CN107845087B - 液晶面板亮度不均匀缺陷的检测方法和*** - Google Patents
液晶面板亮度不均匀缺陷的检测方法和*** Download PDFInfo
- Publication number
- CN107845087B CN107845087B CN201710933038.8A CN201710933038A CN107845087B CN 107845087 B CN107845087 B CN 107845087B CN 201710933038 A CN201710933038 A CN 201710933038A CN 107845087 B CN107845087 B CN 107845087B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- brightness
- liquid crystal
- value
- 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
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
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
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)
- Quality & Reliability (AREA)
- Liquid Crystal (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种液晶面板亮度不均匀缺陷的检测方法和缺陷检测***包括:采集液晶面板各区域图像,对所述图像进行几何校正及滤波处理;记录每一行像素坐标值及灰阶值,依据灰阶值认定背景区域和亮度不均匀缺陷像素点;获取亮度不均匀缺陷结果;获取背景区域图像和亮度不均匀缺陷结果;对获取的亮度不均匀缺陷结果进行与运算,得到新的亮度不均匀缺陷结果;采用SEMU算法对不均匀缺陷等级进行量化,得到第一量化值;采用结构相似性算法对相似度进行量化,得到第二量化值;计算后划分液晶面板的缺陷等级。本发明便于生产线快速、稳定地检测液晶面板亮度不均匀缺陷和对液晶面板进行分级,控制成本,提高利润率。
Description
技术领域
本发明涉及缺陷检测技术领域,特别是涉及液晶面板亮度不均匀缺陷检测方法和液晶面板亮度不均匀缺陷检测***。
背景技术
液晶面板上的亮度不均匀缺陷就是一种典型的低对比度目标。在视觉上,亮度不均匀缺陷一般表现为可被人眼感知的、没有固定形状、边缘模糊的低对比度区域。而伴随着微电子技术的迅速发展,液晶显示器正向着大画面、低功耗、轻薄化、高分辨率的方向发展。这样的趋势在带来高视觉效果和便携性等诸多优点的同时也会使得产生显示缺陷的几率大大增加。当前国内液晶制造业对液晶面板亮度不均匀缺陷的检测大多数都还未脱离人工检测阶段,由经过培训的工人直接观察确定液晶面板是否存在亮度不均匀缺陷。但由于人工检测成本较高,检测时间较长,因此只能进行抽样检查,且人工评判标准不一,主观性较强,长时间工作易造成人眼疲劳,这些缺点均成为限制产线生产效率及检测精度提高的重要问题。同时人工检测的准确率不可控,可靠性相对较低。人工检测不能快速、稳定地检测液晶面板的亮度不均匀缺陷和对液晶面板进行分级。
发明内容
本发明主要解决的技术问题是提供一种液晶面板亮度不均匀缺陷的检测方法和***,能够快速、稳定地检测液晶面板的亮度不均匀缺陷和对液晶面板进行分级。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种液晶面板亮度不均匀缺陷的检测方法,检测方法包括:采集液晶面板各区域图像,对图像进行几何校正及滤波处理;记录每一行像素坐标值及灰阶值,依据灰阶值认定背景区域和亮度不均匀缺陷像素点;采用阈值分割法获取亮度不均匀缺陷结果;采用独立成分分析算法获取背景区域图像和亮度不均匀缺陷结果;对阈值分割法和独立成分分析算法获取的亮度不均匀缺陷结果进行与运算,得到新的亮度不均匀缺陷结果;采用SEMU算法对所述液晶面板的亮度不均匀缺陷等级进行量化,得到第一量化值,采用结构相似性算法对液晶面板图像质量的相似度进行量化,得到第二量化值,使用第一量化值和第二量化值进行计算,根据计算结果划分液晶面板的缺陷等级。
其中,对图像进行几何校正及滤波处理的步骤具体包括:对图像进行二值化处理,采用边缘检测算法分辨图像和无关区域;根据图像的三条边或三个角将图像校正为垂直于水平面且与无关区域平行,建立三维坐标系,将像素的灰阶值设为Z轴;采用移动均值滤波器对校正后的图像进行滤波处理。
其中,记录每一行像素坐标值及灰阶值,依据灰阶值认定背景区域和亮度不均匀缺陷像素点的步骤具体包括:计算每一行像素灰阶值平均值μ及方差σ2,设定g为像素点的灰阶值,则将满足μ-σ<g<μ+σ的像素点所在区域认定为背景区域;设定权重值为ω,ω=(μ+gmin)/2,认定灰阶值为g>μ+σ或g<ω的像素点为亮度不均匀缺陷像素点。
其中,采用阈值分割法获取亮度不均匀缺陷结果的步骤具体包括:连接亮度不均匀缺陷像素点,运用形态学侵蚀膨胀操作对亮度不均匀缺陷像素点进行缺陷分割,获取亮度不均匀缺陷结果;其中,对亮度不均匀缺陷像素点进行缺陷分割,获取亮度不均匀缺陷结果的步骤具体包括:对连接所述亮度不均匀缺陷像素点形成的缺陷分割区域包含的像素点数量进行统计;当所述像素点数量小于预设的阈值时,确定所述缺陷分割区域是由形态学侵蚀膨胀操作形成的噪声点,将所述区域认定为背景区域;当所述像素点数量大于预设的阈值时,确定所述缺陷分割区域为亮度不均匀缺陷区域。
其中,采用独立成分分析算法获取亮度不均匀缺陷结果的步骤具体包括:取N个无缺陷的样本作为训练样本,将每一个样本重新排列成行向量,并组成训练样本矩阵I;对训练样本进行去均值、白化/球化处理;构建训练样本基础图像,设定基础图像Y=WZ,使用独立成分分析算法求解混矩阵W;将大小为m×n的测试样本d投影到图像基Y上,得到投影系数b,b=d*pinv(Y)其中pinv(Y)表示Y的伪逆矩阵;使用投影系数b重构图像背景background=b·Y,将background还原成m×n的矩阵,该矩阵即为重建出的背景图像灰度值矩阵;用原始图像灰度值矩阵减去重建出的背景图像灰度值矩阵得到差分图像矩阵;对所述差分图像矩阵进行阈值分割提取出亮度不均匀缺陷像素点。
其中,采用SEMU算法对所述液晶面板的亮度不均匀缺陷进行量化,得到第一量化值的步骤具体包括:亮度不均匀缺陷第一量化值SEMU定义如下:其中,|C|为亮度不均匀缺陷区域与图像背景区域平均对比度,Sx表示亮度不均匀缺陷区域的面积,|C|=|Cb-Ca|/Ca,Ca、Cb分别为亮度不均匀缺陷区域和图像背景区域的平均灰度值,NP表示亮度不均匀缺陷区域的像素个数,N总表示图像的像素总数,S表示液晶面板的实际有效面积。
其中,采用结构相似性算法对液晶面板图像质量的相似度进行量化,得到第二量化值的步骤具体包括:分别从亮度,对比度,结构三方面度量图像的相似度;
其中,μx、μy表示图像X、Y的平均灰度值,σx、σy表示图像Y的标准差,σxy表示图像X和Y的协方差;将独立成分分析算法提取出的背景区域图像与图像输入结构相似性指数函数进行比较,结构相似性指数函数为:SSIM(X,Y)=L(X,Y)*C(X,Y)*S(X,Y),其中,
其中,使用所述第一量化值和第二量化值进行计算,根据计算结果划分液晶面板的缺陷等级的步骤具体包括:使用以下公式计算其中,α、β分别为SEMU算法和结构相似性算法的补偿系数,α、β满足α+β=1;根据检测结果S区分液晶面板的缺陷等级。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种液晶面板亮度不均匀缺陷检测***,***能够实现如上述所述的方法。
本发明的有益效果是:区别于现有技术的情况,本发明通过采用多阈值分割获取亮度不均匀缺陷结果,使用独立成分分析算法提取图像背景并获取亮度不均匀缺陷结果,将图像背景用于结构相似性计算,对阈值分割和独立成分分析算法获取的亮度不均匀缺陷结果进行与运算使侦测更加精确。SEMU算法和结构相似性算法联合评价液晶面板亮度不均匀缺陷,弥补了人眼主观感受评价缺陷,本发明便于生产线快速、稳定地检测液晶面板亮度不均匀缺陷和对液晶面板进行分级,控制成本,提高利润率。
附图说明
图1是本发明液晶面板亮度不均匀缺陷的检测方法一实施方式的流程示意图;
图2是本发明独立成分分析算法获取背景区域图像和亮度不均匀缺陷结果一实施方式流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本发明保护的范围。
请参阅图1,图1是本发明液晶面板亮度不均匀缺陷的检测方法一实施方式的流程示意图,本实施例的液晶面板亮度不均匀缺陷的检测方法包括如下步骤:
S101:采集液晶面板各区域图像,对所述图像进行几何校正及滤波处理。
使用线扫描相机采集液晶面板工作状态时各区域的显示图像,线扫描相机光圈的的中轴线垂直于液晶面板屏幕。对所述图像进行几何校正及滤波处理的步骤具体包括:
将图像二值化处理,设定显示图像灰阶值为255,背景区域灰阶值为0,对二值化处理后的图像采用边缘检测算法,如Sobel、Prewitt、Canny算法等区分显示图像与背景;
图像校正,利用Hough变换检测显示图像边缘直线,通过显示图像的三条边将显示图像校正为水平方向,然后用Harris算法提取出显示图像的三个角,通过这三个角分割显示图像与背景,以X、Y分别为显示图像上像素的坐标,Z为像素的灰阶值。
S102:记录每一行像素坐标值及灰阶值,依据灰阶值认定背景区域和亮度不均匀缺陷像素点。
记录滤波后的图像上每一行像素的坐标值和灰阶值,计算每一行像素的灰阶值平均值μ以及σ2,设g为像素点的灰阶值,则将满足μ-σ<g<μ+σ的像素点所在区域认定为背景区域,设定权重值为ω,ω=(μ+gmin)/2,认定灰阶值为g>μ+σ或g<ω的像素点为亮度不均匀缺陷像素点。
S103:采用阈值分割法获取亮度不均匀缺陷结果。
连接相邻的灰阶值为g>μ+σ或g<ω的亮度不均匀缺陷像素点,使这些亮度不均匀缺陷像素点形成缺陷分割区域,运用形态学侵蚀膨胀操作对缺陷分割区域中的亮度不均匀缺陷像素点进行缺陷分割,获取获取亮度不均匀缺陷结果。其中,获取亮度不均匀缺陷结果的步骤为:对形成的缺陷分割区域进行形态学侵蚀膨胀操作,统计该区域的像素点数量并判断统计的像素点数量是否大于预设的阈值。
当像素点的数量小于预设的阈值时,确定该区域为形态学侵蚀膨胀操作形成的噪声点,将该区域认定为背景区域。
当像素点的数量大于预设的阈值时,确定该区域为亮度不均匀缺陷区域。
其中,预设的像素点数量阈值,可根据实际情况和要求进行设定,例如30、40、50等。
S104:采用独立成分分析算法获取背景区域图像和亮度不均匀缺陷结果。
请参阅图2,图2是本发明独立成分分析算法获取背景区域图像和亮度不均匀缺陷结果一实施方式流程示意图。本实施方式的独立成分分析算法获取背景区域图像和亮度不均匀缺陷结果包括如下步骤:
S201:取N个无缺陷的样本作为训练样本,将每一个样本重新排列成行向量,并组成训练样本矩阵I。
选择大规模、多类型的均匀无缺陷图像集作为训练样本,相机采集到的图像尺寸一般都比较大,不利于训练学习,需要分割成m×n的子块图像。样本越多提取的图像基越具有普适性,背景重建效果越好,但也同时会耗费更多的重建时间。
将N幅m×n的无缺陷图像转换成1×(m×n)的行向量X,组成样本矩阵I=X[X1,X2,…XN]T,其中行向量Xi对应于第i幅训练图像,构建的样本矩阵I如下所示:
S202:对训练样本进行去均值、白化/球化处理。
为消除数据之间的相关性,提高算法的收敛性,对数据白化/球化处理,白化/球化数据的公式为:
S203:构建训练样本基础图像,设定基础图像Y=WZ,使用独立成分分析算法求解混矩阵W。
独立成分分析算法是一种基于高阶统计信息的去相关多元数据处理方法,能把一组混合信号分解为独立的成分。在独立成分分析算法模型中,混合信号X=[X1,X2,…XN]T可以表示成公式:
Y=WX=WS,A=inv(W),其中,Y=[y1,y2,…yn]T。
如果将X看成训练图像集,则Y可看成是独立的图像基。求解混矩阵W,从而分离出独立的图像基Y。
S204:将大小为m×n的测试样本d投影到图像基Y上,得到投影系数b,b=d*pinv(Y),其中pinv(Y)表示Y的伪逆矩阵。
将测试图像分割成m×n的子块图像,提取子块图像的灰度值,并转换成1×(m×n)的行向量d,将行向量d投影到分离出独立的图像基Y上,得到投影系数b,b=d*pinv(Y),其中pinv(Y)表示Y的伪逆矩阵。
S205:使用投影系数b重构图像背景background=b·Y,将background还原成m×n的矩阵,该矩阵即为重建出的背景图像灰度值矩阵。
S206:用原始图像灰度值矩阵减去重建出的背景图像灰度值矩阵得到差分图像矩阵。
用获得的原始图像上的每个像素灰度值形成的灰度值矩阵减去重建出的背景图像灰度值矩阵,得到差分图像矩阵。
S207:对所述差分图像矩阵进行阈值分割提取出亮度不均匀缺陷像素点。
对得到的差分图像矩阵中的每个像素点的灰度值取绝对值。计算差分图像中每一行像素的灰阶值平均值μ以及σ2,设g为像素点的灰阶值,则将满足μ-σ<g<μ+σ的像素点所在区域认定为背景区域,设定权重值为ω,ω=(μ+gmin)/2,认定灰阶值为g>μ+σ或g<ω的像素点为亮度不均匀缺陷像素点。
连接相邻的灰阶值为g>μ+σ或g<ω的亮度不均匀缺陷像素点,使这些亮度不均匀缺陷像素点形成缺陷分割区域,运用形态学侵蚀膨胀操作对缺陷分割区域中的亮度不均匀缺陷像素点进行缺陷分割,获取获取亮度不均匀缺陷结果。其中,获取亮度不均匀缺陷结果的步骤为:对形成的缺陷分割区域进行形态学侵蚀膨胀操作,统计该区域的像素点数量并判断统计的像素点数量是否大于预设的阈值。
当像素点的数量小于预设的阈值时,确定该区域为形态学侵蚀膨胀操作形成的噪声点,将该区域认定为背景区域。
当像素点的数量大于预设的阈值时,确定该区域为亮度不均匀缺陷区域。
其中,为便于区分,将获得的亮度不均匀缺陷区域的亮度不均匀缺陷像素点灰度值设为255,将背景区域的像素点灰度值设为0。可选的,可将亮度不均匀缺陷像素点和背景区域的像素点灰度值设为其他可以区分的灰度值。
其中,预设的像素点数量阈值,可根据实际情况和要求进行设定,例如30、40、50等。
S105:对阈值分割法和独立成分分析算法获取的亮度不均匀缺陷结果进行与运算,得到新的亮度不均匀缺陷结果。
S106:采用SEMU算法对所述液晶面板的亮度不均匀缺陷等级进行量化,得到第一量化值。
采用经典的SEMU算法对获得的新亮度不均匀缺陷结果量化处理,得到第一量化值,亮度不均匀缺陷第一量化值SEMU定义如下:
其中,|C|为亮度不均匀缺陷区域与图像背景区域平均对比度,Sx表示亮度不均匀缺陷区域的面积,|C|=|Cb-Ca|/Ca,Ca、Cb分别为亮度不均匀缺陷区域和图像背景区域的平均灰度值,NP表示亮度不均匀缺陷区域的像素个数,N总表示图像的像素总数,S表示液晶面板的实际有效面积。
S107:采用结构相似性算法对液晶面板图像质量的相似度进行量化,得到第二量化值。
结构相似性,也是一种全参考的图像质量评价指标,它分别从亮度、对比度、结构三方面度量图像相似性。
将独立成分分析算法提取出的背景区域图像与测试图像输入结构相似性指数函数进行比较,结构相似性指数函数为:
S108:使用所述第一量化值和第二量化值进行计算,根据计算结果划分液晶面板的缺陷等级。
对SEMU算法和结构相似性算法分别取得的第一量化值、第二量化值加入修正式,得到液晶面板亮度不均匀缺陷结果,该修正式为:其中,α、β分别为SEMU算法和结构相似性算法的补偿系数,α、β满足α+β=1。根据计算得出的结果划分液晶面板的等级。
本发明通过采用多阈值分割获取亮度不均匀缺陷结果,使用独立成分分析算法提取图像背景并获取亮度不均匀缺陷结果,将图像背景用于结构相似性计算,对阈值分割和独立成分分析算法获取的亮度不均匀缺陷结果进行与运算使侦测更加精确。SEMU算法和结构相似性算法联合评价液晶面板亮度不均匀缺陷,弥补了人眼主观感受评价缺陷,本发明便于生产线快速、稳定地检测液晶面板亮度不均匀缺陷和对液晶面板进行分级,控制成本,提高利润率。
为了实现上述方法,本发明提供一种液晶面板亮度不均匀缺陷检测***,***能够实现如上述所述的方法。
本发明的有益效果是:区别于现有技术的情况,本发明提供一种液晶面板亮度不均匀缺陷检测***,便于生产线快速、稳定地检测液晶面板亮度不均匀缺陷和对液晶面板进行分级,控制成本,提高利润率。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.液晶面板亮度不均匀缺陷的检测方法,其特征在于,所述检测方法包括:
采集液晶面板各区域图像,对所述图像进行几何校正及滤波处理;
记录每一行像素坐标值及灰阶值,依据灰阶值认定背景区域和亮度不均匀缺陷像素点;
采用阈值分割法获取亮度不均匀缺陷结果;
采用独立成分分析算法获取背景区域图像和亮度不均匀缺陷结果;
对阈值分割法和独立成分分析算法获取的亮度不均匀缺陷结果进行与运算,得到新的亮度不均匀缺陷结果;
采用SEMU算法对所述液晶面板的亮度不均匀缺陷等级进行量化,得到第一量化值;
采用结构相似性算法对液晶面板图像质量的相似度进行量化,得到第二量化值;
2.根据权利要求1所述的液晶面板亮度不均匀缺陷的检测方法,其特征在于,所述对所述图像进行几何校正及滤波处理的步骤具体包括:
对图像进行二值化处理,采用边缘检测算法分辨图像和背景;
根据图像的三个边/角将图像校正为水平方向,建立三维坐标系,将像素的灰阶值设为Z轴;
采用移动均值滤波器对校正后的图像进行滤波处理。
3.根据权利要求1所述的液晶面板亮度不均匀缺陷的检测方法,其特征在于,所述记录每一行像素坐标值及灰阶值,依据灰阶值认定背景区域和亮度不均匀缺陷像素点的步骤具体包括:
计算每一行像素灰阶值平均值μ及方差σ2,设定g为像素点的灰阶值,则将满足μ-σ<g<μ+σ的像素点所在区域认定为背景区域;
设定权重值为ω,ω=(μ+gmin)/2,认定灰阶值为g>μ+σ或g<ω的像素点为亮度不均匀缺陷像素点。
4.根据权利要求1所述的液晶面板亮度不均匀缺陷的检测方法,其特征在于,所述采用阈值分割法获取亮度不均匀缺陷结果的步骤具体包括:
连接所述亮度不均匀缺陷像素点,运用形态学侵蚀膨胀操作对亮度不均匀缺陷像素点进行缺陷分割,获取亮度不均匀缺陷结果;
其中,对亮度不均匀缺陷像素点进行缺陷分割,获取亮度不均匀缺陷结果的步骤具体包括:
对连接所述亮度不均匀缺陷像素点形成的缺陷分割区域包含的像素点数量进行统计,判断所述像素点数量是否大于预设的阈值;
当所述像素点数量大于预设的阈值时,确定所述缺陷分割区域为亮度不均匀缺陷区域。
5.根据权利要求1所述的液晶面板亮度不均匀缺陷的检测方法,其特征在于,所述采用独立成分分析算法获取亮度不均匀缺陷结果的步骤具体包括:
取N个无缺陷的样本作为训练样本,将每一个样本重新排列成行向量,并组成训练样本矩阵I;
对训练样本进行去均值、白化/球化处理;
构建训练样本基础图像,设定基础图像Y=WZ,使用独立成分分析算法求解混矩阵W;
将大小为m×n的测试样本d投影到图像基Y上,得到投影系数b,b=d*pinv(Y),其中pinv(Y)表示Y的伪逆矩阵;其中,所述测试样本d为将测试图像分割成m×n的子块图像、提取所述子块图像的灰度值并转换成1×(m×n)的行向量d;
使用投影系数b重构图像背景background=b·Y,将background还原成m×n的矩阵,该矩阵即为重建出的背景图像灰度值矩阵;
用原始图像灰度值矩阵减去重建出的背景图像灰度值矩阵得到差分图像矩阵;
对所述差分图像矩阵进行阈值分割提取出亮度不均匀缺陷像素点。
9.一种液晶面板亮度不均匀缺陷检测***,其特征在于,所述***能够实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710933038.8A CN107845087B (zh) | 2017-10-09 | 2017-10-09 | 液晶面板亮度不均匀缺陷的检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710933038.8A CN107845087B (zh) | 2017-10-09 | 2017-10-09 | 液晶面板亮度不均匀缺陷的检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107845087A CN107845087A (zh) | 2018-03-27 |
CN107845087B true CN107845087B (zh) | 2020-07-03 |
Family
ID=61662388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710933038.8A Active CN107845087B (zh) | 2017-10-09 | 2017-10-09 | 液晶面板亮度不均匀缺陷的检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107845087B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490656A (zh) * | 2018-04-13 | 2018-09-04 | 凌云光技术集团有限责任公司 | 液晶显示器图像检测方法和装置 |
CN108986069A (zh) * | 2018-05-30 | 2018-12-11 | 哈尔滨工业大学深圳研究生院 | 一种amoled显示屏缺陷检测方法、***及存储介质 |
CN109064441B (zh) * | 2018-06-19 | 2020-07-28 | 深圳市华星光电半导体显示技术有限公司 | 基于独立成分自适应选择的Mura侦测方法 |
CN108844966A (zh) * | 2018-07-09 | 2018-11-20 | 广东速美达自动化股份有限公司 | 一种屏幕检测方法及检测*** |
CN108877740B (zh) * | 2018-07-25 | 2020-09-22 | 昆山国显光电有限公司 | 获取Mura补偿数据的方法、装置、计算机设备及存储介质 |
CN109285143A (zh) * | 2018-08-08 | 2019-01-29 | 深圳市华星光电技术有限公司 | Mura侦测方法及装置 |
CN109285144B (zh) * | 2018-08-08 | 2021-04-23 | Tcl华星光电技术有限公司 | Mura侦测方法及装置 |
CN109444151A (zh) * | 2018-11-15 | 2019-03-08 | 深圳市华星光电半导体显示技术有限公司 | 一种液晶面板缺陷检测方法及其*** |
CN109443707A (zh) * | 2018-11-26 | 2019-03-08 | 中国科学院长春光学精密机械与物理研究所 | 一种面光源亮度均匀性检测装置及方法 |
CN109493825B (zh) * | 2019-01-16 | 2020-11-24 | 合肥鑫晟光电科技有限公司 | 一种画面参数计算方法、装置及存储介质 |
US11815470B2 (en) | 2019-01-17 | 2023-11-14 | Applied Materials Israel, Ltd. | Multi-perspective wafer analysis |
US10902582B2 (en) * | 2019-01-17 | 2021-01-26 | Applied Materials Israel, Ltd. | Computerized system and method for obtaining information about a region of an object |
CN109856157A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于自适应对焦的lcd面板缺陷检测方法 |
CN111504608B (zh) * | 2019-01-31 | 2022-10-04 | 中强光电股份有限公司 | 辉度均匀检测***及辉度均匀检测方法 |
CN111915550B (zh) * | 2019-05-09 | 2024-03-29 | 杭州海康威视数字技术股份有限公司 | 图像质量检测方法、检测设备和存储介质 |
TWI771594B (zh) * | 2019-06-19 | 2022-07-21 | 住華科技股份有限公司 | 缺陷判斷訓練方法及應用其之系統以及缺陷判斷方法及應用其之系統 |
CN110276759B (zh) * | 2019-06-28 | 2023-04-28 | 东北大学 | 一种基于机器视觉的手机屏坏线缺陷诊断方法 |
CN110619146B (zh) * | 2019-08-12 | 2023-02-14 | 河北工业大学 | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 |
CN111028213B (zh) * | 2019-12-04 | 2023-05-26 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN111127415B (zh) * | 2019-12-19 | 2023-07-25 | 信利(仁寿)高端显示科技有限公司 | 一种基于准分子激光退火的Mura的量化方法 |
CN111929931A (zh) * | 2020-07-28 | 2020-11-13 | 深圳市科视创科技有限公司 | 液晶显示屏的检测方法、装置及终端设备 |
CN112465047B (zh) * | 2020-12-04 | 2022-10-25 | 宁波智能装备研究院有限公司 | 基于先验模型的工业图像视觉识别方法 |
CN113012137B (zh) * | 2021-03-24 | 2022-05-10 | 滁州惠科光电科技有限公司 | 一种面板缺陷检查方法、***、终端设备及存储介质 |
CN113049607B (zh) * | 2021-03-30 | 2024-04-26 | 上海华力微电子有限公司 | 监控特殊形貌颗粒缺陷的方法 |
CN113516945A (zh) * | 2021-04-15 | 2021-10-19 | Oppo广东移动通信有限公司 | 显示方法和装置、终端和可读存储介质 |
CN113538603B (zh) * | 2021-09-16 | 2021-12-24 | 深圳市光明顶照明科技有限公司 | 一种基于阵列产品的光学检测方法、***和可读存储介质 |
CN113570605B (zh) * | 2021-09-28 | 2021-12-31 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和*** |
CN114333736B (zh) * | 2021-12-29 | 2023-06-02 | 深圳市华星光电半导体显示技术有限公司 | 显示装置和显示装置的亮度调节方法 |
CN114436086B (zh) * | 2022-01-24 | 2023-09-19 | 浙江新再灵科技股份有限公司 | 电梯轿厢昏暗的识别与告警方法及*** |
CN114488586A (zh) * | 2022-01-26 | 2022-05-13 | 海宁奕斯伟集成电路设计有限公司 | 一种显示面板画质测试方法及装置 |
CN115061294A (zh) * | 2022-06-28 | 2022-09-16 | Tcl华星光电技术有限公司 | 液晶显示面板缺陷修复方法、***及存储介质 |
CN114972348B (zh) * | 2022-08-01 | 2022-09-30 | 山东尚雅建材有限公司 | 一种基于图像处理的美缝效果检测方法 |
CN115639215B (zh) * | 2022-10-09 | 2023-04-28 | 江阴旺达商务贴有限公司 | 基于协方差分析的静电贴纸鉴定平台 |
CN115797342B (zh) * | 2023-02-06 | 2023-04-21 | 深圳市鑫旭飞科技有限公司 | 一种工业控制电容触摸lcd显示总成缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792699A (zh) * | 2013-09-09 | 2014-05-14 | 中华人民共和国四川出入境检验检疫局 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
CN105913419A (zh) * | 2016-04-07 | 2016-08-31 | 南京汇川图像视觉技术有限公司 | 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
CN105976351A (zh) * | 2016-03-31 | 2016-09-28 | 天津大学 | 基于中央偏移的立体图像质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050286753A1 (en) * | 2004-06-25 | 2005-12-29 | Triant Technologies Inc. | Automated inspection systems and methods |
-
2017
- 2017-10-09 CN CN201710933038.8A patent/CN107845087B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792699A (zh) * | 2013-09-09 | 2014-05-14 | 中华人民共和国四川出入境检验检疫局 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
CN105976351A (zh) * | 2016-03-31 | 2016-09-28 | 天津大学 | 基于中央偏移的立体图像质量评价方法 |
CN105913419A (zh) * | 2016-04-07 | 2016-08-31 | 南京汇川图像视觉技术有限公司 | 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
Non-Patent Citations (2)
Title |
---|
Colour Image Quality Assesand Singular Value Decompositionsment Using Structural Similarity Index;Krzysztof Okarma;《ICCVG 2008》;20091231;第55-65页 * |
基于图像质量评价的LCD运动模糊检测方法;邱聚能;《液晶与显示》;20150630;第30卷(第3期);第531-537页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107845087A (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845087B (zh) | 液晶面板亮度不均匀缺陷的检测方法和*** | |
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
WO2021143343A1 (zh) | 一种产品质量检测方法及装置 | |
KR101635461B1 (ko) | 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
CN113034464B (zh) | 一种多背景下的液晶显示器缺陷视觉实时检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN102118547A (zh) | 图像加权滤波的方法 | |
CN110530894B (zh) | 导光板亮点缺陷检测方法 | |
CN117611551A (zh) | 基于物联网的显示屏异常检测方法及*** | |
CN103605973A (zh) | 一种图像字符检测鉴别方法 | |
CN116503340A (zh) | 一种micro oled面板缺陷检测方法、装置以及设备 | |
JP2005164565A (ja) | 低解像度および高解像度映像におけるフラットパネル用光関連板要素の欠陥検出方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及*** | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |