CN110296994A - 导光板v-cut结构视觉检测方法 - Google Patents

导光板v-cut结构视觉检测方法 Download PDF

Info

Publication number
CN110296994A
CN110296994A CN201910543753.XA CN201910543753A CN110296994A CN 110296994 A CN110296994 A CN 110296994A CN 201910543753 A CN201910543753 A CN 201910543753A CN 110296994 A CN110296994 A CN 110296994A
Authority
CN
China
Prior art keywords
cut
light guide
guide plate
point
single row
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.)
Granted
Application number
CN201910543753.XA
Other languages
English (en)
Other versions
CN110296994B (zh
Inventor
楼小栋
李俊峰
何炎森
卢彭飞
万超杨
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.)
Jinmingshan photoelectric (Wujiang) Co.,Ltd.
Original Assignee
Hangzhou Shun Hao Technology Co Ltd
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 Hangzhou Shun Hao Technology Co Ltd filed Critical Hangzhou Shun Hao Technology Co Ltd
Priority to CN201910543753.XA priority Critical patent/CN110296994B/zh
Publication of CN110296994A publication Critical patent/CN110296994A/zh
Application granted granted Critical
Publication of CN110296994B publication Critical patent/CN110296994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N2021/9511—Optical elements other than lenses, e.g. mirrors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种导光板V‑CUT结构视觉检测方法通过设定动态阈值，能够适应灰度的变化，增强了算法对环境的适应能力。实验结果表明：本发明设计的算法能够满足企业生产的精度与速度需求，且能够稳定的运行，可以进行生产应用，本发明算法能够检测多种类型的导光板，提高了算法的实用性；本发明检测算法考虑到的缺陷问题全面，能够检测大部分V‑CUT结构缺陷，算法稳定性能好；本发明算法能够适应灰度的变化，提高了算法对环境的适应性。

Description

导光板V-CUT结构视觉检测方法
技术领域
本发明涉及一种导光板V-CUT结构视觉检测方法，具体是对导光板V-CUT结构加工过程中切浅、漏切缺陷的检测。
背景技术
在平板显示领域中，液晶显示器(LCD)已经成为主流产品，拥有巨大的市场潜力。作为LCD的照明***，背光模组也得到了飞速发展。背光模组作为液晶显示器面板的关键零组件之一，其成本约占LCD模块成本的30％-50％,所消耗的电力更占模块的75％。背光模组主要由光源、导光板、反射膜、棱镜膜等部分组成。导光板是液晶背光模组中的重要组件，也是背光模组的主要技术成本之一,因此,导光板的设计开发具有非常重要的意义。导光板的主要功能是根据光散乱原理将点光源或线光源转换为面光源,经过多年的发展，导光板无论是在制造工艺还是性能结构上都发生了很大变化,有了很大的进步。导光板的表面微结构决定了导光板的光能利用率、均匀性等重要的光学特性。导光板表面的微结构有很多种，如V-CUT槽结构、网点结构等，通过调整导光板表面微结构的分布，可以实现光发均匀出射。V-CUT结构是导光板生产中一种常用的表面微结构形式，V-CUT结构在导光板上加工质量的好坏直接关系到导光板的光学性能。因此，在导光板生产过程中，对V-CUT结构进行质量检测，剔除劣质产品尤为重要。
在导光板V-CUT结构加工过程中常见的品质问题有漏切、切浅、切偏、切深等。目前，国内企业对导光板V-CUT结构进行检测主要依赖人工操作，但是长期人工操作存在以下问题：(1)导光板V-CUT结构微小，人工不易检测，检测效率低下；(2)导光板V-CUT结构缺陷种类多，员工主要依据肉眼判断，难以形成可量化的质量标准，容易出现误检、漏检的现象；(3)长时间处于不佳的工作环境会严重损害员工的视力健康。
导光板V-CUT结构缺陷较微小、缺陷不明显，为提高精度需利用高精度相机进行图像采集，造成采集的图像较大，且企业因为成本控制对V-CUT结构缺陷检测速度要求高，因此导光板V-CUT结构缺陷检测对检测算法要求较高。当前技术领域，专门应用于导光板V-CUT结构缺陷检测领域的算法较少，且这些算法无法满足于企业的实际生产要求。
因此，需立足于当前技术领域与企业实际需求，开发出一种适用于导光板V-CUT结构缺陷检测的算法。
发明内容
本发明要解决的技术问题是提供一种高效的导光板V-CUT结构视觉检测方法。
为解决上述技术问题，本发明提供一种导光板V-CUT结构视觉检测方法：包括以下步骤：
(1)图像采集，得到导光板V-CUT结构图像；执行步骤(2)；
(2)对导光板V-CUT结构图像中截取出区域f；执行步骤(3)；
(3)对区域f进行单行扫描，得到单行扫描视图f(x，y)；执行步骤(4)；
(4)对单行扫描视图f(x，y)进行边缘点检测，得到假设有效的边缘点；执行步骤(5)；
(5)对单行扫描视图进行双向扫描，从假设有效的边缘点中得到真实的边缘点；执行步骤(6)；
(6)从真实的边缘点中确定V-CUT结构点，执行步骤(7)；
(7)判断是否扫描完成；执行步骤(8)；
(8)对V-CUT结构点进行直线拟合，得到V-CUT结构的槽直线；执行步骤(9)；
(9)在区域f中显示V-CUT结构的槽直线；
作为对本发明导光板V-CUT结构视觉检测方法的改进：步骤4包括：
(4.1)使用高斯滤波器平滑输入单行扫描视图f(x，y)，得到平滑后的图像fs(x，y)。
(4.2)计算平滑后的图像fs(x，y)的梯度，得到梯度幅度M(x，y)和方向α(x，y)；
(4.3)对梯度幅度M(x，y)应用非最大抑制，得到非最大抑制后的图像gN(x，y)；
(4.4)用双阈值处理检测非最大抑制后的图像gN(x，y)，得到图像gNH(x，y)和gNL(x，y)，图像gNH(x，y)和gNL(x，y)相减，得到假设有效的边缘点。
作为对本发明导光板V-CUT结构视觉检测方法的进一步改进：步骤5包括：
(5.1)对单行扫描视图逐个像素点进行扫描；执行步骤(5.2)
(5.2)如果从单行扫描视图中间分别向两边进行扫描，检测到一次极性变换亮-暗-亮，再从两边分别向中间进行扫描，检测到一次极性变换亮-暗-亮，则单行扫描视图中存在一个假设有效的边缘点，将其作为真实的边缘点g(x，y)；执行步骤(6)；
则，执行步骤(5.3)；
(5.3)如果从单行扫描视图中间到左边的极性变换是亮-暗-亮，且从单行扫描视图中间到右边的极性变换是暗-亮；
再次分别从两边向中间进行扫描判断，如果从左边到中间的极性变换是亮-暗-亮，从右边到中间的极性变换是亮-暗，则单行扫描视图中左右两侧存在两个假设有效的边缘点g(x1，y1)和g(x2，y2)，执行步骤(5.4)；
否则，执行步骤(3)，对区域f的下一行进行扫描；
(5.4)判断两个假设有效的边缘点g(x1，y1)和g(x2，y2)的灰度差是否大于阀值threshold；
如果
|g(x1，y1)-g(x2，y2)|＞threshold
执行步骤(5.5)；
如果
|g(x1，y1)-g(x2，y2)|≤threshold
则舍弃两个假设有效的边缘点g(x1，y1)和g(x2，y2)，返回执行步骤(3)，对区域f的下一行进行扫描；
(5.5)两个假设有效的边缘点g(x1，y1)和g(x2，y2)作为两个真实的边缘点，执行步骤(6)。
作为对本发明导光板V-CUT结构视觉检测方法的进一步改进：
步骤(6)为：
如果检测出一个真实的边缘点g(x1，y1)，则V-CUT结构点g(x，y)＝g(x1，y1)，将该点参数进行存储；
如果检测出两个真实的边缘点g(x1，y1)和g(x2，y2)，则V-CUT结构点为：
g(x，y)＝min{g(x1，y1)，g(x2，y2)}。
作为对本发明导光板V-CUT结构视觉检测方法的进一步改进：
步骤(7)为：
设定最低拟合条件参数minDots，V-CUT结构点进行统计，得到像素点数为points；如果：
points＞minDots
则满足最低拟合条件，执行步骤(8)；否则，执行步骤(3)，对区域f的下一行进行扫描。
作为对本发明导光板V-CUT结构视觉检测方法的进一步改进：
步骤(8)为：
使用最小二乘法对V-CUT结构点进行直线拟合，得到V-CUT结构的槽直线。
本发明导光板V-CUT结构视觉检测方法的技术优势为：
本发明检测算法程序简单，操作便捷，能够自动检测定位出V-CUT结构的位置并拟合出V-CUT槽结构直线；通过设定动态阈值，能够适应灰度的变化，增强了算法对环境的适应能力。实验结果表明：本发明设计的算法能够满足企业生产的精度与速度需求，且能够稳定的运行，可以进行生产应用。
本发明的具体优势为：
(1)本发明算法能够检测多种类型的导光板，提高了算法的实用性；
(2)本发明检测算法考虑到的缺陷问题全面，能够检测大部分V-CUT结构缺陷，算法稳定性能好；
(3)本发明算法能够适应灰度的变化，提高了算法对环境的适应性；
(4)本发明算法可进行全自动检测，自动定位出V-CUT槽结构区域，拟合出V-CUT直线；
(5)本发明算法能够稳定运行，且便于调试。
(6)首次提出了导光板V-Cut结构的检测方法，可以准确检测出V-Cut的结构和位置信息；
(7)该方法还可以检测出V-Cut结构的状态信息，并可以与企业产线结合进行参数设置，检测出不符合V-Cut结构标准要求的导光板。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1为本发明导光板V-CUT结构视觉检测方法的算法流程图；
图2为步骤1得到的导光板图像；
图3为步骤2得到的区域f(旋转角度Phi＝0°)；
图4为步骤3得到的本发明实例一中单行扫描视图；
图5为步骤5.5得到的左侧的真实的边缘点；
图6为步骤5.5得到的右侧的真实的边缘点；
图7为步骤8得到的V-CUT结构的槽直线；
图8为步骤9得到的V-CUT结构区域的显示；
图9为导光板图像上V-CUT区域显示。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
实施例1、导光板V-CUT结构视觉检测方法，如图1-9所示，包括以下步骤：
(1)图像采集，得到导光板V-CUT结构图像；执行步骤2；
导光板V-CUT结构微小，成像效果受环境因素影响较大，精度要求较高，因此决定采用线阵相机采集导光板V-CUT结构图像；经过观察，采集到的导光板V-CUT结构图像清晰，光线均匀，灰度对比明显，对V-CUT结构区域的线性拟合和缺陷的检测十分有利。
导光板V-CUT为导光板生产中一种常用的表面微结构形式。
(2)对区域截取；执行步骤3；
假设从采集到的图像中截取出区域f，截取出的区域f可表示为如下形式：f(x，y，Phi，L1，L2)
其中，(x，y)为区域f的旋转中心坐标，Phi表示区域f的旋转角度，L1表示截取区域的长度，L2表示截取区域的宽度。通过区域截取可选取某一特定区域继续进行V-CUT边缘的检测。
(3)对区域f进行单行扫描；执行步骤4；
为简化V-CUT检测算法，提高检测的准确性，对区域f进行单行扫描，得到单行扫描视图f(x，y)；
(4)对单行扫描视图进行边缘点检测；执行步骤5；
对单行扫描视图进行边缘点检测，找到单行扫描视图内所有存在的边缘点。在进行单行边缘点检测的过程中，主要运用了坎尼边缘检测算法，该算法是由下列基本步骤组成的：
4.1使用高斯滤波器平滑输入图像
为去除图像的某些细节和噪声，使图像模糊化，以便于进行下一步的处理，选取特定的滤波器对图像进行平滑滤波处理显得尤为重要。对于图像而言，常用二维零均值离散高斯函数作为平滑滤波器。其中，高斯分布参数δ决定了高斯函数的宽度。令f(x，y)表示输入图像(单行扫描视图)，G(x，y)表示高斯函数：
利用G(x，y)和f(x，y)的卷积形成一幅平滑后的图像fs(x，y)：
fs(x，y)＝G(x，y)*f(x，y)
4.2计算平滑后的图像fs(x，y)的梯度，得到梯度幅度M(x，y)和方向α(x，y)；
使用Sobel、Roberts、Prewitt等任一梯度算子计算得到梯度gx和gy，其中gx为x方向上的梯度，gy为y方向上的梯度。用大小为3X3的模板来近似偏导数的最简单的数字近似由下式给出：
和
其中，3X3的梯度算子模板矩阵如下：
根据x和y方向上的梯度gx和gy可以计算出梯度幅度M(x，y)和方向α(x，y)：
和
其中，M(x，y)和α(x，y)是与计算出它们的图像的尺寸相同的阵列。
4.3对梯度幅度M(x，y)应用非最大抑制，得到非最大抑制后的图像gN(x，y)；
M(x，y)在局部最大值周围通常包含更宽的范围，使用非最大抑制来细化边缘。通常，在一个3X3区域内，对于一个通过该区域中心点的边缘，可以定义四个方向：水平、垂直、+45°和-45°。令d1、d2、d3、d4表示定义的四个基本边缘方向，对于在α(x，y)中以每一点(x，y)为中心的3X3区域内，给出如下非最大抑制方案：
寻找最接近α(x，y)的方向dk。
如果M(x，y)的值至少小于沿dk的两个邻居之一，则令gN(x，y)＝0(抑制)；
否则，令gN(x，y)＝M(x，y)，其中，gN(x，y)是非最大抑制后的图像。
4.4用双阈值处理检测非最大抑制后的图像gN(x，y)，得到图像gNH(x，y)和gNL(x，y)，图像gNH(x，y)和gNL(x，y)相减，得到假设有效的边缘点；
最后的操作是对gN(x，y)进行阈值处理，以便减少伪边缘点，如果使用单阈值进行阈值处理，当阈值设置过低时仍会存在一些伪边缘；当设置的阈值过高，则会删除实际有效的边缘点。坎尼算法通过设置双阈值来改善这一状况，使用两个阈值：一个低阈值TL和一个高阈值TH。通过将阈值操作类化为创建两幅附加的图像gNH(x，y)和gNL(x，y)：
gNH(x，y)＝gN(x，y)≥TH
和
gNL(x，y)＝gN(x，y)≥TL
其中，初始时gNH(x，y)和gNL(x，y)均被置为零。阈值处理后，gNH(x，y)的非零像素值通常比gNL(x，y)少，但是gNH(x，y)中的所有非零像素都将包含在gNL(x，y)中，通过令
gM(x，y)＝gNL(x，y)-gNH(x，y)
来删除gNL(x，y)中所有来自gNH(x，y)的非零像素。gNH(x，y)和gM(x，y)中的非零像素可分别看成是“强”和“弱”边缘像素。
阈值处理后，gNH(x，y)中所有强边缘像素均被立刻标记。同时，从gM(x，y)中的弱边缘像素中找到有效的边缘像素，具体方法是：在gNH(x，y)中定位一个未被访问的边缘像素p；将gM(x，y)中“弱”边缘像素标记为有效边缘像素，使用8连通性的方法连接到gNH(x，y)中未被访问的边缘像素p；如果gM(x，y)中的所有非零像素已被访问，则将gM(x，y)中未被标记为有效的边缘像素的所有像素置零，将来自gM(x，y)中的所有非零像素附加到gNH(x，y)；如果gM(x，y)中的所有非零像素没有被访问，则重新寻找gM(x，y)中有效的边缘像素。最终得到的gNH(x，y)中所有的非零像素点均被假设为有效的边缘点。
“未被访问”、“已被访问”主要是通过在程序中进行设置的访问状态；“8连通”是数字图像处理的一种基本概念，八连通区域指的是从区域内每一像素出发，可通过八个方向，即上、下、左、右、左上、右上、左下、右下这八个方向的移动的组合，在不越出区域的前提下，到达区域内的任意像素。“8连通性的方法”指的是通过8连通区域访问。
(5)双向扫描；执行步骤6；
针对步骤4检测出的假设有效的边缘点，使用双向扫描的方法进行判断是否属于真实的边缘点。
(5.1)首先，从中间分别向左右两边进行逐个像素点扫描；
中间指的是单行扫描视图正中间，左边和右边分别指的是单行扫描视图左边缘和右边缘；
(5.2)判断是否为一个真实的边缘点；
如果从中间分别向两边进行扫描，检测到一次极性变换(极性变换即为灰度值的变化)亮-暗-亮，再从两边分别向中间进行扫描，检测到一次极性变换亮-暗-亮，则单行扫描视图中存在一个假设有效的边缘点，将其作为真实的边缘点g(x，y)。执行步骤6；否则，执行步骤5.3；
(5.3)判断是否为两个真实的边缘点；
如果从中间到左边的极性变换是亮-暗-亮，且从中间到右边的极性变换是暗-亮，初步假设存在两个边缘点；
再次分别从两边向中间进行扫描判断，如果从左边到中间的极性变换是亮-暗-亮，从右边到中间的极性变换是亮-暗，则单行扫描视图中左右两侧存在两个假设有效的边缘点g(x1，y1)和g(x2，y2)，执行步骤5.4。否则，当前扫描行未检测到V-CUT结构边缘点，舍弃当前行假设有效的边缘点，执行步骤3，对区域f的下一行进行扫描；
(5.4)判断两个假设有效的边缘点g(x1，y1)和g(x2，y2)的灰度差是否大于阀值threshold；
检测出两个假设有效的边缘点g(x1，y1)和g(x2，y2)，g表示边缘点的灰度值，通过设定的阈值threshold判断V-CUT结构点：如果
|g(x1，y1)-g(x2，y2)|＞threshold
执行步骤5.5；
如果
|g(x1，y1)-g(x2，y2)|≤threshold
则舍弃两个假设有效的边缘点，返回执行步骤3，对区域f的下一行进行扫描；
(5.5)两个假设有效的边缘点g(x1，y1)和g(x2，y2)作为两个真实的边缘点，执行步骤6；
“暗”“亮”的评判标准是灰度值的大小，例如：2个相邻像素点g1(x1，y1)、g2(x1，y1)，如果灰度值g1(x1，y1)＜g2(x1，y1)，且两个像素点灰度差大于某一设定的阈值，则称g1(x1，y1)为暗点，g2(x1，y1)为亮点，暗-亮指的是灰度值增加，呈明显变化状态；极性变换指的是灰度值发生突变，一次极性变换指的是这种突变只发生一次，即一次极性变换指的是只发生一次极性变换。
上述“从中间向两边进行扫描”“从两边向中间扫描”实际为从找到的边缘点两侧按不同的顺序进行灰度值比较(从左往右、从右往左)，然后根据极性的变化来确定是不是V-CUT点。
(6)确定V-CUT结构点，执行步骤7；
如果检测出一个真实的边缘点g(x1，y1)，则V-CUT结构点g(x，y)＝g(x1，y1)，将该点参数进行存储。
如果两个真实的边缘点g(x1，y1)和g(x2，y2)，则V-CUT结构点为：
g(x，y)＝min{g(x1，y1)，g(x2，y2)}
将检测出的V-CUT结构点参数进行存储。
主要存储像素点的坐标、灰度值。
(7)判断是否扫描完成；执行步骤8；
设定最低拟合条件参数minDots，该参数是达到拟合条件的最少点数值；将从步骤6中得到的V-CUT结构点进行统计，得到像素点数为points；如果：
points＞minDots
则满足最低拟合条件，执行步骤8，将存储的各V-CUT结构点进行拟合。否则，执行步骤3，对区域f的下一行进行扫描。
(8)直线拟合；执行步骤9；
用最小二乘法求一个近似的函数φ(x)来拟合数据，要求所得的拟合曲线能最好的反映数据的基本趋势，即近似函数φ(x)能最好的逼近真实函数曲线f(x)，即使得近似曲线φ(x)与真实曲线f(x)的偏差最小。近似曲线在该点处的偏差：
δi＝φ(xi)-yi，i＝1，2，3，…，m
常见的曲线拟合方法有使偏差的绝对值之和最小、使偏差的绝对值最大值最小、使偏差的平方和最小；按偏差平方和最小的原则选取拟合曲线，并且采取二项式方程为拟合曲线的方法称为最小二乘法。此处根据步骤7得到的V-CUT结构点，使用最小二乘法进行直线拟合。
假设拟合的直线方程为：y＝a+bx，式中有两个直线参数a，b。根据步骤7可得到一组像素点g(x1，y1)，g(x2，y2)，g(x3，y3)……g(xi，yi)，i＝1，2，3，…，m；据此可得到一组坐标点(x1，y1)，(x2，y2)，(x3，y3)……(xi，yi)，i＝1，2，3，…，m；利用最小二乘法将上述坐标点拟合为一条直线，要求观测值yi的偏差的加权平方和为最小。对于等精度观测值的直线拟合而言，可使下式δ最小：
上式分别对a，b求偏导得：
整理后得到方程组：
解上述方程组便可求得直线参数a和b的最佳估计值和
根据以上最小二乘法直线拟合的参数估计方法，可以拟合出V-CUT结构的槽直线。
(9)V-CUT结构区域显示；
将步骤8中拟合出的V-CUT结构的槽直线在区域f中用区别于背景的颜色画出，同时用不同的颜色框选出直线区域，实现V-CUT结构区域的显示。
实验一
1、利用图像采集装置采集导光板图像；
2、对采集到的导光板图像进行区域截取，截取方式采用以下函数形式：
f(x，y，Phi，L1，L2)
其中，旋转中心任意选取，旋转角度Phi设置为0度，截取矩形区域长宽自定义，但要满足以下条件：
0＜L1＜Columns
0＜L2＜Rows
Columns为采集到的导光板图像的列数，Rows为采集到的导光板图像的行数。
3、对截取的矩形区域进行单行扫描，寻找每一行的V-CUT结构点；
4、对单行图像进行边缘点检测，主要使用了坎尼检测算法，具体操作如下：
单行高斯滤波；选取的高斯核函数为：
利用G和f的卷积形成一幅平滑后的图像fs(x，y)：
fs(x，y)＝G(x，y)*f(x，y)
其中f(x，y)为输入图像，G(x，y)为高斯核函数，fs(x，y)为平滑后输出的图像。本实验中选取的高斯分布参数δ＝1。经过实验验证，该参数的选择能够满足平滑滤波需求。
计算梯度；本实验采用的梯度模板算子为：[-1 -1 0 1 1]
利用如下公式计算x方向上的梯度，找到可能存在的边缘点。
对梯度幅值图像应用非最大抑制；本实验只需对水平方向上应用非最大抑制方法，通过非最大抑制方法细化边缘，得到边缘细化后的图像gN(x，y)。
用双阈值处理检测边缘点；通过设定双阈值TL和TH对图像gN(x，y)进行阈值处理，具体处理方式为：
gNH(x，y)＝gN(x，y)≥TH
gNL(x，y)＝gN(x，y)≥TL
gNL(x，y)＝gNL(x，y)-gNH(x，y)
通过以上方法，将gNH(x，y)中所有强像素假设为有效的边缘像素，并立刻标记。
5、对完成边缘点检测的图像继续进行双向扫描，首先从区域中心向两边进行扫描，然后从区域两边向区域中心进行扫描，通过极性的变化挑选出所有可能的V-CUT结构点。如果无法找出可能的结构点，则舍弃当前行，返回执行步骤3，对区域f的下一行进行扫描。否则，继续执行步骤6。
6、通过灰度值的比较确定V-CUT结构点；如果检测出两个边缘点g(x1，y1)和g(x2，y2)，g表示边缘点的灰度值，通过设定的阈值threshold判断V-CUT结构点：如果
|g(x1，y1)-g(x2，y2)|＞threshold
则V-CUT结构点为：
g(x，y)＝min{g(x1，y1)，g(x2，y2)}
将检测出的V-CUT结构点参数进行存储，主要存储像素点的坐标、灰度值。
7、将得到的V-CUT结构点数points与设定的最低拟合条件点数值minDots进行比较，如果满足如下条件：
points＞minDots
则继续执行；否则，返回执行步骤3，对区域f的下一行进行扫描。
8、使用最小二乘法将检测到的V-CUT结构点进行直线拟合，根据步骤7可得到一组像素点g(x1，y1)，g(x2，y2)，g(x3，y3)……g(xi，yi)，i＝1，2，3，…，m；据此可得到一组坐标点(x1，y1)，(x2，y2)，(x3，y3)……(xi，yi)，i＝1，2，3，…，m；通过以下公式可得到拟合直线y＝a+bx的两个参数：
9、使用区别于背景的颜色将拟合出的直线画出，同时使用不同颜色的矩形框将拟合出直线的区域框选出来进行显示，即为导光板的V-CUT结构区域。
最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (6)

1.导光板V-CUT结构视觉检测方法，其特征在于：包括以下步骤：
(1)图像采集，得到导光板V-CUT结构图像；执行步骤(2)；
(2)对导光板V-CUT结构图像中截取出区域f；执行步骤(3)；
(3)对区域f进行单行扫描，得到单行扫描视图f(x，y)；执行步骤(4)；
(4)对单行扫描视图f(x，y)进行边缘点检测，得到假设有效的边缘点；执行步骤(5)；
(5)对单行扫描视图进行双向扫描，从假设有效的边缘点中得到真实的边缘点；执行步骤(6)；
(6)从真实的边缘点中确定V-CUT结构点，执行步骤(7)；
(7)判断是否扫描完成；执行步骤(8)；
(8)对V-CUT结构点进行直线拟合，得到V-CUT结构的槽直线；执行步骤(9)；
(9)在区域f中显示V-CUT结构的槽直线。
2.根据权利要求1所述的导光板V-CUT结构视觉检测方法，其特征在于：步骤4包括：
(4.1)使用高斯滤波器平滑输入单行扫描视图f(x，y)，得到平滑后的图像fs(x，y)。
(4.2)计算平滑后的图像fs(x，y)的梯度，得到梯度幅度M(x，y)和方向α(x，y)；
(4.3)对梯度幅度M(x，y)应用非最大抑制，得到非最大抑制后的图像gN(x，y)；
(4.4)用双阈值处理检测非最大抑制后的图像gN(x，y)，得到图像gNH(x，y)和gNL(x，y)，图像gNH(x，y)和gNL(x，y)相减，得到假设有效的边缘点。
3.根据权利要求2所述的导光板V-CUT结构视觉检测方法，其特征在于：步骤5包括：
(5.1)对单行扫描视图逐个像素点进行扫描；执行步骤(5.2)
(5.2)如果从单行扫描视图中间分别向两边进行扫描，检测到一次极性变换亮-暗-亮，再从两边分别向中间进行扫描，检测到一次极性变换亮-暗-亮，则单行扫描视图中存在一个假设有效的边缘点，将其作为真实的边缘点g(x，y)；执行步骤(6)；
则，执行步骤(5.3)；
(5.3)如果从单行扫描视图中间到左边的极性变换是亮-暗-亮，且从单行扫描视图中间到右边的极性变换是暗-亮；
再次分别从两边向中间进行扫描判断，如果从左边到中间的极性变换是亮-暗-亮，从右边到中间的极性变换是亮-暗，则单行扫描视图中左右两侧存在两个假设有效的边缘点g(x1，y1)和g(x2，y2)，执行步骤(5.4)；
否则，执行步骤(3)，对区域f的下一行进行扫描；
(5.4)判断两个假设有效的边缘点g(x1，y1)和g(x2，y2)的灰度差是否大于阀值threshold；
如果
|g(x1，y1)-g(x2，y2)|＞threshold
执行步骤(5.5)；
如果
|g(x1，y1)-g(x2，y2)|≤threshold
则舍弃两个假设有效的边缘点g(x1，y1)和g(x2，y2)，返回执行步骤(3)，对区域f的下一行进行扫描；
(5.5)两个假设有效的边缘点g(x1，y1)和g(x2，y2)作为两个真实的边缘点，执行步骤(6)。
4.根据权利要求3所述的导光板V-CUT结构视觉检测方法，其特征在于：
步骤(6)为：
如果检测出一个真实的边缘点g(x1，y1)，则V-CUT结构点g(x，y)＝g(x1，y1)，将该点参数进行存储；
如果检测出两个真实的边缘点g(x1，y1)和g(x2，y2)，则V-CUT结构点为：
g(x，y)＝min{g(x1，y1)，g(x2，y2)}。
5.根据权利要求4所述的导光板V-CUT结构视觉检测方法，其特征在于：
步骤(7)为：
设定最低拟合条件参数minDots，V-CUT结构点进行统计，得到像素点数为points；如果：
points＞minDots
则满足最低拟合条件，执行步骤(8)；否则，执行步骤(3)，对区域f的下一行进行扫描。
6.根据权利要求5所述的导光板V-CUT结构视觉检测方法，其特征在于：
步骤(8)为：
使用最小二乘法对V-CUT结构点进行直线拟合，得到V-CUT结构的槽直线。
CN201910543753.XA 2019-06-21 2019-06-21 导光板v-cut结构视觉检测方法 Active CN110296994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910543753.XA CN110296994B (zh) 2019-06-21 2019-06-21 导光板v-cut结构视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910543753.XA CN110296994B (zh) 2019-06-21 2019-06-21 导光板v-cut结构视觉检测方法

Publications (2)

Publication Number Publication Date
CN110296994A true CN110296994A (zh) 2019-10-01
CN110296994B CN110296994B (zh) 2021-10-22

Family

ID=68028505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910543753.XA Active CN110296994B (zh) 2019-06-21 2019-06-21 导光板v-cut结构视觉检测方法

Country Status (1)

Country Link
CN (1) CN110296994B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
US20120250061A1 (en) * 2006-08-03 2012-10-04 Ricoh Company, Limited Image processing apparatus, computer program product, and preview image displaying method
CN205229061U (zh) * 2015-11-23 2016-05-11 苏州鼎纳自动化技术有限公司 一种基于线扫描相机的lcd导光板缺陷检测***
TW201621306A (zh) * 2014-12-10 2016-06-16 Hitachi High Tech Corp 缺陷觀察裝置及缺陷觀察方法
CN108416766A (zh) * 2018-01-31 2018-08-17 浙江理工大学 双侧入光式导光板缺陷视觉检测方法
CN109801286A (zh) * 2019-01-29 2019-05-24 江南大学 一种lcd导光板的表面缺陷检测算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120250061A1 (en) * 2006-08-03 2012-10-04 Ricoh Company, Limited Image processing apparatus, computer program product, and preview image displaying method
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
TW201621306A (zh) * 2014-12-10 2016-06-16 Hitachi High Tech Corp 缺陷觀察裝置及缺陷觀察方法
CN205229061U (zh) * 2015-11-23 2016-05-11 苏州鼎纳自动化技术有限公司 一种基于线扫描相机的lcd导光板缺陷检测***
CN108416766A (zh) * 2018-01-31 2018-08-17 浙江理工大学 双侧入光式导光板缺陷视觉检测方法
CN109801286A (zh) * 2019-01-29 2019-05-24 江南大学 一种lcd导光板的表面缺陷检测算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李俊峰等: "基于机器视觉的导光板缺陷检测方法研究", 《光电子·激光》 *
谢洪波等: "导光板中一种V-Cut槽结构的设计方法", 《液晶与显示》 *

Also Published As

Publication number Publication date
CN110296994B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN100367293C (zh) 用于显示器的光学检测的方法和装置
CN104749184B (zh) 自动光学检测方法和***
US20190197678A1 (en) Gpu-based tft-lcd mura defect detection method
CN109978839A (zh) 晶圆低纹理缺陷的检测方法
JP3431075B2 (ja) 液晶ディスプレイパネルムラの分類処理方法、その装置及びプログラム
CN105158258A (zh) 一种基于计算机视觉的竹条表面缺陷检测方法
CN102393959A (zh) 图像处理设备、图像处理方法和图像处理程序
CN108416766A (zh) 双侧入光式导光板缺陷视觉检测方法
CN108876768A (zh) 导光板暗影缺陷检测方法
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN105741281B (zh) 基于邻域离散度的图像边缘检测方法
CN109712123A (zh) 一种污渍检测方法
CN114549441B (zh) 基于图像处理的吸管缺陷检测方法
CN106228541A (zh) 视觉检测中屏幕定位的方法及装置
CN109155062A (zh) 裂纹分析装置和方法
CN109064439B (zh) 基于分区的单侧入光式导光板暗影缺陷提取方法
CN108445009A (zh) 一种太阳能电池板裂纹检测方法
CN116165216A (zh) 一种液晶显示屏微划伤瑕疵3d检测方法、***及计算设备
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN106157301B (zh) 一种用于图像边缘检测的阈值自确定方法及装置
CN110766675B (zh) 太阳能电池板缺陷检测方法
CN110530894B (zh) 导光板亮点缺陷检测方法

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
TA01 Transfer of patent application right

Effective date of registration: 20210924

Address after: No. 568, Jiangxing East Road, Wujiang Economic and Technological Development Zone, Suzhou, Jiangsu 215217

Applicant after: Jinmingshan photoelectric (Wujiang) Co.,Ltd.

Address before: Room c-703-2, 198 Qidi Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU SHUNHAO TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant