KR20190101874A - 전처리를 포함하는 선 결함 감지 시스템 및 방법 - Google Patents

전처리를 포함하는 선 결함 감지 시스템 및 방법 Download PDF

Info

Publication number
KR20190101874A
KR20190101874A KR1020190011390A KR20190011390A KR20190101874A KR 20190101874 A KR20190101874 A KR 20190101874A KR 1020190011390 A KR1020190011390 A KR 1020190011390A KR 20190011390 A KR20190011390 A KR 20190011390A KR 20190101874 A KR20190101874 A KR 20190101874A
Authority
KR
South Korea
Prior art keywords
image
binary
line
filter
candidate
Prior art date
Application number
KR1020190011390A
Other languages
English (en)
Other versions
KR102611224B1 (ko
Inventor
이장환
Original Assignee
삼성디스플레이 주식회사
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 삼성디스플레이 주식회사 filed Critical 삼성디스플레이 주식회사
Publication of KR20190101874A publication Critical patent/KR20190101874A/ko
Application granted granted Critical
Publication of KR102611224B1 publication Critical patent/KR102611224B1/ko

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06T5/92—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/02—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the way in which colour is displayed
    • G09G5/026—Control of mixing and/or overlay of colours in general
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/029—Improving the quality of display appearance by monitoring one or more pixels in the display panel, e.g. by monitoring a fixed reference pixel
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2330/00—Aspects of power supply; Aspects of display protection and defect management
    • G09G2330/10—Dealing with defective pixels
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2360/00—Aspects of the architecture of display systems
    • G09G2360/14—Detecting light within display terminals, e.g. using a single or a plurality of photosensors
    • G09G2360/145—Detecting light within display terminals, e.g. using a single or a plurality of photosensors the light originating from the display screen

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Controls And Circuits For Display Device (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Detection And Prevention Of Errors In Transmission (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)

Abstract

표시 장치 상의 선 뮤라 결함을 식별하는 시스템 및 방법을 제시한다. 본 발명의 실시예에 따른 시스템은 적어도 하나의 필터를 사용하여 표시 장치의 입력 이미지를 전처리함으로써 필터링된 이미지를 생성한다. 상기 필터링된 이미지를 이진 이미지로 변환하고, 상기 이진 이미지의 경사를 따라 선 성분을 카운팅하고, 상기 경사를 따르는 상기 선 성분이 선 임계값을 초과하면 후보 위치를 표시함으로써 선 뮤라 후보를 식별한다. 상기 위치 후보가 중심에 위치한 이미지 패치를 생성하고 머신 학습 분류기를 사용하여 상기 이미지 패치를 분류한다.

Description

전처리를 포함하는 선 결함 감지 시스템 및 방법 {SYSTEM AND METHOD OF LINE DEFECT DETECTION WITH PREPROCESSING}
본 발명은 표시 장치의 결함 감지 시스템 및 방법에 관한 것이다.
본 출원은 2018년 2월 22일에 미국 특허청에 출원한 미국 특허출원번호 제62/634,125호를 우선권 주장하며, 여기에 인용함으로써 이 출원의 전체 내용을 본원에 포함한다.
표시 장치의 해상도 및 화소 밀도가 증가함에 따라 결함 감지의 난이도가 높아지고 있다. 수동 결함 감지는 현대의 제조 장비에 적용하기에는 시간이 많이 걸리고, 자동 검사 기술은 비효율적인 측면이 있다. 예를 들면, 표면 자동 검사를 할 때 균일한 (텍스처 없는) 표면의 국지적인 이상점이 규칙적인 주변과 뚜렷한 대비를 이루는 경우 결함을 쉽게 식별할 수 있다. 그러나 결함과 주변의 경계가 뚜렷하지 않고 배경의 밝기가 균일하지 않은 경우에는 저해상도 이미지의 결함을 감지하기 어렵다.
표시 결함의 통상적인 유형은 “뮤라(Mura)”이다. 뮤라는 국지적 밝기가 균일하지 않은 결함을 나타내는 큰 범주이다. 뮤라는 크기와 대략적인 형태에 따라 선 뮤라, 점 뮤라, 영역 뮤라로 대략 구분할 수 있다. 각 유형의 뮤라는 뚜렷한 경계가 없을 수 있으며 이미지에서 명료하게 드러나지 않을 수 있다. 따라서 자동 검사 시스템을 이용하여 뮤라를 식별하기는 어렵다고 알려져 있다. 그러므로 뮤라 결함을 식별하는 새로운 방법이 필요하다.
전술한 내용은 본 발명의 실시예의 배경을 이해하기 위한 설명이며 종래 기술을 이루는 정보를 포함할 수 있다.
본 발명은 표시 장치 상의 뮤라 결함을 감지하는 시스템 및 방법을 제공하는 것이다.
본 발명의 실시예에 따른 표시 장치 상의 결함 감지 시스템은, 메모리와 상기 메모리에 저장된 명령을 실행하는 제어기를 포함한다. 실시예에 따르면, 상기 명령은 상기 제어기가 적어도 하나의 필터를 사용하여 표시 장치의 입력 이미지를 전처리함으로써 필터링된 이미지를 생성하고, 선 뮤라 후보를 식별하도록 한다. 실시예에 따르면, 선 뮤라 후보의 식별은, 상기 필터링된 이미지를 이진 이미지로 변환하고, 상기 이진 이미지의 경사를 따라 선 성분을 카운팅하고, 상기 경사를 따르는 상기 선 성분이 선 임계값을 초과하면 후보 위치를 표시함으로써 수행된다. 실시예에 따르면, 상기 명령은 또한 상기 제어기가 중심에 상기 후보 위치가 위치한 이미지 패치를 생성하고 머신 학습 분류기를 사용하여 상기 이미지 패치를 분류하도록 한다.
본 발명의 실시예에 따르면, 상기 적어도 하나의 필터는 가보 필터 및 피라미드 필터 중 적어도 하나를 포함한다.
본 발명의 실시예에 따르면, 상기 필터링된 이미지의 이진 이미지로의 변환은, 상기 필터링된 이미지의 이미지 평균 강도와 표준 편차를 결정하고, 상기 이미지 평균 강도와 상기 표준 편차에 기초하여 이진 임계값을 계산하고, 상기 이진 임계값에 따라 상기 필터링된 이미지를 상기 이진 이미지로 변환한다.
본 발명의 실시예에 따르면, 상기 선 임계값은 상기 경사를 따라 존재하는 전체 선 성분의 70%이다.
본 발명의 실시예에 따르면, 상기 이미지 패치는 상기 입력 이미지를 사용하여 생성한다.
본 발명의 실시예에 따르면, 상기 머신 학습 분류기는 지원 벡터 머신을 포함한다.
본 발명의 실시예에 따르면, 상기 명령은 상기 제어기가 상기 이미지 패치로부터 특성 벡터를 추출하도록 하며, 상기 특성 벡터는 적어도 하나의 이미지 모멘트를 포함한다.
본 발명의 실시예에 따르면, 상기 명령은 상기 제어기가 상기 입력 이미지를 규격화하도록 한다.
본 발명의 실시예에 따른 표시 장치의 결함 식별 방법은, 적어도 하나의 필터를 사용하여 표시 장치의 입력 이미지를 전처리함으로써 필터링된 이미지를 생성하는 단계와 선 뮤라 후보를 식별하는 단계를 포함한다. 본 발명의 실시예에 따르면, 선 뮤라 후보를 식별하는 단계는, 상기 필터링된 이미지를 이진 이미지로 변환하고, 상기 이진 이미지의 경사를 따라 선 성분을 카운팅하고, 상기 경사를 따르는 상기 선 성분이 선 임계값을 초과하면 후보 위치를 표시하는 단계를 포함한다. 본 발명의 실시예에 따른 방법은, 상기 후보 위치가 중심에 위치한 이미지 패치를 생성하는 단계, 그리고 머신 학습 분류기를 사용하여 상기 이미지 패치를 분류하는 단계를 더 포함한다.
본 발명의 실시예에 따르면, 상기 적어도 하나의 필터는 가보 필터 및 피라미드 필터를 포함한다.
본 발명의 실시예에 따르면, 상기 필터링된 이미지의 이진 이미지로의 변환은, 상기 필터링된 이미지의 이미지 평균 강도와 표준 편차를 결정하고, 상기 이미지 평균 강도와 표준 편차에 기초하여 이진 임계값을 계산하고, 상기 이진 임계값에 따라 상기 필터링된 이미지를 상기 이진 이미지로 변환한다.
본 발명의 실시예에 따르면, 상기 선 임계값은 상기 경사를 따라 존재하는 전체 선 성분의 70%이다.
본 발명의 실시예에 따르면, 상기 이미지 패치는 상기 입력 이미지를 사용하여 생성한다.
본 발명의 실시예에 따르면, 상기 머신 학습 분류기는 지원 벡터 머신을 포함한다.
본 발명의 실시예에 따르면, 상기 명령은 상기 제어기가 상기 이미지 패치로부터 특성 벡터를 추출하도록 하며, 상기 특성 벡터는 적어도 하나의 이미지 모멘트를 포함한다.
본 발명의 실시예에 따른 표시 장치의 결함 식별 방법은, 표시 장치의 입력 이미지를 희망 데이터 구간으로 규격화하는 단계, 가보 필터 및 가우스 피라미드 필터를 사용하여 상기 규격화된 이미지를 전처리함으로써 필터링된 이미지를 생성하는 단계, 그리고 선 뮤라 후보를 식별하는 단계를 포함한다. 본 발명의 실시예에 따르면, 선 뮤라 후보를 식별하는 단계는, 상기 필터링된 이미지를 이진 이미지로 변환하고, 상기 이진 이미지의 적어도 하나의 경사를 따라 선 성분을 카운팅하고, 상기 경사를 따르는 상기 선 성분이 선 임계값을 초과하면 후보 위치를 표시하는 단계를 포함한다. 본 발명의 실시예에 따른 방법은, 상기 후보 위치가 중심에 위치한 하나 이상의 이미지 패치를 생성하는 단계, 그리고 머신 학습 분류기를 사용하여 상기 이미지 패치를 분류하는 단계를 더 포함한다.
본 발명의 실시예에 따르면, 상기 필터링된 이미지의 이진 이미지로의 변환은, 상기 필터링된 이미지의 이미지 평균 강도와 표준 편차를 결정하고, 상기 이미지 평균 강도와 표준 편차에 기초하여 이진 임계값을 계산하고, 상기 이진 임계값에 따라 상기 필터링된 이미지를 상기 이진 이미지로 변환한다.
본 발명의 실시예에 따르면, 상기 이진 임계값은 상기 표준 편차를 1.5로 나눈 값을 상기 이미지 평균 강도에 더한 값으로 주어진다.
본 발명의 실시예에 따르면, 상기 머신 학습 분류기는 지원 벡터 머신을 포함한다.
본 발명의 실시예에 따른 방법은 상기 이미지 패치로부터 특성 벡터를 추출하는 단계를 더 포함하며, 상기 특성 벡터는 적어도 하나의 이미지 모멘트를 포함한다.
본 발명의 실시예에 따르면, 전처리와 후보 감지를 사용함으로써 분류되는 후보 이미지 패치의 수를 줄이고 이에 따라 전체 처리 시간을 줄임과 동시에 감지의 정확도를 높일 수 있다.
도 1a는 본 발명의 실시예에 따른 시스템 개략도이다.
도 1b는 본 발명의 실시예에 따라 분류기 훈련 시스템의 개략도이다.
도 2는 본 발명의 실시예에 따른 이미지 분류 방법을 도시한 도면이다.
도 3a는 본 발명의 실시예에 따른 시스템의 개략도이다.
도 3b는 본 발명의 실시예에 따라 도 3a의 시스템을 사용하여 이미지를 분류하는 방법을 도시한 도면이다.
도 4는 본 발명의 실시예에 따른 전처리기를 도시한 도면이다.
도 5는 본 발명의 실시예에 따른 후보 감지기를 도시한 도면이다.
본 발명의 개념과 이를 달성하는 방법의 요지는 상세한 설명과 첨부한 도면을 통하여 용이하게 이해할 수 있다. 이제 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 상세하게 설명한다. 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 도면 부호를 붙였다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 이러한 실시예를 제공함으로써 발명의 상세한 설명이 완전하고 풍부해질 것이며 발명의 여러 측면과 특징을 당업자에게 충분히 보여준다. 따라서, 당업자가 본 발명의 다양한 측면과 특징을 완전하게 이해하는 데 필요하지 않은 과정, 장치, 기술 등은 설명을 생략한다. 별다른 설명이 없는 한, 도면과 명세서 전체를 통틀어 동일한 도면 부호는 동일한 구성요소를 가리키며, 이에 따라 설명을 반복하지 않는다. 도면에서 부분, 층, 영역 등은 명료한 이해를 위하여 과장되게 그려질 수 있다.
상세한 설명에서 다양한 실시예에에 대한 충분한 설명을 제공하기 위하여 여러 가지 조건을 특정한다. 그러나 이러한 특정 조건 또는 이와 동등한 조건 없이도 실시예를 구현할 수 있다는 것은 자명하다. 이와는 달리 이미 알려져 있는 구조 및 장치는 다양한 실시예가 불필요하게 모호해지는 것을 피하기 위하여 블록도로 나타낸다.
여기에서 사용된 용어는 특정 실시예를 설명할 목적으로 사용할 뿐이며 본 발명을 제한하고자 하는 것은 아니다. 여기에서 수를 특별히 언급하지 않으면 단수 또는 복수의 경우를 모두 포함한다. 어떤 특징, 단계, 동작, 부분, 성분 등을 “포함”한다는 표현은 해당 부분 외에 다른 특징, 단계, 동작, 부분, 성분 등도 포함할 수 있다는 것을 의미한다. “및/또는"이라는 표현은 나열된 것들 중 하나 또는 그 이상의 모든 조합을 포함한다.
여기에서 본 발명의 실시예를 설명할 때 사용하는 “수 있다”는 표현은 “본 발명의 하나 이상의 실시예”에 적용가능하다는 것을 뜻한다. “사용”, “이용” 등은 이와 유사한 다른 표현과 함께 비슷한 의미로 사용될 수 있다.
특정 실시예를 다르게 구현하는 경우, 특정한 프로세스 순서가 설명한 순서와 달라질 수 있다. 예를 들면, 연속해서 실행하는 것으로 설명한 두 개의 프로세스를 동시에 또는 설명한 순서와 반대로 실행할 수도 있다.
본 발명의 실시예에 따라 설명한 전자, 전기 장치 및/또는 다른 관련 장치 또는 부분은 적절한 하드웨어, 펌웨어(보기: 응용 주문형 집적 회로), 소프트웨어 또는 이들의 조합을 사용하여 구현할 수 있다. 예를 들면, 이들 장치의 다양한 구성 요소를 하나의 집적 회로 칩에 형성될 수도 있고 서로 다른 집적 회로 칩에 구현할 수도 있다. 또한, 이들 장치의 다양한 구성 요소를 가요성 인쇄 회로 필름, 테이프 캐리어 패키지(TCP: tape carrier package), 인쇄 회로 기판 등에 구현하거나 하나의 기판 위에 형성할 수 있다. 또한, 이들 장치의 다양한 구성 요소를 여기에서 설명한 다양한 기능을 수행하기 위하여 컴퓨터 프로그램 명령을 실행하고 다른 시스템 요소와 상호 작용하는 하나 이상의 컴퓨터 장치 내에 있는 하나 이상의 프로세서에서 실행될 수 프로세스 또는 스레드(thread)일 수 있다. 컴퓨터 프로그램 명령은 램(RAM: random access memory) 등의 표준 메모리 장치를 사용하는 컴퓨터 장치에 구현된 메모리에 저장될 수 있다. 뿐만 아니라, 당업자는 본 발명의 실시예의 개념과 범위를 벗어나지 않고도 다양한 컴퓨터 장치의 기능들을 하나의 컴퓨터 장치에 결합 또는 통합하거나, 특정 컴퓨터 장치의 기능을 하나 이상의 다른 컴퓨터 장치에 분산할 수도 있다.
별다른 언급이 없는 한 여기에서 사용하는 (기술적, 과학적 용어를 포함하는) 모든 용어들은 이 발명이 속하는 기술 분야의 당업자가 일반적으로 알고 있는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의된 용어 등의 용어들은 관련 기술 분야 및/또는 본 명세서에서의 의미와 일치하는 의미를 가지고 있는 것으로 해석하며, 여기에서 명시하지 않는 한 이상적인 또는 지나치게 엄격한 의미로 해석해서는 아니 된다.
본 발명의 실시예는 표시 장치의 뮤라 감지 시스템 및 방법을 포함한다. 실시예에 따르면, 이 시스템은 수평선 뮤라의 인스턴스를 식별할 수 있다. 본 발명의 실시예에서, 테스트 이미지를 보여 주는 표시 장치의 입력 이미지를 수신한다. 수신된 입력 이미지를 이미지 패치로 분할할 수 있다. 실시예에 따르면, 시스템은 결함 후보(보기: 수평선)를 가지는 표시 장치 영역을 식별하는 후보 감지기를 사용하여 이미지를 전처리하고 결함 후보의 위치에 기초하여 이미지 패치를 생성할 수 있다. 시스템은 머신 학습 분류기를 사용하여 수평선 뮤라 인스턴스를 가지는 것과 가지지 않는 것으로 이미지 패치를 분류한다.
도 1a는 본 발명의 실시예에 따른 시스템 개략도이다. 도 1b는 본 발명의 실시예에 따라 분류기 훈련 시스템의 개략도이다. 도 2는 본 발명의 실시예에 따른 이미지 분류 방법을 도시한 도면이다.
도 1a, 도 1b 및 도 2를 참고하면, 본 발명의 실시예에 따른 뮤라 감지 시스템은 전처리기(100)에서 입력 이미지를 수신한다(200). 입력 이미지는 예를 들면 테스트 이미지를 보여주는 표시 장치의 이미지를 포함할 수 있다. 테스트 이미지를 표시하고 있는 OLED를 카메라로 촬영함으로써 입력 이미지를 생성할 수 있다. 본 발명의 실시예에서, 테스트 이미지는 표시 장치가 수평선 뮤라(horizontal line Mura)의 인스턴스를 보여주도록 하는 이미지를 포함할 수 있다. 예를 들며, 테스트 이미지는 대비비가 낮은 균일한 이미지일 수 있다. 입력 이미지의 해상도가 높아서 결함(보기: 선 뮤라)이 감지될 표시 장치의 각 화소가 보일 수도 있다. 본 발명의 실시예에서는, 전처리기(100)가 입력 이미지를 수신하고 이미지 내의 노이즈를 줄이는 평활화를 수행할 수 있다. 입력 이미지의 노이즈를 줄인 후에 전처리기(100)는 이미지를 복수의 이미지 패치로 분할할 수 있고(210), 각각의 이미지 패치는 특성 추출기(110)에 제공될 수 있다.
본 발명의 실시예에서, 특성 추출기(110)는 제공된 이미지 패치에 대하여 다양한 통계적인 특성을 계산한다(220). 예를 들면, 통계적인 특성은 하나 이상의 이미지 모멘트(보기: 화소 강도의 가중 평균), 하나 이상의 텍스처 측정[보기: 그레이-레벨 공존 매트릭스(GLCM: Gray-Level Co-Occurrence Matrix)를 사용한 텍스처 분석] 또는 입력 이미지의 다른 통계적 특성을 포함할 수 있다. 본 발명의 실시예에서는, 예를 들어 GLCM로부터 대비, 상관, 에너지, 균일성(homogeneity)과 뮤03(mu03), 뮤10(mu10), 휴1(hu1), 휴5(hu5) 등의 모멘트가 특성 추출기(110)에 의하여 추출될 수 있다.
실시예에 따르면, 추출된 이미지 패치 각각의 통계적 특성을 분류기(120)에 입력으로 공급한다(230). 실시예에 따르면, 분류기(120)는 추출된 특성(보기: 특성 벡터) 및 라벨 클래스 정보를 사용하여 결함(보기: 뮤라)의 인스턴스를 식별하는(240) 머신 학습 분류기일 수 있다. 발명의 실시예에 따르면, 클래스 정보는 분류기를 훈련시킴으로써 제공될 수 있다.
발명의 실시예에 따르면, 분류기(120)는 감독 학습 모델을 사용할 수 있으며 기능화되기 전에 훈련될 수 있다. 한 실시예에 따르면, 분류기(120)에 사용된 감독 학습 모델은 지원 벡터 머신이다. 감독 학습 모델(보기: 지원 벡터 머신)은 훈련 기간 동안 분류기(120)에 인적 입력(또는 인적 검사)(130)을 제공함으로써 훈련될 수 있다. 예를 들면, 각각의 이미지 패치에 대하여 인간이 패치를 시각적으로 검사하고 백점 뮤라의 어떤 인스턴스를 표시할 수 있다. 이 이미지 패치를 특성 추출기(110)에도 제공할 수 있다. 이미지 패치에 대하여 추출된 특성 벡터와 인간이 검사하고 표시한 대응 패치 모두를 분류기(120)에 제공할 수 있다. 분류기(120)는 이러한 패치를 사용하여 나중에 분류에 사용될 클래스 정보(보기: 모델 형성)를 생성할 수 있다.
도 3a는 본 발명의 실시예에 따른 시스템의 개략도이다. 도 3b는 본 발명의 실시예에 따라 도 3a의 시스템을 사용하여 이미지를 분류하는 방법을 도시한 도면이다.
도 3a 및 도 3b를 참고하면, 본 발명의 실시예에서, 선 뮤라 분류 시스템은 전처리와 선 뮤라의 잠재적 인스턴스를 식별하는 후보 감지를 이용할 수 있다. 전처리와 후보 감지기를 이용하면, 전분류(pre-classification) 처리 시간이 길어지는 대신 분류기가 분석할 이미지 패치의 총수를 줄일 수 있다. 전분류 처리 시간은 늘어나지만, 뒤따르는 분류 시간이 짧아지기 때문에 총 실행 시간이 매우 짧아진다. 예를 들어 미닫이창(sliding window) 이미지 패치 생성법과 비교하면, 분류에 필요한 이미지 수가 줄기 때문에 총 처리 시간이 크기의 차수(order of magnitude)만큼 줄어들 수 있다. 또한, 전처리와 후보 감지를 이용하면, 분류기 훈련을 향상시킬 수 있다. 본 발명의 실시예에 따르면, 예를 들어 이미지 패치의 수가 줄면 훈련 동안의 인적 개입이 줄고 이에 따라 분류기에 제공되는 인적 오류가 줄어든다.
본 발명의 실시예에 따르면, 시스템은 규격화 모듈(300)에서 입력 이미지를 수신한다. 실시예에 따르면, 입력 이미지를 희망 데이터 구간(desired data range)으로 규격화한다(350). 실시예에 따르면, 규격화는 예를 들어 수학식 1로 표현되는 선형 규격화일 수 있다.
[수학식 1]
Figure pat00001
여기에서, gMax와 gMin은 각각 전체 이미지 데이터 세트에 대한 전역(global) 최대값 및 최소값이고, Iinput은 입력 이미지, Inorm은 규격화된 이미지를 뜻한다. 이 예에서는, 규격화를 통하여 이미지 강도가 뒤바뀐다.
실시예에 따르면, 규격화된 이미지는 전처리기(310)에 입력되고, 전처리기(310)는 하나 이상의 필터를 사용하여 이미지를 필터링하여 노이즈를 줄이고 결함(보기: 수평선 뮤라)의 각 인스턴스가 더욱 뚜렷하게 되도록 한다(360). 실시예에 따르면, 예를 들어 하나 이상의 필터는 이미지에 있는 에너지를 중앙선 쪽으로 수렴시킨다. 실시예에 따르면, 전처리된 이미지는 뮤라 후보 감지기(320)에 입력되고, 뮤라 후보 감지기(320)는 잠재적인 뮤라 후보를 식별하고(370) 후보 위치에 이미지 패치를 생성한다(380). 본 발명의 실시예에 따르면, 이미지 패치는 각 패치의 중앙에 잠재적인 뮤라 후보가 위치하도록 생성된다. 이미지 패치는 특성 추출기(330)에 입력되며, 특성 추출기(330)는 각각의 이미지 패치에 대하여 (예를 들면 앞에서 설명한 것과 같은) 특성 벡터를 생성하고, 분류기(340)는 각 특성 벡터를 사용하여 각 이미지 패치를 분류한다(390).
도 4는 본 발명의 실시예에 따른 전처리기를 도시한 도면이다.
도 4를 참고하면, 본 발명의 실시예에 따른 전처리기(400)는 규격화된 이미지를 필터링하여 선 뮤라 특성을 강화함으로써 후보 감지와 분류를 도와준다. 본 발명의 실시예에 따르면, 예를 들어 전처리기(400)는 노이즈를 제거하고 에너지를 중앙선 쪽으로 수렴시킬 수 있다. 본 발명의 실시예에 따르면, 전처리기(400)는 가보 필터(Gabor filter)(410)와 피라미드 필터(420)를 포함한다. 가보 필터(410)는 특정 방향(보기: 세타 앵글)에서 이미지의 주파수 내역(frequency content)을 분석하는 데 사용된다. 본 발명의 실시예에 따르면, 가보 필터(410)를 서로 다른 세타 값에 맞추어 서로 다른 각도의 선 뮤라를 감지할 수 있다. 예를 들면, 선 뮤라는 완전한 수평 또는 수직 방향으로 한정되지 않는다. 따라서, 가보 필터(410)는 하나의 이미지에 대해서 두 번 이상 사용될 수 있으며 서로 다른 파라미터를 사용할 수 있다. 예를 들면, 수평선은 1도보다 더 기울어질 수 있다. 본 발명의 실시예에 따르면, 가보 필터(410)는 세타 1도를 포함할 수 있으며 이때 시그마 4, 람다 19, 감마 0.5의 값을 가질 수 있다. 가보 필터(410)의 파라미터(보기: 세터, 시그마, 람다, 감마)는 다른 주파수 또는 다른 성분을 필터링할 수 있도록 조정될 수 있다. 본 발명의 실시예에 따르면, 필터 크기 또한 조절될 수 있다. 본 발명의 실시예에 따르면, 예를 들어 가보 필터(410)는 31x31 화소의 크기일 수 있다. 필터 파라미터의 조정은 반복 과정을 통하여 자동으로 수행되거나 사용자에 의하여 변경될 수 있다.
본 발명의 실시예에 따르면, 피라미드 필터(420)는 해상도를 희생하여 이미지 평활도를 높일 수 있다. 본 발명의 실시예에 따르면, 피라미드 필터(420)는 가우스 피라미드(Gaussian pyramid) 필터(보기: 다중 해상도 가우스 피라미드 필터)이다. 본 발명의 실시예에 따르면, 예를 들어 가우스 피라미드 필터(420)는 전처리된 입력 이미지에 대한 4 레벨 가우스 피라미드를 생성하는 데 사용될 수 있다. 그런 다음 각 레벨에 대하여 5x5 윈도 필터를 적용할 수 있으며 레벨들은 하나의 필터링된 이미지로 다시 병합될 수 있다. 본 발명의 실시예에 따르면, 레벨 수와 윈도 필터 크기는 입력 이미지의 크기에 따라 달라질 수 있다. 본 발명의 실시예에 따르면, 다른 유형의 피라미드 필터를 사용할 수 있다. 본 발명의 실시예에 따르면, 예를 들어 피라미드 필터(420)는 라플라스(Laplacian) 피라미드 필터, 스티러블(Steerable) 피라미드 필터 또는 다른 유형의 피라미드 필터일 수 있다. 본 발명의 실시예에 따르면, 피라미드 필터(420)는 입력 이미지에 대하여 유사한 효과를 주는 하나 이상의 다른 필터로 교체될 수 있다. 본 발명의 실시예에 따르면, 예를 들어 피라미드 필터(420)는 다중 가우스 평활화 필터로 교체될 수 있다. 가우스 평활화 필터는 각각 서로 다른 분포를 가질 수 있으며 각각의 필터의 출력은 평균화될 수 있다.
도 5는 본 발명의 실시예에 따른 후보 감지기를 도시한 도면이다.
도 5를 참고하면, 후보 감지기(500)는 선 뮤라(보기: 수평선 뮤라)의 잠재적 인스턴스를 식별하는 데 사용될 수 있다. 본 발명의 실시예에 따르면, 후보 감지기(500)는 하나의 선을 따라 이진 이미지 성분을 셀 수 있다. 선을 따라 존재하는 성분의 수가 선 임계값보다 크면 선 뮤라의 잠재적인 인스턴스가 식별된다. 본 발명의 실시예에 따르면, 후보 감지기(500)는 이미지 평균 강도와 표준 편차를 결정하는 평균 및 표준 편차 모듈(510)을 포함할 수 있다. 본 발명의 실시예에 따르면, 이진 변환 모듈(520)은 입력 이미지를 이진 이미지로 변환한다. 이진 변환 모듈(520)은 평균을 표준 편차로 수정한 이진 임계값 세트를 사용할 수 있다. 본 발명의 실시예에 따르면, 예를 들어 임계값은 수학식 2와 같이 정의될 수 있다.
[수학식 2]
이진 임계값 = 평균 + 표준편차 / 1.5
본 발명의 실시예에 따르면, 후보 감지기(500)는 이진 이미지를 사용하여 선 뮤라의 잠재적 인스턴스를 식별할 수 있다. 예를 들면, 선 성분 카운팅 모듈(530)은 경사를 따라 선분(line segment)의 길이(보기: 경사를 따라 “1”로 표시된 성분)를 카운팅할 수 있다. 본 발명의 실시예에 따르면, 예를 들어 선 성분 카운팅 모듈(530)은 입력 이미지의 각 선에 대하여 경사 0(slope of zero)(보기: 수평선)를 따라 이진 이미지에서 “1”로 표시된 선분의 수를 셀 수 있다. 본 발명의 다른 실시예에 따르면, 선 성분 카운팅 모듈(530)은 경사 ±0.5, ±1.0, ±1.5 등을 따라 카운팅할 수 있다. 본 발명의 실시예에 따르면, 경사를 따라 카운팅한 선분의 수가 선 임계값을 초과하면 후보가 감지될 수 있다. 본 발명의 실시예에 따르면, 임계 비교 모듈(540)은 카운팅된 각각의 선 성분의 수를 해당 경사에 대한 선 임계값과 비교할 수 있다. 예를 들면, 선 임계값은 경사를 따라 존재하는 전체 선 성분의 70% 로 설정될 수 있다. QHD 표시 장치는 2560 x 1440 해상도를 가지고 있다. 따라서 이 실시예에서는 수평선(보기: 경사 0)에 대하여 선 임계값이 1000개의 성분으로 설정될 수 있다. 본 발명의 실시예에 따르면, 후보 표시기(candidate marker)(550)는 식별된 각각의 후보의 위치와 방향을 표시한다. 식별된 후보 각각에 대하여 원본 이미지를 이용하여 하나의 이미지 패치를 생성하고 앞서 설명한 바와 같이 특성 추출기(110, 330)와 분류기(120, 340)에 제공한다. 본 발명의 실시예에 따르면, 이미지 패치의 크기는 표시 장치의 크기에 따라 결정된다. 본 발명의 실시예에 따르면, 예를 들어 표시 장치가 2560 x 1440 해상도의 QHD 표시 장치일 수 있으며, 이때 이미지 패치는 43x1440 화소 크기일 수 있다. 본 발명의 다른 실시예에 따르면, 표시 장치가 1480 x 720 해상도일 수 있으며, 이때의 이미지 패치는 21 x 704 화소 크기일 수 있다.
이와 같이 전술한 본 발명의 실시예는 표시 패널 상의 선 뮤라 인스턴스를 식별하는 시스템 및 방법을 제시한다. 본 발명의 실시예에 따르면, 전처리와 후보 감지를 사용함으로써 분류할 후보 이미지 패치의 수를 줄이고 이에 따라 전체 처리 시간을 줄임과 동시에 감지의 정확도를 높일 수 있다. 이미지 패치는 뮤라 후보가 그 중심에 오도록 생성되며, 선을 중심에 두도록 패치를 형성함으로써 시스템은 훈련과 분류 양쪽을 위한 선명한 데이터 세트를 제공할 수 있다.
이상에서 설명한 것은 실시예이며 이제 한정되지 않는다. 몇몇 실시예에 대하여 설명하였지만, 당업자라면 실시예에서 제시한 새로운 내용과 효과에서 실질적으로 벗어나지 않고 실시예를 변화시킬 수 있다. 따라서 이러한 모든 변형 또는 변화는 청구범위에서 정의하는 실시예의 범위에 포함된다. 청구범위의 기능적인 표현들은 여기에서 언급한 기능을 수행하는 구조와 그 구조적 등가물 및 등가 구조물을 포함하기 위한 것이다. 그러므로 이상의 설명은 실시예에 관한 것이고 특정한 실시예에만 한정되지 않으며, 이 실시예의 변형 및 다른 실시예 또한 청구범위의 권리범위에 속하는 것이다. 발명의 핵심은 다음의 청구범위에 의하여 정의되며, 정구범위의 등가물 또한 여기에 포함된다.
100, 310, 400: 전처리기
110, 330: 특성 추출기
120, 340: 분류기
130: 인적 검사
300: 규격화 모듈
320: 뮤라 후보 감지기
410: 가보 필터
420: 피라미드 필터
500: 후보 감지기
510: 평균 및 표준 편차 모듈
520: 이진 변환 모듈
530: 선 성분 카운팅 모듈
540: 임계 비교 모듈
550: 후보 표시기

Claims (20)

  1. 메모리, 그리고
    상기 메모리에 저장된 명령을 실행하는 제어기
    를 포함하며,
    상기 명령은 상기 제어기에 의하여 실행되면, 상기 제어기가
    적어도 하나의 필터를 사용하여 표시 장치의 입력 이미지를 전처리함으로써 필터링된 이미지를 생성하고,
    상기 필터링된 이미지를 이진 이미지로 변환하고, 상기 이진 이미지의 경사를 따라 선 성분을 카운팅하고, 상기 경사를 따라 존재하는 상기 카운팅한 선 성분이 선 임계값을 초과하면 후보 위치를 표시함으로써 선 뮤라 후보를 식별하고,
    상기 후보 위치를 중심에 둔 이미지 패치를 생성하며,
    머신 학습 분류기를 사용하여 상기 이미지 패치를 분류하도록 하는
    표시 장치의 결함 식별 시스템.
  2. 제1항에서,
    상기 적어도 하나의 필터는 가보 필터 및 피라미드 필터 중 적어도 하나를 포함하는 시스템.
  3. 제1항에서,
    상기 필터링된 이미지의 이진 이미지로의 변환은,
    상기 필터링된 이미지의 이미지 평균 강도와 표준 편차를 결정하고,
    상기 이미지 평균 강도와 상기 표준 편차에 기초하여 이진 임계값을 계산하고,
    상기 이진 임계값에 따라 상기 필터링된 이미지를 상기 이진 이미지로 변환하는
    시스템.
  4. 제1항에서,
    상기 선 임계값은 상기 경사를 따라 존재하는 전체 선 성분의 70%인 시스템.
  5. 제1항에서,
    상기 이미지 패치는 상기 입력 이미지를 사용하여 생성하는 시스템.
  6. 제1항에서,
    상기 머신 학습 분류기는 지원 벡터 머신을 포함하는 시스템.
  7. 제1항에서,
    상기 명령은 상기 제어기가 상기 이미지 패치로부터 특성 벡터를 추출하도록 하며, 상기 특성 벡터는 적어도 하나의 이미지 모멘트를 포함하는 시스템.
  8. 제1항에서,
    상기 명령은 상기 제어기가 상기 입력 이미지를 규격화하도록 하는 시스템.
  9. 적어도 하나의 필터를 사용하여 표시 장치의 입력 이미지를 전처리함으로써 필터링된 이미지를 생성하는 단계,
    상기 필터링된 이미지를 이진 이미지로 변환하고, 상기 이진 이미지의 경사를 따라 선 성분을 카운팅하고, 상기 경사를 따르는 상기 선 성분이 선 임계값을 초과하면 후보 위치를 표시함으로써 선 뮤라 후보를 식별하는 단계,
    상기 후보 위치가 중심에 위치한 이미지 패치를 생성하는 단계, 그리고
    머신 학습 분류기를 사용하여 상기 이미지 패치를 분류하는 단계
    를 포함하는 표시 장치의 결함 식별 방법.
  10. 제9항에서,
    상기 적어도 하나의 필터는 가보 필터 및 피라미드 필터를 포함하는 방법.
  11. 제9항에서,
    상기 필터링된 이미지의 이진 이미지로의 변환은,
    상기 필터링된 이미지의 이미지 평균 강도와 표준 편차를 결정하고,
    상기 이미지 평균 강도와 표준 편차에 기초하여 이진 임계값을 계산하고,
    상기 이진 임계값에 따라 상기 필터링된 이미지를 상기 이진 이미지로 변환하는
    방법.
  12. 제9항에서,
    상기 선 임계값은 상기 경사를 따라 존재하는 전체 선 성분의 70%인 방법.
  13. 제9항에서,
    상기 이미지 패치는 상기 입력 이미지를 사용하여 생성하는 방법.
  14. 제9항에서,
    상기 머신 학습 분류기는 지원 벡터 머신을 포함하는 방법.
  15. 제9항에서,
    상기 이미지 패치로부터 특성 벡터를 추출하는 단계를 더 포함하며,
    상기 특성 벡터는 적어도 하나의 이미지 모멘트를 포함하는
    방법.
  16. 표시 장치의 입력 이미지를 희망 데이터 구간으로 규격화하는 단계,
    가보 필터 및 가우스 피라미드 필터를 사용하여 상기 규격화된 이미지를 전처리함으로써 필터링된 이미지를 생성하는 단계,
    상기 필터링된 이미지를 이진 이미지로 변환하고, 상기 이진 이미지의 하나 이상의 경사를 따라 선 성분을 카운팅하고, 상기 경사를 따르는 상기 선 성분이 선 임계값을 초과하면 후보 위치를 표시함으로써 선 뮤라 후보를 식별하는 단계,
    상기 후보 위치가 중심에 위치한 하나 이상의 이미지 패치를 생성하는 단계, 그리고
    머신 학습 분류기를 사용하여 상기 이미지 패치를 분류하는 단계
    를 포함하는 표시 장치의 결함 식별 방법.
  17. 제16항에서,
    상기 필터링된 이미지의 이진 이미지로의 변환은,
    상기 필터링된 이미지의 이미지 평균 강도와 표준 편차를 결정하고,
    상기 이미지 평균 강도와 표준 편차에 기초하여 이진 임계값을 계산하고,
    상기 이진 임계값에 따라 상기 필터링된 이미지를 상기 이진 이미지로 변환하는
    방법.
  18. 제17항에서,
    상기 이진 임계값은 상기 표준 편차를 1.5로 나눈 값을 상기 이미지 평균 강도에 더한 값으로 주어지는 방법.
  19. 제16항에서,
    상기 머신 학습 분류기는 지원 벡터 머신을 포함하는 방법.
  20. 제16항에서,
    상기 이미지 패치로부터 특성 벡터를 추출하는 단계를 더 포함하며,
    상기 특성 벡터는 적어도 하나의 이미지 모멘트를 포함하는
    방법.
KR1020190011390A 2018-02-22 2019-01-29 전처리를 포함하는 선 결함 감지 시스템 및 방법 KR102611224B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862634125P 2018-02-22 2018-02-22
US62/634,125 2018-02-22
US15/956,667 US10755133B2 (en) 2018-02-22 2018-04-18 System and method for line Mura detection with preprocessing
US15/956,667 2018-04-18

Publications (2)

Publication Number Publication Date
KR20190101874A true KR20190101874A (ko) 2019-09-02
KR102611224B1 KR102611224B1 (ko) 2023-12-07

Family

ID=65365888

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190011390A KR102611224B1 (ko) 2018-02-22 2019-01-29 전처리를 포함하는 선 결함 감지 시스템 및 방법

Country Status (6)

Country Link
US (1) US10755133B2 (ko)
EP (1) EP3531407B1 (ko)
JP (1) JP7274885B2 (ko)
KR (1) KR102611224B1 (ko)
CN (1) CN110189289A (ko)
TW (1) TWI797262B (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11948292B2 (en) 2019-07-02 2024-04-02 MakinaRocks Co., Ltd. Systems and methods for detecting flaws on panels using images of the panels

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3489892B1 (en) * 2017-11-24 2022-01-05 Ficosa Adas, S.L.U. Determining clean or dirty captured images
KR102528980B1 (ko) * 2018-07-18 2023-05-09 삼성디스플레이 주식회사 표시 장치 및 이의 얼룩 보정 방법
EP3841557A4 (en) * 2018-11-02 2022-04-06 Hewlett-Packard Development Company, L.P. PRINT QUALITY RATINGS
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
TWI748344B (zh) * 2020-02-14 2021-12-01 聚積科技股份有限公司 發光二極體調屏標準判定模型建立方法
US11244548B2 (en) * 2020-03-03 2022-02-08 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for anti-shoplifting in self-checkout

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10509531A (ja) * 1995-06-13 1998-09-14 フォトン・ダイナミクス・インコーポレーテッド Ｍｕｒａ検出装置および方法
JP2000113188A (ja) * 1998-10-06 2000-04-21 Toppan Printing Co Ltd ムラ欠陥検査装置及び方法並びにムラ欠陥検査プログラムを記録した記録媒体
JP2005331929A (ja) * 2004-04-19 2005-12-02 Semiconductor Energy Lab Co Ltd 画像解析方法、画像解析プログラム、及びそれらを有する画素評価システム
JP2018005639A (ja) * 2016-07-04 2018-01-11 タカノ株式会社 画像分類装置、画像検査装置、及び、プログラム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6154561A (en) * 1997-04-07 2000-11-28 Photon Dynamics, Inc. Method and apparatus for detecting Mura defects
JP3431075B2 (ja) * 2001-08-27 2003-07-28 科学技術振興事業団 液晶ディスプレイパネルムラの分類処理方法、その装置及びプログラム
FR2841423A1 (fr) * 2002-06-25 2003-12-26 Koninkl Philips Electronics Nv Procede de detection d'artefacts de bloc
US7308157B2 (en) * 2003-02-03 2007-12-11 Photon Dynamics, Inc. Method and apparatus for optical inspection of a display
JP2005140655A (ja) 2003-11-07 2005-06-02 Seiko Epson Corp シミ欠陥の検出方法及びその検出装置
KR100554578B1 (ko) 2003-11-29 2006-03-03 주식회사 쓰리비 시스템 플랫패널용 광관련판요소의 정형성 얼룩 검출방법
US8184923B2 (en) * 2004-04-19 2012-05-22 Semiconductor Energy Laboratory Co., Ltd. Image analysis method, image analysis program, pixel evaluation system having the image analysis method, and pixel evaluation system having the image analysis program
JP4583155B2 (ja) * 2004-12-13 2010-11-17 Ｈｏｙａ株式会社 欠陥検査方法及びシステム、並びにフォトマスクの製造方法
TWI354100B (en) 2006-06-01 2011-12-11 Dainippon Screen Mfg Unevenness inspecting method, unevenness inspectin
US8026927B2 (en) * 2007-03-29 2011-09-27 Sharp Laboratories Of America, Inc. Reduction of mura effects
KR101587176B1 (ko) * 2007-04-18 2016-01-20 마이크로닉 마이데이타 에이비 무라 검출 및 계측을 위한 방법 및 장치
US8780097B2 (en) 2011-10-20 2014-07-15 Sharp Laboratories Of America, Inc. Newton ring mura detection system
KR101977647B1 (ko) 2012-11-15 2019-05-14 엘지디스플레이 주식회사 표시장치의 얼룩 검출 장치 및 방법
KR101958634B1 (ko) * 2012-12-13 2019-03-15 엘지디스플레이 주식회사 디스플레이 장치의 무라 검출 장치 및 방법
WO2014140047A2 (en) * 2013-03-12 2014-09-18 Micronic Mydata AB Method and device for writing photomasks with reduced mura errors
US9607403B2 (en) * 2014-10-28 2017-03-28 Ppg Industries Ohio, Inc. Pigment identification of complex coating mixtures with sparkle color
TW201711634A (zh) * 2015-09-17 2017-04-01 國立中央大學 腦功能成像辨識的方法及系統

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10509531A (ja) * 1995-06-13 1998-09-14 フォトン・ダイナミクス・インコーポレーテッド Ｍｕｒａ検出装置および方法
US5917935A (en) * 1995-06-13 1999-06-29 Photon Dynamics, Inc. Mura detection apparatus and method
JP2000113188A (ja) * 1998-10-06 2000-04-21 Toppan Printing Co Ltd ムラ欠陥検査装置及び方法並びにムラ欠陥検査プログラムを記録した記録媒体
JP2005331929A (ja) * 2004-04-19 2005-12-02 Semiconductor Energy Lab Co Ltd 画像解析方法、画像解析プログラム、及びそれらを有する画素評価システム
JP2018005639A (ja) * 2016-07-04 2018-01-11 タカノ株式会社 画像分類装置、画像検査装置、及び、プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11948292B2 (en) 2019-07-02 2024-04-02 MakinaRocks Co., Ltd. Systems and methods for detecting flaws on panels using images of the panels

Also Published As

Publication number Publication date
US20190258890A1 (en) 2019-08-22
EP3531407B1 (en) 2024-05-08
JP2019144245A (ja) 2019-08-29
TWI797262B (zh) 2023-04-01
CN110189289A (zh) 2019-08-30
JP7274885B2 (ja) 2023-05-17
EP3531407A1 (en) 2019-08-28
KR102611224B1 (ko) 2023-12-07
TW201945719A (zh) 2019-12-01
US10755133B2 (en) 2020-08-25

Similar Documents

Publication Publication Date Title
KR102611224B1 (ko) 전처리를 포함하는 선 결함 감지 시스템 및 방법
US10681344B2 (en) System and method for mura detection on a display
Hu et al. Detection of PCB surface defects with improved faster-RCNN and feature pyramid network
US10643576B2 (en) System and method for white spot Mura detection with improved preprocessing
CN107437245B (zh) 基于深度卷积神经网络的高速铁路接触网故障诊断方法
CN108765412B (zh) 一种带钢表面缺陷分类方法
CN104392432A (zh) 基于方向梯度直方图的显示面板缺陷检测方法
CN110930390A (zh) 基于半监督深度学习的芯片管脚缺失检测方法
CN104424632B (zh) 一种视频对比度异常检测方法及装置
Ma Defect detection and recognition of bare PCB based on computer vision
CN112419261B (zh) 具有异常点去除功能的视觉采集方法及装置
CN104424633B (zh) 一种视频对比度异常检测方法及装置
US11068740B2 (en) Particle boundary identification
Ahmed et al. Traffic sign detection and recognition model using support vector machine and histogram of oriented gradient
Lee 16‐4: Invited Paper: Region‐Based Machine Learning for OLED Mura Defects Detection
CN107545565B (zh) 一种太阳能网版检测方法
Vinh Real-time traffic sign detection and recognition system based on friendlyARM Tiny4412 board
CN115131355A (zh) 利用电子设备数据检测防水布异常的智能方法
Kaur et al. Text Extraction from Natural Scene using PCA.
Yang et al. A method of steel strip image segmentation based on local gray information
CN106845479A (zh) 一种基于对比色矩形特征的小尺寸车牌检测方法
Phu et al. Feature points for traffic sign detection and recognition system using ANFIS
Jain Non-Contact Extensometer Deformation Detection via Deep Learning and Edge Feature Analysis
Holiš et al. Using Retinex and SVD Algorithms for Detection of Frayed Edge in Steel Plate

Legal Events

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