WO2022042579A1 - 一种用于lcd屏幕的缺陷检测方法、装置 - Google Patents

一种用于lcd屏幕的缺陷检测方法、装置 Download PDF

Info

Publication number
WO2022042579A1
WO2022042579A1 PCT/CN2021/114450 CN2021114450W WO2022042579A1 WO 2022042579 A1 WO2022042579 A1 WO 2022042579A1 CN 2021114450 W CN2021114450 W CN 2021114450W WO 2022042579 A1 WO2022042579 A1 WO 2022042579A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect
image
screen
suspicious
width
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.)
Ceased
Application number
PCT/CN2021/114450
Other languages
English (en)
French (fr)
Inventor
王晓曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Goertek Inc
Original Assignee
Goertek Inc
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 Goertek Inc filed Critical Goertek Inc
Priority to US18/042,422 priority Critical patent/US12561784B2/en
Publication of WO2022042579A1 publication Critical patent/WO2022042579A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present application relates to the field of computer technology, and in particular, to a defect detection method and device for an LCD screen.
  • LCD Liquid Crystal Display, liquid crystal display
  • the present application provides a defect detection method and device for an LCD screen to solve or partially solve the above problems.
  • an embodiment of the present application provides a defect detection method for an LCD screen, the method comprising:
  • an embodiment of the present application provides a defect detection device for an LCD screen, the device comprising:
  • an image acquisition unit for acquiring a screen image of the LCD screen
  • Defect rough locating unit which is used to roughly search for defects in the screen image, and extract the suspicious area where the defect is located;
  • a clustering processing unit for performing clustering processing on each pixel in the suspicious area based on the suspicious area, to obtain a clustering result, and each clustering result corresponds to a suspicious defect;
  • the defect precise positioning unit is used to calculate the width and length of the suspected defect corresponding to the clustering result according to the clustering result, and determine whether the suspected defect is a screen defect and the type of screen defect to which it belongs based on the width and length of the suspected defect.
  • an embodiment of the present application provides a defect detection system for an LCD screen, including a camera, a memory, and a processor;
  • memory storing computer-executable instructions
  • the processor executes the above-mentioned defect detection method for an LCD screen according to the computer-executable instructions.
  • the present application provides a computer-readable storage medium, on which one or more computer programs are stored, and when the one or more computer programs are executed, the above-mentioned defect detection for an LCD screen is implemented method.
  • the embodiment of the present application realizes automatic detection of LCD screen defects by coarse positioning and fine positioning of suspicious defects, determines whether it is a screen defect according to the width and length of the suspected defect, and after determining that it is a screen defect, The width and length of the defect determine whether it is a point defect or a line defect, so as to accurately detect LCD screen defects and defect types.
  • FIG. 1 is a schematic flowchart of a defect detection method for an LCD screen according to an embodiment of the present application
  • FIG. 2 is a schematic diagram of a clustering process according to an embodiment of the present application.
  • FIG. 3 is a schematic diagram of a screen image of an LCD screen according to an embodiment of the present application.
  • FIG. 4 is a schematic diagram of a screen image after filtering according to an embodiment of the present application.
  • FIG. 5 is a schematic diagram of a binary image according to an embodiment of the present application.
  • FIG. 6 is a schematic diagram of an edge image according to an embodiment of the present application.
  • FIG. 7 is a schematic diagram of the outline of a suspicious defect in an edge image according to an embodiment of the present application.
  • FIG. 8 is a functional block diagram of a defect detection device for an LCD screen according to an embodiment of the present application.
  • FIG. 9 is a structural block diagram of a defect detection system for an LCD screen according to an embodiment of the present application.
  • FIG. 10 is a schematic structural diagram of a computer-readable storage medium according to an embodiment of the present application.
  • first, second, third, etc. may be used in this application to describe various information, such information should not be limited by these terms. These terms are only used to distinguish the same type of information from each other.
  • first information may also be referred to as the second information, and similarly, the second information may also be referred to as the first information without departing from the scope of the present application.
  • word "if” as used herein can be interpreted as "at the time of” or "when” or "in response to determining.”
  • LCD Liquid Crystal Display, liquid crystal display
  • point defects and linear defects Because the defect position of linear defects is very close to the brightness of the screen background, it is very difficult to detect. According to the characteristics of linear defects, the embodiments of the present application propose a method for effectively detecting linear defects in an LCD screen.
  • the method is applied to defect detection of LCD screens, including the following steps:
  • step S110 a screen image of the LCD screen is acquired.
  • Step S120 roughly search for defects in the screen image, and extract suspicious areas where the defects are located.
  • the screen image can be filtered, a differential image is generated based on the filtered image, and the suspicious area where the defect is located is located by using the differential image.
  • step S130 clustering processing is performed on each pixel point in the suspicious area based on the suspicious area to obtain a clustering result, and each clustering result corresponds to a suspicious defect.
  • Step S140 Calculate the width and length of the suspicious defect corresponding to the clustering result according to the clustering result, and determine whether the suspicious defect is a screen defect and the type of screen defect it belongs to based on the width and length of the suspicious defect.
  • automatic detection of screen defects is realized by coarse positioning and fine positioning of suspicious defects, whether it is a screen defect is determined according to the width and length of the suspected defect, and after it is determined that it is a screen defect, the screen defect is passed through the screen defect.
  • the width and length of the LCD screen determine whether it is a point defect or a line defect, so as to accurately detect LCD screen defects and defect types.
  • the method for extracting the suspicious area in the above step S120 includes:
  • a Gaussian filter can be used to achieve two smoothing of the screen image, where the Gaussian filter formula is as follows:
  • G(x, y) is the Gaussian filter function
  • the parameter ⁇ is the width of the Gaussian filter
  • (x, y) is the pixel coordinate.
  • step S130 After determining the possible area, referring to FIG. 2 , the specific process of clustering each pixel in the suspicious area in the above step S130 is as follows:
  • the screen image is smoothed and filtered before binarization, and the magnification ratio corresponding to the screen to the image is used as the smoothing width.
  • a pixel on the LCD screen corresponds to 5*5 pixels on the screen image captured by the camera, then the smoothing filter window is 5*5.
  • the suspicious area in the screen image is relatively smooth, which can avoid the interference of the striped background in the LCD screen to the subsequent detection of suspicious defects.
  • the global binarization threshold T_global(i, j) corresponding to the pixel point (i, j) in the smoothed image is calculated by the maximum inter-class variance, and then the 8 *8 In the area, the maximum entropy algorithm is used to calculate the local threshold T_local(i, j) of the pixel point (i, j).
  • the binarization threshold corresponding to each pixel is calculated according to the global binarization threshold and the local threshold corresponding to each pixel in the smoothed image.
  • the global binarization threshold and the local threshold are weighted, and the result obtained from the weighting process is summed with a preset offset to obtain the binarization threshold corresponding to each pixel point.
  • the gray value of the pixel point (i, j) is greater than T(i, j)
  • the gray value of the pixel point (i, j) is set to the first gray value, for example Set to 255; on the contrary, if the gray value of pixel (i, j) is less than T(i, j), then set the gray value of pixel (i, j) to the second gray value, for example, set to 0, the binarization of the image is realized in this way, and the binary image as shown in Figure 5 is obtained.
  • S134 Perform clustering processing on each pixel in the suspicious area on the binary image.
  • cluster processing is performed on any pixel in the suspicious area that meets the clustering conditions, and it is judged whether there are other pixels in the suspicious area that have not been clustered and meet the clustering conditions; if there are other pixels If there are no other pixels, the clustering process of the pixels in the suspicious area is ended.
  • the pixel points that meet the clustering conditions can be understood as: the pixel point in the suspicious area is the first gray value, the first gray value is the gray value of the pixel point representing the defect in the binary image, and the binary image represents the pixel point
  • the gray value of the pixel point of the background is the second gray value, and the pixel point of the second gray value is the pixel point that does not meet the clustering condition.
  • any pixel in the suspicious area that meets the clustering conditions can be clustered by the following methods: setting the gray value of the pixel representing the defect in the binary image to the first gray value; setting the binary image The gray value of the pixel point representing the background is the second gray value, and the pixel point of the second gray value is the pixel point that does not meet the clustering conditions; Cluster processing.
  • the process of clustering is as follows:
  • any pixel point I j on the binary image that meets the clustering conditions it is judged in turn whether the adjacent pixels in the four directions of the pixel point I j meet the clustering conditions.
  • the adjacent pixels are classified into the first category where the pixel I j is located, and continue to judge whether the adjacent pixels in the four directions of up, down, left, and right of the adjacent pixels that meet the clustering conditions meet the clustering conditions, until the adjacent pixels Until the point does not meet the clustering conditions, the clustering of the pixel point I j is completed, and the first classification is obtained;
  • the method for calculating the width and length of the suspected defect in the above step S140 is as follows:
  • the edge image is a binarized image
  • the pixel points constituting the outline of the suspicious defect in the edge image have a first grayscale value
  • the other pixel points have a second grayscale value
  • the edge image shown in Figure 7 includes n (n is a natural number greater than 1) contour points, for the i-th contour point, i ⁇ (1,2,...,n), the j-th contour point and the The i-th contour point is calculated to obtain the first straight line corresponding to the i-th contour point.
  • the j-th contour point is the closest point to the i-th contour point. It can also be determined that the distance from the i-th contour point is less than the threshold.
  • a first straight line corresponding to the ith contour point is obtained by performing straight line fitting on the ith contour point and the one or more contour points.
  • each contour point on the edge image corresponds to the first straight line and the second straight line.
  • the length reference value of the suspected defect corresponding to each contour point is calculated based on the first straight line
  • the width reference value of the suspected defect corresponding to each contour point is calculated based on the second straight line.
  • the method of calculating the length reference value of the suspected defect includes:
  • For each contour point calculate the first longest line segment determined by two contour points belonging to the first straight line on the edge image, and the first longest line segment is the length reference value of the suspected defect calculated based on the contour point .
  • the edge image is traversed, and the contour point I p in the edge image is searched in eight neighborhoods centered on the contour point I p , and when other contour points are searched in the eight neighborhoods, it is assumed that one other contour point I is searched.
  • the straight line determined by the contour points I p and I' p can be marked as the first straight line, and the distance between any two contour points in the contour points belonging to the first straight line in the edge image can be calculated , and mark the maximum distance as the length reference value of the suspected defect corresponding to the contour point Ip .
  • the contour points belonging to the first straight line can be understood as contour points whose distance from the first straight line is within the preset threshold range. For example, the contour points that are 5 units away from the first straight line are recorded as belonging to the first straight line. Line outline points.
  • Methods for calculating the width reference for suspected defects include:
  • a straight line passing through the contour point I p and perpendicular to the first straight line is denoted as the second straight line, and the distance between any contour point in the contour point belonging to the second straight line in the edge image and the contour point I p is calculated.
  • the maximum distance is marked as the reference value of the width of the suspected defect corresponding to the contour point I p .
  • the contour points belonging to the second straight line can be understood as contour points whose distance from the second straight line is within the preset threshold range.
  • the contour points that are 5 units away from the second straight line are recorded as contour points belonging to the second straight line. .
  • the slope angle of the second straight line corresponding to each contour point is calculated, the slope angles of the second straight lines corresponding to all the contour points are voted, and the difference between the slope angle and the slope angle with the most votes is selected in a preset value.
  • the contour point corresponding to the second straight line in the angle range is obtained to obtain the effective contour point.
  • the slope angle with the most votes is a
  • the preset angle range is 5 degrees
  • the contour points corresponding to the two straight lines are the effective contour points.
  • step S140 determines whether the suspicious defect is a screen defect and the method for the type of screen defect to which it belongs includes:
  • the width and length of the suspected defect meet the screen inspection standard.
  • the suspected defect is not a screen defect, and the defect detection of the LCD screen is ended, and the LCD screen is marked as a qualified product.
  • Judging whether the width and length of the suspected defect meet the screen inspection standards if not, the suspected defect is a screen defect; at this time, it can also be judged whether the length of the screen defect is a predetermined multiple of the width, for example, whether the length is 3 times the width. and above multiples, if it is a predetermined multiple of the width, it is determined that the screen defect corresponds to a linear defect, and if it is not a predetermined multiple of the width, it is determined that the screen defect corresponds to a point defect.
  • the present embodiment can automatically detect screen defects, and distinguish linear defects from point defects, and achieve a good detection effect.
  • FIG. 8 is a functional block diagram of the defect detection device for an LCD screen according to an embodiment of the present application.
  • the apparatus 800 of an embodiment includes:
  • an image acquisition unit 810 configured to acquire a screen image of the LCD screen
  • Defect rough locating unit 820 is used to roughly search for the defect in the screen image, and extract the suspicious area where the defect is located;
  • a clustering processing unit 830 configured to perform clustering processing on each pixel in the suspicious area based on the suspicious area to obtain a clustering result, each clustering result corresponding to a suspicious defect;
  • the defect precise positioning unit 840 is configured to calculate the width and length of the suspected defect corresponding to the clustering result according to the clustering result, and determine whether the suspected defect is a screen defect and the type of screen defect to which it belongs based on the width and length of the suspected defect.
  • the defect precise location unit 840 includes a trimming module, a detection module and a calculation module;
  • a cropping module for cropping out the suspicious defect corresponding to each clustering result from the screen image, obtains the cropping image corresponding to each suspicious defect;
  • a detection module for performing edge detection on the cropped image to obtain an edge image
  • the calculation module is used to calculate the first straight line formed by each contour point and its adjacent contour points on the edge image, and calculate the second straight line perpendicular to the first straight line according to each contour point, and calculate each contour point based on the first straight line.
  • the length reference value of the suspicious defect corresponding to each contour point calculate the width reference value of the suspicious defect corresponding to each contour point based on the second straight line; The length and width of the defect.
  • the calculation module is further configured to calculate, for each contour point, a first longest line segment determined by two contour points belonging to a first straight line on the edge image, the first longest line segment is the length reference value of the suspected defect calculated based on the contour point; the calculation is based on the contour point the second longest line segment determined by the contour point belonging to the second straight line on the edge image, the second longest line segment is the width reference value of the suspected defect calculated based on the contour point; and, for calculating the The length of the suspicious defect is obtained by averaging the length reference values corresponding to all valid contour points on the edge image, and the width of the suspicious defect is obtained by calculating the average value of the width reference values corresponding to all valid contour points on the edge image.
  • the calculation module is also used to calculate the slope angle of the second straight line corresponding to each contour point; vote on the slope angle of the second straight line corresponding to all the contour points, and filter out the difference between the slope angle and the slope angle with the most votes in the pre- Set the contour point corresponding to the second straight line within the angle range to obtain the effective contour point.
  • the clustering processing unit 830 includes a smoothing module, a threshold calculation module, a binarization module and a clustering module;
  • a smoothing module configured to set a smoothing width according to the correspondence between screen pixels and screen image pixels, and perform smoothing processing on the suspicious area on the screen image based on the smoothing width to obtain a smoothed image
  • the threshold calculation module is used to calculate the global binarization threshold corresponding to each pixel in the smoothed image through the maximum inter-class variance, and calculate the local threshold corresponding to each pixel in the smoothed image through the maximum entropy algorithm;
  • the binarization module is used to binarize the image according to the global binarization threshold and the local threshold corresponding to each pixel in the smoothed image to obtain a binary image;
  • the clustering module is used to cluster each pixel in the suspicious area on the binary image.
  • the clustering processing unit 830 is further configured to perform clustering processing on any pixel in the suspicious area that meets the clustering conditions, and determine whether there is any pixel in the suspicious area that has not been clustered and meets the clustering conditions. Other pixels of the class condition; if there are other pixels, cluster other pixels until all the pixels that meet the clustering conditions are clustered; if there are no other pixels, end the suspicious area. Clustering of pixel points.
  • the clustering processing unit 830 specifically sets the gray value of the pixel point representing the defect in the binary image as the first gray value, the gray value of the pixel point representing the background in the binary image is the second gray value, and the second gray value.
  • the pixel points of the gray value are the pixels that do not meet the clustering conditions, and the clustering process is performed on any pixel point with the first gray value in the suspicious area.
  • the defect precise positioning unit 840 is further configured to judge whether the width and length of the suspected defect meet the screen inspection standard. When the inspection standard is met, the suspected defect is not a screen defect, and when the inspection standard is not met, the suspected defect is a screen defect. ; Determine whether the length of the screen defect is a predetermined multiple of the width, if it is a predetermined multiple of the width, determine that the screen defect corresponds to a linear defect, if not a predetermined multiple of the width, determine that the screen defect corresponds to a point defect.
  • the defect coarse positioning unit 820 is further configured to smooth the entire image of the screen image to obtain the first type of image, and to smooth the background of the screen image to obtain the second type of image; Difference between the first image and the second image is obtained to obtain a difference image; contour detection is performed on the difference image, and the area where the contour is located is determined as a suspicious area.
  • the automatic detection of suspicious defects is realized by coarse and fine localization of suspicious defects, and whether it is a screen defect is determined according to the width and length of the suspected defect, and after it is determined that it is a screen defect, the The width and length are determined as point defects or line defects, so as to accurately detect LCD screen defects and defect types.
  • modules in the device in the embodiment can be adaptively changed and arranged in one or more devices different from the embodiment.
  • the modules or units or components in the embodiments may be combined into one module or unit or component, and further they may be divided into multiple sub-modules or sub-units or sub-assemblies. All features disclosed in this specification (including accompanying claims, abstract and drawings) and any method so disclosed may be employed in any combination, unless at least some of such features and/or procedures or elements are mutually exclusive. All processes or units of equipment are combined.
  • Each feature disclosed in this specification may be replaced by alternative features serving the same, equivalent or similar purpose, unless expressly stated otherwise.
  • Various component embodiments of the present application may be implemented in hardware, or in software modules running on one or more processors, or in a combination thereof.
  • a microprocessor or a digital signal processor (DSP) may be used in practice to implement some or all of some or all of some or all of the components in the defect detection apparatus for an LCD screen according to the embodiments of the present application Function.
  • DSP digital signal processor
  • the present application can also be implemented as an apparatus or apparatus program (eg, computer programs and computer program products) for performing part or all of the methods described herein.
  • Such a program implementing the present application may be stored on a computer-readable medium, or may be in the form of one or more signals. Such signals may be downloaded from Internet sites, or provided on carrier signals, or in any other form.
  • FIG. 9 shows a schematic structural diagram of a defect detection system for an LCD screen according to an embodiment of the present application.
  • the defect detection system 900 includes a camera 940, a processor 910, and is arranged to store computer-executable instructions (computer-readable programs). code) memory 920.
  • the memory 920 may be electronic memory such as flash memory, EEPROM (electrically erasable programmable read only memory), EPROM, hard disk, or ROM.
  • the memory 920 has storage space 930 for storing computer readable program code 931 for performing any of the method steps in the above-described methods.
  • the storage space 930 for storing computer-readable program codes may include various computer-readable program codes 931 for implementing various steps in the above method embodiments, respectively.
  • Computer readable program code 931 can be read from or written to one or more computer program products.
  • These computer program products include program code carriers such as hard disks, compact disks (CDs), memory cards or floppy disks.
  • Such a computer program product is typically a computer-readable storage medium as described in FIG. 10 .
  • the processor 910 executes the following defect detection method for an LCD screen according to the computer-executable instructions:
  • processor 910 further executes the following defect detection method for the LCD screen according to the computer-executable instructions:
  • the length and width reference value of the suspected defect corresponding to each contour point are calculated.
  • processor 910 further executes the following defect detection method for the LCD screen according to the computer-executable instructions:
  • Clustering is performed on each pixel in the suspicious region on the binary image.
  • processor 910 further executes the following defect detection method for the LCD screen according to the computer-executable instructions:
  • the suspicious defect Judging whether the width and length of the suspicious defect meet the screen inspection standard, if it meets the inspection standard, the suspicious defect is not a screen defect, and if it does not meet the inspection standard, the suspicious defect is a screen defect;
  • FIG. 10 shows a schematic structural diagram of a computer-readable storage medium according to an embodiment of the present application.
  • the computer-readable storage medium 1000 stores computer-readable program code 931 for performing the method steps according to the present application, which can be read by the processor 910 of the defect detection system 900 , when the computer-readable program code 931 is executed by the defect detection system 900 When running, the defect detection system 900 is caused to perform each step in the method described above, and specifically, the computer-readable program code 931 stored in the computer-readable storage medium can perform the method shown in any of the above-mentioned embodiments, It is not repeated here.
  • the computer readable program code 931 may be compressed in a suitable form.

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)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

一种用于LCD屏幕的缺陷检测方法、装置，所述方法包括：获取LCD屏幕的屏幕图像（S110）；对屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域（S120）；基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷（S130）；根据聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型（S140）。利用上述方法，可以通过可疑缺陷的粗定位和精细定位实现屏幕缺陷的自动检测，且检测结果较为准确可靠。

Description

一种用于LCD屏幕的缺陷检测方法、装置 技术领域
本申请涉及计算机技术领域，具体涉及一种用于LCD屏幕的缺陷检测方法、装置。
发明背景
移动技术设备快速发展，比如手机、VR(Virtual Reality，虚拟现实)设备等，都少不了显示屏。而在生产中，显示屏的缺陷检测是必不可少的步骤。LCD(Liquid Crystal Display，液晶显示)屏幕缺陷有很多种，其中大部分是点状缺陷和线状缺陷，而线状缺陷位置与背景的亮度非常接近，检测起来难度非常大。
目前，国内大部分制造厂商还采用人工检测，这对操作员的眼睛要求较高，且长期采用人工进行缺陷检测，对操作员的眼睛会造成极大的伤害，比如视力下降。此外，操作员长期工作，疲劳时会造成漏检，导致不良品流入市场的几率增加。
发明内容
本申请提供了一种用于LCD屏幕的缺陷检测方法、装置，用于解决或部分解决上述问题。
一方面，本申请实施例提供了一种用于LCD屏幕的缺陷检测方法，该方法包括：
获取LCD屏幕的屏幕图像；
对屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域；
基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷；
根据聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
另一方面，本申请实施例提供了一种用于LCD屏幕的缺陷检测装置，该装置包括：
图像获取单元，用于获取LCD屏幕的屏幕图像；
缺陷粗定位单元，用于对屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域；
聚类处理单元，用于基于可疑区域对该可疑区域中的每个像素点进行聚类 处理，得到聚类结果，每个聚类结果对应一个可疑缺陷；
缺陷精定位单元，用于根据聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
再一方面，本申请实施例提供了一种用于LCD屏幕的缺陷检测系统，包括摄像头、存储器和处理器；
摄像头，拍摄LCD屏幕并将拍摄得到的屏幕图像发送给处理器；
存储器，存储计算机可执行指令；
处理器，根据所述计算机可执行指令执行上述的用于LCD屏幕的缺陷检测方法。
又一方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质上存储有一个或多个计算机程序，一个或多个计算机程序被执行时实现上述的用于LCD屏幕的缺陷检测方法。
本申请的有益效果是：本申请实施例通过对可疑缺陷的粗定位和精细定位实现LCD屏幕缺陷的自动检测，根据可疑缺陷的宽度和长度确定是否为屏幕缺陷，并在确定是屏幕缺陷之后，通过该缺陷的宽度和长度确定是点状缺陷还是线状缺陷，从而准确检测出LCD屏幕缺陷及缺陷类型。
附图简要说明
图1是本申请一个实施例的用于LCD屏幕的缺陷检测方法的流程示意图；
图2是本申请一个实施例的聚类过程示意图；
图3是本申请一个实施例的LCD屏幕的屏幕图像示意图；
图4是本申请一个实施例的屏幕图像滤波后的示意图；
图5是本申请一个实施例的二值图像示意图；
图6是本申请一个实施例的边缘图像示意图；
图7是本申请一个实施例的边缘图像中可疑缺陷的轮廓示意图；
图8是本申请一个实施例的用于LCD屏幕的缺陷检测装置的功能框图；
图9是本申请一个实施例的用于LCD屏幕的缺陷检测系统的结构框图；
图10是本申请一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描 述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
LCD(Liquid Crystal Display，液晶显示)屏幕缺陷有很多种，其中大部分是点状缺陷和线状缺陷，由于线状缺陷的缺陷位置与屏幕背景的亮度非常接近，因此检测起来难度非常大。本申请实施例根据线状缺陷的特点，提出一种有效检测LCD屏幕中线状缺陷的方法。
参见图1，该方法应用于LCD屏幕的缺陷检测，包括如下步骤：
步骤S110，获取LCD屏幕的屏幕图像。
步骤S120，对屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域。
本步骤中可以对屏幕图像滤波，基于滤波后的图像生成差分图像，利用差分图像定位缺陷所在的可疑区域。
步骤S130，基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷。
步骤S140，根据聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
由图1所示可知，本实施例通过可疑缺陷的粗定位和精细定位实现屏幕缺陷的自动检测，根据可疑缺陷的宽度和长度确定是否为屏幕缺陷，并在确定是 屏幕缺陷之后，通过该缺陷的宽度和长度确定是点状缺陷还是线状缺陷，从而准确检测出LCD屏幕缺陷及缺陷类型。
下面以一个LCD屏幕的屏幕图像为例，结合图2至图6对该屏幕图像进行缺陷检测方法的实现步骤进行具体说明。
上述步骤S120可疑区域的提取方法包括：
对屏幕图像的全图进行平滑，得到第一种图像，以及对屏幕图像的背景进行平滑，得到第二种图像；将第一种图像与第二种图像做差，得到差分图像；对差分图像进行轮廓检测，将轮廓所在区域确定为可疑区域。
在一个实施例中，可以采用高斯滤波器实现对屏幕图像的两次平滑，其中高斯滤波器公式如下：
Figure PCTCN2021114450-appb-000001
上述公式中，G(x,y)为高斯滤波函数，参数σ为高斯滤波器的宽度，(x，y)为像素点坐标。
从该公式可以看出，设置不同的σ可以生成不同的滤波器，σ越大，高斯滤波器的频带就越宽，平滑程度就越好，因此通过设置不同σ值，可以生成两个高斯滤波器，例如将一个高斯滤波器中的参数σ的值设置稍大一些，以实现对屏幕图像全图的平滑处理，将另一个高斯滤波器中的参数σ的值设置稍小一些，以实现对屏幕图像背景的平滑处理，而前景的缺陷区域不被平滑掉，这样将滤波后的两个图像做差，即可得到差分图像。对差分图像进行轮廓检测，找出可疑轮廓区域，以可疑轮廓区域的中心为中心确定预设大小的区域，例如100*100的区域为可疑区域。
在确定可以区域之后，参考图2，上述步骤S130中对该可疑区域中的每个像素点进行聚类处理的具体过程如下：
S131，根据屏幕像素点与屏幕图像像素点之间的对应关系设置平滑宽度，基于平滑宽度对屏幕图像上可疑区域进行平滑处理，得到平滑后的图像；
如图3所示，由于LCD屏幕背景是条纹状的，不平滑，因此在二值化之前对屏幕图像做平滑滤波处理，以屏幕对应到图像上的放大率作为平滑的宽度。比如LCD屏幕上一个像素点对应到由摄像头拍摄到屏幕图像上为5*5个像素，那么平滑滤波的窗口就是5*5。参考图4，经过平滑处理后，屏幕图像中可疑区域较为平滑，可以避免LCD屏幕中条纹状背景对后续可疑缺陷检测的干扰。
S132，通过最大类间方差计算平滑后的图像中每个像素点对应的全局二值化阈值，以及通过最大熵算法计算平滑后的图像中每个像素点对应的局部阈值；
本步骤中，通过最大类间方差计算平滑后的图像中像素点(i，j)对应的全局二值化阈值T_global(i，j)，然后对以像素点(i，j)为中心的8*8区域内采用最大熵算法计算该像素点(i，j)的局部阈值T_local(i，j)。
S133，根据平滑后的图像中每个像素点对应的全局二值化阈值、局部阈值将图像二值化，得到二值图像；
本步骤中，根据平滑后的图像中每个像素点对应的全局二值化阈值、局部阈值计算每个像素点对应的二值化阈值，例如根据预设的权值对每个像素点对应的全局二值化阈值、局部阈值进行加权处理，将加权处理所得结果与预设的偏置就和，得到每个像素点对应的二值化阈值。
一个示例，可以根据公式T(i，j)＝nBias+((1.0-GlobalLocalBalance)*T_local(i，j)+GlobalLocalBalance*T_global)，其中nBias为预设的偏置，GlobalLocalBalance为预设的权值，T(i，j)为像素点(i，j)对应的二值化阈值。
在计算得到每个像素点对应的二值化阈值之后，将平滑后的图像中每个像素点与该像素点对应的二值化阈值进行比较，根据比较结果生成二值图像。
例如，若平滑后的图像中，像素点(i，j)的灰度值大于T(i，j)，则将像素点(i，j)的灰度值设置为第一灰度值，例如设置为255；反之，若像素点(i，j)的灰度值小于T(i，j)，则将像素点(i，j)的灰度值设置为第二灰度值，例如设置为0，如此实现图像的二值化，得到如图5所示的二值图像。
S134，在二值图像上对该可疑区域中的每个像素点进行聚类处理。
本步骤中，对可疑区域内符合聚类条件的任一像素点进行聚类处理，并判断该可疑区域内是否还有未被聚类处理且符合聚类条件的其他像素点；如果有其他像素点，对其他像素点进行聚类处理，直至所有符合聚类条件的像素点都被聚类处理；如果没有其他像素点，结束对该可疑区域中的像素点的聚类处理。
其中，符合聚类条件的像素点可以理解为：可疑区域内为第一灰度值的像素点，第一灰度值为二值图像中表示缺陷的像素点灰度值，二值图像中表示背景的像素点灰度值为第二灰度值，第二灰度值的像素点为不符合聚类条件的像素点。相应的，可以通过下述方法对可疑区域内符合聚类条件的任一像素点进行聚类处理：设置二值图像中表示缺陷的像素点灰度值为第一灰度值；设置二 值图像中表示背景的像素点灰度值为第二灰度值，第二灰度值的像素点为不符合聚类条件的像素点；对可疑区域内为第一灰度值的任一像素点进行聚类处理。
例如，若二值图像中，灰度值为255的像素点为可疑缺陷的像素点，灰度值为0的像素点为背景像素点，那么符合聚类条件的像素点为灰度值为255的像素点，可以将对可疑区域内灰度值为255的任一像素点进行聚类处理。在一个实施例中，聚类处理的过程如下：
首先，对二值图像上的任一符合聚类条件的像素点I j，依次判断该像素点I j的上下左右四个方向的相邻像素点是否符合聚类条件，将符合聚类条件的相邻像素点归为该像素点I j所在的第一分类，并继续判断符合聚类条件的相邻像素点的上下左右四个方向的相邻像素点是否符合聚类条件，直至相邻像素点不符合聚类条件为止，完成该像素点I j的聚类，得到第一分类；
接着，遍历二值图像上是否存在符合聚类条件且不属于第一分类的像素点I’ j，若存在，基于上述聚类过程对像素点I’ j进行聚类处理，直至二值图像上符合聚类条件的像素点都被聚类处理过；若不存在，结束聚类处理，由此完成对二值图像上可疑区域中的像素点的聚类处理。
在完成聚类处理之后，上述步骤S140中计算可疑缺陷的宽度和长度的方法如下：
首先，将每个聚类结果对应的可疑缺陷从屏幕图像上裁剪出来，得到如图6所示的每个可疑缺陷对应的裁剪图像。
然后，对裁剪图像进行边缘检测，得到如图7所示的用于描述可疑缺陷轮廓的边缘图像，并计算边缘图像上每个轮廓点与其临近的轮廓点构成的第一直线，以及根据每个轮廓点计算与第一直线垂直的第二直线。
其中，边缘图像为二值化图像，边缘图像中构成可疑缺陷轮廓的像素点具有第一灰度值，其他像素点具有第二灰度值。
假设如图7所示的边缘图像包括n(n为大于1的自然数)个轮廓点，对第i个轮廓点，i∈(1,2，…，n)，可以根据第j个轮廓点与第i个轮廓点计算得到第i个轮廓点对应的第一直线，第j个轮廓点是与第i个轮廓点位置最近的点，还可以确定与第i个轮廓点的距离小于阈值的一个或多个轮廓点，对第i个轮廓点及该一个或多个轮廓点进行直线拟合得到该第i个轮廓点对应的第一直线。
在得到第i个轮廓点对应的第一直线之后，计算经过第i个轮廓点并与第一直线垂直的直线为第i个轮廓点对应的第二直线。
由此，边缘图像上每个轮廓点都对应存在第一直线与第二直线。
接着，基于第一直线计算每个轮廓点对应的可疑缺陷的长度参考值，基于第二直线计算每个轮廓点对应的可疑缺陷的宽度参考值。
最后，根据每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值，计算可疑缺陷的长度与宽度。
在一个实施例中，计算可疑缺陷的长度参考值的方法包括：
对每个轮廓点，计算由边缘图像上属于第一直线的两个轮廓点所确定的第一最长线段，该第一最长线段为基于该轮廓点计算得到的可疑缺陷的长度参考值。
一个实施例中，遍历边缘图像，将边缘图像中轮廓点I p进行以轮廓点I p为中心的八邻域搜索，在八邻域内搜索到其他轮廓点时，假设搜索到一个其他轮廓点I’ p，那么可以将轮廓点I p与I’ p两个点确定的直线标记为第一直线，计算边缘图像中属于该第一直线的轮廓点中任两个轮廓点之间的距离，将最大距离标记为轮廓点I p对应的可疑缺陷的长度参考值。
其中，属于第一直线的轮廓点可以理解为与第一直线的距离在预设阈值范围内的轮廓点，例如，与第一直线相距5个单位的轮廓点记为属于第一直线的轮廓点。
计算可疑缺陷的宽度参考值的方法包括：
对每个轮廓点，计算由该轮廓点与边缘图像上属于第二直线的轮廓点所确定的第二最长线段，该第二最长线段为基于该轮廓点计算得到的可疑缺陷的宽度参考值。
一个实施例中，将经过轮廓点I p并与第一直线垂直的直线记为第二直线，计算边缘图像中属于该第二直线的轮廓点中任一个轮廓点与轮廓点I p之间的距离，将最大距离标记为轮廓点I p对应的可疑缺陷的宽度参考值。
其中，属于第二直线的轮廓点可以理解为与第二直线的距离在预设阈值范围内的轮廓点，例如，与第二直线相距5个单位的轮廓点记为属于第二直线的轮廓点。
在计算得到每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值之后，过滤掉轮廓点中的干扰点，得到有效轮廓点；计算边缘图像上所有有效轮廓点对应的长度参考值的均值得到可疑缺陷的长度，以及计算边缘图像上所有有效轮廓点对应的宽度参考值的均值得到可疑缺陷的宽度。
一个实施例中，计算每个轮廓点对应的第二直线的斜率角，对全部轮廓点对应的第二直线的斜率角进行投票，筛选出斜率角与得票最多的斜率角的差值在预设角度范围内的第二直线对应的轮廓点，得到有效轮廓点。
假设得票最多的斜率角为a，预设角度范围为5度，那么筛选出斜率角与a的差值小于5度的第二直线对应的轮廓点，这些与a的差值小于5度的第二直线对应的轮廓点即为有效轮廓点。
在计算得到可疑缺陷的宽度和长度之后，上述步骤S140确定可疑缺陷是否为屏幕缺陷及所属屏幕缺陷类型的方法包括：
判断可疑缺陷的宽度和长度是否符合屏幕检验标准，符合检验标准时，该可疑缺陷不为屏幕缺陷，则结束对LCD屏幕的缺陷检测，将该LCD屏幕标记为合格产品。判断可疑缺陷的宽度和长度是否符合屏幕检验标准，不符合检验标准时，该可疑缺陷为屏幕缺陷；这时，还可以判断屏幕缺陷的长度是否为宽度的预定倍数，例如长度是否为宽度的3倍及以上倍数，如果是宽度的预定倍数，确定该屏幕缺陷对应为线状缺陷，如果不是宽度的预定倍数，确定该屏幕缺陷对应为点状缺陷。
基于以上方法，本实施例可以对屏幕缺陷进行自动检测，并对线状缺陷与点状缺陷予以区分，取得了较好的检测效果。
与前述方法相对应，本申请还提供了一种用于LCD屏幕的缺陷检测装置，图8是本申请一个实施例的用于LCD屏幕的缺陷检测装置的功能框图，如图8所述，本实施例的装置800包括：
图像获取单元810，用于获取LCD屏幕的屏幕图像；
缺陷粗定位单元820，用于对屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域；
聚类处理单元830，用于基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷；
缺陷精定位单元840，用于根据聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
在一个实施例中，缺陷精定位单元840包括裁剪模块、检测模块和计算模块；
裁剪模块，用于将每个聚类结果对应的可疑缺陷从所述屏幕图像上裁剪出 来，得到每个可疑缺陷对应的裁剪图像；
检测模块，用于对所述裁剪图像进行边缘检测，得到边缘图像；
计算模块，用于计算边缘图像上每个轮廓点与其临近的轮廓点构成的第一直线，以及根据每个轮廓点计算与第一直线垂直的第二直线，基于第一直线计算每个轮廓点对应的可疑缺陷的长度参考值，基于第二直线计算每个轮廓点对应的可疑缺陷的宽度参考值；根据每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值，计算可疑缺陷的长度与宽度。
在一个实施例中，计算模块，还用于对每个轮廓点计算由所述边缘图像上属于第一直线的两个轮廓点所确定的第一最长线段，所述第一最长线段为基于该轮廓点计算得到的可疑缺陷的长度参考值；计算由该轮廓点
Figure PCTCN2021114450-appb-000002
所述边缘图像上属于第二直线的轮廓点所确定的第二最长线段，所述第二最长线段为基于该轮廓点计算得到的可疑缺陷的宽度参考值；以及，用于计算所述边缘图像上所有有效轮廓点对应的长度参考值的均值得到可疑缺陷的长度，以及计算边缘图像上所有有效轮廓点对应的宽度参考值的均值得到可疑缺陷的宽度。
计算模块，还用于计算每个轮廓点对应的第二直线的斜率角；对全部轮廓点对应的第二直线的斜率角进行投票，筛选出斜率角与得票最多的斜率角的差值在预设角度范围内的第二直线对应的轮廓点，得到有效轮廓点。
在一个实施例中，聚类处理单元830包括平滑模块、阈值计算模块、二值化模块和聚类模块；
平滑模块，用于根据屏幕像素点与屏幕图像像素点之间的对应关系设置平滑宽度，基于所述平滑宽度对所述屏幕图像上所述可疑区域进行平滑处理，得到平滑后的图像；
阈值计算模块，用于通过最大类间方差计算平滑后的图像中每个像素点对应的全局二值化阈值，以及通过最大熵算法计算平滑后的图像中每个像素点对应的局部阈值；
二值化模块，用于根据平滑后的图像中每个像素点对应的全局二值化阈值、局部阈值将图像二值化，得到二值图像；
聚类模块，用于在二值图像上对该可疑区域中的每个像素点进行聚类处理。
在一个实施例中，聚类处理单元830，还用于对可疑区域内符合聚类条件的任一像素点进行聚类处理，并判断该可疑区域内是否还有未被聚类处理且符合聚类条件的其他像素点；如果有其他像素点，对其他像素点进行聚类处理，直 至所有符合聚类条件的像素点都被聚类处理；如果没有其他像素点，结束对该可疑区域中的像素点的聚类处理。
聚类处理单元830，具体是设置二值图像中表示缺陷的像素点灰度值为第一灰度值，设置二值图像中表示背景的像素点灰度值为第二灰度值，第二灰度值的像素点为不符合聚类条件的像素点，对可疑区域内为第一灰度值的任一像素点进行聚类处理。
在一个实施例中，缺陷精定位单元840还用于判断可疑缺陷的宽度和长度是否符合屏幕检验标准，符合检验标准时，该可疑缺陷不为屏幕缺陷，不符合检验标准时，该可疑缺陷为屏幕缺陷；判断屏幕缺陷的长度是否为宽度的预定倍数，如果是宽度的预定倍数，确定该屏幕缺陷对应为线状缺陷，如果不是宽度的预定倍数，确定该屏幕缺陷对应为点状缺陷。
在一个实施例中，缺陷粗定位单元820，还用于对屏幕图像的全图进行平滑，得到第一种图像，以及对所述屏幕图像的背景进行平滑，得到第二种图像；将第一种图像与第二种图像做差，得到差分图像；对所述差分图像进行轮廓检测，将轮廓所在区域确定为可疑区域。
综上所述，本实施例通过可疑缺陷的粗定位和精细定位实现可疑缺陷的自动检测，并根据可疑缺陷的宽度和长度确定是否为屏幕缺陷，并在确定是屏幕缺陷之后，通过该缺陷的宽度和长度确定为点状缺陷还是线状缺陷，从而准确检测出LCD屏幕缺陷及缺陷类型。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法 解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的用于LCD屏幕的缺陷检测装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图9示出本申请一个实施例的用于LCD屏幕的缺陷检测系统的结构示意图，该缺陷检测系统900包括摄像头940、处理器910和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器920。存储器920可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的 电子存储器。存储器920具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码931的存储空间930。例如，用于存储计算机可读程序代码的存储空间930可以包括分别用于实现上面的方法实施例中的各种步骤的各个计算机可读程序代码931。计算机可读程序代码931可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图10所述的计算机可读存储介质。
具体的，处理器910根据计算机可执行指令执行下述的用于LCD屏幕的缺陷检测方法：
获取LCD屏幕的屏幕图像；
对所述屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域；
基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷；
根据聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
其中，处理器910根据计算机可执行指令进一步执行下述的用于LCD屏幕的缺陷检测方法：
将每个聚类结果对应的可疑缺陷从所述屏幕图像上裁剪出来，得到每个可疑缺陷对应的裁剪图像；
对所述裁剪图像进行边缘检测，得到边缘图像，并计算边缘图像上每个轮廓点与其临近的轮廓点构成的第一直线，以及根据每个轮廓点计算与第一直线垂直的第二直线；
基于第一直线计算每个轮廓点对应的可疑缺陷的长度参考值，基于第二直线计算每个轮廓点对应的可疑缺陷的宽度参考值；
根据每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值，计算可疑缺陷的长度与宽度。
其中，处理器910根据计算机可执行指令进一步执行下述的用于LCD屏幕的缺陷检测方法：
根据屏幕像素点与屏幕图像像素点之间的对应关系设置平滑宽度，基于所述平滑宽度对所述屏幕图像上所述可疑区域进行平滑处理，得到平滑后的图像；
通过最大类间方差计算平滑后的图像中每个像素点对应的全局二值化阈 值，以及通过最大熵算法计算平滑后的图像中每个像素点对应的局部阈值；
根据平滑后的图像中每个像素点对应的全局二值化阈值、局部阈值将图像二值化，得到二值图像；
在二值图像上对该可疑区域中的每个像素点进行聚类处理。
其中，处理器910根据计算机可执行指令进一步执行下述的用于LCD屏幕的缺陷检测方法：
判断可疑缺陷的宽度和长度是否符合屏幕检验标准，符合检验标准时，该可疑缺陷不为屏幕缺陷，不符合检验标准时，该可疑缺陷为屏幕缺陷；
判断屏幕缺陷的长度是否为宽度的预定倍数，如果是宽度的预定倍数，确定该屏幕缺陷对应为线状缺陷，如果不是宽度的预定倍数，确定该屏幕缺陷对应为点状缺陷。
处理器910可以实现的其他功能参见上述方法实施例的具体内容，在此不再赘述。
图10示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质1000存储有用于执行根据本申请的方法步骤的计算机可读程序代码931，可以被缺陷检测系统900的处理器910读取，当计算机可读程序代码931由缺陷检测系统900运行时，导致缺陷检测系统900执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码931可以执行上述任一实施例中示出的方法，在此不再赘述。计算机可读程序代码931可以以适当形式进行压缩。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (15)

  1. 一种用于LCD屏幕的缺陷检测方法，其中，包括：
    获取LCD屏幕的屏幕图像；
    对所述屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域；
    基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷；
    根据所述聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
  2. 如权利要求1所述的方法，其中，根据所述聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，包括：
    将每个聚类结果对应的可疑缺陷从所述屏幕图像上裁剪出来，得到每个可疑缺陷对应的裁剪图像；
    对所述裁剪图像进行边缘检测，得到边缘图像，并计算边缘图像上每个轮廓点与其临近的轮廓点构成的第一直线，以及根据每个轮廓点计算与第一直线垂直的第二直线；
    基于第一直线计算每个轮廓点对应的可疑缺陷的长度参考值，基于第二直线计算每个轮廓点对应的可疑缺陷的宽度参考值；
    根据每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值，计算可疑缺陷的长度与宽度。
  3. 如权利要求2所述的方法，其中，基于第一直线计算每个轮廓点对应的可疑缺陷的长度参考值，基于第二直线计算每个轮廓点对应的可疑缺陷的宽度参考值，包括：
    对每个轮廓点，计算由所述边缘图像上属于第一直线的两个轮廓点所确定的第一最长线段，所述第一最长线段为基于该轮廓点计算得到的可疑缺陷的长度参考值；以及，计算由该轮廓点与所述边缘图像上属于第二直线的轮廓点所确定的第二最长线段，所述第二最长线段为基于该轮廓点计算得到的可疑缺陷的宽度参考值；
    根据每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值，计算可疑缺陷的长度与宽度，包括：
    过滤掉轮廓点中的干扰点，得到有效轮廓点；
    计算所述边缘图像上所有有效轮廓点对应的长度参考值的均值得到可疑缺陷的长度，以及计算边缘图像上所有有效轮廓点对应的宽度参考值的均值得到可疑缺陷的宽度。
  4. 如权利要求3所述的方法，其中，过滤掉轮廓点中的干扰点，得到有效轮廓点，包括：
    计算每个轮廓点对应的第二直线的斜率角；
    对全部轮廓点对应的第二直线的斜率角进行投票，筛选出斜率角与得票最多的斜率角的差值在预设角度范围内的第二直线对应的轮廓点，得到有效轮廓点。
  5. 如权利要求1所述的方法，其中，基于可疑区域对该可疑区域中的每个像素点进行聚类处理，包括：
    根据屏幕像素点与屏幕图像像素点之间的对应关系设置平滑宽度，基于所述平滑宽度对所述屏幕图像上所述可疑区域进行平滑处理，得到平滑后的图像；
    通过最大类间方差计算平滑后的图像中每个像素点对应的全局二值化阈值，以及通过最大熵算法计算平滑后的图像中每个像素点对应的局部阈值；
    根据平滑后的图像中每个像素点对应的全局二值化阈值、局部阈值将图像二值化，得到二值图像；
    在二值图像上对该可疑区域中的每个像素点进行聚类处理。
  6. 如权利要求1所述的方法，其中，基于可疑区域对该可疑区域中的每个像素点进行聚类处理，包括：
    对可疑区域内符合聚类条件的任一像素点进行聚类处理，并判断该可疑区域内是否还有未被聚类处理且符合聚类条件的其他像素点；
    如果有其他像素点，对其他像素点进行聚类处理，直至所有符合聚类条件的像素点都被聚类处理；
    如果没有其他像素点，结束对该可疑区域中的像素点的聚类处理。
  7. 如权利要求6所述的方法，其中，对可疑区域内符合聚类条件的任一像素点进行聚类处理，包括：
    设置二值图像中表示缺陷的像素点灰度值为第一灰度值；
    设置二值图像中表示背景的像素点灰度值为第二灰度值，第二灰度值的像素点为不符合聚类条件的像素点；
    对可疑区域内为第一灰度值的任一像素点进行聚类处理。
  8. 如权利要求1所述的方法，其中，对所述屏幕图像中的缺陷进行粗略查 找，提取出缺陷所在的可疑区域，包括：
    对所述屏幕图像的全图进行平滑，得到第一种图像，以及对所述屏幕图像的背景进行平滑，得到第二种图像；
    将第一种图像与第二种图像做差，得到差分图像；
    对所述差分图像进行轮廓检测，将轮廓所在区域确定为可疑区域。
  9. 如权利要求1所述的方法，其中，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型，包括：
    判断可疑缺陷的宽度和长度是否符合屏幕检验标准，符合检验标准时，该可疑缺陷不为屏幕缺陷，不符合检验标准时，该可疑缺陷为屏幕缺陷；
    判断屏幕缺陷的长度是否为宽度的预定倍数，如果是宽度的预定倍数，确定该屏幕缺陷对应为线状缺陷，如果不是宽度的预定倍数，确定该屏幕缺陷对应为点状缺陷。
  10. 一种用于LCD屏幕的缺陷检测装置，其中，包括：
    图像获取单元，用于获取LCD屏幕的屏幕图像；
    缺陷粗定位单元，用于对所述屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域；
    聚类处理单元，用于基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷；
    缺陷精定位单元，用于根据所述聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
  11. 根据权利要求10所述的装置，其中，所述缺陷精定位单元包括裁剪模块、检测模块和计算模块；
    裁剪模块，用于将每个聚类结果对应的可疑缺陷从所述屏幕图像上裁剪出来，得到每个可疑缺陷对应的裁剪图像；
    检测模块，用于对所述裁剪图像进行边缘检测，得到边缘图像；
    计算模块，用于计算边缘图像上每个轮廓点与其临近的轮廓点构成的第一直线，以及根据每个轮廓点计算与第一直线垂直的第二直线，基于第一直线计算每个轮廓点对应的可疑缺陷的长度参考值，基于第二直线计算每个轮廓点对应的可疑缺陷的宽度参考值；根据每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值，计算可疑缺陷的长度与宽度。
  12. 一种用于LCD屏幕的缺陷检测系统，包括摄像头、存储器和处理器；
    摄像头，拍摄LCD屏幕并将拍摄得到的屏幕图像发送给处理器；
    存储器，存储计算机可执行指令；
    处理器，根据所述计算机可执行指令执行下述的用于LCD屏幕的缺陷检测方法：
    获取LCD屏幕的屏幕图像；
    对所述屏幕图像中的缺陷进行粗略查找，提取出缺陷所在的可疑区域；
    基于可疑区域对该可疑区域中的每个像素点进行聚类处理，得到聚类结果，每个聚类结果对应一个可疑缺陷；
    根据所述聚类结果计算该聚类结果对应的可疑缺陷的宽度和长度，基于可疑缺陷的宽度和长度确定该可疑缺陷是否为屏幕缺陷，以及所属的屏幕缺陷类型。
  13. 根据权利要求12所述的系统，其中，所述处理器根据所述计算机可执行指令进一步执行下述的用于LCD屏幕的缺陷检测方法：
    将每个聚类结果对应的可疑缺陷从所述屏幕图像上裁剪出来，得到每个可疑缺陷对应的裁剪图像；
    对所述裁剪图像进行边缘检测，得到边缘图像，并计算边缘图像上每个轮廓点与其临近的轮廓点构成的第一直线，以及根据每个轮廓点计算与第一直线垂直的第二直线；
    基于第一直线计算每个轮廓点对应的可疑缺陷的长度参考值，基于第二直线计算每个轮廓点对应的可疑缺陷的宽度参考值；
    根据每个轮廓点对应的可疑缺陷的长度参考值与宽度参考值，计算可疑缺陷的长度与宽度。
  14. 根据权利要求12所述的系统，其中，所述处理器根据所述计算机可执行指令进一步执行下述的用于LCD屏幕的缺陷检测方法：
    根据屏幕像素点与屏幕图像像素点之间的对应关系设置平滑宽度，基于所述平滑宽度对所述屏幕图像上所述可疑区域进行平滑处理，得到平滑后的图像；
    通过最大类间方差计算平滑后的图像中每个像素点对应的全局二值化阈值，以及通过最大熵算法计算平滑后的图像中每个像素点对应的局部阈值；
    根据平滑后的图像中每个像素点对应的全局二值化阈值、局部阈值将图像二值化，得到二值图像；
    在二值图像上对该可疑区域中的每个像素点进行聚类处理。
  15. 根据权利要求12所述的系统，其中，所述处理器根据所述计算机可执行指令进一步执行下述的用于LCD屏幕的缺陷检测方法：
    判断可疑缺陷的宽度和长度是否符合屏幕检验标准，符合检验标准时，该可疑缺陷不为屏幕缺陷，不符合检验标准时，该可疑缺陷为屏幕缺陷；
    判断屏幕缺陷的长度是否为宽度的预定倍数，如果是宽度的预定倍数，确定该屏幕缺陷对应为线状缺陷，如果不是宽度的预定倍数，确定该屏幕缺陷对应为点状缺陷。
PCT/CN2021/114450 2020-08-28 2021-08-25 一种用于lcd屏幕的缺陷检测方法、装置 Ceased WO2022042579A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/042,422 US12561784B2 (en) 2020-08-28 2021-08-25 Defect detection method and device for an LCD screen

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010882209.0 2020-08-28
CN202010882209.0A CN111815630B (zh) 2020-08-28 2020-08-28 一种用于lcd屏幕的缺陷检测方法、装置

Publications (1)

Publication Number Publication Date
WO2022042579A1 true WO2022042579A1 (zh) 2022-03-03

Family

ID=72860195

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/114450 Ceased WO2022042579A1 (zh) 2020-08-28 2021-08-25 一种用于lcd屏幕的缺陷检测方法、装置

Country Status (3)

Country Link
US (1) US12561784B2 (zh)
CN (1) CN111815630B (zh)
WO (1) WO2022042579A1 (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648517A (zh) * 2022-03-30 2022-06-21 上海电气集团股份有限公司 管屏焊缝的检测方法、系统、电子设备及存储介质
CN114663416A (zh) * 2022-03-31 2022-06-24 海门市重型矿山机械厂 基于计算机视觉的铜排冷隔缺陷检测方法及系统
CN114742142A (zh) * 2022-03-31 2022-07-12 深圳禾思众成科技有限公司 液晶显示屏的检测方法及液晶显示屏检测设备
CN114820594A (zh) * 2022-06-21 2022-07-29 中科慧远视觉技术(北京)有限公司 基于图像检测板材封边缺陷的方法、相关设备及存储介质
CN114897772A (zh) * 2022-03-31 2022-08-12 南通奥尔嘉橡塑有限公司 一种基于机器视觉的橡胶正硫化调控的方法
CN115439476A (zh) * 2022-11-07 2022-12-06 成都博视广达科技有限责任公司 基于图像分析的丝印缺陷检测方法及装置
CN115431101A (zh) * 2022-10-18 2022-12-06 南通钜德智能科技有限公司 一种数控机床状态检测方法及系统
CN115456956A (zh) * 2022-08-19 2022-12-09 浙江华周智能装备有限公司 一种液晶屏划痕检测方法、设备及存储介质
CN115641332A (zh) * 2022-12-01 2023-01-24 中科慧远视觉技术(北京)有限公司 产品边缘外观缺陷的检测方法及装置、介质、设备
CN115797255A (zh) * 2022-10-17 2023-03-14 宁德时代新能源科技股份有限公司 涂胶缺陷识别方法、装置、电子设备及计算机可读存储介质
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN115953373A (zh) * 2022-12-22 2023-04-11 青岛创新奇智科技集团股份有限公司 玻璃缺陷检测方法、装置、电子设备及存储介质
CN116402827A (zh) * 2023-06-09 2023-07-07 山东华禹威达机电科技有限公司 基于图像处理的采煤机用电缆夹板缺陷检测方法及装置
CN116468687A (zh) * 2023-04-13 2023-07-21 凌云光技术股份有限公司 划伤缺陷检测方法、装置及存储介质、电子设备
CN116485832A (zh) * 2023-06-25 2023-07-25 山东九思新材料科技有限责任公司 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN116503414A (zh) * 2023-06-29 2023-07-28 深圳思谋信息科技有限公司 屏幕缺陷检测方法、装置、计算机设备和存储介质
CN116596936A (zh) * 2023-07-18 2023-08-15 深圳市魔方卫星科技有限公司 基于图像数据的太阳翼帆板质量检测方法
CN116611748A (zh) * 2023-07-20 2023-08-18 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
WO2023134792A3 (zh) * 2022-12-15 2023-09-07 苏州迈创信息技术有限公司 一种led灯芯缺陷检测方法
CN116818767A (zh) * 2023-05-25 2023-09-29 友达光电（昆山）有限公司 显示面板聚集性缺陷的检测方法及检测装置
CN116912256A (zh) * 2023-09-14 2023-10-20 山东大昌纸制品有限公司 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法
CN116934746A (zh) * 2023-09-14 2023-10-24 常州微亿智造科技有限公司 划伤缺陷检测方法、系统、设备及其介质
CN116977335A (zh) * 2023-09-22 2023-10-31 山东贞元汽车车轮有限公司 一种用于机械零件表面点蚀缺陷的智能检测方法
CN117237646A (zh) * 2023-11-15 2023-12-15 深圳市润海电子有限公司 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统
CN117252868A (zh) * 2023-11-15 2023-12-19 广州煜能电气有限公司 基于机器视觉的直流屏缺陷检测方法
CN117291922A (zh) * 2023-11-27 2023-12-26 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN118135337A (zh) * 2024-05-06 2024-06-04 江苏裕荣光电科技有限公司 基于特征抽取的电缆温度异常识别方法
CN118297946A (zh) * 2024-06-05 2024-07-05 成都数之联科技股份有限公司 一种面板边缘缺陷检测方法、装置、设备及存储介质
CN118411367A (zh) * 2024-07-03 2024-07-30 浙江一鸣包装印刷有限公司 用于塑料包装的印刷图案缺陷检测方法及系统
CN119295424A (zh) * 2024-10-28 2025-01-10 广州市隆辉电子有限公司 一种基于视觉的电感缺陷检测方法及系统
CN119494839A (zh) * 2025-01-20 2025-02-21 西安捷高电子科技有限公司 一种基于图像识别的电池极片检测方法及系统

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815630B (zh) * 2020-08-28 2020-12-15 歌尔股份有限公司 一种用于lcd屏幕的缺陷检测方法、装置
CN112348773B (zh) * 2020-09-28 2022-09-23 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备
CN112598659B (zh) * 2020-12-29 2024-02-27 凌云光技术股份有限公司 一种印制品线状缺陷检测方法
CN112634264B (zh) * 2020-12-30 2024-04-26 凌云光技术股份有限公司 一种基于前景的缺陷检测方法和系统
CN113643245B (zh) * 2021-07-26 2024-08-02 深圳市鑫信腾科技股份有限公司 一种屏幕缺陷的测量方法、装置及计算机可读存储介质
CN113554633B (zh) * 2021-07-30 2024-05-10 深圳中科飞测科技股份有限公司 对缺陷的聚类方法及聚类装置、检测设备及可读存储介质
CN113744252A (zh) * 2021-09-07 2021-12-03 全芯智造技术有限公司 用于标记和检测缺陷的方法、设备、存储介质和程序产品
CN115861152A (zh) * 2021-09-24 2023-03-28 广州视源创新科技有限公司 显示屏缺陷区域的检测方法、系统、设备及介质
CN114022415B (zh) * 2021-10-15 2022-06-28 成都博视广达科技有限责任公司 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法
CN114862856B (zh) * 2022-07-07 2022-10-11 成都数之联科技股份有限公司 一种面板缺陷区域识别方法、装置、电子设备及介质
CN115249244B (zh) * 2022-08-17 2026-01-30 歌尔股份有限公司 屏幕缺陷的检测方法、装置、设备及计算机可读存储介质
CN115170567B (zh) * 2022-09-07 2022-11-25 山东创乾海洋科技有限公司 一种船舶用的防水钢板缺陷检测方法
CN115511907B (zh) * 2022-11-24 2023-03-24 深圳市晶台股份有限公司 一种用于led屏幕的划痕检测方法
CN115661160B (zh) * 2022-12-29 2023-03-10 成都数之联科技股份有限公司 一种面板缺陷检测方法及系统及装置及介质
CN117252876B (zh) * 2023-11-17 2024-02-09 江西斯迈得半导体有限公司 一种led支架缺陷检测方法及系统
CN117849068B (zh) * 2024-01-18 2024-08-27 深圳市深顺欣科技有限公司 一种显示模组检测用缺陷指示方法、装置和计算机设备
CN117689659B (zh) * 2024-02-02 2024-04-19 深圳市未尔科技有限公司 一种基于平板电子产品的生产质量监控方法
CN117764990B (zh) * 2024-02-22 2024-05-17 苏州悦昇精密机械制造有限公司 一种机箱冲压质量检测方法
CN117808801B (zh) * 2024-02-29 2024-05-17 泰安大陆医疗器械有限公司 一种钢针排针植入视觉检测方法及系统
CN117974644B (zh) * 2024-03-29 2024-06-11 山东中泰药业有限公司 一种胶囊药品质量视觉检测方法
CN117974666B (zh) * 2024-04-01 2024-06-25 陕西合阳风动工具有限责任公司 一种非圆行星齿轮的质量异常检测方法
CN118212217A (zh) * 2024-04-10 2024-06-18 常州市宏发纵横新材料科技股份有限公司 玻纤布面横条判断系统及方法
CN118096732B (zh) * 2024-04-22 2024-06-21 高视科技(苏州)股份有限公司 显示屏漏光检测方法、电子设备及存储介质
CN118196094B (zh) * 2024-05-17 2024-08-09 陕西福坤顺科技有限公司 一种三轴转台缺陷视觉检测方法
CN118279304B (zh) * 2024-05-31 2024-08-13 宝鸡瑞丰特有色金属有限公司 基于图像处理的异型金属件异常识别方法、装置及介质
CN118397011B (zh) * 2024-07-01 2024-09-27 苏州华兴源创科技股份有限公司 金手指缺陷检测方法、装置、计算机设备、存储介质
CN118470025B (zh) * 2024-07-15 2024-11-08 苏州金陵玻璃科技有限公司 基于数据分析的钢化玻璃无损检测方法及系统
CN119006416A (zh) * 2024-08-12 2024-11-22 忠信世纪电子材料(始兴)有限公司 一种半固化片表面数据的采集与处理方法及系统
CN118644490B (zh) * 2024-08-16 2024-11-08 江苏腾威纺织科技有限公司 一种布匹缺陷识别方法
CN119151870B (zh) * 2024-08-20 2025-07-11 广州市益视优科技有限公司 基于人工智能的光学成像数据分析方法及系统
CN118898606B (zh) * 2024-10-08 2024-12-13 南通致远新能源科技有限公司 基于特征抽取的木材表面缺陷识别办法
CN119359713A (zh) * 2024-12-25 2025-01-24 宝鸡市欧远新金属科技有限公司 基于图像处理的金属件表面质量检测方法
CN120279498B (zh) * 2025-06-10 2025-08-19 高科建材（咸阳）管道科技有限公司 一种管件注塑成型监测方法及系统
CN120318257A (zh) * 2025-06-12 2025-07-15 广州高远达新能源科技股份有限公司 基于图像处理的储罐体缺陷检测方法及系统
CN120510138B (zh) * 2025-07-18 2025-09-19 咸阳秦虹气体制造有限公司 一种气瓶内表面缺陷检测方法
CN120852432B (zh) * 2025-09-24 2025-12-12 丽瀑光能（常熟）有限公司 一种基于机器视觉的柔性光伏组件表面缺陷检测方法
CN120862710B (zh) * 2025-09-28 2025-12-05 明和精密模具(常熟)有限公司 用于车用压铸模具加工的高效率自动化装夹方法
CN120912619B (zh) * 2025-10-11 2025-12-23 智秦铁路设备有限公司 基于图像识别的动车轴箱缺陷检测方法、系统及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413288A (zh) * 2013-08-27 2013-11-27 南京大学 一种lcd总体检测缺陷方法
CN108280822A (zh) * 2017-12-20 2018-07-13 歌尔科技有限公司 屏幕划痕的检测方法及装置
US20190362481A1 (en) * 2018-05-24 2019-11-28 Keysight Technologies, Inc. Detecting mura defects in master panel of flat panel displays during fabrication
CN110895806A (zh) * 2019-07-25 2020-03-20 研祥智能科技股份有限公司 屏幕显示缺陷的检测方法及系统
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
CN111524101A (zh) * 2020-04-10 2020-08-11 苏州赛腾精密电子股份有限公司 一种基于机器视觉技术的电子屏幕缺陷检测方法
CN111815630A (zh) * 2020-08-28 2020-10-23 歌尔股份有限公司 一种用于lcd屏幕的缺陷检测方法、装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5917934A (en) * 1996-03-15 1999-06-29 Sony Corporation Automated visual inspection apparatus for detecting defects and for measuring defect size
US6868175B1 (en) * 1999-08-26 2005-03-15 Nanogeometry Research Pattern inspection apparatus, pattern inspection method, and recording medium
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
EP2147296A1 (en) * 2007-04-18 2010-01-27 Micronic Laser Systems Ab Method and apparatus for mura detection and metrology
US8866899B2 (en) * 2011-06-07 2014-10-21 Photon Dynamics Inc. Systems and methods for defect detection using a whole raw image
US9092842B2 (en) * 2011-08-04 2015-07-28 Sharp Laboratories Of America, Inc. System for defect detection and repair
US9805458B2 (en) * 2016-03-23 2017-10-31 Communications Test Design, Inc. Method and system for detecting defective pixels and screen imperfections of a mobile device
US11210777B2 (en) * 2016-04-28 2021-12-28 Blancco Technology Group IP Oy System and method for detection of mobile device fault conditions
CN111813630A (zh) 2020-07-14 2020-10-23 深圳市友杰智新科技有限公司 收集日志信息的方法、装置和计算机设备
US12013602B2 (en) * 2021-12-22 2024-06-18 Communications Test Design, Inc. Method of detecting defective pixels in electronic displays

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413288A (zh) * 2013-08-27 2013-11-27 南京大学 一种lcd总体检测缺陷方法
CN108280822A (zh) * 2017-12-20 2018-07-13 歌尔科技有限公司 屏幕划痕的检测方法及装置
US20190362481A1 (en) * 2018-05-24 2019-11-28 Keysight Technologies, Inc. Detecting mura defects in master panel of flat panel displays during fabrication
CN110895806A (zh) * 2019-07-25 2020-03-20 研祥智能科技股份有限公司 屏幕显示缺陷的检测方法及系统
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
CN111524101A (zh) * 2020-04-10 2020-08-11 苏州赛腾精密电子股份有限公司 一种基于机器视觉技术的电子屏幕缺陷检测方法
CN111815630A (zh) * 2020-08-28 2020-10-23 歌尔股份有限公司 一种用于lcd屏幕的缺陷检测方法、装置

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648517A (zh) * 2022-03-30 2022-06-21 上海电气集团股份有限公司 管屏焊缝的检测方法、系统、电子设备及存储介质
CN114897772B (zh) * 2022-03-31 2024-05-14 河南省开仑化工有限责任公司 一种基于机器视觉的橡胶正硫化调控的方法
CN114663416A (zh) * 2022-03-31 2022-06-24 海门市重型矿山机械厂 基于计算机视觉的铜排冷隔缺陷检测方法及系统
CN114742142A (zh) * 2022-03-31 2022-07-12 深圳禾思众成科技有限公司 液晶显示屏的检测方法及液晶显示屏检测设备
CN114897772A (zh) * 2022-03-31 2022-08-12 南通奥尔嘉橡塑有限公司 一种基于机器视觉的橡胶正硫化调控的方法
CN114820594A (zh) * 2022-06-21 2022-07-29 中科慧远视觉技术(北京)有限公司 基于图像检测板材封边缺陷的方法、相关设备及存储介质
CN115456956B (zh) * 2022-08-19 2024-05-28 浙江华周智能装备有限公司 一种液晶屏划痕检测方法、设备及存储介质
CN115456956A (zh) * 2022-08-19 2022-12-09 浙江华周智能装备有限公司 一种液晶屏划痕检测方法、设备及存储介质
CN115797255A (zh) * 2022-10-17 2023-03-14 宁德时代新能源科技股份有限公司 涂胶缺陷识别方法、装置、电子设备及计算机可读存储介质
CN115797255B (zh) * 2022-10-17 2023-10-20 宁德时代新能源科技股份有限公司 涂胶缺陷识别方法、装置、电子设备及计算机可读存储介质
CN115431101A (zh) * 2022-10-18 2022-12-06 南通钜德智能科技有限公司 一种数控机床状态检测方法及系统
CN115439476A (zh) * 2022-11-07 2022-12-06 成都博视广达科技有限责任公司 基于图像分析的丝印缺陷检测方法及装置
CN115641332A (zh) * 2022-12-01 2023-01-24 中科慧远视觉技术(北京)有限公司 产品边缘外观缺陷的检测方法及装置、介质、设备
WO2023134792A3 (zh) * 2022-12-15 2023-09-07 苏州迈创信息技术有限公司 一种led灯芯缺陷检测方法
CN115953373A (zh) * 2022-12-22 2023-04-11 青岛创新奇智科技集团股份有限公司 玻璃缺陷检测方法、装置、电子设备及存储介质
CN115953373B (zh) * 2022-12-22 2023-12-15 青岛创新奇智科技集团股份有限公司 玻璃缺陷检测方法、装置、电子设备及存储介质
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN116468687A (zh) * 2023-04-13 2023-07-21 凌云光技术股份有限公司 划伤缺陷检测方法、装置及存储介质、电子设备
CN116818767A (zh) * 2023-05-25 2023-09-29 友达光电（昆山）有限公司 显示面板聚集性缺陷的检测方法及检测装置
CN116402827A (zh) * 2023-06-09 2023-07-07 山东华禹威达机电科技有限公司 基于图像处理的采煤机用电缆夹板缺陷检测方法及装置
CN116402827B (zh) * 2023-06-09 2023-08-11 山东华禹威达机电科技有限公司 基于图像处理的采煤机用电缆夹板缺陷检测方法及装置
CN116485832B (zh) * 2023-06-25 2023-08-29 山东九思新材料科技有限责任公司 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN116485832A (zh) * 2023-06-25 2023-07-25 山东九思新材料科技有限责任公司 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN116503414A (zh) * 2023-06-29 2023-07-28 深圳思谋信息科技有限公司 屏幕缺陷检测方法、装置、计算机设备和存储介质
CN116503414B (zh) * 2023-06-29 2023-11-03 深圳思谋信息科技有限公司 屏幕缺陷检测方法、装置、计算机设备和存储介质
CN116596936B (zh) * 2023-07-18 2023-09-12 深圳市魔方卫星科技有限公司 基于图像数据的太阳翼帆板质量检测方法
CN116596936A (zh) * 2023-07-18 2023-08-15 深圳市魔方卫星科技有限公司 基于图像数据的太阳翼帆板质量检测方法
CN116611748A (zh) * 2023-07-20 2023-08-18 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116611748B (zh) * 2023-07-20 2023-10-20 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116934746A (zh) * 2023-09-14 2023-10-24 常州微亿智造科技有限公司 划伤缺陷检测方法、系统、设备及其介质
CN116934746B (zh) * 2023-09-14 2023-12-01 常州微亿智造科技有限公司 划伤缺陷检测方法、系统、设备及其介质
CN116912256B (zh) * 2023-09-14 2023-11-28 山东大昌纸制品有限公司 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法
CN116912256A (zh) * 2023-09-14 2023-10-20 山东大昌纸制品有限公司 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法
CN116977335B (zh) * 2023-09-22 2023-12-12 山东贞元汽车车轮有限公司 一种用于机械零件表面点蚀缺陷的智能检测方法
CN116977335A (zh) * 2023-09-22 2023-10-31 山东贞元汽车车轮有限公司 一种用于机械零件表面点蚀缺陷的智能检测方法
CN117252868B (zh) * 2023-11-15 2024-02-09 广州煜能电气有限公司 基于机器视觉的直流屏缺陷检测方法
CN117237646B (zh) * 2023-11-15 2024-01-30 深圳市润海电子有限公司 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统
CN117252868A (zh) * 2023-11-15 2023-12-19 广州煜能电气有限公司 基于机器视觉的直流屏缺陷检测方法
CN117237646A (zh) * 2023-11-15 2023-12-15 深圳市润海电子有限公司 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统
CN117291922B (zh) * 2023-11-27 2024-01-30 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN117291922A (zh) * 2023-11-27 2023-12-26 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN118135337A (zh) * 2024-05-06 2024-06-04 江苏裕荣光电科技有限公司 基于特征抽取的电缆温度异常识别方法
CN118135337B (zh) * 2024-05-06 2024-07-05 江苏裕荣光电科技有限公司 基于特征抽取的电缆温度异常识别方法
CN118297946A (zh) * 2024-06-05 2024-07-05 成都数之联科技股份有限公司 一种面板边缘缺陷检测方法、装置、设备及存储介质
CN118411367A (zh) * 2024-07-03 2024-07-30 浙江一鸣包装印刷有限公司 用于塑料包装的印刷图案缺陷检测方法及系统
CN119295424A (zh) * 2024-10-28 2025-01-10 广州市隆辉电子有限公司 一种基于视觉的电感缺陷检测方法及系统
CN119494839A (zh) * 2025-01-20 2025-02-21 西安捷高电子科技有限公司 一种基于图像识别的电池极片检测方法及系统

Also Published As

Publication number Publication date
US20230326006A1 (en) 2023-10-12
CN111815630B (zh) 2020-12-15
CN111815630A (zh) 2020-10-23
US12561784B2 (en) 2026-02-24

Similar Documents

Publication Publication Date Title
CN111815630B (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
US8073286B2 (en) Detection and correction of flash artifacts from airborne particulates
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和系统
CN111612781A (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN110097542A (zh) 芯片气泡的检测方法、装置及存储介质
CN111223078B (zh) 瑕疵等级判定的方法及存储介质
CN111257329A (zh) 一种智能手机摄像头缺陷检测方法以及检测系统
CN119715554B (zh) 基于机器视觉的电动三轮车车身喷涂缺陷检测方法及系统
CN113129260A (zh) 一种锂电池电芯内部缺陷的自动检测方法及装置
CN109977831A (zh) 一种基于数字图像处理的旋钮识别方法
CN111047556A (zh) 一种带钢表面缺陷检测方法及装置
CN120747061B (zh) 外观缺陷检测方法、装置及其应用
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN114972575A (zh) 一种基于轮廓边缘的直线拟合算法
CN120894328B (zh) 一种基于图像识别的晶圆边缘缺陷检测方法、系统及存储介质
CN116958058B (zh) 镜头脏污检测方法、装置及图像检测设备
CN117237747A (zh) 基于人工智能的五金件缺陷分类识别方法
CN115494659A (zh) 一种液晶面板的检测方法及系统
CN115564707A (zh) 一种基于ai图像识别的产品质量缺陷智能检测方法及系统
CN118229629A (zh) 一种大尺寸液晶屏边缘检测方法、系统、设备及介质
CN119359721B (zh) 一种微显示器件电路区缺陷检测的方法、装置及存储介质
CN119048722B (zh) 面向铝基盘片缺陷检测的照明参数确定方法、装置及设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21860414

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21860414

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 18042422

Country of ref document: US