性质。将提取的波形特征数据整理成适合后续处理的数据结构，可能是一个特征向量或矩阵。包括已知的手机屏幕构成材料的光谱特征数据。将异物光谱波形特征数据与材料库中的数据进行比对，排除与手机屏幕常见材料相匹配的部分，留下与异物相关的光谱特征。根据排除材料后的结果，生成异物材料识别数据，包括异物的类型、可能的成分等信息。
步骤S4：对异物材料识别数据进行光学特性有限元模拟，生成异物光学特性模拟数据；对异物光学特性模拟数据进行模型训练，生成异物缺陷危害预测模型；将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成手机屏背异物缺陷诊断报告。
本发明实施例中，通过准备异物的三维模型，并确定模拟所需的材料参数，如折射率、吸收系数等。使用光学特性有限元软件，如COMSOL Multiphysics或Lumerical等，建立异物的有限元模型。在模型中，包括异物的几何形状、材料属性和周围环境等信息。 对异物模型施加光照条件，模拟光在异物表面的反射、折射和吸收等光学过程。根据模拟结果，得到异物的光学特性数据，如反射率、透射率等。利用已知异物和非异物的光学特性数据，准备训练数据集。这些数据应该包括光学特性数据和相应的异物标签。根据任务的复杂性和数据特征，选择适当的机器学习或深度学习模型结构，如支持向量机（SVM）、神经网络等。使用准备好的训练数据，对选择的模型进行训练。通过迭代优化模型参数，使其能够准确地从光学特性数据中预测异物的存在和性质。将根据预测结果，生成手机屏背异物缺陷诊断报告。报告应包括异物的位置、尺寸、材料属性以及可能对屏幕造成的危害等信息。得到的异物光学特性模拟数据导入到训练好的模型中。模型将根据输入的光学特性数据，预测异物的存在及其可能的缺陷危害。
优选的，步骤S1包括以下步骤：
步骤S11：利用摄像头对手机屏背进行拍摄扫描，得到手机屏幕原始图像；
步骤S12：对手机屏幕原始图像进行图像去噪，生成手机屏幕去噪图像；对手机屏幕去噪图像进行图像对比度增强，生成手机屏幕增强图像；对手机屏幕增强图像进行灰度二值化，生成手机屏幕灰度图像；
步骤S13：对手机屏幕灰度图像进行图像配准，生成手机屏幕配准图像；对手机屏幕配准图像进行图像角度校正，生成手机屏幕角度校正图像；对手机屏幕角度校正图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；
步骤S14：对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱。
本发明通过图像去噪、对比度增强、灰度二值化等处理步骤，可以减少图像中的噪声和干扰，提高图像的质量和清晰度，从而更准确地分析手机屏幕反射情况。图像配准、角度校正等步骤可以确保手机屏幕图像的准确性和一致性，提高后续分析的精确度和可靠性，使得手机屏幕反射图谱更具代表性和可比性。通过对手机屏幕背景区域的分割和反射分析，可以减少由于背景干扰或反射干扰引起的误差，提高反射图谱的准确度和可信度。生成的手机屏幕反射图谱可以用于进一步分析手机屏幕的反射特性，帮助识别潜在问题或改进方案，优化手机屏幕的设计和制造过程。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S1包括：
步骤S11：利用摄像头对手机屏背进行拍摄扫描，得到手机屏幕原始图像；
本发明实施例中，通过使用一台摄像头或者智能手机的摄像头作为拍摄设备。确保摄像头的镜头清洁，并调整好焦距和曝光设置。将待检测的手机放置在一个固定的位置，并确保摄像头位于手机屏幕的背面方向。摄像头与手机屏幕之间的距离应该适中，以确保获得清晰的图像。调整摄像头的角度和方向，使其能够完整地捕捉到手机屏幕的背面图像。同时，确保环境光线适中，以避免过暗或过亮的情况影响图像质量。使用摄像设备对手机屏幕的背面进行拍摄扫描。确保拍摄过程中摄像头保持稳定，并尽可能避免因手持摄像设备而导致的晃动或模糊。将拍摄到的手机屏幕背面图像保存下来，以备后续的图像处理和分析步骤使用。
步骤S12：对手机屏幕原始图像进行图像去噪，生成手机屏幕去噪图像；对手机屏幕去噪图像进行图像对比度增强，生成手机屏幕增强图像；对手机屏幕增强图像进行灰度二值化，生成手机屏幕灰度图像；
本发明实施例中，通过使用适当的去噪算法，如均值滤波、中值滤波或小波去噪等，根据图像特性选择最合适的算法。根据实际情况，调整去噪算法的参数，以平衡去噪效果和图像细节的保留。应用直方图均衡化或其他对比度增强技术，以增加图像的整体对比度。使用线性或非线性的调整方法，根据需要调整图像的亮度和对比度。采用合适的阈值选择方法，如基于直方图的全局阈值、自适应阈值等，将图像转换为二值图像。根据图像特性和应用需求，适当调整二值化的阈值参数。
步骤S13：对手机屏幕灰度图像进行图像配准，生成手机屏幕配准图像；对手机屏幕配准图像进行图像角度校正，生成手机屏幕角度校正图像；对手机屏幕角度校正图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；
本发明实施例中，通过使用特征提取算法，如SIFT、SURF或ORB，从手机屏幕灰度图像中提取特征点。将提取到的特征点与参考图像（如模板图像）的特征点进行匹配，找到匹配对。根据匹配的特征点对，计算图像之间的配准变换，如仿射变换或透视变换。根据配准后的图像，选择合适的校正方法，如旋转、投影变换等，以校正图像的角度。根据实际需要，确定图像需要校正的角度，并将其应用到配准后的图像上。使用图像分割算法，如基于阈值、边缘检测或区域增长的方法，将手机屏幕区域与背景进行分割。根据分割算法的结果，确定手机屏幕区域与背景之间的分割边界。
步骤S14：对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱。
本发明实施例中，通过定义实验条件，包括光源位置、光照强度等。确保实验环境中只有手机屏幕反射产生光学效应。使用相同的摄像设备，拍摄手机屏幕区域图像在不同实验条件下的照片，包括不同角度和光照条件。对拍摄到的图像进行预处理，包括裁剪、缩放和调整亮度等，以确保图像质量和一致性。根据实际需要，去除图像中与手机屏幕反射无关的背景，以减少分析的复杂性。选择感兴趣区域（Region of Interest），通常是手机屏幕的区域，用于后续的反射分析。使用图像处理技术，提取手机屏幕区域的反射特征，可以包括反射强度、反射方向等。将提取到的反射特征以图谱的形式表示，可以是灰度图、热力图或其他形式，以便直观地展示反射分布。对生成的反射图谱进行定量或定性分析，识别可能存在的问题或改进空间。根据分析结果，优化实验条件，如调整光源位置、光照强度，以改善手机屏幕的反射性能。
优选的，步骤S14包括以下步骤：
步骤S141：对手机屏幕区域图像进行颜色空间检测，当手机屏幕区域图像检测为RGB颜色空间时，则将手机屏幕区域图像进行Lab颜色空间转换，生成手机屏幕区域颜色转换图像；
步骤S142：对手机屏幕区域颜色转换图像进行亮度分量提取，得到手机屏幕区域亮度分量；根据手机屏幕区域亮度分量对手机屏幕区域颜色转换图像进行光亮度标准化，生成标准手机屏幕区域亮度图像；
步骤S143：通过标准手机屏幕区域亮度图像和预设的标准屏幕反射值进行反射率模型构建，生成反射率关系模型；基于反射率关系模型对标准手机屏幕区域亮度图像进行像素反射率计算，得到屏幕像素反射率数据集；
步骤S144：基于屏幕像素反射率数据集进行反射率图谱生成，得到手机屏幕反射图谱。
本发明通过对手机屏幕区域图像进行颜色空间检测，判断是否为RGB颜色空间。如果图像检测为RGB颜色空间，则将其转换为Lab颜色空间，这有助于更好地表达颜色信息。从颜色转换后的图像中提取亮度分量，捕捉图像的亮度信息。基于手机屏幕区域亮度分量，对颜色转换图像进行光亮度标准化，确保后续处理基于一致的亮度条件。利用标准手机屏幕区域亮度图像和预设的标准屏幕反射值构建反射率模型，建立屏幕亮度与反射率之间的关系。基于反射率关系模型，对标准手机屏幕区域亮度图像进行像素反射率计算，得到屏幕像素反射率数据集。利用屏幕像素反射率数据集，生成手机屏幕反射图谱，该图谱展示了不同像素在光照条件下的反射率分布情况。Lab颜色空间的使用可以更准确地表示颜色信息，有助于减少颜色失真。光亮度标准化有助于消除亮度差异，确保在不同条件下获得一致的结果。通过建立反射率关系模型，可以更准确地估算屏幕反射率，提高分析的精度。反射率图谱提供了全面的反射率信息，对于了解手机屏幕在不同条件下的反射性能非常有帮助，有助于进一步的研究和优化。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S14包括：
步骤S141：对手机屏幕区域图像进行颜色空间检测，当手机屏幕区域图像检测为RGB颜色空间时，则将手机屏幕区域图像进行Lab颜色空间转换，生成手机屏幕区域颜色转换图像；
本发明实施例中，通过使用图像处理库（如OpenCV）加载手机屏幕区域图像。对图像进行颜色空间检测，一种可能的方法是通过检查图像的通道数来判断颜色空间。如果通道数为3，则是RGB颜色空间。使用OpenCV等库将RGB颜色空间的图像转换为Lab颜色空间。
步骤S142：对手机屏幕区域颜色转换图像进行亮度分量提取，得到手机屏幕区域亮度分量；根据手机屏幕区域亮度分量对手机屏幕区域颜色转换图像进行光亮度标准化，生成标准手机屏幕区域亮度图像；
本发明实施例中，通过手机摄像头或者屏幕截图等方式获取手机屏幕区域的图像。将获取的彩色图像转换为灰度图像。可以使用常见的方法，比如将RGB通道的值进行加权平均，得到灰度值。对灰度图像进行亮度分量的提取。可以直接使用灰度图像作为亮度分量，也可以应用特定的算法或滤波器来增强图像的亮度信息。根据手机屏幕区域亮度分量，对灰度图像进行光亮度标准化。这一步的目的是将亮度值调整到一个合适的范围，以便后续处理。一种常见的方法是对图像进行直方图均衡化，使得图像的亮度分布更均匀，增强图像的对比度和细节。经过光亮度标准化处理后，得到的图像即为标准手机屏幕区域亮度图像。
步骤S143：通过标准手机屏幕区域亮度图像和预设的标准屏幕反射值进行反射率模型构建，生成反射率关系模型；基于反射率关系模型对标准手机屏幕区域亮度图像进行像素反射率计算，得到屏幕像素反射率数据集；
本发明实施例中，通过实验或者参考已有的文献，获取预设的标准屏幕反射值。这可以是对应于不同波长的光的反射率值，通常以百分比或小数表示。基于标准手机屏幕区域亮度图像和标准屏幕反射值，构建反射率模型。这个模型描述了屏幕像素的反射率与其亮度之间的关系。反射率模型的构建可以采用多种方法，包括线性回归、多项式拟合、神经网络等。选择合适的模型取决于数据的特征和应用场景。基于构建的反射率模型，对标准手机屏幕区域亮度图像进行像素反射率计算。即将图像中每个像素的亮度值代入反射率模型中，计算其对应的反射率。这一步可以通过将亮度值与反射率模型进行映射来实现，得到每个像素的反射率。将计算得到的每个像素的反射率组成一个数据集，即屏幕像素反射率数据集。数据集中每个数据点对应于图像中的一个像素，包含该像素的坐标和反射率值。
步骤S144：基于屏幕像素反射率数据集进行反射率图谱生成，得到手机屏幕反射图谱。
本发明实施例中，通过使用步骤S143生成的屏幕像素反射率数据集作为输入。这个数据集包含了手机屏幕上每个像素的反射率值。分析屏幕像素反射率数据集，理解数据的分布和特征。这可能涉及统计分析、可视化等方法，以便更好地理解数据的结构和规律。基于屏幕像素反射率数据集，生成手机屏幕的反射率图谱。反射率图谱描述了屏幕在不同波长或频率下的反射率。反射率图谱通常以波长（或频率）为横轴，反射率为纵轴，通过曲线或者散点图来表示。反射率图谱的生成可以通过插值、拟合等数学方法来实现，以获得平滑和连续的曲线。对生成的反射率图谱进行数据处理和平滑操作，以减少数据中的噪音和波动。常见的数据处理方法包括滤波、平滑（如移动平均）、插值等，以使得图谱更具可读性和稳定性。
优选的，步骤S144包括以下步骤：
步骤S1441：基于屏幕像素反射率数据集将手机屏幕划分为若干规则的网格，从而得到手机屏幕反射率网格；将屏幕像素反射率数据集和手机屏幕反射率网格进行像素映射，生成反射率网格图像集；
步骤S1442：对反射率网格图像集进行空间插值，生成反射率插值网格图像；对反射率插值网格图像进行图像平滑，生成反射率平滑网格图像；对反射率平滑网格图像进行网格像素梯度信息计算，生成反射率梯度数据；
步骤S1443：通过反射光晕影响分析公式对反射率梯度数据进行反射范围计算，生成反射光晕影响数据；将反射光晕影响数据和预设的标准光晕影响阈值进行对比，当反射光晕范围数据等于预设的标准光晕范围阈值外时，则以反射光晕影响数据为边缘对手机屏幕反射范围进行界定，得到屏幕反射率光晕影响范围数据；
步骤S1444：对屏幕反射率光晕影响范围数据进行范围光晕极值点提取，并将光晕极值点所在的手机屏幕像素坐标标记为反射率分析中心点；根据反射率分析中心点对屏幕反射率光晕影响范围数据进行最长路径确认，得到反射率分析路径；
步骤S1445：基于反射率分析路进行路径像素反射率强度排序，从而生成手机屏幕反射图谱。
本发明通过将手机屏幕划分为规则的网格，并进行像素映射、空间插值等处理，可以生成更准确、更细致的反射率图谱。这有助于了解手机屏幕在不同位置的反射率特性。对反射率图像进行平滑处理可以减少数据中的噪声和波动，使得生成的反射率图谱更加平滑和连续。通过分析反射率梯度数据和光晕影响数据，可以了解手机屏幕在不同区域可能存在的光晕情况。这有助于优化屏幕设计，减少光晕对用户体验的影响。确定反射率分析路径可以帮助确定屏幕上反射率变化最为显著的路径，从而更好地理解屏幕的反射特性。基于反射率分析路径进行像素反射率强度排序，可以生成更具有实际意义和应用价值的手机屏幕反射图谱，有助于优化屏幕设计和改进显示效果。
作为本发明的一个实例，参考图4所示，在本实例中所述步骤S144包括：
步骤S1441：基于屏幕像素反射率数据集将手机屏幕划分为若干规则的网格，从而得到手机屏幕反射率网格；将屏幕像素反射率数据集和手机屏幕反射率网格进行像素映射，生成反射率网格图像集；
本发明实施例中，通过确定要划分的网格数量和大小。这可以根据具体的需求和分辨率来确定，例如可以选择将手机屏幕划分为10x10、20x20等大小的网格。根据确定的网格数量和大小，将手机屏幕划分为相应数量的规则网格。这可以通过计算屏幕的宽度和高度，然后将其分割为相等大小的矩形区域来完成。将屏幕像素反射率数据集中的每个像素映射到相应的网格区域中。这可以通过将每个像素的坐标与网格的边界进行比较来完成。例如，如果一个像素的坐标落在某个网格区域内，就将该像素的反射率值分配给该网格。可以使用插值方法，如最近邻插值、双线性插值等，来确定像素如何映射到网格中。这有助于在像素和网格之间进行平滑的过渡，以获得更准确的反射率网格图像。将映射后的反射率数据集与手机屏幕反射率网格结合，生成反射率网格图像集。这可以通过将每个网格区域的反射率值转换为图像像素的颜色值来实现。例如，可以使用灰度值表示反射率，然后将其映射到图像上。
步骤S1442：对反射率网格图像集进行空间插值，生成反射率插值网格图像；对反射率插值网格图像进行图像平滑，生成反射率平滑网格图像；对反射率平滑网格图像进行网格像素梯度信息计算，生成反射率梯度数据；
本发明实施例中，通过对反射率网格图像集进行空间插值，可以使用一些常见的插值方法，如双线性插值、双三次插值等。这些方法可以根据周围已知的反射率值来估计未知位置的反射率值，从而填补网格中的空白区域或不完整的数据。空间插值可以通过在网格中的每个像素或每个网格区域应用插值算法来完成。这样可以获得更加平滑和连续的反射率插值网格图像。对反射率插值网格图像进行图像平滑可以减少噪声和不连续性，以获得更加平滑和自然的图像。图像平滑可以采用一些常见的图像平滑算法，如高斯滤波、中值滤波等。这些算法可以通过在图像中的每个像素周围应用一个窗口，并根据窗口内像素的值进行加权平均来实现。对反射率平滑网格图像进行网格像素梯度信息的计算可以获得每个网格像素的梯度值。这些梯度值可以用于分析图像的局部变化和边缘信息。可以使用一些常见的图像梯度计算方法，如Sobel算子、Prewitt算子等，来计算每个网格像素的梯度值。这些算子可以通过在图像中的每个像素周围应用一个滤波器，并计算滤波器响应来实现。
步骤S1443：通过反射光晕影响分析公式对反射率梯度数据进行反射范围计算，生成反射光晕影响数据；将反射光晕影响数据和预设的标准光晕影响阈值进行对比，当反射光晕范围数据等于预设的标准光晕范围阈值外时，则以反射光晕影响数据为边缘对手机屏幕反射范围进行界定，得到屏幕反射率光晕影响范围数据；
本发明实施例中，通过定义一种反射光晕影响分析的公式或算法。这个公式或算法应该能够根据反射率梯度数据来计算出反射光晕的范围。反射光晕通常是由于屏幕表面的反射导致的，其范围可以根据反射率的变化来判断。一个简单的方法是定义一个阈值，超过这个阈值的像素被认为是处于光晕范围内。使用反射光晕影响分析的公式或算法，对反射率梯度数据进行处理，计算每个像素的反射光晕影响数据。这可能包括对每个像素的梯度值进行阈值化或其他处理，以确定其是否处于反射光晕影响范围内。将计算得到的反射光晕影响数据与预设的标准光晕影响阈值进行对比。如果某个像素的反射光晕影响数据超过了预设的标准光晕影响阈值，说明这个像素处于光晕范围内。当某个像素的反射光晕影响数据等于预设的标准光晕范围阈值外时，将其视为光晕的边缘。使用这些边缘像素来界定手机屏幕的反射率光晕影响范围数据。
步骤S1444：对屏幕反射率光晕影响范围数据进行范围光晕极值点提取，并将光晕极值点所在的手机屏幕像素坐标标记为反射率分析中心点；根据反射率分析中心点对屏幕反射率光晕影响范围数据进行最长路径确认，得到反射率分析路径；
本发明实施例中，通过对屏幕反射率光晕影响范围数据进行处理，找到极值点。这些极值点可能是光晕的起始或结束点，或者是光晕影响的边缘。可以使用一些常见的图像处理算法，例如边缘检测、梯度检测或其他特定于光晕形状的算法来识别这些极值点。从提取的光晕极值点中选择一个作为反射率分析的中心点。这个中心点通常是光晕影响的核心位置。将选定的中心点的手机屏幕像素坐标标记为反射率分析中心点。以反射率分析中心点为起点，通过对屏幕反射率光晕影响范围数据进行路径搜索，确认最长路径。这可以通过使用图像分析中的路径搜索算法，例如深度优先搜索（DFS）或广度优先搜索（BFS）等来实现。路径的确认可以基于相邻像素的关系，以及像素之间的光晕影响程度。当最长路径确认完成后，得到的路径即为反射率分析路径。这个路径反映了屏幕上光晕影响最为显著的区域。这个路径可以用于进一步的分析或处理，例如优化反射率校正算法、改善显示效果等。
步骤S1445：基于反射率分析路进行路径像素反射率强度排序，从而生成手机屏幕反射图谱。
本发明实施例中，通过使用步骤S1444中得到的反射率分析路径，提取路径上的所有像素。这些像素构成了反射率分析路。针对提取的每个像素，计算其反射率强度。反射率强度可以通过光学传感器或其他合适的设备进行测量，或者根据图像处理算法估算。对于光学传感器测量，可以使用设备提供的反射率信息。对于图像处理算法，可以考虑使用像素颜色值、亮度值等信息作为反射率的指标。将计算得到的像素反射率强度进行排序。这可以使用标准的排序算法，如快速排序或归并排序等。排序的目的是为了得到一个有序的像素集合，其中包含了整个路径上像素的反射率信息，从反射率最低到最高。将排序后的像素集合按照其反射率强度映射到一个图谱上。可以使用灰度图或彩色图，其中不同的颜色或亮度表示不同的反射率强度。图谱的生成可以通过图像处理软件或编程语言中的图像处理库来完成。
优选的，步骤S1443中的反射光晕影响分析公式具体如下：
式中，表示为反射光晕影响数据，/>表示为反射范围，/>表示为从光源到观察点的线与参考轴之间的夹角，/>表示为从参考轴到光源到观察点的线之间的夹角，/>表示为在不同位置上的反射率的变化率，/>表示为反射光在传输过程中的衰减速率，/>表示为光源到观察点的直线距离。
本发明通过分析并整合了一种反射光晕影响分析公式，公式的原理是通过对反射率梯度数据进行积分，计算出在给定反射范围内各个观察点的反射光晕影响数据。公式中的积分表示对极角和方位角的范围进行累积求和。通过考虑反射率梯度的平方、衰减因子以及反射率梯度的导数，综合评估了反射光晕的影响。公式中的参数表示被考虑的反射光晕的最大距离。较大的反射范围可以提供更全面的反射光晕影响分析结果。极角和方位角确定了观察点相对于光源的位置。通过对不同角度的积分，可以综合考虑各个方向上的反射光晕影响。参数/>表示在不同位置上的反射率的变化率。反射率梯度数据的大小和分布将直接影响整体的反射光晕影响评估结果。较大的反射率梯度数据可能意味着更明显的反射光晕效应。参数/>表示反射光在传输过程中的衰减速率。较大的衰减系数会使反射光在传输过程中迅速减弱，从而减少反射光晕影响的程度。参数/>表示光源到观察点的直线距离。通过引入距离因子，公式考虑了观察点与光源的距离对反射光晕影响的影响。较大的距离可能会减弱反射光晕的影响。在使用本领域常规的反射光晕影响分析公式时，可以得到反射光晕影响数据，通过应用本发明提供的反射光晕影响分析公式，可以更加精确的计算出反射光晕影响数据。通过合理设置这些参数可以综合考虑反射范围、反射率梯度数据、衰减系数和观察点与光源的距离等因素，从而对反射光晕的影响进行全面评估。这有助于理解和分析反射光晕现象，为相应的光学设计和改进提供指导和决策依据。
优选的，步骤S2包括以下步骤：
步骤S21：基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；
步骤S22：对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；
步骤S23：根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物轮廓边界检测，生成手机屏幕异物轮廓数据；
步骤S24：通过手机屏幕异物轮廓数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标。
本发明通过对标准手机屏幕区域亮度图像进行光晕区域的联通标记，可以确定屏幕上存在的光晕区域，并将其以数据形式保存。有助于进一步的异物确认和处理，提高了对手机屏幕光晕的理解和管理能力。对光晕联通区域数据进行异物确认，可以识别和确定屏幕上存在的异物，如灰尘、污渍等。通过得到的手机屏幕异物特征数据，可以更好地理解异物的性质和分布情况。根据异物特征数据进行异物轮廓边界检测，可以准确地确定异物的形状和位置。这有助于进一步处理和修复屏幕上的异物，提高了屏幕显示的清晰度和质量。通过异物轮廓数据对光晕联通区域进行坐标索引，可以得到准确的异物区域坐标信息。这些坐标信息可以用于进一步的处理和分析，例如自动清除异物、修复光晕等，从而改善屏幕显示效果。
本发明实施例中，通过使用图像处理技术，可能采用计算机视觉算法，基于手机屏幕反射图谱对标准手机屏幕区域亮度图像进行分析。应用亮度、颜色或纹理等特征来检测和标记光晕区域，形成光晕联通区域数据。异物确认可能包括模式识别和机器学习技术，通过训练模型来识别手机屏幕上的异物。特定异物的特征可以通过图像处理和分析提取，建立异物特征数据。使用图像边缘检测算法，例如Canny边缘检测算法，对手机屏幕异物特征数据进行边界检测。考虑使用形态学处理技术来优化异物轮廓的检测，以确保准确性和鲁棒性。通过对异物轮廓数据进行处理，可以建立异物区域的坐标索引。使用图像坐标转换技术，将异物区域的坐标映射到手机屏幕的实际位置。
优选的，步骤S22包括以下步骤：
步骤S221：对手机屏幕光晕联通区域数据进行像素颜色扫描，得到联通区域像素颜色数据；利用手机屏幕反射图谱对联通区域像素颜色数据进行异常像素光亮分析，得到屏幕异常像素光亮数据；
步骤S222：根据屏幕异常像素光亮数据对联通区域像素颜色数据进行异物深度分析，生成屏幕异物深度数据；通过屏幕异物深度数据和屏幕异常像素光亮数据对手机屏幕光晕联通区域数据进行异常类型判别，生成异常类型判别数据，其中异常类型判别包括异物类型判别和划痕类型判别；
步骤S223：通过异常类型判别数据对手机屏背进行平坦性检测，得到手机屏背平坦性检测数据；基于手机屏背平坦性检测数据对异常类型判别数据进行划痕判别类型剔除，从而得到手机屏幕异物类型数据；
步骤S224：对手机屏幕异物类型数据进行异物特征描述，得到手机屏幕异物特征数据。
本发明通过分析像素颜色数据和反射图谱，可以识别出异常亮度的像素，这可能指示了屏幕上的亮点或暗点，可能是由于坏点或其他硬件问题引起的。通过分析异常像素的光亮数据，可以推断出异物的深度和性质，比如异物可能位于屏幕表面或深入屏幕内部。结合异物深度数据和异常像素数据，可以进行异常类型判别，识别出异物和划痕，以便后续的处理和修复。通过对手机屏背平坦性的检测，可以排除由于屏幕背面不平坦或损坏导致的异常像素。利用这些数据，可以进一步过滤划痕类型的异常，确保仅识别屏幕表面的异物。对识别出的异物进行特征描述，可能包括异物的大小、形状、位置等信息。生成的异物特征数据可以用于进一步的分析、报告和处理。
本发明实施例中，通过使用手机摄像头或传感器对屏幕光晕联通区域进行扫描，获取像素颜色数据。利用图像处理技术，将扫描到的图像转换为像素颜色数据。创建手机屏幕的反射图谱，以了解正常情况下的光亮分布。将反射图谱与实际扫描得到的像素颜色数据进行比较，识别异常像素的光亮特征。基于异常像素光亮数据，利用深度学习、图像处理等技术进行异物深度分析。通过比较光亮度的变化，推断出异物的深度位置。结合异物深度数据和异常像素光亮数据，使用机器学习算法进行异常类型判别，包括异物类型和划痕类型的判别。利用手机背面的传感器或摄像头进行平坦性检测，以确定手机背面是否平坦。基于手机屏背平坦性检测数据，剔除可能由于手机背面不平坦引起的异常类型。进一步通过图像处理等技术，过滤掉可能是划痕的异常类型。根据识别的异物类型，描述异物的大小、形状、颜色等特征。利用计算机视觉技术提取异物的特征信息。生成手机屏幕异物类型数据，包括异物的位置、深度、特征等信息。将数据存储或传输至后续处理系统，如报告生成、维修系统等。
优选的，步骤S3包括以下步骤：
步骤S31：基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；
步骤S32：对异物光谱数据进行光谱峰值位置信息提取，生成光谱峰值位置数据；通过光谱峰值位置数据对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；
步骤S33：将异物光谱波形特征数据和预设的材料光谱数据库进行光谱匹配，生成异物材料匹配度；根据异物材料匹配度进行手机屏幕异物材料候选，生成异物材料候选集；
步骤S34：对异物材料候选集进行材料光谱数据分析，生成材料光谱分析数据；通过材料光谱分析数据对异物材料候选集进行异物材料排除，从而生成异物材料识别数据。
本发明通过对手机屏幕异物区域进行多光谱成像，获取异物的光谱数据。提供了关于异物的光谱信息，有助于后续的材料识别和分析。提取光谱数据中的峰值位置信息，并对异物光谱波形进行特征分析。光谱峰值位置提取可用于进一步分析光谱特征，从而更好地区分不同的材料。将异物光谱波形特征与预设的材料光谱数据库进行匹配，生成异物材料匹配度，并基于匹配度生成异物材料候选集。通过光谱匹配，可以识别潜在的材料类型，并生成可能的异物材料候选集，有助于后续的分析和排除。对异物材料候选集进行材料光谱数据分析，并排除不匹配的材料，最终生成异物材料识别数据。通过对候选材料进行更深入的光谱分析，可以排除不符合的材料，提高识别的准确性和可靠性。
本发明实施例中，通过使用手机内置的多光谱成像功能或连接外部多光谱成像设备。通过软件应用程序或编程接口，获取手机屏幕上异物区域的坐标信息。在异物区域进行多光谱成像，获取不同波长的光谱数据。对从多光谱成像中得到的数据进行预处理，包括噪声去除和数据校正。使用光谱分析软件或自定义算法，提取光谱数据中的峰值位置信息。基于峰值位置数据进行异物光谱波形特征分析，可能涉及峰值高度、面积等参数的计算。将提取的光谱波形特征数据与预设的材料光谱数据库进行比对和匹配。根据光谱匹配度确定异物材料的候选集，通常匹配度高的材料被列为候选。可以使用数据处理软件或编写自定义脚本来实现光谱匹配和候选集生成。对生成的异物材料候选集进行进一步的材料光谱数据分析，例如比较其光谱特征与已知材料光谱的相似度。基于材料光谱分析数据，排除与已知材料光谱不匹配的候选材料。这一步通常需要利用专业的光谱分析软件或编写自定义的算法来实现。
优选的，步骤S4包括以下步骤：
步骤S41：对异物材料识别数据进行有限元模拟网格构建，得到异物三维网格模型；对异物三维网格模型进行光学特性有限元模拟，生成异物光学特性模拟数据；
步骤S42：对异物光学特性模拟数据进行数据集划分，生成模型训练集和模型测试集；通过卷积神经网络算法对模型训练集进行模型训练，生成异物缺陷危害训练模型；利用模型测试集对异物缺陷危害训练模型进行模型测试，生成异物缺陷危害预测模型；
步骤S43：将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成背光异物缺陷诊断预测数据；利用可视化方法对背光异物缺陷诊断预测数据进行数据可视化，从而生成手机屏背异物缺陷诊断报告。
本发明通过构建三维网格模型有助于更真实地模拟异物的形状和结构，为后续模拟提供准确的基础。通过有限元模拟光学特性，可以获得异物在不同光照条件下的反射、折射等光学特性，为后续的模型训练提供详细数据。将光学特性模拟数据划分为训练集和测试集，有助于评估模型的泛化性能。使用CNN对模型训练集进行训练，使模型能够学习从光学特性到缺陷危害的映射关系。通过模型测试集评估训练出的模型性能，确保其在未见过的数据上也能做出准确的预测。将模型应用于实际的光学特性模拟数据，进行背光异物缺陷危害的预测。通过可视化方法，将预测数据直观地呈现，有助于用户理解和解释异物缺陷的位置和程度。生成手机屏背异物缺陷诊断报告，提供详细的诊断信息，有助于维修和质量控制。
本发明实施例中，通过使用有限元方法，将异物材料识别数据转化为三维网格模型。这可以通过计算机辅助设计（CAD）软件进行，将异物的形状和结构转换为有限元网格。基于有限元模型，进行光学特性模拟。使用光学仿真软件，模拟异物在不同光照条件下的光学响应，包括反射、折射、透射等。将生成的光学特性模拟数据划分为模型训练集和测试集。确保数据集的均衡，以避免模型偏向某一类别。设计一个卷积神经网络架构，适合从光学特性模拟数据中学习异物缺陷危害。使用训练集进行模型训练，优化模型参数。将模型部署用于实际的异物光学特性模拟数据。输入模型的数据应包括背光条件下的异物光学特性，以进行缺陷危害的预测。利用可视化工具，对模型输出的背光异物缺陷危害预测数据进行可视化。这可以包括生成热图、概率分布图等。最终，将结果生成手机屏背异物缺陷诊断报告。将上述步骤集成为一个整体系统，确保系统的稳定性和高效性。进行系统的优化，以提高异物缺陷检测的准确性和速度。
在本说明书中，提供了一种手机屏背光异物缺陷诊断系统，用于执行上述的手机屏背光异物缺陷诊断方法，该手机屏背光异物缺陷诊断系统包括：
反射分析模块，用于获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；
异物判别模块，用于基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标；
异物材料分析模块，用于基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；基于异物光谱波形特征数据对异物光谱数据进行异物材料排除，从而生成异物材料识别数据；
异物危害预测模块，用于对异物材料识别数据进行光学特性有限元模拟，生成异物光学特性模拟数据；对异物光学特性模拟数据进行模型训练，生成异物缺陷危害预测模型；将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成手机屏背异物缺陷诊断报告。
本发明的有益效果在于通过结合屏幕背景区域分割和反射图谱分析，可以高精度地检测出手机屏幕上的异物，并提取出异物的特征数据。这有助于排除一般环境噪声，确保只关注屏幕上的实际异物。使用多光谱成像技术对异物进行成像，可以提供更为详细和准确的光谱数据。这有助于更准确地识别和区分不同材料的异物，提高异物检测的准确性。利用异物光谱波形特征数据，对异物光谱数据进行材料排除。这有助于降低误识率，排除一些常见材料的干扰，提高异物检测的可信度。通过光学特性有限元模拟和模型训练，生成了异物缺陷危害预测模型。这使得可以对异物的光学特性进行更深入的分析，并在背光异物缺陷危害预测上提供了一种可靠的方法。利用异物缺陷危害预测模型，可以生成详细的手机屏背异物缺陷诊断报告。这有助于及早发现并解决异物导致的问题，提高手机生产和质量控制的效率。因此，本发明通过对手机屏幕图像进行背景区域分割、光晕区域联通标记、光谱特征分析和模型训练，提高了手机屏背光异物缺陷诊断的准确性和可靠性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种手机屏背光异物缺陷诊断方法，其特征在于，包括以下步骤：
步骤S1：获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；
步骤S2：基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标；
步骤S3：基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；基于异物光谱波形特征数据对异物光谱数据进行异物材料排除，从而生成异物材料识别数据；
步骤S4：对异物材料识别数据进行光学特性有限元模拟，生成异物光学特性模拟数据；对异物光学特性模拟数据进行模型训练，生成异物缺陷危害预测模型；将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成手机屏背异物缺陷诊断报告。
2.根据权利要求1所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S1包括以下步骤：
步骤S11：利用摄像头对手机屏背进行拍摄扫描，得到手机屏幕原始图像；
步骤S12：对手机屏幕原始图像进行图像去噪，生成手机屏幕去噪图像；对手机屏幕去噪图像进行图像对比度增强，生成手机屏幕增强图像；对手机屏幕增强图像进行灰度二值化，生成手机屏幕灰度图像；
步骤S13：对手机屏幕灰度图像进行图像配准，生成手机屏幕配准图像；对手机屏幕配准图像进行图像角度校正，生成手机屏幕角度校正图像；对手机屏幕角度校正图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；
步骤S14：对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱。
3.根据权利要求2所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S14包括以下步骤：
步骤S141：对手机屏幕区域图像进行颜色空间检测，当手机屏幕区域图像检测为RGB颜色空间时，则将手机屏幕区域图像进行Lab颜色空间转换，生成手机屏幕区域颜色转换图像；
步骤S142：对手机屏幕区域颜色转换图像进行亮度分量提取，得到手机屏幕区域亮度分量；根据手机屏幕区域亮度分量对手机屏幕区域颜色转换图像进行光亮度标准化，生成标准手机屏幕区域亮度图像；
步骤S143：通过标准手机屏幕区域亮度图像和预设的标准屏幕反射值进行反射率模型构建，生成反射率关系模型；基于反射率关系模型对标准手机屏幕区域亮度图像进行像素反射率计算，得到屏幕像素反射率数据集；
步骤S144：基于屏幕像素反射率数据集进行反射率图谱生成，得到手机屏幕反射图谱。
4.根据权利要求3所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S144包括以下步骤：
步骤S1441：基于屏幕像素反射率数据集将手机屏幕划分为若干规则的网格，从而得到手机屏幕反射率网格；将屏幕像素反射率数据集和手机屏幕反射率网格进行像素映射，生成反射率网格图像集；
步骤S1442：对反射率网格图像集进行空间插值，生成反射率插值网格图像；对反射率插值网格图像进行图像平滑，生成反射率平滑网格图像；对反射率平滑网格图像进行网格像素梯度信息计算，生成反射率梯度数据；
步骤S1443：通过反射光晕影响分析公式对反射率梯度数据进行反射范围计算，生成反射光晕影响数据；将反射光晕影响数据和预设的标准光晕影响阈值进行对比，当反射光晕范围数据等于预设的标准光晕范围阈值外时，则以反射光晕影响数据为边缘对手机屏幕反射范围进行界定，得到屏幕反射率光晕影响范围数据；
步骤S1444：对屏幕反射率光晕影响范围数据进行范围光晕极值点提取，并将光晕极值点所在的手机屏幕像素坐标标记为反射率分析中心点；根据反射率分析中心点对屏幕反射率光晕影响范围数据进行最长路径确认，得到反射率分析路径；
步骤S1445：基于反射率分析路进行路径像素反射率强度排序，从而生成手机屏幕反射图谱。
5.根据权利要求4所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S1443中的反射光晕影响分析公式如下所示：
式中，表示为反射光晕影响数据，/>表示为反射范围，/>表示为从光源到观察点的线与参考轴之间的夹角，/>表示为从参考轴到光源到观察点的线之间的夹角，/>表示为在不同位置上的反射率的变化率，/>表示为反射光在传输过程中的衰减速率，/>表示为光源到观察点的直线距离。
6.根据权利要求4所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S2包括以下步骤：
步骤S21：基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；
步骤S22：对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；
步骤S23：根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物轮廓边界检测，生成手机屏幕异物轮廓数据；
步骤S24：通过手机屏幕异物轮廓数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标。
7.根据权利要求6所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S22包括以下步骤：
步骤S221：对手机屏幕光晕联通区域数据进行像素颜色扫描，得到联通区域像素颜色数据；利用手机屏幕反射图谱对联通区域像素颜色数据进行异常像素光亮分析，得到屏幕异常像素光亮数据；
步骤S222：根据屏幕异常像素光亮数据对联通区域像素颜色数据进行异物深度分析，生成屏幕异物深度数据；通过屏幕异物深度数据和屏幕异常像素光亮数据对手机屏幕光晕联通区域数据进行异常类型判别，生成异常类型判别数据，其中异常类型判别包括异物类型判别和划痕类型判别；
步骤S223：通过异常类型判别数据对手机屏背进行平坦性检测，得到手机屏背平坦性检测数据；基于手机屏背平坦性检测数据对异常类型判别数据进行划痕判别类型剔除，从而得到手机屏幕异物类型数据；
步骤S224：对手机屏幕异物类型数据进行异物特征描述，得到手机屏幕异物特征数据。
8.根据权利要求7所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S3包括以下步骤：
步骤S31：基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；
步骤S32：对异物光谱数据进行光谱峰值位置信息提取，生成光谱峰值位置数据；通过光谱峰值位置数据对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；
步骤S33：将异物光谱波形特征数据和预设的材料光谱数据库进行光谱匹配，生成异物材料匹配度；根据异物材料匹配度进行手机屏幕异物材料候选，生成异物材料候选集；
步骤S34：对异物材料候选集进行材料光谱数据分析，生成材料光谱分析数据；通过材料光谱分析数据对异物材料候选集进行异物材料排除，从而生成异物材料识别数据。
9.根据权利要求7所述的手机屏背光异物缺陷诊断方法，其特征在于，步骤S4包括以下步骤：
步骤S41：对异物材料识别数据进行有限元模拟网格构建，得到异物三维网格模型；对异物三维网格模型进行光学特性有限元模拟，生成异物光学特性模拟数据；
步骤S42：对异物光学特性模拟数据进行数据集划分，生成模型训练集和模型测试集；通过卷积神经网络算法对模型训练集进行模型训练，生成异物缺陷危害训练模型；利用模型测试集对异物缺陷危害训练模型进行模型测试，生成异物缺陷危害预测模型；
步骤S43：将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成背光异物缺陷诊断预测数据；利用可视化方法对背光异物缺陷诊断预测数据进行数据可视化，从而生成手机屏背异物缺陷诊断报告。
10.一种手机屏背光异物缺陷诊断系统，其特征在于，用于执行如权利要求1所述的手机屏背光异物缺陷诊断方法，该手机屏背光异物缺陷诊断系统包括：
反射分析模块，用于获取手机屏幕原始图像；对手机屏幕原始图像进行手机屏幕背景区域分割，生成手机屏幕区域图像；对手机屏幕区域图像进行屏幕反射分析，生成手机屏幕反射图谱；
异物判别模块，用于基于手机屏幕反射图谱对手机屏幕区域图像进行光晕区域联通标记，生成手机屏幕光晕联通区域数据；对手机屏幕光晕联通区域数据进行异物确认，得到手机屏幕异物特征数据；根据手机屏幕异物特征数据对手机屏幕光晕联通区域数据进行异物区域坐标索引，从而得到手机屏幕异物区域坐标；
异物材料分析模块，用于基于手机屏幕异物区域坐标对手机屏背进行多光谱成像，得到异物光谱数据；对异物光谱数据进行异物光谱波形特征分析，生成异物光谱波形特征数据；基于异物光谱波形特征数据对异物光谱数据进行异物材料排除，从而生成异物材料识别数据；
异物危害预测模块，用于对异物材料识别数据进行光学特性有限元模拟，生成异物光学特性模拟数据；对异物光学特性模拟数据进行模型训练，生成异物缺陷危害预测模型；将异物光学特性模拟数据导入至异物缺陷危害预测模型中进行背光异物缺陷危害预测，生成手机屏背异物缺陷诊断报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304112.XA CN117934453B (zh) | 2024-03-18 | 2024-03-18 | 一种手机屏背光异物缺陷诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304112.XA CN117934453B (zh) | 2024-03-18 | 2024-03-18 | 一种手机屏背光异物缺陷诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117934453A true CN117934453A (zh) | 2024-04-26 |
| CN117934453B CN117934453B (zh) | 2024-06-04 |
Family
ID=90755960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410304112.XA Active CN117934453B (zh) | 2024-03-18 | 2024-03-18 | 一种手机屏背光异物缺陷诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117934453B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040151361A1 (en) * | 2003-01-22 | 2004-08-05 | Pierre Bedard | Method and apparatus for testing the quality of reclaimable waste paper matter containing contaminants |
| CN108961185A (zh) * | 2018-06-29 | 2018-12-07 | 凌云光技术集团有限责任公司 | 一种Demura检测中去除灰尘干扰的方法及装置 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN110445921A (zh) * | 2019-09-06 | 2019-11-12 | 东北大学 | 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置 |
| CN211403010U (zh) * | 2020-07-29 | 2020-09-01 | 武汉精立电子技术有限公司 | 显示面板异物定位装置 |
| CN112858318A (zh) * | 2021-04-26 | 2021-05-28 | 惠州高视科技有限公司 | 屏幕异物缺陷与灰尘的区分方法、电子设备及存储介质 |
| CN113284148A (zh) * | 2021-07-23 | 2021-08-20 | 苏州高视半导体技术有限公司 | 一种屏幕灰尘过滤方法 |
| WO2023088186A1 (zh) * | 2021-11-18 | 2023-05-25 | 北京与光科技有限公司 | 基于光谱成像的图像处理方法、装置和电子设备 |
-
2024
- 2024-03-18 CN CN202410304112.XA patent/CN117934453B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040151361A1 (en) * | 2003-01-22 | 2004-08-05 | Pierre Bedard | Method and apparatus for testing the quality of reclaimable waste paper matter containing contaminants |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN108961185A (zh) * | 2018-06-29 | 2018-12-07 | 凌云光技术集团有限责任公司 | 一种Demura检测中去除灰尘干扰的方法及装置 |
| CN110445921A (zh) * | 2019-09-06 | 2019-11-12 | 东北大学 | 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置 |
| CN211403010U (zh) * | 2020-07-29 | 2020-09-01 | 武汉精立电子技术有限公司 | 显示面板异物定位装置 |
| CN112858318A (zh) * | 2021-04-26 | 2021-05-28 | 惠州高视科技有限公司 | 屏幕异物缺陷与灰尘的区分方法、电子设备及存储介质 |
| CN113284148A (zh) * | 2021-07-23 | 2021-08-20 | 苏州高视半导体技术有限公司 | 一种屏幕灰尘过滤方法 |
| WO2023088186A1 (zh) * | 2021-11-18 | 2023-05-25 | 北京与光科技有限公司 | 基于光谱成像的图像处理方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117934453B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | State of the art in defect detection based on machine vision | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
| CN108355981B (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN113538432B (zh) | 一种基于图像处理的零件缺陷检测方法及系统 | |
| US6941016B1 (en) | Method for finding contours in an image of an object | |
| CN116563282B (zh) | 一种基于机器视觉的钻削刀具检测方法及系统 | |
| CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
| CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
| CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
| CN113608378A (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
| CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
| CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
| CN114719749A (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
| CN117314826A (zh) | 一种显示屏的性能检测方法 | |
| CN116452944A (zh) | 一种表面裂纹识别方法及装置 | |
| CN117422699A (zh) | 公路检测方法、装置、计算机设备及存储介质 | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| CN116977335B (zh) | 一种用于机械零件表面点蚀缺陷的智能检测方法 | |
| CN117934453B (zh) | 一种手机屏背光异物缺陷诊断方法及系统 | |
| McAlorum et al. | Automated concrete crack inspection with directional lighting platform | |
| Singh et al. | Segmentation technique for the detection of Micro cracks in solar cell using support vector machine | |
| CN115393290A (zh) | 边缘缺陷检测方法、装置及设备 |
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 |