CN104463180B - 识别导电粒子压痕的方法 - Google Patents
识别导电粒子压痕的方法 Download PDFInfo
- Publication number
- CN104463180B CN104463180B CN201410854616.5A CN201410854616A CN104463180B CN 104463180 B CN104463180 B CN 104463180B CN 201410854616 A CN201410854616 A CN 201410854616A CN 104463180 B CN104463180 B CN 104463180B
- Authority
- CN
- China
- Prior art keywords
- image
- conducting particles
- substrate
- sample collection
- detection window
- 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.)
- Active
Links
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Liquid Crystal (AREA)
Abstract
提供一种识别导电粒子压痕的方法。所述方法包括:(A)采集待检测的薄膜晶体管液晶显示屏的基板的图像;(B)提取采集的图像的预定类型的图像特征;(C)将提取的预定类型的图像特征输入预先训练好的分类器,从而确定待检测的薄膜晶体管液晶显示屏的基板是否具有导电粒子压痕,其中,利用从正样本集和负样本集提取的所述预定类型的图像特征来训练所述分类器,正样本集包括具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像,负样本集包括不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像。根据所述方法,能够提高识别导电粒子压痕的准确度。
Description
技术领域
本发明涉及薄膜晶体管液晶显示屏技术领域,更具体地讲,涉及一种识别导电粒子压痕的方法。
背景技术
目前,薄膜晶体管液晶显示屏(TFT-LCD)由于其众多优点已广泛应用于移动通信终端、个人计算机、平板电脑、游戏机、数字多媒体播放器等电子设备。在TFT-LCD Module的制作过程中,在用异方性导电胶膜接合(ACF bonding)后,现有的对导电粒子压痕的识别主要通过对TFT-LCD的基板的图像的灰度检测或简单的梯度检测来实现,这种识别方式的识别效果容易受到光照、焦距等因素的影响,极易出现无法检测或误检漏检的情况。并且,处理大量的由于无法检测或误检漏检而导致的误报警情况需要增加不必要的人力劳动,影响了TFT-LCD的产能提升。
发明内容
本发明的示例性实施例在于提供一种识别导电粒子压痕的方法,以克服现有技术中识别准确度不理想的问题。
本发明提供一种识别导电粒子压痕的方法,包括:(A)采集待检测的薄膜晶体管液晶显示屏的基板的图像;(B)提取采集的图像的预定类型的图像特征;(C)将提取的预定类型的图像特征输入预先训练好的分类器,从而确定待检测的薄膜晶体管液晶显示屏的基板是否具有导电粒子压痕,其中,利用从正样本集和负样本集提取的所述预定类型的图像特征来训练所述分类器,正样本集包括具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像,负样本集包括不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像。
可选地,步骤(B)包括:(B1)在采集的图像上确定至少一个检测窗口;(B2)提取各检测窗口内的图像的预定类型的图像特征,其中,步骤(C)包括:将提取的各检测窗口内的图像的预定类型的图像特征分别输入预先训练好的分类器,从而确定各检测窗口是否具有导电粒子压痕。
可选地,步骤(B2)包括:(B21)对各检测窗口内的图像进行颜色空间归一化处理;(B22)使用预定微分模板计算各检测窗口内的图像的像素的梯度的大小和方向;(B23)分别将各检测窗口内的图像划分为多个细胞单元,按照预定梯度方向区间基于同一细胞单元内的像素的梯度的大小和方向计算所述同一细胞单元的方向梯度直方图特征;(B24)针对每个检测窗口,将一定数量的细胞单元组成一个块,并对同一块内的细胞单元的方向梯度直方图特征进行归一化处理,以获得所述同一块的方向梯度直方图特征;(B25)将同一检测窗口内的块的方向梯度直方图特征组合成所述同一检测窗口的方向梯度直方图特征。
可选地,预定微分模板和预定梯度方向区间通过下述方式确定:使用多个不同的微分模板和梯度方向区间的组合从正样本集和负样本集提取方向梯度直方图特征来训练多个不同的分类器;分别使用所述多个不同的分类器对测试样本集进行分类,其中,测试样本集包括具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像和不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像;确定所述多个不同的分类器中对测试样本集分类准确率最高的分类器;将用于训练确定的分类器的微分模板和梯度方向区间作为预定微分模板和预定梯度方向区间。
可选地,所述微分模板包括:一阶非对称模板、一阶对称模板、立方校正模板、3×3索贝尔掩膜模板和2×2对角掩膜模板。
可选地,所述梯度方向区间包括0度至180度、0度至360度。
可选地,相邻的块之间有重叠的细胞单元。
可选地,采用学习矢量量化神经网络利用从正样本集和负样本集提取的所述预定类型的图像特征来训练所述分类器。
可选地,所述方法还包括:当具有导电粒子压痕的检测窗口的数量大于预定数量时,确定待检测的薄膜晶体管液晶显示屏的基板为正常的薄膜晶体管液晶显示屏的基板。
根据本发明示例性实施例的识别导电粒子压痕的方法,能够提高识别导电粒子压痕的准确度,进而提高识别薄膜晶体管液晶显示屏的基板是否是正常的基板的准确度,从而可消除误报警情况,降低人力成本,提高产能。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
图1示出根据本发明示例性实施例的识别导电粒子压痕的方法的流程图;
图2示出采集的薄膜晶体管液晶显示屏的基板的图像的示例;
图3示出正样本集的示例;
图4示出负样本集的示例;
图5示出根据本发明示例性实施例的提取各检测窗口内的图像的预定类型的图像特征的方法的流程图;
图6示出根据本发明示例性实施例的确定预定微分模板和预定梯度方向区间的方法的流程图。
具体实施方式
现将详细参照本发明的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1示出根据本发明示例性实施例的识别导电粒子压痕的方法的流程图。
如图1所示,在步骤S10,采集待检测的薄膜晶体管液晶显示屏的基板的图像。
可使用各种适合的图像采集设备来采集薄膜晶体管液晶显示屏的基板的图像。例如,可结合工业相机与微分干涉相差显微镜来采集待检测的薄膜晶体管液晶显示屏的基板的图像。图2示出采集的薄膜晶体管液晶显示屏的基板的图像的示例。
在步骤S20,提取采集的图像的预定类型的图像特征。
预定类型的图像特征是能够用于区分具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像和不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像的图像特征。应该理解,可通过各种适合的方法来提取采集的图像的预定类型的图像特征。
在步骤S30,将提取的预定类型的图像特征输入预先训练好的分类器,从而确定待检测的薄膜晶体管液晶显示屏的基板是否具有导电粒子压痕。这里,利用从正样本集和负样本集提取的所述预定类型的图像特征来训练所述分类器,正样本集包括具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像,负样本集包括不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像。
作为示例,在步骤S20,可首先在采集的图像上确定至少一个检测窗口,然后提取各检测窗口内的图像的预定类型的图像特征。在步骤S30,将提取的各检测窗口内的图像的预定类型的图像特征分别输入预先训练好的分类器,从而确定各检测窗口是否具有导电粒子压痕。
这里,可根据检测需要预先设置适合的检测窗口的位置和大小。例如,可将检测窗口设置在金属线的位置,检测窗口的大小可设置为16×16像素。
优选地,可通过图5示出的方法来提取各检测窗口内的图像的预定类型的图像特征。
应该理解,当具有导电粒子压痕的检测窗口的数量大于预定数量时,确定待检测的薄膜晶体管液晶显示屏的基板为正常的薄膜晶体管液晶显示屏的基板。
具体说来,如果有大于预定数量的检测窗口具有导电粒子压痕,则认为待检测的薄膜晶体管液晶显示屏的基板上的导电粒子压痕符合要求,该基板为正常的薄膜晶体管液晶显示屏的基板。反之,则认为待检测的薄膜晶体管液晶显示屏的基板上的导电粒子压痕不符合要求,该基板为不正常的薄膜晶体管液晶显示屏的基板。
图3示出正样本集的示例。如图3所示,图3中的各图像均为具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像。
图4示出负样本集的示例。如图4所示,图4中的各图像均为不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像。
可采用各种适合的方法利用从正样本集和负样本集提取的所述预定类型的图像特征来训练所述分类器。例如,可采用学习矢量量化神经网络、径向基核函数神经网络、支持向量机等。
图5示出根据本发明示例性实施例的提取各检测窗口内的图像的预定类型的图像特征的方法的流程图。可在执行步骤S20时执行。
如图5所示,在步骤S201,对各检测窗口内的图像进行颜色空间归一化处理。以调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰。例如,可使用伽马校正法对各检测窗口内的图像进行颜色空间归一化处理。
在步骤S202,使用预定微分模板计算各检测窗口内的图像的像素的梯度的大小和方向。以捕获轮廓信息,同时进一步弱化光照的干扰。
预定微分模板可以是一阶非对称模板、一阶对称模板、立方校正模板、3×3索贝尔掩膜模板和2×2对角掩膜模板等。相应地,一阶非对称模板的模板矩阵为[-1,1],一阶对称模板的模板矩阵为[-1,0,1],立方校正模板的模板矩阵为[1,-8,0,8,-1],3×3索贝尔掩膜模板的模板矩阵为2×2对角掩膜模板的模板矩阵为
在步骤S203,分别将各检测窗口内的图像划分为多个细胞单元,按照预定梯度方向区间基于同一细胞单元内的像素的梯度的大小和方向计算所述同一细胞单元的方向梯度直方图特征。
可按照0度至180度或0度至360度的梯度方向区间基于各细胞单元内的像素的梯度的大小和方向计算各细胞单元的方向梯度直方图特征。
由于使用不同的预定微分模板和梯度方向区间对识别准确度有很大的影响,因此,优选地,可根据图6所示的方式来确定预定微分模板和预定梯度方向区间,以进一步提高本发明的识别准确度。
在步骤S204,针对每个检测窗口,将一定数量的细胞单元组成一个块,并对同一块内的细胞单元的方向梯度直方图特征进行归一化处理,以获得所述同一块的方向梯度直方图特征。
例如,每8×8个像素划分为一个细胞单元,每4×4个细胞单元组成一个块。并且,相邻的块之间可有重叠的细胞单元。
在步骤S205,将同一检测窗口内的块的方向梯度直方图特征组合成所述同一检测窗口的方向梯度直方图特征。
图6示出根据本发明示例性实施例的确定预定微分模板和预定梯度方向区间的方法的流程图。
如图6所示,在步骤S301,使用多个不同的微分模板和梯度方向区间的组合从正样本集和负样本集提取方向梯度直方图特征来训练多个不同的分类器。
具体说来,训练多个不同的分类器,各分类器分别对应不同的微分模板和梯度方向区间的组合。即,用来训练各分类器的正样本集和负样本集的方向梯度直方图特征在提取时,分别使用了不同的预定微分模板来计算各检测窗口内的图像的像素的梯度的大小和方向,并按照不同的梯度方向区间基于各细胞单元内的像素的梯度的大小和方向来计算各细胞单元的方向梯度直方图特征。
在步骤S302,分别使用所述多个不同的分类器对测试样本集进行分类,其中,测试样本集包括具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像和不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像。
在步骤S303,确定所述多个不同的分类器中对测试样本集分类准确率最高的分类器。
在步骤S304,将用于训练确定的分类器的微分模板和梯度方向区间作为预定微分模板和预定梯度方向区间。
从而,确定出最适合用于识别导电粒子压痕的微分模板和梯度方向区间组合。
此外,预定类型的图像特征还可以是图像的纹理特征、显著性特征等,对此不做限制。
此外,根据本发明的示例性实施例的上述方法可以被实现为计算机程序,也可由专门的设备来执行。
根据本发明示例性实施例的识别导电粒子压痕的方法,能够提高识别导电粒子压痕的准确度,进而提高识别薄膜晶体管液晶显示屏的基板是否是正常的基板的准确度,从而可消除误报警情况,降低人力成本,提高产能。
虽然已表示和描述了本发明的一些示例性实施例,但本领域技术人员应该理解,在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下,可以对这些实施例进行修改。
Claims (6)
1.一种识别导电粒子压痕的方法,其特征在于,包括:
(A)采集待检测的薄膜晶体管液晶显示屏的基板的图像;
(B)提取采集的图像的预定类型的图像特征;
(C)将提取的预定类型的图像特征输入预先训练好的分类器,从而确定待检测的薄膜晶体管液晶显示屏的基板是否具有导电粒子压痕,
其中,利用从正样本集和负样本集提取的所述预定类型的图像特征来训练所述分类器,正样本集包括具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像,负样本集包括不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像;
步骤(B)包括:
(B1)在采集的图像上确定至少一个检测窗口;
(B2)提取各检测窗口内的图像的预定类型的图像特征,
其中,步骤(C)包括:
将提取的各检测窗口内的图像的预定类型的图像特征分别输入预先训练好的分类器,从而确定各检测窗口是否具有导电粒子压痕;
步骤(B2)包括:
(B21)对各检测窗口内的图像进行颜色空间归一化处理;
(B22)使用预定微分模板计算各检测窗口内的图像的像素的梯度的大小和方向;
(B23)分别将各检测窗口内的图像划分为多个细胞单元,按照预定梯度方向区间基于同一细胞单元内的像素的梯度的大小和方向计算所述同一细胞单元的方向梯度直方图特征;
(B24)针对每个检测窗口,将一定数量的细胞单元组成一个块,并对同一块内的细胞单元的方向梯度直方图特征进行归一化处理,以获得所述同一块的方向梯度直方图特征;
(B25)将同一检测窗口内的块的方向梯度直方图特征组合成所述同一检测窗口的方向梯度直方图特征;
预定微分模板和预定梯度方向区间通过下述方式确定:
使用多个不同的微分模板和梯度方向区间的组合从正样本集和负样本集提取方向梯度直方图特征来训练多个不同的分类器;
分别使用所述多个不同的分类器对测试样本集进行分类,其中,测试样本集包括具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像和不具有导电粒子压痕的薄膜晶体管液晶显示屏的基板的图像;
确定所述多个不同的分类器中对测试样本集分类准确率最高的分类器;
将用于训练确定的分类器的微分模板和梯度方向区间作为预定微分模板和预定梯度方向区间。
2.如权利要求1所述的方法,其特征在于,所述微分模板包括:一阶非对称模板、一阶对称模板、立方校正模板、3×3索贝尔掩膜模板和2×2对角掩膜模板。
3.如权利要求1所述的方法,其特征在于,所述梯度方向区间包括0度至180度、0度至360度。
4.如权利要求1所述的方法,其特征在于,相邻的块之间有重叠的细胞单元。
5.如权利要求1所述的方法,其特征在于,采用学习矢量量化神经网络利用从正样本集和负样本集提取的所述预定类型的图像特征来训练所述分类器。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
当具有导电粒子压痕的检测窗口的数量大于预定数量时,确定待检测的薄膜晶体管液晶显示屏的基板为正常的薄膜晶体管液晶显示屏的基板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854616.5A CN104463180B (zh) | 2014-12-31 | 2014-12-31 | 识别导电粒子压痕的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854616.5A CN104463180B (zh) | 2014-12-31 | 2014-12-31 | 识别导电粒子压痕的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463180A CN104463180A (zh) | 2015-03-25 |
CN104463180B true CN104463180B (zh) | 2018-01-12 |
Family
ID=52909194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410854616.5A Active CN104463180B (zh) | 2014-12-31 | 2014-12-31 | 识别导电粒子压痕的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463180B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816653B (zh) * | 2019-01-28 | 2021-06-18 | 宁波舜宇仪器有限公司 | 一种用于导电粒子检测的方法 |
CN110717378A (zh) * | 2019-08-26 | 2020-01-21 | 苏州感知线智能科技有限公司 | 基于神经网络算法的导电粒子的检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6449381B1 (en) * | 1997-08-18 | 2002-09-10 | Vladislav Yanovsky | Key imaging system and method |
CN101632990A (zh) * | 2008-07-21 | 2010-01-27 | 均豪精密工业股份有限公司 | 导电粒子压痕分级方法 |
CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
CN103345631A (zh) * | 2013-06-04 | 2013-10-09 | 北京大学深圳研究生院 | 图像特征提取、训练、检测方法及模块、装置、*** |
CN103455562A (zh) * | 2013-08-13 | 2013-12-18 | 西安建筑科技大学 | 一种文本倾向性分析方法及基于该方法的商品评论倾向判别器 |
-
2014
- 2014-12-31 CN CN201410854616.5A patent/CN104463180B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6449381B1 (en) * | 1997-08-18 | 2002-09-10 | Vladislav Yanovsky | Key imaging system and method |
CN101632990A (zh) * | 2008-07-21 | 2010-01-27 | 均豪精密工业股份有限公司 | 导电粒子压痕分级方法 |
CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
CN103345631A (zh) * | 2013-06-04 | 2013-10-09 | 北京大学深圳研究生院 | 图像特征提取、训练、检测方法及模块、装置、*** |
CN103455562A (zh) * | 2013-08-13 | 2013-12-18 | 西安建筑科技大学 | 一种文本倾向性分析方法及基于该方法的商品评论倾向判别器 |
Also Published As
Publication number | Publication date |
---|---|
CN104463180A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105453153B (zh) | 交通灯检测 | |
CN106650740B (zh) | 一种车牌识别方法及终端 | |
CN107392890B (zh) | 一种fpc铜线表面氧化缺陷检测方法及其检测*** | |
CN109946303A (zh) | 检查装置和方法 | |
CN104867144B (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN105486687A (zh) | 触摸面板检查装置和方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN104749801B (zh) | 高精度自动光学检测方法和*** | |
CN104021565A (zh) | 一种基于直线检测的pcb层数及导线厚度测量方法 | |
KR20170127269A (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
KR20210071806A (ko) | 컨포멀 코팅된 pcb에서 기포를 검출하는 방법 및 장치와 이를 위한 컴퓨터로 판독 가능한 기록매체 | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN105070094B (zh) | 一种基于机器视觉的车位检测***及车位检测方法 | |
CN104463180B (zh) | 识别导电粒子压痕的方法 | |
KR20140075042A (ko) | 표시패널 검사 장치 및 그 방법 | |
JP2008020369A (ja) | 画像解析方法、画像解析装置、検査装置、画像解析プログラムおよびコンピュータ読み取り可能な記録媒体 | |
KR102107362B1 (ko) | 기판의 결함 검사 방법 | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
US10062155B2 (en) | Apparatus and method for detecting defect of image having periodic pattern | |
CN103927312A (zh) | 一种cis 图像传感器的失效信息自动分类方法及*** | |
CN108303640B (zh) | 一种线路检测的方法和装置 | |
CN114022415B (zh) | 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 | |
JP5983033B2 (ja) | 位置関係判定プログラム、位置関係判定方法および位置関係判定装置 | |
JP5239275B2 (ja) | 欠陥検出方法および欠陥検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |