KR20190028794A - GPU 기반 TFT-LCD Mura 결함 탐지 방법 - Google Patents

GPU 기반 TFT-LCD Mura 결함 탐지 방법 Download PDF

Info

Publication number
KR20190028794A
KR20190028794A KR1020197004875A KR20197004875A KR20190028794A KR 20190028794 A KR20190028794 A KR 20190028794A KR 1020197004875 A KR1020197004875 A KR 1020197004875A KR 20197004875 A KR20197004875 A KR 20197004875A KR 20190028794 A KR20190028794 A KR 20190028794A
Authority
KR
South Korea
Prior art keywords
image
value
rti
regression
coefficient
Prior art date
Application number
KR1020197004875A
Other languages
English (en)
Other versions
KR102047409B1 (ko
Inventor
팡보 루
펭 야오
비아오후아 덩
카이 첸
야페이 쉔
Original Assignee
우한 징세 일렉트로닉 그룹 컴퍼니 리미티드
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 우한 징세 일렉트로닉 그룹 컴퍼니 리미티드 filed Critical 우한 징세 일렉트로닉 그룹 컴퍼니 리미티드
Publication of KR20190028794A publication Critical patent/KR20190028794A/ko
Application granted granted Critical
Publication of KR102047409B1 publication Critical patent/KR102047409B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/1306—Details
    • G02F1/1309—Repairing; Testing
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/006—Electronic inspection or testing of displays and display drivers, e.g. of LED or LCD displays
    • 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
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/133—Constructional arrangements; Operation of liquid crystal cells; Circuit arrangements
    • G02F1/136—Liquid crystal cells structurally associated with a semi-conducting layer or substrate, e.g. cells forming part of an integrated circuit
    • G02F1/1362—Active matrix addressed cells
    • G02F1/1368—Active matrix addressed cells in which the switching element is a three-electrode device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
    • G09G3/36—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source using liquid crystals
    • G09G3/3611—Control of matrices with row and column drivers
    • G09G3/3648—Control of matrices with row and column drivers using an active matrix
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • H04N25/63—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to dark current
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • H04N25/67—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response
    • H04N25/671—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response for non-uniformity detection or correction
    • H04N25/677—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response for non-uniformity detection or correction for reducing the column or line fixed pattern noise
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • H04N25/68—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to defects
    • H04N25/683—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to defects by defect estimation performed on the scene signal, e.g. real time or on the fly detection
    • 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
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F2203/00—Function characteristic
    • G02F2203/69—Arrangements or methods for testing or calibrating a device
    • 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
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30121—CRT, LCD or plasma display

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Nonlinear Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Liquid Crystal (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)
  • Devices For Indicating Variable Information By Combining Individual Elements (AREA)
  • Liquid Crystal Display Device Control (AREA)

Abstract

본 발명은 GPU 기반 TFT-LCD Mura 결함 검출 방법에 관한 것으로서, 다음과 같은 단계를 포함한다: (1) 원본 이미지 데이터에 기초하여, 스튜던트화 잔차(studentized residual)에 기초한 쌍 2차 방정식 회귀진단 모형을 설정함으로써 쌍 2차 방정식 회귀 배경 이미지 데이터를 획득하는 단계; (2) 원본 이미지 데이터와 상기 쌍 2차 방정식 회귀 배경 이미지의 데이터에 근거하여 각 그룹의 데이터 포인트가 적합값에 대해 가지는 영향량을 획득하는 단계; (3) 상기 영향량이 배제된 원본 이미지 데이터 중의 특이 포인트와 영향 포인트에 근거하여 새로운 픽셀 그룹을 획득하는 단계; (4) 새로운 픽셀 그룹에 근거하여 쌍 N차 다항식 표면 근사 모형을 설정하고 쌍N차 배경 이미지 데이터를 획득하는 단계; (5) 상기 쌍 N차 배경 이미지 데이터와 원본 이미지 데이터에 근거하여 잔차 이미지(residual image) R을 획득하고 잔차 이미지에 대하여 역치를 이용한 이미지 분할 처리(threshold segmentation)를 수행하여 역치 분할 이미지를 획득하는 단계;(6) 역치 분할된 이미지에 모폴로지(morphology) 처리를 수행하여 침식(eroded) 및 팽창된(dilated) 이미지를 획득하고, 밝기가 균일하지 않은 Mura 결함에 대하여 유효 분할을 실현하는 단계.

Description

GPU 기반 TFT-LCD Mura 결함 탐지 방법
본 발명은 액정표시장치 결함 탐지 기술 분야에 해당하며, 보다 구체적으로는 GPU에 기반한 TFT-LCD Mura 결함 탐지 방법에 관한 것이다.
TFT-LCD(박막 트랜지스터 액정 표시 장치)는 낮은 에너지 소모, 대형화된 사이즈, 높은 선명도 등의 특징으로 현재 가장 널리 사용되는 표시 장치이며 액정 텔레비전, 모바일 단말기 등의 디스플레이 영역에 광범위하게 응용되고 있고, 특히 HD, 3D 등 고급 디스플레이 영역에서는 절대적으로 우세를 보이고 있다.
TFT-LCD의 광범위한 응용 및 날로 증가하는 고성능 디스플레이 장치에 대한 소비자의 요구로 인하여, TFT-LCD 제조 공정 및 그 과정은 갈수록 복잡해지고 있으며, TFT-LCD의 대량 생산 과정에서 불가피하게 일정량의 불량 제품이 발생할 수밖에 없다. 결함의 형태와 배경 콘트라스트의 차이에 따라, TFT-LCD 의 디스플레이 결함은 주로 점 결함, 선 결함, Mura 결함으로 나뉜다. Mura 결함은 낮은 콘트라스트와 배경 밝기의 불균일성 등의 특징으로 인하여 배경 텍스쳐와 복합적 소음의 간섭을 심화시킬 수 있으므로, Mura 결함에 대한 감지 및 회복이 기업 경쟁력의 중요한 근거가 되었다.
현재, 국내외 대형 TFT-LCD 패널 제조사가 Mura 결함 탐지에 있어서 주로 경험이 풍부한 감지 인력의 육안을 이용한 판정에 의지하고 있어 고비용, 불안정성, 저효율 등의 특징을 가진다. 머신 비전 (machine vision) 결함 탐지는 비접촉식 탐지 방법으로서, 자동화 정도가 높고 강인성이 우수하다는 등의 특징을 가져 널리 응용되고 있다. 그러나, CCD 카메라 등을 이용하여 수집한 결함 이미지는 TFT-LCD 소재의 비균일성, 시야의 차이, 외부 광원의 비균일성 등으로 인하여 이미지 배경 밝기가 불균일하여 Mura 결함 자체의 비균일성과 섞일 수 있으므로, 자동광학 탐지 방법으로는 Mura 결함을 정확하게 탐지할 수 없으며 심지어 인공의 탐지 방법보다 레벨이 낮은 결과로 이어질 수도 있다.
종래 기술의 주요 문제는 자동광학 탐지의 자기적응도가 낮으며, 오탐지율 및 탐지 누락율이 높고, 상이한 유형의 제품 및 일정 차이를 가지는 동일한 유형의 제품에 대해서는 탐지의 자기 적응도가 낮으며 장비 디버깅 및 조작성이 비교적 열악하다는 것이다. 한편, 현재 자동광학 탐지에서는 주로 온라인 탐지 방법을 사용하고 있으나, 종래 기술에서는 CPU 등의 개발 환경을 많이 사용하고 있어 탐지 시간이 길고, 특히 대형, 다수의 이미지를 동시에 검출할 경우에는 종래 기술은 공정 효율에 심각한 영향을 초래할 수 있다.
중국 특허 <B 스플라인 곡면 근사에 기초한 TFT-LCD Mura 결함 머신 비전 탐지 방법>(특허번호 201310405884.4)에서는 원본 이미지 데이터에 B 스플라인 곡면 근사를 진행한 후 원본 이미지를 이용하여 배경 이미지를 감소시키는 방법을 사용하였다. 이 방법은 밝기가 불균일한 면적이 비교적 넓거나 또는 노이즈가 큰 Mura 결함 탐지에는 이상적이지 않으며, 연산량 또한 비교적 많아, 실제 응용에서의 필요를 만족시키기가 비교적 어렵다.
종래 기술의 결함을 해결하기 위하여, 본 발명은 GPU 기반 TFT-LCD Mura 결함 탐지 방법을 제공하고자 하며, 불균일한 밝기를 가지는 면적이 상대적으로 넓거나 노이즈가 큰 Mura 결함에 대해 종래 기술이 가지는 효과가 이상적이지 않고 탐지 정밀도가 낮으며 연산량이 비교적 크다는 문제를 해결하고자 한다.
본 발명은 GPU에 기초한 TFT-LCD Mura 결함 탐지 방법을 제공하였으며, 상기 방법은 아래와 같은 단계를 포함할 수 있다:
（1）원본 데이터 이미지에 기초하여 스튜던트화 잔차의 쌍 2차 회귀 진단모형을 설정하고 상기 쌍 2차 회귀 진단 모형의 제1 계수를 계산하며, 상기 제1 계수에 근사 처리를 진행하여 쌍 2차 회귀 배경 이미지 데이터를 획득하는 단계;
（2）상기 원본 이미지 데이터와 상기 쌍 2차 회귀 배경 이미지에 근거하여 각 그룹의 데이터가 근사값에 가지는 영향량
Figure pct00001
를 계산하며;
이 때, 제
Figure pct00002
그룹 데이터 포인트
Figure pct00003
가 적합값에 가지는 영향량
Figure pct00004
;
Figure pct00005
가 클수록 제i그룹 데이터 포인트가 곡면 근사에 가지는 영향 또한 증가하며, 반대의 경우, 제i그룹 데이터 포인트가 곡면 근사에 가지는 영향 또한 감소하는 단계;
（3）상기 영향량
Figure pct00006
에 근거하여 상기 원본 이미지 데이터 중의 특이점과 영향 포인트를 배제하여 새로운 픽셀 그룹
Figure pct00007
을 획득하는 단계;
（4）새로운 픽셀 그룹
Figure pct00008
을 근거로 쌍 N차 다항식 곡면 근사 모형을 설정하고，쌍 N차 다항식 곡면 근사 모형의 제2 계수를 계산하며, 상기 제2 계수에 근거하여 쌍 N차 배경 이미지 데이터를 추정하는 단계;
（5）상기 쌍 N차 배경 이미지 데이터와 상기 원본 이미지 데이터에 근거하여 잔차 이미지
Figure pct00009
을 획득하고; 상기 잔차 이미지에 대하여 역치 분할 처리를 수행하여 역치 분할 이미지를 획득하는 단계；
（6）상기 역치 분할 이미지에 대해 모폴로지 처리를 수행하여 침식 및 팽창된 이미지를 획득하고 밝기가 불균일한 Mura 결함에 대한 유효 분할을 실현하는 단계.
본 발명에서, 제1 계수는 쌍 2차 회귀 진단 모형 계수를 의미하며, 제2 계수는 쌍 4차 다항식 모형 계수를 의미한다.
나아가, 단계 (1)은 구체적으로 다음과 같다:
（1.1）스튜던트화 잔차에 기초한 4차 방정식 회귀 진단 모형
Figure pct00010
을 설정하고;
（1.2）최소제곱법에 근거하여 상기 4차 방정식 회귀 진단 모형의 제1 계수 추정치
Figure pct00011
를 계산하며;
（1.3）상기 제1 계수의 추정치에 근사 처리를 수행하여 4차 방정식 배경 이미지 데이터
Figure pct00012
를 획득한다;
여기서,
Figure pct00013
는 이차원 이미지의 가로축 및 세로축 좌표의 행렬 표시 형식이고;
Figure pct00014
는
Figure pct00015
에서 대응좌표가 위치하는 곳의 픽셀에 대한 계조치이며;
Figure pct00016
쌍 4차 방정식 회귀 진단 모형 계수이고;
Figure pct00017
은 잔차치로서,
Figure pct00018
을 만족하며;
Figure pct00019
는 회귀 모형 계수의 벡터 표현 형식이고,
Figure pct00020
의 레벨은
Figure pct00021
의 신뢰 영역이며
Figure pct00022
와 같은 형식으로 표시될 수 있고,
Figure pct00023
는 쌍 4차 방정식 회귀 진단 모형 계수의 개수를 나타내며;
Figure pct00024
은 이미지 픽셀의 총 수이고;
Figure pct00025
와
Figure pct00026
는 모형 계수
Figure pct00027
와 분산
Figure pct00028
의 최소제곱 추정치이며;
Figure pct00029
는
Figure pct00030
분포를 나타낸다.
나아가, 단계（1.1）전에는 다음과 같은 단계가 더 포함된다: 상기 원본 이미지 데이터에 Gabor 필터링을 수행하여 무아레 무늬와 CCD가 수집한 원본 이미지 내의 텍스쳐 그리드를 제거한다;
여기서, Garbo 필터 연산자는
Figure pct00031
;
Figure pct00032
를 포함하며,
Figure pct00033
는 필터링 주파수,
Figure pct00034
는 필터 방향을 나타내고;
Figure pct00035
는
Figure pct00036
이며, T 는 유닛의 넓이를 나타낸다.
또한, 상기 필터의 방향
Figure pct00037
은 0°, 45°, 90° 및 135°이며; 방향이 더 많아지면 필터링 효과를 증가시킬 수 있으나 연산량 또한 크게 증가할 수 있으므로, 일반적인 텍스쳐 분석에서는 4개 방향의 필터만 있으면 충분하다. 본 발명에서는 Gabor 필터링된 이미지를 통하여, 텍스쳐 그리드가 잘 제어될 수 있다.
나아가, 단계 (3)은 구체적으로 다음과 같다:
（3.1）영향량
Figure pct00038
를 크기 순으로 배열하고, 추출 전
Figure pct00039
의 포인트를 특이 영역으로 간주하며 그 픽셀값을 1로 설정하고, 나머지 픽셀의 픽셀값을 0으로 설정하여 이진화 이미지
Figure pct00040
를 획득하고,
（3.2）상기 이진화 이미지
Figure pct00041
에 중간값 필터링을 수행하여, 필터링 후의 특이점 이미지
Figure pct00042
를 획득하며；
（3.3）잔차 이미지 E 를 큰 것에서 작은 것의 순서로 배열하고, 추출 전
Figure pct00043
의 포인트를 영향 포인트 영역으로 간주하며 그 픽셀값을 1로 설정하고 나머지 픽셀의 픽셀값을 0으로 설정하여 영향 포인트 이미지
Figure pct00044
를 획득하고;
（3.4）원본 이미지 픽셀 그룹
Figure pct00045
으로부터 영향력을 갖는 영향 포인트 이미지
Figure pct00046
과 특이점 이미지
Figure pct00047
를 제거하여 새로운 픽셀 그룹
Figure pct00048
을 획득하며;
여기서,
Figure pct00049
,
Figure pct00050
는 특이 역치이고, 추출값 범위는 0 내지 100이며; 잔차 이미지
Figure pct00051
이고,
Figure pct00052
와
Figure pct00053
의
Figure pct00054
의 의미는 위와 같고,
Figure pct00055
는 2 내지 10의 값을 취하며;
Figure pct00056
;
Figure pct00057
는 소수점 제곱 조작이고,
Figure pct00058
는 원본 이미지 픽셀 그룹
Figure pct00059
로부터 영향 포인트와 특이점을 제거한 픽셀 그룹이며; 특이점은 설정된 모형이 회귀 분석에 의해 양호하게 해석되지 않고 전체 데이터 포인트로부터 멀리 있음을 가리키고; 영향 포인트는 회귀 모형으로 하여금 매우 큰 변화를 일으키도록 할 수 있는 포인트를 가리킨다.
나아가, 다항식 근사가 이미지 전체의 밝기 변화 추세를 근사적으로 추정할 수 있으므로, 근사의 성패는 크게 다항식 차수의 선택에 의하여 결정된다. 차수가 지나치게 낮을 경우 근사 효과는 비교적 떨어지고, 뚜렷한 블록 효과가 나타날 수 있으며, 차수가 지나치게 높을 경우 한편으로는 시간 소모 차수가 몇 배 증가할 수 있고, 다른 한편으로는 과대근사 현상이 일어날 수 있다. 각종 요소를 종합적으로 고려하면, N은 4 또는 5의 값을 가질 수 있고; N이 4일 경우, 단계 (4)는 구체적으로 다음과 같다:
（4.1）쌍 4차 다항식 곡면근사 모형 설정 단계:
Figure pct00060
；
（4.2）최소제곱법에 근거하여 상기 쌍 4차 다항식 곡면 근사 모형의 제2 계수 추정치
Figure pct00061
를 계산하는 단계;
（4.3）상기 제2 계수 추정치에 대하여 근사 처리를 수행하여 쌍 N차 배경 이미지 데이터
Figure pct00062
를 획득하는 단계;이며,
여기서, X 와 Z 는 각자 특이점을 배제한 후의 새로운 픽셀 그룹
Figure pct00063
와 대응되는 좌표 데이터 그룹 및 그레이스케일 데이터로서,
Figure pct00064
은 쌍 4차 다항식의 모형 계수이고, Z 는 원본 이미지로부터 최종적으로 근사된 배경 이미지이다.
더 나아가, 단계(5)에서, 상기 역치 분할 처리는 구체적으로 다음과 같다: 잔상R과 이진화 이미지를 반전시킨 후 픽셀 제곱하여, 특이 영역에 속하는 잔차
Figure pct00065
를 제거하고；
상기 잔차(RES), 배경 영역의 평균치
Figure pct00066
및 분산
Figure pct00067
에 근거하여 역치 분할 이미지
Figure pct00068
를 획득하며;
이 때, 역치 분할 이미지
Figure pct00069
이고, 배경 영역의 평균은
Figure pct00070
, 배경 영역의 분산은
Figure pct00071
이고, 역치(Thresh)의 추출값 범위는 0.6 내지 3이다.
더 나아가, 단계 (6)에서, 상기 모폴로지 처리는 구체적으로 다음과 같다: 침식 작업을 이용하여 상기 역치 분할 이미지 중 비교적 작은 연결 영역을 제거하고 침식 작업을 거친 이미지에 대한 팽창 작업을 수행하여 서로 인접한 목표 영역을 연결하고, 침식 및 팽창된 이미지를 획득한다.
더 나아가, 단계 (1) 내지 (6)은 모두 그래픽 처리 장치의 병렬 처리에 기초하여 구현된 것으로서, 구체적으로: Kernel을 시동하여 GPU의 코스 그레인드(coarse-grained)와 파인 그레인드(fine-grained)에 대해 협업 병렬 컴퓨팅을 실시하고, 계산 결과를 GPU에서 CPU로 반환한다.
단계 (1) 내지 (6)에서 GPU 병렬 처리는 코스 그레인드와 파인 그레인드의 계산을 가속화시키며, 파인 그레인드란 계산 방법의 매 단계에서 각각 최소 입도로써 데이터 병렬을 개발하는 것이고 코스 그레인드란 계산 방법의 매 단계에서 각각 스레드 블록을 단위로 하여 데이터 공유를 진행하는 것을 뜻한다. GPU 상에서 사용하는 2차원의 스레드 블록(Block)은 2차원의 스레드 그리드(Grid)를 조직하고, 각각의 스레드 블록은 다시 약간의 스레드(Thread)로 조성되며, 스레드 그리드 중 제i번째의 스레드는 본 차 이미지 반복 데이터의 제i 픽셀 포인트를 계산하고, 각 Block 사이에서 병렬 수행되며 서로 통신할 수 없으므로, 데이터 블록 사이의 독립성 및 안정성이 보장되며; 동시에, 동일한 스레드 블록의 스레드는 공유 스토리지를 통하여 데이터를 교환하고, 배리어 동기화를 통하여 스레드 간의 정확한 공유 데이터를 보장한다.
본 발명의 사상에 따른 상기의 기술적 해결방안은, 종래 기술과 비교하였을 때 새로운 배경 재구성 방법을 사용하였으므로 다음과 같은 효과를 얻을 수 있다:
（1）본 발명은 회귀진단 방법 및 곡면 근사 방법을 유효하게 결합하고 근사 과정에서 특이 포인트와 영향 포인트 영역을 배제함으로써 특이 포인트와 영향 포인트의 간섭으로 인하여 회귀 곡선이 특이 포인트 방향으로 이동하는 것을 막아 배경 근사의 정밀도를 높일 수 있다. 본 발명은 밝기가 불균일한 면적이 비교적 넓거나 노이즈가 큰 Mura 결함에 대해서도 비교적 우수한 탐지 효과를 가질 수 있다.
（2）본 발명은 저차 회귀진단과 고차 다항식을 근사결합하여 배경 추정을 진행하고, 저차 회귀진단은 대략적 근사에 해당하며 원본 이미지에서 특이 포인트를 찾기에 편하고; 고차 다항식은 정밀 근사로 근사되며, 저차 근사에 대한 수정 및 보완이다. 대략적 근사와 정밀 근사의 두 가지 근사 방법을 유효하게 결합하면, 두 가지의 근사를 각각 사용함으로써 근사 정밀도가 낮아지는 결함을 피할 수 있다.
（3）본 발명은 그래픽 처리 유닛(GPU)을 효과적으로 이용하여 병렬 가속을 진행함으로써, 방법 처리에 소요되는 시간을 크게 감소시켰다. 또한, 공유 스토리지 및 텍스쳐 스토리지를 이용하여 GPU 메모리 액세스 시간을 보다 감소시킴으로써 스레드 간의 고속저지연 통신을 구현하여 탐지 공정의 효율을 극대화하였다.
（4）본 발명은 액정 디스플레이 분야에서 현재 판매 중인 모든 규격 사이즈와 다양한 형태의 Mura 결함 탐지에 적용 가능하여, 범용성이 비교적 강하다.
도 1은 본 발명에서 제시된 회귀 진단 및 다항식 곡면 근사에 기초한 TFT-LCD Mura 결함 탐지 방법을 나타낸 흐름도이다.
도 2는 회귀진단 및 다항식 곡면 근사에 근거한 TFT-LCD Mura 결함 탐지 방법을 나타낸 개략도이다. 여기서, 도 2(a)는 이미지 전처리 Gabor 필터링 후의 이미지이고, 도 2(b)는 쌍 4차 회귀 진단 근사의 배경 이미지이며, 도 2(c)는 회귀 진단 이미지가 이진화 처리 및 중간값 필터링 된 후의 이미지이고, 도 2(d)는 쌍 4차 다항식 근사 배경 이미지이며, 도 2(e)는 원본 이미지와 쌍 4차 다항식 근사 배경 이미지가 상쇄된 후의 잔차 이미지고, 도 2(f)는 잔차 이미지가 Niblack 계산법을 거쳐 역치분할된 이미지이다.
도 3은 GPU 병렬 처리의 흐름도이다.
본 발명의 목적, 기술적 해결 방안 및 장점을 보다 분명히 하기 위하여, 도면 및 실시예를 참조하여 본 발명을 보다 상세히 설명한다. 본 명세서에서 설명된 구체적 실시예는 본 발명을 설명하기 위함이며, 본 발명을 제한하는 용도로 사용되지 않음이 이해되어야 할 것이다.
본 발명은 액정 디스플레이의 디스플레이 결함 탐지 분야에 관한 것으로, 특히 TFT-LCD 상의 Mura 결함의 머신 비전 결함 탐지 방법에 관한 것이다. 본 발명은 탐지 효율이 높으며 탐지 정확도 또한 높은 방법을 개발하였다. 동시에, GPU(그래픽 처리 유닛)의 보편성이 증가하고 그 성능이 향상됨에 따라, 그 범용 병렬 처리 유닛으로서의 거대한 잠재력은 자동광학, 그래픽 처리 등 분야에서 점점 명확해지고 있다. 곡면 근사와 회귀 진단 방법에는 다수의 병렬 처리가 관련되어 있으며, 이는 GPU 상의 병렬 구현에 가능성을 제공하였다. 따라서, 본 발명은 GPU의 높은 병렬 계산 능력을 이용하여 회귀진단 방법과 곡면 근사 방법의 최적화 및 가속에 주력하였다.
본 발명은 고정밀도, 고속도, 고안정성의 Mura 결함 자동광학 탐지 방법을 제공한다. 상기 방법은 먼저 스튜던트화 잔차에 근거한 회귀진단 모형을 설정하며, 본 회귀 모형으로써 Welsch's distance에 근거하여 TFT-LCD 이미지 내의 특이 포인트 및 영향 포인트를 예측 및 분석하고; 특이 포인트 영역과 정상 영역에 이진화 처리 및 중간값 필터링을 수행하며, 다음으로는 원본 이미지로부터 중간값 필터링을 거친 특이 포인트 영역을 배제하고; 상기의 특이 포인트 영역을 배제한 이미지에 대하여 고차 곡면 근사를 수행함으로써 배경 이미지를 근사하고, 이를 원본 이미지의 유효 배경 영역으로 설정하며; 추정한 배경 이미지와 원본 이미지를 상쇄시켜 배경이 균일한 잔차 이미지를 획득하여 밝기 분포가 불균일하다는 문제점을 효과적으로 해결한다. 이에 기초하면, Niblack의 역치분할 방법을 응용하여 각종 Mura 결함을 잔차 이미지로부터 분할해낼 수 있다.
종래의 B스플라인, 다항식 등 곡면 근사 방법에서 매번 대량의 데이터에 대하여 제어점 반전 및 정방향 근사를 수행해야 하므로 근사 속도가 비교적 느린 점에 있어서, 본 발명의 실시예에서는 GPU의 코스 그레인드 및 파인 그레인드 병렬 협업 처리를 합리적으로 이용하는, GPU 가속에 근거한 배경 근사 방법을 제공하였다. 또한, GPU 공유 스토리지는 그리드 간의 고속저지연 통신을 구현할 수 있고, 텍스쳐 스토리지는 비교적 큰 데이터의 임의 접근을 가속시킬 수 있는 효과를 가지며, 공유 스토리지와 텍스쳐 스토리지를 이용하여 GPU 메모리 액세스 시간을 보다 감소시켜 방법 처리의 효율을 극대화한다.
본 발명이 제공하는 GPU 기반 TFT-LCD Mura 결함 탐지 방법은 다음과 같은 단계를 포함한다:
（1）이미지 전처리: 원본 이미지에 대해 필터링 처리를 하며, 이는 주로 무아레 무늬와 텍스쳐 격자의 영향을 제거하는 것이다. 필터링 방법은 Gabor 필터, 푸리에 변환 등의 방법을 포함하나 이에 제한되지는 아니한다.
（2）쌍 2차 회귀 진단 모형을 설정하고 2차 회귀 진단 모형 계수를 계산하며, 회귀 모형 계수로부터 이미지 배경의 기본 변화 추세를 근사적으로 반영할 수 있는 회귀 곡면을 근사한다.
（3）특이 포인트와 영향 포인트의 계산 및 배제. ① 진단 측정치를 계산하고 큰 값에서 작은 값의 순서로 모든 측정치를 배열하고, 측정치 진단 전
Figure pct00072
의 픽셀을 취하여 그 픽셀값을 1로 설정하고, 나머지 픽셀의 픽셀값은 0으로 설정하며; ② ①?의 이진화 이미지에 대하여 중간값 필터링 처리를 수행하고, 여기서 필터링 후의 픽셀이 1인 영역을 특이 포인트 영역으로 하며; ③ 잔차 이미지에 대하여 절대값을 취한 후 큰 값부터 작은 값 순서로 배열하고, 절대값을 취하기 전
Figure pct00073
의 포인트를 영향 포인트 영역으로 간주하며 ④ 쌍 2차 회귀 진단 모형으로부터 특이 포인트 및 영향 포인트 영역을 제거한다.
（4）4차 다항식 모형을 설정하고 4차 다항식 모형 계수를 계산하여 배경 모형을 추정한다.
（5）4차 배경 모형과 원본 이미지를 비교하여 배경 밝기가 균일한 잔차 이미지를 얻고, 잔차 이미지에 대하여 정규화를 수행한다.
（6）Niblack 역치분할. 역치분할 방법은 Niblack 역치방법을 포함하나 이에 제한되지는 아니한다.
본 발명의 실시예에서, 단계 (1) 내지 (6)은 모두 그래픽 처리 유닛(GPU)의 병렬처리이다. GPU의 합동병렬계산은 모두 GPU 메모리와 스레드를 분배하고 GPU 메모리에 저장된 CUDA 어레이와 텍스쳐 메모리를 바인딩하며 공유 스토리지를 분비하고 Kernel을 시동시켜 GPU 코스 그레인드와 파인 그레인드 합동병렬계산을 진행하고 계산 결과를 GPU로부터 CPU로 반환하는 것을 포함한다.
고속의 부동 소수점 수를 이용한 GPU의 병렬 연산 능력은 그 속도와 대역에 있어서 현재 주류인 CPU 프로세서를 크게 능가하였으며, 벡터 계산 분야에서는 CPU보다 수십 배 높은 계산 효율을 얻을 수 있어 머신 비전 이미지 처리에서 대량의 병렬 연산에 관계되며 GPU를 사용하여 병렬 처리를 수행하는 것이 매우 적절하다. 따라서, 본 발명은 그래픽 처리 유닛(GPU)을 이용하여 계산법을 가속화하고 계산법 처리 시간을 크게 줄임으로써 탐지 공정의 효율을 높일 수 있다.
본 발명의 일 실시예로서, 단계 (6)은 모폴로지 처리방법을 포함할 수 있으며, 주로 역치분할된 이미지 중에서 노이즈 또는 비교적 작은 간섭 블록을 제거하는 것으로서 결함 부분을 완전히 노출시켜 과탐지 현상이 생기지 않도록 할 수 있다.
본 발명은 간단하고 효과적인 TFT-Mura 결함 탐지 방법을 제공하였으며, 탐지 정밀도가 높고 탐지 속도가 빨라 인공적인 결함 탐지가 가지는 불안정성, 낮은 효율 등의 결함을 극복할 수 있으며, 동시에 종래의 B 스플라인 곡면 근사, 다항식 곡면 근사 등의 큰 근사 편차, 느린 방법 속도 등의 결함 또한 극복할 수 있다. 구체적으로 설명하면 다음과 같다:
（1）본 발명은 액정 디스플레이 분야에서 현재 시중에 있는 모든 규격 사이즈와 다양한 형태의 Mura 탐지에 사용할 수 있어 범용성이 높다.
（2）본 발명은 회귀 진단 사상과 곡면 근사 방법을 효과적으로 결합시키고 근사 중 특이 포인트와 영향 포인트 영역을 배제시켜 특이 포인트와 영향 포인트의 간섭이 회귀 곡선을 특이 포인트 방향으로 이동시키는 것을 피함으로써 배경 근사 정밀도를 더욱 높일 수 있다. 본 발명은 밝기가 불균일한 면적이 비교적 크거나 노이즈가 큰 Mura 결함에도 비교적 양호한 탐지 효과를 가질 수 있다.
（3）본 발명은 저차 회귀 진단과 고차 다항식 근사를 결합하여 배경 추정을 진행한다. 저차 회귀 진단은 대략적 근사에 속하여 원본 이미지로부터 특이 포인트를 찾기에 편리하고, 고차 다항식 근사는 정밀 근사로서 저차 근사에 대한 수정 및 보완이다. 대략적 근사 및 정밀 근사의 두 가지 방법을 효과적으로 결합함으로써, 두 가지의 근사를 각자 사용하였을 때 발생하는, 근사 정밀도가 낮다는 단점을 피할 수 있다.
（4）본 발명은 그래픽 처리 유닛(GPU)을 효과적으로 이용하여 병렬가속을 수행하고 계산법의 처리 시간을 크게 줄인다. 그밖에, 공유 스토리지와 텍스쳐 스토리지를 이용하여 GPU 메모리 액세스 시간을 보다 감소시켜 스레드 간의 고속저지연 통신을 구현함으로써 탐지 공정의 효율을 극대화시킨다.
본 발명의 실시예에서 제공되는 GPU 기반 TFT-LCD Mura 결함 탐지 방법의 보다 자세한 설명을 위하여, 도면을 참조하여 아래와 같이 상세히 설명한다: 도 1은 본 발명의 실시예에서 제공되는 GPU 기반 TFT-LCD Mura 결함 탐지 방법을 나타낸 흐름도로서, 상기 방법은 하기와 같은 단계를 포함한다:
단계 S101: 목표 이미지의 크기에 근거하여 GPU 터미널 내의 공간을 분할하고 초기화하며; 원본 이미지 데이터를 CPU로부터 GPU 메모리로 카피하고, GPU 메모리 중의 CUDA 어레이 및 텍스쳐 메모리를 바인딩하고 스레드와 공유 스토리지를 합리적으로 분할하여 각 픽셀이 하나의 스레드에 대응하도록 하는 단계. Kernel을 시동시켜 GPU의 파인 그레인드와 코스 그레인드 합동 병렬 계산을 수행하는 단계로서, GPU 병렬 계산에 대해서는 도3을 참고한다.
단계 S102: 이미지 전처리 단계로서, 원본 이미지에 Gabor 필터링을 수행하여 무아레 무늬(무아레 무늬는 디지털 마케라 등의 장치에서 감광 소자에 의하여 일어나는 고주파 간섭으로 수집된 이미지에 고주파수의 텍스트가 나타나는 현상을 가리킴)와 CCD가 수집한 원본 이미지의 텍스쳐 그리드(텍스쳐 그리드란 TFT 기판에서 수평 및 수직 주사선이 카메라 이미지에 의하여 수집된 후 나타나는 규칙적으로 배열된 반복적인 텍스쳐의 배경을 가리킴)를 제거하고, Gabor 필터링으로 CPU를 이용하여 Convolution 연산 처리를 수행한다.
이 중 Gabor 필터링 연산자는 다음을 포함한다:
Figure pct00074
Figure pct00075
, f 는 필터링 주파수이며, θ 는 필터의 방향이다. 중심 주파수 f 의 추출값 범위는 [1/16T, 1/2T]이며, 본문에서는 f = 1/2T 가 선택되고, T 는 텍스쳐 유닛의 넓이이다. 연산 시간과 성능을 고려하여, 본문에서는 네 개의 필터 방향 θ 가 각각 0°, 45°, 90°, 135°이며, 방향이 더 다양해지면 필터링 효과를 향상시킬 수 있으나 계산량 또한 크게 증가할 수 있으므로, 일반적인 텍스쳐 분석에서는 네 개 방향의 필터로도 충분하다. 상이한 방향의 필터링 이미지에 융합을 수행하여 최종적인 필터링 이미지를 획득하며, 필터링 결과는 도 2(a)에 도시된 바와 같다. Gabor 필터링 후의 이미지에서, 텍스쳐 그리드는 기본적으로 제어된다.
단계 S103：스튜던트화 잔차에 기초한 쌍 2차 회귀 진단 모형을 설정하고 쌍 2차 회귀 진단 모형 계수를 계산하며, 회귀 진단 모형 계수로부터 이미지 배경의 기본 변화 추세를 근사적으로 반영할 수 있는 회귀 곡면은 도 2(b)에 도시된 바와 같다. 회귀 분석 모형은 다수의 변량 간의 관계를 연구하는 통계 모형으로서, 회귀 분석 모형을 이용하여 TFT-LCD 중에서 가능한 특이 포인트와 영향 포인트를 탐지해낼 수 있다. 다항식 근사는 추정된 이미지의 배경 정보를 근사적으로 탐지할 수 있으나, 실제 응용에 있어서는, 다항식 근사의 정밀도는 원본 이미지 중 특이 포인트와 영향 포인트의 간섭을 받아 정상적인 근사 방향으로부터 벗어나기 쉽다. 따라서, 다항식 근사 전에 쌍 2차 회귀 진단 모형에 기초하여 특이 포인트와 영향 포인트를 배제함으로써 다항식 근사의 정밀도를 더욱 높여야 한다.
（1）스튜던트화 잔차에 기반한 쌍 2차 회귀 진단 모형
스튜던트화 잔차에 기반한 쌍 2차 회귀 진단 모형은 다음과 같이 표시될 수 있다:
Figure pct00076
여기서, Χ 는 2차원 이미지의 가로축과 세로축 좌표의 행렬 표시 방식이고; Z 는 Χ 에서 좌표 위치에 대응하는 픽셀의 그레이스케일값이며;
Figure pct00077
는 쌍 2차 회귀 진단 모형의 계수이고;
Figure pct00078
은 잔차치로서,
Figure pct00079
을 만족하며；
Figure pct00080
의
Figure pct00081
레벨 신뢰 영역은 아래와 같이 표시될 수 있다:
Figure pct00082
상기 식에서 p 는 쌍 2차 회귀 진단 모형 계수의 개수이고; n 은 이미지 픽셀의 총 개수이며;
Figure pct00083
및
Figure pct00084
는 모형 계수
Figure pct00085
와 분산
Figure pct00086
의 최소제곱 추정치이고；
Figure pct00087
는 F분포이다.
（2）쌍 2차 회귀 진단 모형으로부터 최소제곱법(LSM)에 근거하여 회귀 모형 계수의 추정치를 계산하고, 최소제곱법에서의 계수 추정치는
Figure pct00088
이며;
（3）쌍 2차 회귀 배경 근사
회귀 모형 계수 추정치로부터 근사한 쌍 2차 회귀 배경 이미지는 다음과 같다:
Figure pct00089
;
단계 S104: 특이 포인트(Outliers)과 영향 포인트（Influential point）회귀 진단. 특이 포인트는 설정된 모형이 회귀 분석에 의하여 양호하게 해석되지 않고 전체 데이터 포인트로부터 멀리 있음을 가리킨다. TFT-LCD에서, Outliers는 이미지 중 밝기가 균일하지 않거나 또는 색채가 균일하지 않은 Mura 결함 등일 수 있으며, Outlier 의 존재는 추정된 회귀 곡면이 특이 포인트 방향으로 이동하도록 하여 설정된 회귀 모형에 매우 큰 잔차가 발생하도록 할 수 있다. 영향 포인트는 회귀 모형에 매우 큰 변화가 발생하도록 할 수 있는 포인트로서, 일반적으로 분석의 결과에 큰 차이를 초래한다. 따라서, 실제로는 특이 포인트와 영향 포인트의 간섭을 진단 및 배제하여야 한다.
제 i 조 데이터 포인트
Figure pct00090
의 데이터 제거 모형은
Figure pct00091
로 표시될 수 있으며, 여기서,
Figure pct00092
와
Figure pct00093
는 각각 좌표 데이터 그룹 X 와 그레이스케일 데이터 그룹 Z 로부터 제 i 행
Figure pct00094
및
Figure pct00095
를 제거한 후의 데이터 그룹으로서,
Figure pct00096
는 제 i 데이터 포인트의 그레이스케일이고,
Figure pct00097
는 제 i 데이터 포인트의 좌표 벡터이다. 모형
Figure pct00098
에서
Figure pct00099
와
Figure pct00100
의 최소제곱 추정치
Figure pct00101
와
Figure pct00102
및
Figure pct00103
중에서 상응하는 추정치
Figure pct00104
와
Figure pct00105
는 아래와 같은 관계를 가진다:
Figure pct00106
,
Figure pct00107
Figure pct00108
,
Figure pct00109
=
Figure pct00110
여기서,
Figure pct00111
는 X 가 생성한 투영행렬
Figure pct00112
의 대각선원소이며，
Figure pct00113
는 제 i 데이터 포인트의 잔차치이고,
Figure pct00114
는 스튜던트화 잔차이며, 기타 매개변수는 상기와 같다.
즉 제i 그룹 데이터 포인트
Figure pct00115
가 근사치에 미치는 영향은 다음과 같이 정의된다:
Figure pct00116
Figure pct00117
는 Welsch - Kuh 거리로서，간략히 WK 통계량이라 칭하며，
Figure pct00118
가 클수록 제 I 데이터 포인트가 곡면 근사에 미치는 영향 또한 커지고, 반대의 경우, 제I 데이터 포인트가 곡면 근사에 미치는 영향 또한 작아진다.
단계 S105: 특이 포인트와 영향 포인트를 배제한다.
(1) WK 를 작은 것에서부터 큰 것 순서대로 배열하고, 추출 전
Figure pct00119
의 포인트를 특이 영역으로 간주하며 그 픽셀값을 1로 설정하고, 나머지 픽셀의 픽셀값을 0으로 설정한다.
Figure pct00120
이며,
Figure pct00121
는 특이역치이고, 추출값 범위는 0 내지 100이다.
(2)이진화 이미지
Figure pct00122
에 중간값 필터링을 수행하고, 중간값 필터링을 이용하여 분산된 특이 포인트를 영향력을 가지지 아니하는 특이 포인트로 간주하고 필터링하며, 필터링 후의 특이 포인트 이미지는
Figure pct00123
로 표시될 수 있다. 진단 측정값의 이진화 처리와 중간값 필터링 후의 이미지에 대해서는 도 2의 (c)에 도시된 바를 참고한다.
(3)잔차 이미지 E 에 대하여 절대값을 취한 후 큰 값부터 작은 값으로 순서대로 배열하고, 추출 전
Figure pct00124
의 포인트를 영향 포인트 영역으로 간주하며 그 픽셀값을 1로 설정하고, 나머지 픽셀의 픽셀값은 0으로 설정하며, 영향 포인트 이미지는
Figure pct00125
로 표시한다. 잔차 이미지 E 는 다음과 같다:
Figure pct00126
Figure pct00127
와
Figure pct00128
의 의미는 상기와 동일하며, 테스트 후
Figure pct00129
는 2내지 10의 값을 취하는 것이 비교적 효과적이다.
（4）원본 이미지 픽셀 그룹
Figure pct00130
로부터，영향력을 가지는 영향 포인트 이미지
Figure pct00131
와 특이 포인트 이미지
Figure pct00132
를 제거하여 새로운 픽셀 포인트 그룹
Figure pct00133
를 얻는다.
Figure pct00134
이며;
Figure pct00135
는 소수점 제곱 조작이고,
Figure pct00136
는 원본 이미지 픽셀 그룹
Figure pct00137
로부터 영향 포인트와 특이 포인트를 제거한 픽셀 그룹이며;
Figure pct00138
를 보다 근사하면 특이 포인트와 영향 포인트의 간섭을 효과적으로 배제할 수 있고, 근사 정밀도가 보다 높아진다.
단계 S106: 쌍 4차 다항식 곡면 근사 모형을 설정하고, 새로운 픽셀 포인트 그룹으로부터 쌍 4차 다항식 모형 계수를 계산하며, 4차 다항식 모형 계수에 근거하여 배경 이미지를 추정하는 것은 도 2의 (d)에 도시된 바와 같다. 다항식 근사는 이미지 전체의 밝기 변화 추세를 근사적으로 추정할 수 있고, 근사의 성패는 높은 정도로 다항식 차수의 선택에 의하여 결정된다. 차수가 지나치게 낮으면, 근사 효과가 비교적 낮고 뚜렷한 블록 효과가 나타날 수 있으며, 차수가 지나치게 높으면 한편으로는 차수에 따른 소모 시간이 수 배나 증가할 수 있고, 다른 한편으로는 과근사 현상이 발생할 수 있으므로, 다양한 요소를 종합적으로 고려하면, 실제 근사 다항식의 최고 차수는 4 또는 5인 것이 비교적 적합하다.
(1) 쌍 4차 다항식 곡면 근사 모형 설정
Figure pct00139
여기서 X 와 Z 는 특이 포인트를 배제한 후의 새로운 픽셀 그룹
Figure pct00140
의 대응 좌표 데이터 그룹과 그레이스케일 데이터 그룹이며,
Figure pct00141
는 쌍 4차 다항식 모형 계수이다.
(2) 쌍 4차 다항식 모형으로부터 최소제곱법에 근거하여 모형 계수 추정치를 계산하고, 최소제곱법에서의 계수 추정치는
Figure pct00142
이며，4차 다항식 모형 계수는 모두 15개이고, 2차 회귀 모형 계수는 모두 6개이며, 각각 다른 회귀진단 및 다항식 기초함수의 가중치에 해당한다.
(3) 쌍 4차 다항식 모형으로부터 계수
Figure pct00143
를 추정하여 배경 이미지를 얻는다:
Figure pct00144
Figure pct00145
는 원본 이미지로부터 최종적으로 근사한 배경 이미지로서, 전체 이미지 밝기의 기본적인 변화 추세를 반영하였다.
단계 S107: 이미지 차이값 방법으로서, 쌍 4차 다항식 모형이 추정한 배경 이미지와 원본 이미지 Z 를 비교하여 잔차 이미지 R을 획득한다. 상쇄 후의 픽셀 값이 0보다 작을 수 있으므로, 일반적으로 그 값이 0보다 큰 위치에는 그 곳이 밝은 Mura 임을 표시하고, 그 값이 0보다 작은 위치에는 그 곳이 어두운 Mura임을 표시한다. 직접 반올림을 할 경우 일부 정보를 잃어버릴 수 있으므로, 원래의 잔차 이미지에 기초하여 양의 오프셋
Figure pct00146
을 추가하여 모든 픽셀을 0보다 큰 범위로 정규화한다. 이 잔차 이미지를 이용하면 배경의 밝기가 불균일한 문제를 효과적으로 해결할 수 있으며, 밝거나 어두운 Mura가 함께 검출되므로 밝거나 어두운 Mura에 대해 따로 처리할 필요가 없다. 단계 S107에서 얻은 잔차 이미지에 대해서는 도2(e)를 참조한다.
Figure pct00147
단계 S108: Niblack 역치 분할. 적합한 역치(Thresh)를 선택하고, 테스트를 반복하여 Thresh가 0.6에서 3의 값을 가지는 것이 비교적 효과적이며, 역치 Thresh보다 큰 픽셀의 그레이스케일 값을 1로 설정하고, 역치 Thresh보다 작은 픽셀의 그레이스케일 값을 0으로 설정한다.
Niblack 역치 분할 방법의 원리는 잔차 이미지R이 이진화 이미지와 전환된 후 픽셀 제곱을 실시하며, 특이 영역에 속하는 잔차
Figure pct00148
를 제거하는 것이며；즉 잔차 이미지 중 배경 영역에 속하는 평균치와 분산의 계산 방법은 평균치
Figure pct00149
, 분산
Figure pct00150
이고；따라서, Niblack 역치 분할법은
Figure pct00151
와 같이 표시될 수 있으며, T 는 역치분할된 이미지이다.
단계 S109: 모폴로지 처리. 모폴로지 처리에서 먼저 침식을 진행한 후 팽창을 실시하는 것은 개방 연산으로서, 개방 연산을 통하여 산점과 버(burr)를 제거하고 이미지에 평활을 수행하며; 먼저 팽창을 실시한 후 침식을 실시하는 것은 폐쇄 연산으로서, 적당한 요소 구조를 선택함으로써 폐쇄 연산을 통하여 두 개의 서로 인접한 타깃을 연결할 수 있다. 역치 분할을 통하여 얻은 이진화 이미지는 결함 경계 주위 또는 내부에 약간의 "견아 형태" 및 "구멍" 형태를 보이는 점 또는 선이 존재할 수 있다. 따라서, 단계 S108의 역치분할 이미지에 대한 모폴로지 처리에 있어서, 구체적인 방법은 먼저 침식 작업을 통하여 이미지 중 비교적 작은 연결 구역을 제거한 다음 침식 처리한 이미지에 팽창 작업을 수행하여 서로 인접한 타깃 영역을 연결하는 것이다. 침식 및 팽창된 이미지에 대해서는 도 2의 (f)의 도시를 참조하며, 도 2의 (f)를 통하여, 본 발명의 방법이 밝기 분포가 불균일한 Mura 결함에 대해 효과적인 분할을 수행함을 알 수 있다.
단계 S1010：GPU 터미널의 최종적인 모폴로지 처리를 거친 이미지를 CPU 메모리에 카피하고 텍스쳐 바인딩을 해제하며, 적시에 GPU와 CPU 메모리를 릴리싱한다.
본 발명의 방법과 CPU의 직렬 구현 방법을 비교하여, 3개의 테스트 이미지 (2048x2048，3560x4288，3240x5760)를 각각 CPU와 GPU를 이용하여 처리를 수행하고, 처리 시간을 표 1에 기록하였다.
CPU와 GPU 처리 시간
타깃 이미지 크기 운행 시간(s)
CPU 처리 GPU 처리
2048x2048 18 0.32
3560x4288 38 0.49
3240x5760 45 0.53
표1을 통하여, 본 발명의 방법에서 필요로 하는 처리 시간은 종래의 CPU방법에 비하여 크게 감소하였으며, GPU 병렬 구현은 종래의 CPU에 비하여 55배 내지 85배 가속되었음을 알 수 있다. 더욱 중요하게는, 본 발명의 방법은 3560x4288의 해상도，심지어 3240x5760의 초고 해상도에서도 필요로 하는 처리 시간이 1 s 미만이므로 온라인 처리와 오프라인 처리 모두에 있어서 실시간 처리에 대한 요구를 만족시킬 수 있다. 이는 본 발명의 방법이 GPU 가속 유효성 및 실시간 처리 성능을 이용한다는 것을 나타낸다.
이상에서 설명한 내용은 본 발명의 바람직한 실시예에 불과하며 본 발명을 제한하기 위함이 아니고, 본 발명의 사상과 원칙 내에서 행해지는 모든 형태의 수정, 균등한 것으로의 대체 또는 개선 등은 모두 본 발명의 보호 범위에 포함되는 점은 본 분야의 당업자들에게 쉽게 이해될 것이다.

Claims (9)

  1. （1）원본 데이터 이미지에 기초하여 스튜던트화 잔차 (studentized residual) 의 쌍2차 (biquadratic) 회귀 진단 모형을 설정하고, 상기 쌍2차 회귀 진단 모형의 제1 계수를 계산하고 상기 제1 계수에 근사 처리를 수행하여 쌍2차 회귀 배경 이미지 데이터를 획득하는 단계;
    (2) 상기 원본 이미지 데이터와 상기 쌍2차 회귀 배경 이미지에 기초하여 각 그룹 데이터 포인트가 근사값에 대해 가지는 영향량 WK 를 계산하는 단계- 제i 그룹 데이터 포인트
    Figure pct00152
    가 적합값에 대해 가지는 영향량
    Figure pct00153
    -;
    (3) 상기 영향량 WK 에 기초하여 상기 원본 이미지 데이터 중의 특이 포인트와 영향 포인트를 배제하여 새로운 픽셀 그룹
    Figure pct00154
    을 획득하는 단계;
    (4) 상기 새로운 픽셀 그룹
    Figure pct00155
    에 기초하여 쌍N차 다항식 곡면 근사 모형을 설정하고, 상기 쌍N차 다항식 곡면 근사 모형의 제2 계수를 계산하고 상기 제2 계수에 기초하여 쌍N차 배경 이미지 데이터를 추정하는 단계;
    (5) 상기 쌍N차 배경 이미지 데이터와 상기 원본 이미지 데이터에 기초하여 잔차 이미지 (residual image)
    Figure pct00156
    을 획득하고, 상기 잔차 이미지에 대해 역치 분할 (threshold segmentation) 처리를 수행하여 역치 분할 이미지를 획득하는 단계; 및
    (6) 상기 역치 분할 이미지에 대해 모폴로지 (morphology) 처리를 수행하여 침식 (eroded) 및 팽창 (dilated) 된 이미지를 획득하는 단계;를 포함하는 GPU 기반 TFT-LCD Mura 결함 탐지 방법.
  2. 제1 항에 있어서, 상기 단계 (1)은:
    （1.1）스튜던트화 잔차에 기초한 쌍 2차 회귀 진단 모형
    Figure pct00157
    을 설정하는 단계;
    （1.2）최소제곱법에 기초하여 상기 쌍 2차 회귀 진단 모형의 제1 계수 추정치
    Figure pct00158
    를 계산하는 단계; 및
    （1.3）상기 제1 계수 추정치에 근사 처리를 수행하여 쌍 2차 회귀 배경 이미지 데이터
    Figure pct00159
    를 획득하는 단계;를 포함하며,
    X는 이차원 이미지의 가로축 및 세로축 좌표의 행렬 표시 형식이고, Z는 X에서 대응하는 좌표 위치의 픽셀 그레이스케일값이며,
    Figure pct00160
    는 쌍 2차 회귀 진단 모형의 제 1 계수이고,
    Figure pct00161
    은 잔차치이고
    Figure pct00162
    을 만족하며,
    Figure pct00163
    는 제 1 계수의 벡터 표현 형식이고,
    Figure pct00164
    의 레벨은
    Figure pct00165
    의 신뢰 영역이고
    Figure pct00166
    와 같은 형식으로 표시될 수 있고, p 는 쌍 2차 회귀 진단 모형 계수의 개수를 나타내며, n 은 이미지 픽셀의 총 수이고,
    Figure pct00167
    와
    Figure pct00168
    는 모형 계수
    Figure pct00169
    와 분산
    Figure pct00170
    의 최소제곱 추정이고,
    Figure pct00171
    는 F분포인 TFT-LCD Mura 결함 탐지 방법.
  3. 제2항에 있어서,
    상기 단계 (1.1)의 수행 전, 상기 원본 이미지 데이터에 대해 Gabor 필터링을 수행하여 무아레 무늬 및 CCD가 수집한 원본 이미지 내의 텍스쳐 그리드를 제거하는 단계를 더 포함하며,
    Garbo 필터 연산자는
    Figure pct00172
    를 포함하고;
    Figure pct00173
    , f 는 필터링 주파수,
    Figure pct00174
    는 필터 방향, f 는 1/2T, T는 텍스쳐 유닛의 너비인 TFT-LCD Mura 결함 탐지 방법.
  4. 제3항에 있어서, 상기 필터 방향
    Figure pct00175
    은 0°, 45°, 90° 및 135°인 TFT-LCD Mura 결함 탐지 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 단계 (3)은:
    （3.1）WK 를 작은 값에서 큰 값의 순서로 배열하고, 추출 전
    Figure pct00176
    의 포인트는 특이 영역으로서 픽셀값을 1로 설정하고, 나머지 픽셀은 픽셀값을 0으로 설정하여 이진화 이미지
    Figure pct00177
    를 획득하는 단계;
    （3.2）상기 이진화 이미지
    Figure pct00178
    에 대해 중간값 필터링을 수행하여, 필터링 후의 특이 포인트 이미지
    Figure pct00179
    를 획득하는 단계；
    （3.3）잔차 이미지 E 를 큰 것에서 작은 것의 순서로 배열하고, 추출 전
    Figure pct00180
    의 포인트는 영향 포인트 영역으로서 픽셀값을 1로 설정하고 나머지 픽셀은 픽셀값을 0으로 설정하여 영향 포인트 이미지
    Figure pct00181
    를 획득하는 단계; 및
    （3.4）원본 이미지 픽셀 그룹
    Figure pct00182
    으로부터, 영향력을 갖는 영향 포인트 이미지
    Figure pct00183
    과 특이 포인트 이미지
    Figure pct00184
    를 제거하여 새로운 픽셀 그룹
    Figure pct00185
    을 획득하는 단계;를 포함하며,
    Figure pct00186
    ，
    Figure pct00187
    는 특이 역치로서 추출값 범위는 0 내지 100이며, 잔차 이미지
    Figure pct00188
    이고,
    Figure pct00189
    는 2 내지 10의 값을 취하며,
    Figure pct00190
    이고,
    Figure pct00191
    는 소수점 제곱 작업이고,
    Figure pct00192
    는 원본 이미지 픽셀 그룹
    Figure pct00193
    로부터 영향 포인트와 특이 포인트를 제거한 픽셀 그룹이며, 특이 포인트는 설정된 모형이 회귀 분석에 의해 양호하게 해석되지 않고 전체 데이터 포인트로부터 멀리 있음을 가리키고, 영향 포인트는 회귀 모형으로 하여금 매우 큰 변화를 일으키도록 할 수 있는 포인트를 가리키는 TFT-LCD Mura 결함 탐지 방법.
  6. 제2항에 있어서, N은 4 또는 5이며, 단계 (4)는:
    （4.1） 쌍4차 다항식 곡면근사 모형 설정 단계 -
    Figure pct00194
    - ;
    （4.2） 최소제곱법에 기초하여 상기 쌍4차 다항식 곡면 근사 모형의 제2 계수 추정치
    Figure pct00195
    를 계산하는 단계; 및
    （4.3） 상기 제2 계수 추정치에 대하여 근사 처리를 수행하여 쌍N차 배경 이미지 데이터
    Figure pct00196
    를 획득하는 단계를 포함하며,
    X 와 Z 는 각각 특이 포인트를 배제한 후의 새로운 픽셀 그룹
    Figure pct00197
    와 대응되는 좌표 데이터 그룹 및 그레이스케일 데이터그룹으로서,
    Figure pct00198
    은 쌍 2차 다항식 모형의 제2 계수이고, Z는 원본 이미지로부터 최종적으로 근사된 배경 이미지인 TFT-LCD Mura 결함 탐지 방법.
  7. 제1항에 있어서, 단계(5)에서, 역치 분할 처리를 통해:
    잔차 이미지R 과 이진화 이미지를 반전시킨 후 픽셀 제곱하여, 특이 영역에 속하는 잔차
    Figure pct00199
    를 제거하고；
    상기 잔차(RES), 배경 영역의 평균치
    Figure pct00200
    및 분산
    Figure pct00201
    에 기초하여 역치 분할 이미지
    Figure pct00202
    를 획득하고,
    역치 분할 이미지는
    Figure pct00203
    이고, 배경 영역의 평균치는
    Figure pct00204
    , 배경 영역의 분산은
    Figure pct00205
    이며, 역치(Thresh)의 추출값 범위는 0.6 내지 3인 TFT-LCD Mura 결함 탐지 방법.
  8. 제1항에 있어서, 단계(6)에서, 상기 모폴로지 처리를 통해:
    침식 작업을 이용하여 상기 역치 분할 이미지 중 비교적 작은 연결 영역을 제거하고 침식 작업을 거친 이미지에 대해 팽창 작업을 수행하여 서로 인접한 목표 영역을 연결하고, 침식 및 팽창된 이미지를 획득하는 TFT-LCD Mura 결함 탐지 방법.
  9. 제1항에 있어서, 단계 (1) 내지 (6)은 모두 그래픽 처리 유닛의 병렬 처리에 기초하여 구현되고,
    GPU 메모리와 스레드를 분배하고, GPU 메모리에 저장된 CUDA 어레이와 텍스쳐 메모리를 바인딩하고, 공유 메모리를 분배하며, Kernel 을 시동하여 GPU 코스 그레인드 (coarse-grained) 및 파인 그레인드 (fine-grained) 협업 병렬 컴퓨팅을 수행하고, 컴퓨팅 결과를 GPU로부터 CPU로 반환하는 단계를 포함하는 TFT-LCD Mura 결함 탐지 방법.

KR1020197004875A 2016-08-29 2016-09-07 GPU 기반 TFT-LCD Mura 결함 탐지 방법 KR102047409B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201610761614.0 2016-08-29
CN201610761614.0A CN106200047B (zh) 2016-08-29 2016-08-29 一种基于GPU的TFT-LCD Mura缺陷检测的方法
PCT/CN2016/098265 WO2018040118A1 (zh) 2016-08-29 2016-09-07 一种基于GPU的TFT-LCD Mura缺陷检测的方法

Publications (2)

Publication Number Publication Date
KR20190028794A true KR20190028794A (ko) 2019-03-19
KR102047409B1 KR102047409B1 (ko) 2019-11-21

Family

ID=58089391

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197004875A KR102047409B1 (ko) 2016-08-29 2016-09-07 GPU 기반 TFT-LCD Mura 결함 탐지 방법

Country Status (5)

Country Link
US (1) US10552952B2 (ko)
JP (1) JP6738484B2 (ko)
KR (1) KR102047409B1 (ko)
CN (1) CN106200047B (ko)
WO (1) WO2018040118A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645372A (zh) * 2023-07-27 2023-08-25 汉克威(山东)智能制造有限公司 一种制动气室外观图像智能检测方法及系统

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107024485B (zh) * 2017-04-10 2019-11-26 青岛海信电器股份有限公司 曲面显示屏的缺陷检测方法和装置
CN107316303B (zh) * 2017-08-25 2021-11-02 深圳市华星光电半导体显示技术有限公司 显示面板Mura区域侦测方法
CN108345503A (zh) * 2018-01-18 2018-07-31 杭州电子科技大学 基于cpu-gpu的b样条曲面并行刀轨规划方法
CN108760746A (zh) * 2018-04-17 2018-11-06 苏州富鑫林光电科技有限公司 一种基于机器视觉的微纳米缺陷检测装置
US10867382B2 (en) * 2018-05-24 2020-12-15 Keysight Technologies, Inc. Detecting mura defects in master panel of flat panel displays during fabrication
CN109166092A (zh) * 2018-07-05 2019-01-08 深圳市国华光电科技有限公司 一种图像缺陷检测方法及系统
CN111369491B (zh) * 2018-12-25 2023-06-30 宁波舜宇光电信息有限公司 图像污点检测方法、装置、系统及存储介质
CN109978824B (zh) * 2019-02-19 2023-07-07 深圳大学 一种透明薄膜缺陷形态测量方法及系统
CN109884727B (zh) * 2019-03-15 2022-03-04 Oppo广东移动通信有限公司 异物检测方法、异物检测装置和电子设备
CN110059700B (zh) * 2019-03-18 2021-04-30 深圳神目信息技术有限公司 图像摩尔纹识别方法、装置、计算机设备及存储介质
CN110610496B (zh) * 2019-04-24 2023-09-26 广东工业大学 一种对光照变化鲁棒的荧光胶缺陷分割方法
CN109903717B (zh) * 2019-04-26 2022-06-21 京东方科技集团股份有限公司 显示面板的亮斑区域的识别方法、补偿方法及装置
CN110148098B (zh) * 2019-05-28 2023-01-17 易诚高科（大连）科技有限公司 一种针对OLED屏DeMURA的奇异点处理方法
US11948292B2 (en) * 2019-07-02 2024-04-02 MakinaRocks Co., Ltd. Systems and methods for detecting flaws on panels using images of the panels
US11145246B2 (en) * 2019-08-26 2021-10-12 Synaptics Incorporated Field recalibration of displays
CN110530883B (zh) * 2019-09-30 2022-08-02 凌云光技术股份有限公司 一种缺陷检测方法
CN110837717B (zh) * 2019-11-06 2022-09-06 成都数之联科技股份有限公司 一种基于Map图的玻璃面板多元缺陷根因分析方法
CN111080582B (zh) * 2019-12-02 2023-06-02 易思维（杭州）科技有限公司 工件内外表面缺陷检测方法
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
CN110992879B (zh) * 2019-12-11 2022-07-15 易诚高科（大连）科技有限公司 一种基于OLED电气特性评估的DeMURA数据采集寻优方法
TWI759669B (zh) 2019-12-23 2022-04-01 中強光電股份有限公司 顯示畫面檢測方法與顯示畫面檢測系統
CN111815520B (zh) * 2020-04-14 2023-11-07 桂林电子科技大学 一种基于gpu-cuda编码模型的遥感影像快速处理方法
CN111598801B (zh) * 2020-05-11 2023-04-28 苏州佳智彩光电科技有限公司 一种用于微弱Mura缺陷的识别方法
CN111667475B (zh) * 2020-06-09 2023-04-18 陕西科技大学 一种基于机器视觉的大枣分级检测方法
CN111932506B (zh) * 2020-07-22 2023-07-14 四川大学 一种提取图像中非连续直线的方法
CN114124340A (zh) * 2020-08-28 2022-03-01 京东方科技集团股份有限公司 物联网节点的时间同步方法、装置、存储介质及电子设备
CN112200789B (zh) * 2020-10-16 2023-11-21 中国铁道科学研究院集团有限公司 一种图像识别的方法及装置、电子设备和存储介质
CN114464127A (zh) * 2020-11-02 2022-05-10 鸿富泰精密电子（烟台）有限公司 显示面板Mura补偿方法、系统、电子装置及存储介质
CN112950598B (zh) * 2021-03-09 2024-03-19 深圳棱镜空间智能科技有限公司 工件的瑕疵检测方法、装置、设备及存储介质
CN112802020B (zh) * 2021-04-06 2021-06-25 中国空气动力研究与发展中心计算空气动力研究所 基于图像修补和背景估计的红外弱小目标检测方法
CN112862826B (zh) * 2021-04-26 2021-07-30 聚时科技(江苏)有限公司 一种表面缺陷检测任务的正常样本无损生成方法
CN113706607B (zh) * 2021-08-18 2023-10-20 广东江粉高科技产业园有限公司 一种基于圆环阵列图的亚像素定位方法、计算机设备与装置
CN113901975A (zh) * 2021-10-18 2022-01-07 吉林大学 一种用于剔除周期信号缺陷的选择性回归循优拟合算法
CN113804702A (zh) * 2021-10-28 2021-12-17 江西电信信息产业有限公司 一种基于视觉智能分析的铜线排线检测方法
CN114549448B (zh) * 2022-02-17 2023-08-11 中国空气动力研究与发展中心超高速空气动力研究所 一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法
CN114782888B (zh) * 2022-04-01 2023-06-23 中国铁路兰州局集团有限公司 轨道咽喉区异常检测的方法及系统
CN114757913A (zh) * 2022-04-15 2022-07-15 电子科技大学 一种显示屏缺陷检测方法
CN115797342B (zh) * 2023-02-06 2023-04-21 深圳市鑫旭飞科技有限公司 一种工业控制电容触摸lcd显示总成缺陷检测方法
CN116071387B (zh) * 2023-03-06 2023-06-16 曲阜市巨力铁路轨道工程股份有限公司 基于机器视觉的枕轨生产质量检测方法
CN116503388B (zh) * 2023-06-25 2023-11-14 广东利元亨智能装备股份有限公司 缺陷检测方法、装置及存储介质
CN116596922B (zh) * 2023-07-17 2023-09-12 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法
CN116630328B (zh) * 2023-07-25 2023-09-29 深圳市鑫冠亚科技有限公司 一种散热底板的在线检测方法及系统
CN117056148B (zh) * 2023-08-30 2024-02-09 昆山迈致治具科技有限公司 一种检测屏幕显示异常的方法
CN116993718B (zh) * 2023-09-25 2023-12-22 深圳市东陆科技有限公司 基于机器视觉的tft阵列基板缺陷检测方法
CN116993722B (zh) * 2023-09-26 2023-12-08 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN117576089B (zh) * 2024-01-15 2024-03-22 山东恒力源精密机械制造有限公司 一种活塞环缺陷检测方法及系统
CN117764992B (zh) * 2024-02-22 2024-04-30 山东乔泰管业科技有限公司 基于图像处理的塑料管材质量检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005164565A (ja) * 2003-11-28 2005-06-23 3B System Inc 低解像度および高解像度映像におけるフラットパネル用光関連板要素の欠陥検出方法
KR20100033476A (ko) * 2007-04-18 2010-03-30 마이크로닉 레이저 시스템즈 에이비 무라 검출 및 계측을 위한 방법 및 장치
KR20130138154A (ko) * 2012-06-08 2013-12-18 애플 인크. 무라 교정 준비를 위한 시스템 및 방법
KR20160031142A (ko) * 2014-09-11 2016-03-22 엘지디스플레이 주식회사 무라 검출 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101958634B1 (ko) * 2012-12-13 2019-03-15 엘지디스플레이 주식회사 디스플레이 장치의 무라 검출 장치 및 방법
CN103792699A (zh) * 2013-09-09 2014-05-14 中华人民共和国四川出入境检验检疫局 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法
CN104408691A (zh) * 2014-11-17 2015-03-11 南昌大学 一种基于gpu并行选择式掩模平滑方法
CN105158942B (zh) * 2015-09-24 2018-07-06 昆山龙腾光电有限公司 一种Mura自动检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005164565A (ja) * 2003-11-28 2005-06-23 3B System Inc 低解像度および高解像度映像におけるフラットパネル用光関連板要素の欠陥検出方法
KR20100033476A (ko) * 2007-04-18 2010-03-30 마이크로닉 레이저 시스템즈 에이비 무라 검출 및 계측을 위한 방법 및 장치
KR20130138154A (ko) * 2012-06-08 2013-12-18 애플 인크. 무라 교정 준비를 위한 시스템 및 방법
KR20160031142A (ko) * 2014-09-11 2016-03-22 엘지디스플레이 주식회사 무라 검출 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645372A (zh) * 2023-07-27 2023-08-25 汉克威(山东)智能制造有限公司 一种制动气室外观图像智能检测方法及系统
CN116645372B (zh) * 2023-07-27 2023-10-10 汉克威(山东)智能制造有限公司 一种制动气室外观图像智能检测方法及系统

Also Published As

Publication number Publication date
JP6738484B2 (ja) 2020-08-12
CN106200047A (zh) 2016-12-07
CN106200047B (zh) 2019-03-22
WO2018040118A1 (zh) 2018-03-08
US20190197678A1 (en) 2019-06-27
JP2019536069A (ja) 2019-12-12
US10552952B2 (en) 2020-02-04
KR102047409B1 (ko) 2019-11-21

Similar Documents

Publication Publication Date Title
KR20190028794A (ko) GPU 기반 TFT-LCD Mura 결함 탐지 방법
CN107678192B (zh) 一种基于机器视觉的Mura缺陷检测方法
EP3989542A1 (en) Method and apparatus for evaluating image acquisition accuracy, and electronic device and storage medium
CN112082512B (zh) 一种相位测量偏折术的标定优化方法、装置及计算机设备
CN102279191B (zh) 周期性纹理图像中缺陷的检测方法和装置
CN107588721A (zh) 一种基于双目视觉的零件多尺寸的测量方法及系统
CN104111038A (zh) 利用相位融合算法修复饱和产生的相位误差的方法
CN101923001A (zh) 基于灰度阈值分割算法的动像调制传递函数测量方法
CN102798349A (zh) 一种基于等灰度线搜索的三维表面提取方法
CN104751458A (zh) 一种基于180°旋转算子的标定角点检测方法
CN112782179A (zh) 一种产品反光表面缺陷检测方法及系统
CN116309275A (zh) 一种电池片图像亚像素边缘检测方法、装置及存储介质
CN111462246A (zh) 一种结构光测量系统的设备标定方法
CN109506629B (zh) 一种水下核燃料组件检测装置旋转中心标定的方法
CN109493426B (zh) 一种基于单目成像的高炉料面三维重构方法及系统
US20150153162A1 (en) Method of three-dimensional measurements by stereo-correlation using a parametric representation of the measured object
CN115546016B (zh) Pcb的2d和3d图像的采集和处理方法及相关装置
CN109859313B (zh) 3d点云数据获取方法、装置、3d数据生成方法及系统
CN109285210B (zh) 结合拓扑关系和极线约束的管路三维重建方法
CN110555385A (zh) 一种基于变步长曲率滤波的焊缝特征点求取方法
JP4405407B2 (ja) 欠陥検査装置
Rico Espino et al. Vision system for 3D reconstruction with telecentric lens
TW200842339A (en) Mura detection method and system
CN110910436B (zh) 基于图像信息增强技术的测距方法、装置、设备和介质
Ji et al. A Machine Vision Measurement Method for Large Plates Based on Reference Point Assistance

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right