CN111340752A - 屏幕的检测方法、装置、电子设备及计算机可读存储介质 - Google Patents
屏幕的检测方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111340752A CN111340752A CN201911226410.7A CN201911226410A CN111340752A CN 111340752 A CN111340752 A CN 111340752A CN 201911226410 A CN201911226410 A CN 201911226410A CN 111340752 A CN111340752 A CN 111340752A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- gray value
- screen
- threshold
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 114
- 238000001914 filtration Methods 0.000 claims abstract description 75
- 230000002950 deficient Effects 0.000 claims abstract description 58
- 230000004927 fusion Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000007500 overflow downdraw method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种屏幕的检测方法、装置、电子设备及计算机可读存储介质。所述方法包括:获取待检测屏幕的图像;对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像;对所述多个伽柏滤波图像进行图像融合,得到融合图像;基于不同的灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素;其中,所述灰度阈值的取值范围为所述融合图像的灰度值范围。本发明提出一种更加准确的屏幕检测方法,能够解决现有技术屏幕检测时缺陷判定结果不准确的问题。
Description
技术领域
本发明涉及显示技术领域,尤其涉及一种屏幕的检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着半导体工艺流程的日益复杂,液晶屏幕生产工艺对屏幕最终呈现的显示效果具有很大的影响,屏幕上的子像素缺陷会严重影响画面的视觉呈现。因此,在显示屏在制备完成后会对显示屏进行是否存在缺陷的检测,并且定位有缺陷的子像素的位置,以便于后续对上述有缺陷的子像素进行人工检查及分析等操作。
现有技术的屏幕检测方法中,分割阈值范围的选取可能受到环境光强等因素影响,导致基于该分割阈值范围对待检测屏幕的图像进行缺陷判定时其判定结果不准确。
发明内容
有鉴于此,本发明的目的在于提出一种屏幕的检测方法、装置、电子设备及计算机可读存储介质,以解决现有技术屏幕检测时缺陷判定结果不准确的问题。
基于上述目的,本发明实施例的第一个方面提供了一种屏幕的检测方法,包括:
获取待检测屏幕的图像;
对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像;
对所述多个伽柏滤波图像进行图像融合,得到融合图像;
基于不同的灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素;其中,所述灰度阈值的取值范围为所述融合图像的灰度值范围。
可选的,所述对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像包括:
对所获得的待检测屏幕的图像分别进行第一方向以及第二方向的伽柏滤波,得到第一伽柏滤波图像以及第二伽柏滤波图像,所述第一方向与所述第二方向垂直;其中,获得所述第一伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第一方向上的子像素间隔,获得所述第二伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第二方向上的子像素间隔。
可选的,所述对所述多个伽柏滤波图像进行图像融合,得到融合图像包括:
采用平方融合法对所述两个伽柏滤波图像进行图像融合,所述平方融合法的公式为,
其中,I表示所述融合图像中的灰度值,I1表示所述第一伽柏滤波图像的灰度值,I2表示所述第二伽柏滤波图像的灰度值。
可选的,所述基于灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素包括:
基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域;
获取所述缺陷区域的外包围多边形,对所述外包围多边形进行聚类计算,获得缺陷像素点;
对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别。
可选的,所述基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域包括:
获取所述融合图像的最小灰度值以及最大灰度值;
在所述最小灰度值和最大灰度值之间按照预设的步长依次选取灰度阈值Mi,基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi,其中i=1,2,3,…m;
计算所述二值图像Pi中的连通区域的面积Aij,其中j=1,2,3,…n;
对于灰度阈值Mi,判断每一个连通区域A(i+1)j的面积变化率dA(i+1)j与预设的面积变化阈值之间的关系,其中dA(i+1)j=A(i+1)j-Aij,若所述面积变化率dA(i+1)j小于所述面积变化阈值,则所述连通区域为缺陷区域。
可选的,所述基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi包括:
对于所述融合图像中的每一个像素点,判断其灰度值是否大于灰度阈值Mi,若是,将该像素点的灰度值设置为第一灰度值,否则设置为第二灰度值。
可选的,所述对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别包括:
获取所述外包围多边形的中心像素点的中心点灰度值以及各个边角像素点的边角点灰度值,并计算边角点灰度值的平均灰度值;
判断所述平均灰度值与所述中心点灰度值的关系,若所述平均灰度值小于所述中心点灰度值,则所述缺陷像素点为亮缺陷;若所述平均灰度值大于所述中心点灰度值,则所述缺陷像素点为暗缺陷。
可选的,所述对所述融合图像进行检测之前还包括:
以所述融合图像中任一像素点为中心,获取其邻域范围内的多个相邻像素点,计算所述多个相邻像素点的像素值方差,并将所述像素值方差替换为该中心像素点的像素值。
本发明实施例的第二个方面提供一种屏幕的检测装置,包括:
图像获取模块,用于获取待检测屏幕的图像;
滤波模块,用于对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像;
图像融合模块,用于对所述多个伽柏滤波图像进行图像融合,得到融合图像;
缺陷检测模块,用于基于不同的灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素;所述灰度阈值的取值范围为所述融合图像的灰度值范围。
可选的,所述滤波模块还用于实现:对所获得的待检测屏幕的图像分别进行第一方向以及第二方向的伽柏滤波,得到第一伽柏滤波图像以及第二伽柏滤波图像;其中,所述第一方向与所述第二方向垂直;其中,获得所述第一伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第一方向上的子像素间隔;获得所述第二伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第二方向上的子像素间隔。
可选的,所述缺陷检测模块还用于实现:
基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域;
获取所述缺陷区域的外包围多边形,对所述外包围多边形进行聚类计算,获得缺陷像素点;
对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别。
可选的,所述基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域包括:
获取所述融合图像的最小灰度值以及最大灰度值;
在所述最小灰度值和最大灰度值之间按照预设的步长依次选取灰度阈值Mi,基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi,其中i=1,2,3,…m;
计算所述二值图像Pi中的连通区域的面积Aij,其中j=1,2,3,…n;
对于灰度阈值Mi,判断每一个连通区域A(i+1)j的面积变化率dA(i+1)j与预设的面积变化阈值之间的关系,其中dA(i+1)j=A(i+1)j-Aij,若所述面积变化率dA(i+1)j小于所述面积变化阈值,则所述连通区域为缺陷区域。13.根据权利要求12所述的屏幕的检测装置,其特征在于,所述基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi包括:
对于所述融合图像中的每一个像素点,判断其灰度值是否大于灰度阈值Mi,若是,将该像素点的灰度值设置为第一灰度值,否则设置为第二灰度值。
可选的,所述对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别包括:
获取所述外包围多边形的中心像素点的中心点灰度值以及各个边角像素点的边角点灰度值,并计算边角点灰度值的平均灰度值;
判断所述平均灰度值与所述中心点灰度值的关系,若所述平均灰度值小于所述中心点灰度值,则所述缺陷像素点为亮缺陷;若所述平均灰度值大于所述中心点灰度值,则所述缺陷像素点为暗缺陷。
本发明实施例的第三个方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任意一项所述的屏幕的检测方法。
本发明实施例的第四个方面提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述任意一项所述屏幕的检测方法。
从上面所述可以看出,本发明提供的屏幕的检测方法、装置、电子设备及计算机可读存储介质,通过伽柏滤波对融合图像进行处理,之后将获得的多张滤波图像融合,根据融合图像获取灰度阈值,基于该灰度阈值对融合图像进行分割并根据分割后的融合图像进行缺陷检测从而获得待检测屏幕中有缺陷的子像素,由于是基于融合图像本身获取的灰度阈值进行检测,不需要与其他屏幕图像进行比较,避免出现因受到环境光强、屏幕自身亮度等因素影响使得获得的屏幕图像本身就具有差异性影响检测效果的问题,提高屏幕缺陷检测的精度,为屏幕出厂质量检测和后续工艺改善提供可靠的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例屏幕检测方法的第一流程示意图;
图2为本发明实施例待检测屏幕的图像示意图;
图3为本发明实施例屏幕检测方法的第二流程示意图;
图4a为本发明实施例第一缺陷区域灰度图;
图4b为本发明实施例第一缺陷区域经聚类计算后的示意图;
图4c为本发明实施例第二缺陷区域灰度图;
图4d为本发明实施例第二缺陷区域聚类计算后的示意图;
图5a为本发明实施例亮缺陷示意图;
图5b为本发明实施例暗缺陷示意图;
图6为本发明实施例屏幕检测装置的结构示意图;
图7为本发明实施例电子设备硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
现有技术中在进行屏幕检测时,首先基于一个无缺陷屏幕的图像来获取分割阈值范围,之后获得待检测屏幕图像的灰度值范围,根据无缺陷屏幕图像的分割阈值范围以及待检测屏幕图像的灰度值范围的比较结果来确定待检测屏幕是否具有缺陷。由于是与一个无缺陷屏幕的图像进行比较,获取到的无缺陷屏幕的图像时可能受到如环境光强、屏幕自身亮度等因素的影响,导致获得的无缺陷屏幕的图像以及待检测屏幕图像本身就具有一定差异性,基于该无缺陷屏幕的图像的分割阈值范围进行缺陷判定将导致缺陷判定结果不够精确。
基于上述理由,本发明实施例的第一个方面提出一种屏幕的检测方法,如图1所示,该方法包括:
步骤101,获取待检测屏幕的图像。
可选的,所述待检测屏幕的图像为工业相机拍摄的显示面板的屏幕图像。点亮屏幕后,利用高分辨率工业相机对屏幕进行垂直拍摄,获取屏幕子像素级别的高清图像,如图2所示。
步骤102,对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像。
可选的,通过对待检测屏幕的图像进行伽柏滤波,并得到多个伽柏滤波图像,将该待检测屏幕的图像的纹理特征进行分离,并分别提取至多个伽柏滤波图像中。由于伽柏滤波器在纹理特征的分离及提取上具有较好的效果,因此上述屏幕的检测方法对待检测屏幕的图像的纹理特征的分离和提取效果较好,从而使后续根据上述伽柏滤波图像进行图像融合后,所得到的融合图像较为准确,根据该融合图像进行缺陷检测获得的检测结果也较为准确,也即提高了缺陷检测的准确度。
步骤103,对所述多个伽柏滤波图像进行图像融合,得到融合图像。
步骤104,基于不同的灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素;其中,所述灰度阈值的取值范围为所述融合图像的灰度值范围。
本实施例中,通过伽柏滤波对融合图像进行处理,之后将获得的多张滤波图像融合,根据融合图像获取灰度阈值,基于该灰度阈值对融合图像进行分割并根据分割后的融合图像进行缺陷检测从而获得待检测屏幕中有缺陷的子像素,由于是基于融合图像本身获取的灰度阈值进行检测,不需要与其他屏幕图像进行比较,避免出现因受到环境光强、屏幕自身亮度等因素影响使得获得的屏幕图像本身就具有差异性影响检测效果的问题,提高屏幕缺陷检测的精度,为屏幕出厂质量检测和后续工艺改善提供可靠的依据。
在一些可选的实施例中,步骤102中所述对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像包括:
对所获得的待检测屏幕的图像分别进行第一方向以及第二方向的伽柏滤波,得到第一伽柏滤波图像以及第二伽柏滤波图像,所述第一方向与所述第二方向垂直;其中,获得所述第一伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第一方向上的子像素间隔,获得所述第二伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第二方向上的子像素间隔。
现有技术中使用多个方向多个波长的滤波方法对待检测屏幕的图像进行滤波获得多个滤波图像,例如在一些现有技术中需要获得12个不同方向不同波长的伽柏滤波图像再进行融合,这导致整个算法的运行效率低下。而本申请只需通过两张滤波图像即可实现屏幕像素的检测,提高了检测效率;同时,由于后续步骤基于融合图像本身进行检测,不需与其他图像进行比对,因此并未降低检测精度,提高了检测效果。
可选的,采用第一滤波器以及第二滤波器分别对待检测屏幕的图像进行滤波得到第一伽柏滤波图像以及第二伽柏滤波图像。其中,第一方向为待检测屏幕的图像的横向,第二方向为待检测屏幕的图像的纵向,子像素间隔指相邻两个子像素中心之间的距离。即第一伽柏滤波器的滤波角度θ1=90°,波长为待检测屏幕的图像横向上相邻两个子像素中心之间的距离;第二伽柏滤波器的滤波角度θ2=0°,波长为待检测屏幕的图像纵向上相邻两个子像素中心之间的距离。
在一些可选的实施例中,步骤103中所述对所述多个伽柏滤波图像进行图像融合,得到融合图像包括:
采用平方融合法对所述两个伽柏滤波图像进行图像融合,所述平方融合法的公式为,
其中,I表示所述融合图像中的灰度值,I1表示所述第一伽柏滤波图像的灰度值,I2表示所述第二伽柏滤波图像的灰度值。
在本实施例中,通过简单的平方融合法对第一伽柏滤波图像以及第二伽柏滤波图像进行图像融合,该图像融合方法简单方便,能够提升整个图像检测算法的检测效率。可选的,在有需要的情况下,还可选择其他加权平均方法、贝叶斯估计方法以及聚类分析方法等图像融合方法进行图像融合。
在另一些可选的实施例中,如图3所示,步骤104中所述基于灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素包括:
步骤201,基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域。
可选的,步骤201进一步包括:
步骤301,获取所述融合图像的最小灰度值Mmin以及最大灰度值Mmax。
步骤302,在所述最小灰度值Mmin和最大灰度值Mmax之间按照预设的步长依次选取灰度阈值Mi,其中Mmin<Mi<Mmax。
可选的,基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi,其中i=1,2,3,…m。在本实施例中,选取到的灰度阈值共有m个,基于每个灰度阈值进行分割会得到一个对应的二值图像,故共得到m个二值图像。当步长选择较大时,分割得到的二值图像的数量少,整个算法的运行效率会提高;当步长选择较小时,分割得到的二值图像的数量少,后续进行缺陷判定得到的结果更加准确。因此可以根据实际的需要选择合适的步长大小,或者可以根据需要调整步长的大小。
步骤303,基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi,其中i=1,2,3,…m。
可选的,对于融合图像中的每一个像素点,判断其灰度值是否大于灰度阈值Mi,若是,将该像素点的灰度值设置为第一灰度值,否则设置为第二灰度值。其中,第一灰度值为255,第二灰度值为0;或者第一灰度值为0,第二灰度值为255。
步骤304,计算所述二值图像Pi中的连通区域的面积Aij,其中j=1,2,3,…n。可选的,可以基于第一灰度值获得连通区域,或者也可以基于第二灰度值获得连通区域,同时需要计算各个二值图像中全部的连通区域以便于后续缺陷判定。
步骤305,对于灰度阈值Mi,判断每一个连通区域A(i+1)j的面积变化率dA(i+1)j与预设的面积变化阈值之间的关系,其中dA(i+1)j=A(i+1)j-Aij,若所述面积变化率dA(i+1)j小于所述面积变化阈值,则所述连通区域为缺陷区域。
对于待检测屏幕的图像,当其不具有缺陷时,其灰度值会逐渐变化,在这种情况下基于逐渐变化的灰度阈值进行分割获得二值图像时,该二值图像的某一连通区域的面积也会不断地变化。而对于有缺陷的区域,无论是亮缺陷还是暗缺陷,缺陷区域边缘处与周边的无缺陷区域的亮度会有较大差异,即灰度值会存在很大的差别,在这种情况下基于逐渐变化的灰度阈值进行分割获得二值图像时,当灰度阈值的取值在某一个范围内时,该二值图像的某一连通区域的面积会相对稳定。举例说明,假设待检测屏幕的图像的某一缺陷区域的灰度值为200,无缺陷区域的灰度值为150,基于灰度阈值进行分割时步长选择2,则在灰度阈值取值在152-198之间时,该处连通区域的面积是稳定的,连通区域的边缘是清晰的。因此,当出现连通区域的面积变化率dA(i+1)j小于预设的面积变化阈值时,可判定此处为缺陷区域。可选的,面积变化阈值可以根据实际需求选择。
步骤202,获取所述缺陷区域的外包围多边形,对所述外包围多边形进行聚类计算,获得缺陷像素点。可选的,外包围多边形可以为外包围矩形,也可以根据需要选择其他多边形,如三角形、五边形等。
在本实施例中,对步骤201中获得的全部缺陷区域进行处理得到外包围多边形,如图4a、图4c所示。之后在每一个外包围多边形中使用聚类算法进行聚类计算,获得更加准确的缺陷区域的轮廓,如图4b、图4d所示,即得到缺陷像素点的准确位置。在本实施例中,聚类算法可选用k均值聚类算法(k-means clustering algorithm)等。且在本实施例中只有缺陷和背景两类(即k=2),同时由于外包围多边形的面积一般都比较小,因此进行聚类计算时其算法运行速度很快,可以提高屏幕的检测效率。
步骤203,对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别。
可选的,步骤203进一步包括:
步骤401,获取所述外包围多边形的中心像素点的中心点灰度值以及各个边角像素点的边角点灰度值,并计算边角点灰度值的平均灰度值。其中,边角点灰度值即为外包围多边形的相邻两条边之间的夹角处的像素点的灰度值。在一个可选的实施例中,当外包围多边形为外包围矩形时,获得该外包围矩形四个角的像素的灰度值pixel左上、pixel右上、pixel左下、pixel右下,并求其平均灰度值。
步骤402,判断所述平均灰度值与所述中心点灰度值的关系,若所述平均灰度值小于所述中心点灰度值,则所述缺陷像素点为亮缺陷;若所述平均灰度值大于所述中心点灰度值,则所述缺陷像素点为暗缺陷。
在本实施例中,由于外包围多边形的中心像素点处于缺陷区域,各个边角点处于非缺陷区域,因此若边角点灰度值的平均灰度值小于中心点灰度值,则该缺陷区域的亮度高于非缺陷区域的亮度,即该处的缺陷像素点为亮缺陷,如图5a所示,缺陷区域51即为亮缺陷。同理,若边角点灰度值的平均灰度值大于中心点灰度值,则该缺陷区域的亮度低于非缺陷区域的亮度,即该处的缺陷像素点为暗缺陷,如图5b所示,缺陷区域52即为暗缺陷。通过本实施例所述方法可以简单方便的判断出缺陷像素点的类别,从而确认待检测屏幕中的有缺陷的子像素的缺陷类别。
在另一些可选的实施例中,步骤103与步骤104之间还包括:
以所述融合图像中任一像素点为中心,获取其邻域范围内的多个相邻像素点,计算所述多个相邻像素点的像素值方差,并将所述像素值方差替换为该中心像素点的像素值。在一个具体的实施例中,对融合图像中的像素点pixel中心选取其5x5邻域内的25个像素点,计算这25个像素点的方差值最后利用方差值取代中心的像素点的像素值pixel中心,通过这种方法利用像素间的差异性来消除背景的不均匀性,从而使得后续的缺陷检测更加准确、有效。
需要说明的是,本发明实施例所述屏幕的检测方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
本发明实施例的第二个方面提出一种屏幕的检测装置,如图6所示,包括:
图像获取模块11,用于获取待检测屏幕的图像。
滤波模块12,用于对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像。
图像融合模块13,用于对所述多个伽柏滤波图像进行图像融合,得到融合图像。
缺陷检测模块14,用于基于不同的灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素;所述灰度阈值的取值范围为所述融合图像的灰度值范围。
可选的,所述滤波模块12还用于实现:对所获得的待检测屏幕的图像分别进行第一方向以及第二方向的伽柏滤波,得到第一伽柏滤波图像以及第二伽柏滤波图像;其中,所述第一方向与所述第二方向垂直;其中,获得所述第一伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第一方向上的子像素间隔;获得所述第二伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第二方向上的子像素间隔。
可选的,所述图像融合模块13还用于实现:
采用平方融合法对所述两个伽柏滤波图像进行图像融合,所述平方融合法的公式为,
其中,I表示所述融合图像中的灰度值,I1表示所述第一伽柏滤波图像的灰度值,I2表示所述第二伽柏滤波图像的灰度值。
可选的,所述缺陷检测模块14还用于实现:
基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域;
获取所述缺陷区域的外包围多边形,对所述外包围多边形进行聚类计算,获得缺陷像素点;
对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别。
可选的,所述基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域包括:
获取所述融合图像的最小灰度值以及最大灰度值;
在所述最小灰度值和最大灰度值之间按照预设的步长依次选取灰度阈值Mi,基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi,其中i=1,2,3,…m;
计算所述二值图像Pi中的连通区域的面积Aij,其中j=1,2,3,…n;
对于灰度阈值Mi,判断每一个连通区域A(i+1)j的面积变化率dA(i+1)j与预设的面积变化阈值之间的关系,其中dA(i+1)j=A(i+1)j-Aij,若所述面积变化率dA(i+1)j小于所述面积变化阈值,则所述连通区域为缺陷区域。
可选的,所述基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi包括:对于所述融合图像中的每一个像素点,判断其灰度值是否大于灰度阈值Mi,若是,将该像素点的灰度值设置为第一灰度值,否则设置为第二灰度值。
可选的,所述对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别包括:
获取所述外包围多边形的中心像素点的中心点灰度值以及各个边角像素点的边角点灰度值,并计算边角点灰度值的平均灰度值;
判断所述平均灰度值与所述中心点灰度值的关系,若所述平均灰度值小于所述中心点灰度值,则所述缺陷像素点为亮缺陷;若所述平均灰度值大于所述中心点灰度值,则所述缺陷像素点为暗缺陷。
可选的,所述对所述融合图像进行检测之前还包括:
以所述融合图像中任一像素点为中心,获取其邻域范围内的多个相邻像素点,计算所述多个相邻像素点的像素值方差,并将所述像素值方差替换为该中心像素点的像素值。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本发明实施例的第三个方面提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任意一项实施例所述的屏幕的检测方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本发明实施例的第四个方面提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述任一实施例所述屏幕的检测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种屏幕的检测方法,其特征在于,包括:
获取待检测屏幕的图像;
对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像;
对所述多个伽柏滤波图像进行图像融合,得到融合图像;
基于不同的灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素;其中,所述灰度阈值的取值范围为所述融合图像的灰度值范围。
2.根据权利要求1所述的屏幕的检测方法,其特征在于,所述对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像包括:
对所获得的待检测屏幕的图像分别进行第一方向以及第二方向的伽柏滤波,得到第一伽柏滤波图像以及第二伽柏滤波图像,所述第一方向与所述第二方向垂直;其中,获得所述第一伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第一方向上的子像素间隔,获得所述第二伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第二方向上的子像素间隔。
4.根据权利要求1所述的屏幕的检测方法,其特征在于,所述基于灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素包括:
基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域;
获取所述缺陷区域的外包围多边形,对所述外包围多边形进行聚类计算,获得缺陷像素点;
对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别。
5.根据权利要求4所述的屏幕的检测方法,其特征在于,所述基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域包括:
获取所述融合图像的最小灰度值以及最大灰度值;
在所述最小灰度值和最大灰度值之间按照预设的步长依次选取灰度阈值Mi,基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi,其中i=1,2,3,…m;
计算所述二值图像Pi中的连通区域的面积Aij,其中j=1,2,3,…n;
对于灰度阈值Mi,判断每一个连通区域A(i+1)j的面积变化率dA(i+1)j与预设的面积变化阈值之间的关系,其中dA(i+1)j=A(i+1)j-Aij,若所述面积变化率dA(i+1)j小于所述面积变化阈值,则所述连通区域为缺陷区域。
6.根据权利要求5所述的屏幕的检测方法,其特征在于,所述基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi包括:
对于所述融合图像中的每一个像素点,判断其灰度值是否大于灰度阈值Mi,若是,将该像素点的灰度值设置为第一灰度值,否则设置为第二灰度值。
7.根据权利要求4所述的屏幕的检测方法,其特征在于,所述对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别包括:
获取所述外包围多边形的中心像素点的中心点灰度值以及各个边角像素点的边角点灰度值,并计算边角点灰度值的平均灰度值;
判断所述平均灰度值与所述中心点灰度值的关系,若所述平均灰度值小于所述中心点灰度值,则所述缺陷像素点为亮缺陷;若所述平均灰度值大于所述中心点灰度值,则所述缺陷像素点为暗缺陷。
8.根据权利要求1所述的屏幕的检测方法,其特征在于,所述对所述融合图像进行检测之前还包括:
以所述融合图像中任一像素点为中心,获取其邻域范围内的多个相邻像素点,计算所述多个相邻像素点的像素值方差,并将所述像素值方差替换为该中心像素点的像素值。
9.一种屏幕的检测装置,其特征在于,包括:
图像获取模块,用于获取待检测屏幕的图像;
滤波模块,用于对所获得的待检测屏幕的图像进行伽柏滤波,得到多个伽柏滤波图像;
图像融合模块,用于对所述多个伽柏滤波图像进行图像融合,得到融合图像;
缺陷检测模块,用于基于不同的灰度阈值对所述融合图像进行分割,根据分割后的所述融合图像进行缺陷检测,获得所述待检测屏幕中有缺陷的子像素;所述灰度阈值的取值范围为所述融合图像的灰度值范围。
10.根据权利要求9所述的屏幕的检测装置,其特征在于,所述滤波模块还用于实现:对所获得的待检测屏幕的图像分别进行第一方向以及第二方向的伽柏滤波,得到第一伽柏滤波图像以及第二伽柏滤波图像;其中,所述第一方向与所述第二方向垂直;其中,获得所述第一伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第一方向上的子像素间隔;获得所述第二伽柏滤波图像的伽柏滤波器的波长为待检测屏幕的图像在第二方向上的子像素间隔。
11.根据权利要求10所述的屏幕的检测装置,其特征在于,所述缺陷检测模块还用于实现:
基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域;
获取所述缺陷区域的外包围多边形,对所述外包围多边形进行聚类计算,获得缺陷像素点;
对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别。
12.根据权利要求11所述的屏幕的检测装置,其特征在于,所述基于每个灰度阈值对所述融合图像进行阈值分割,获得与所述灰度阈值一一对应的多个二值图像,基于所述多个二值图像获得缺陷区域包括:
获取所述融合图像的最小灰度值以及最大灰度值;
在所述最小灰度值和最大灰度值之间按照预设的步长依次选取灰度阈值Mi,基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi,其中i=1,2,3,…m;
计算所述二值图像Pi中的连通区域的面积Aij,其中j=1,2,3,…n;
对于灰度阈值Mi,判断每一个连通区域A(i+1)j的面积变化率dA(i+1)j与预设的面积变化阈值之间的关系,其中dA(i+1)j=A(i+1)j-Aij,若所述面积变化率dA(i+1)j小于所述面积变化阈值,则所述连通区域为缺陷区域。
13.根据权利要求12所述的屏幕的检测装置,其特征在于,所述基于灰度阈值Mi对所述融合图像进行阈值分割得到二值图像Pi包括:
对于所述融合图像中的每一个像素点,判断其灰度值是否大于灰度阈值Mi,若是,将该像素点的灰度值设置为第一灰度值,否则设置为第二灰度值。
14.根据权利要求11所述的屏幕的检测装置,其特征在于,所述对所述缺陷像素点进行缺陷判定,获得所述缺陷像素点的类别包括:
获取所述外包围多边形的中心像素点的中心点灰度值以及各个边角像素点的边角点灰度值,并计算边角点灰度值的平均灰度值;
判断所述平均灰度值与所述中心点灰度值的关系,若所述平均灰度值小于所述中心点灰度值,则所述缺陷像素点为亮缺陷;若所述平均灰度值大于所述中心点灰度值,则所述缺陷像素点为暗缺陷。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任意一项所述的屏幕的检测方法。
16.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至8任意一项所述屏幕的检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226410.7A CN111340752A (zh) | 2019-12-04 | 2019-12-04 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
US16/850,778 US11334981B2 (en) | 2019-12-04 | 2020-04-16 | Method and apparatus for detecting a screen, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226410.7A CN111340752A (zh) | 2019-12-04 | 2019-12-04 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340752A true CN111340752A (zh) | 2020-06-26 |
Family
ID=71187033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911226410.7A Pending CN111340752A (zh) | 2019-12-04 | 2019-12-04 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11334981B2 (zh) |
CN (1) | CN111340752A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111862018A (zh) * | 2020-07-09 | 2020-10-30 | 歌尔科技有限公司 | 显示屏幕的像素检测方法和检测装置 |
CN112184723A (zh) * | 2020-09-16 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN112837287A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面缺陷区域的提取方法及装置 |
CN113012137A (zh) * | 2021-03-24 | 2021-06-22 | 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 |
CN113838053A (zh) * | 2021-11-26 | 2021-12-24 | 深圳市鑫信腾科技股份有限公司 | 屏幕缺陷的检测方法、装置、设备及存储介质 |
CN114022415A (zh) * | 2021-10-15 | 2022-02-08 | 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 |
CN114143474A (zh) * | 2021-12-06 | 2022-03-04 | 广州尚臣电子有限公司 | 一种基于图像平均灰度的物感处理方法 |
CN114581433A (zh) * | 2022-03-22 | 2022-06-03 | 中国工程物理研究院流体物理研究所 | 一种获取金属球腔内表面形貌检测图像的方法及*** |
CN114705824A (zh) * | 2022-03-30 | 2022-07-05 | 广州市光铭金属制品有限责任公司 | 一种金属元件产品缺陷检测方法及*** |
CN116912181A (zh) * | 2023-06-30 | 2023-10-20 | 深圳市圆周检测技术有限公司 | 一种屏幕均匀度检测方法、***和可读存储介质 |
CN116993718A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市东陆科技有限公司 | 基于机器视觉的tft阵列基板缺陷检测方法 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361446B (zh) * | 2021-06-22 | 2024-04-16 | 公安部第一研究所 | 一种x射线包裹图像提取方法 |
CN113674238B (zh) * | 2021-08-16 | 2024-06-11 | 浙江大华技术股份有限公司 | 坏点检测方法、装置、电子设备和存储介质 |
CN114166805B (zh) * | 2021-11-03 | 2024-01-30 | 格力电器(合肥)有限公司 | Ntc温度传感器检测方法、装置、ntc温度传感器及制造方法 |
CN113808136B (zh) * | 2021-11-19 | 2022-02-22 | 中导光电设备股份有限公司 | 一种基于最近邻算法的液晶屏幕缺陷检测方法和*** |
CN113822890B (zh) * | 2021-11-24 | 2022-02-25 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、***及存储介质 |
CN113870266B (zh) * | 2021-12-03 | 2022-03-11 | 中导光电设备股份有限公司 | 一种基于tft-lcd线条缺陷真实性判定方法和*** |
CN114298985B (zh) * | 2021-12-16 | 2023-12-22 | 苏州凌云光工业智能技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN114399507B (zh) * | 2022-03-25 | 2022-06-17 | 季华实验室 | 一种手机外观质量检测方法、装置、电子设备及存储介质 |
CN115035057B (zh) * | 2022-05-31 | 2023-07-11 | 中国医学科学院生物医学工程研究所 | 眼前房的房水细胞浓度获取方法、装置、存储介质和设备 |
CN114998322B (zh) * | 2022-07-19 | 2022-10-25 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及*** |
CN115131355B (zh) * | 2022-08-31 | 2022-11-18 | 南通鑫阳雨具有限公司 | 利用电子设备数据检测防水布异常的智能方法 |
CN115661036A (zh) * | 2022-09-26 | 2023-01-31 | 上海闻泰电子科技有限公司 | 基于纹理特征的角点检测方法、***、电子设备及介质 |
CN115359043B (zh) * | 2022-10-18 | 2023-08-22 | 浙江晶引电子科技有限公司 | 一种pcb板面异物智能检测方法 |
CN115631198B (zh) * | 2022-12-21 | 2023-08-08 | 深圳新视智科技术有限公司 | 玻璃显示屏的裂纹检测方法、装置及计算机设备 |
CN115994904B (zh) * | 2023-03-22 | 2023-05-30 | 山东万重山电子有限公司 | 基于计算机视觉的挂烫机面板生产质量检测方法 |
CN116385414B (zh) * | 2023-04-10 | 2023-11-07 | 哈尔滨耐是智能科技有限公司 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
CN116740070B (zh) * | 2023-08-15 | 2023-10-24 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN117237298B (zh) * | 2023-09-15 | 2024-05-14 | 广州乾丰印花有限公司 | 一种印花面料疵点检验方法、装置及计算设备 |
CN117152444B (zh) * | 2023-10-30 | 2024-01-26 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117152180B (zh) * | 2023-10-31 | 2024-01-26 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
CN117152145B (zh) * | 2023-10-31 | 2024-02-23 | 威海天拓合创电子工程有限公司 | 一种基于图像的板卡工艺检测方法及装置 |
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 |
CN117934456B (zh) * | 2024-03-20 | 2024-05-28 | 大连建峰印业有限公司 | 一种基于图像处理的包装盒印刷质量检测方法 |
CN118014988B (zh) * | 2024-03-28 | 2024-06-07 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200519A (zh) * | 2010-03-26 | 2011-09-28 | 郭上鲲 | 检测*** |
CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
US20130004028A1 (en) * | 2011-06-28 | 2013-01-03 | Jones Michael J | Method for Filtering Using Block-Gabor Filters for Determining Descriptors for Images |
CN106780486A (zh) * | 2017-01-16 | 2017-05-31 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
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 |
CN110111711A (zh) * | 2019-04-30 | 2019-08-09 | 京东方科技集团股份有限公司 | 屏幕的检测方法及装置、计算机可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917935A (en) * | 1995-06-13 | 1999-06-29 | Photon Dynamics, Inc. | Mura detection apparatus and method |
US6804381B2 (en) * | 2000-04-18 | 2004-10-12 | The University Of Hong Kong | Method of and device for inspecting images to detect defects |
US6983065B1 (en) * | 2001-12-28 | 2006-01-03 | Cognex Technology And Investment Corporation | Method for extracting features from an image using oriented filters |
US20090196489A1 (en) * | 2008-01-30 | 2009-08-06 | Le Tuan D | High resolution edge inspection |
KR102301437B1 (ko) * | 2014-07-09 | 2021-09-14 | 삼성디스플레이 주식회사 | 비전 검사 장치 및 이의 얼룩 검출 방법 |
KR102301379B1 (ko) * | 2015-01-20 | 2021-09-14 | 삼성전자주식회사 | 영상 처리 장치, 영상 촬영 장치, 영상 처리 방법 및 영상 촬영 장치의 제어 방법 |
CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
US10755133B2 (en) * | 2018-02-22 | 2020-08-25 | Samsung Display Co., Ltd. | System and method for line Mura detection with preprocessing |
-
2019
- 2019-12-04 CN CN201911226410.7A patent/CN111340752A/zh active Pending
-
2020
- 2020-04-16 US US16/850,778 patent/US11334981B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200519A (zh) * | 2010-03-26 | 2011-09-28 | 郭上鲲 | 检测*** |
US20110235868A1 (en) * | 2010-03-26 | 2011-09-29 | Kuo Cooper S K | Inspection System |
US20130004028A1 (en) * | 2011-06-28 | 2013-01-03 | Jones Michael J | Method for Filtering Using Block-Gabor Filters for Determining Descriptors for Images |
CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
CN106780486A (zh) * | 2017-01-16 | 2017-05-31 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
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 |
CN110111711A (zh) * | 2019-04-30 | 2019-08-09 | 京东方科技集团股份有限公司 | 屏幕的检测方法及装置、计算机可读存储介质 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862018A (zh) * | 2020-07-09 | 2020-10-30 | 歌尔科技有限公司 | 显示屏幕的像素检测方法和检测装置 |
CN111862018B (zh) * | 2020-07-09 | 2024-06-04 | 歌尔科技有限公司 | 显示屏幕的像素检测方法和检测装置 |
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 |
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 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN112184723A (zh) * | 2020-09-16 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN112184723B (zh) * | 2020-09-16 | 2024-03-26 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN112837287A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面缺陷区域的提取方法及装置 |
CN113012137A (zh) * | 2021-03-24 | 2021-06-22 | 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 |
CN114022415A (zh) * | 2021-10-15 | 2022-02-08 | 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 |
CN113838053A (zh) * | 2021-11-26 | 2021-12-24 | 深圳市鑫信腾科技股份有限公司 | 屏幕缺陷的检测方法、装置、设备及存储介质 |
CN114143474A (zh) * | 2021-12-06 | 2022-03-04 | 广州尚臣电子有限公司 | 一种基于图像平均灰度的物感处理方法 |
CN114143474B (zh) * | 2021-12-06 | 2023-10-10 | 广州尚臣电子有限公司 | 一种基于图像平均灰度的物感处理方法 |
CN114581433A (zh) * | 2022-03-22 | 2022-06-03 | 中国工程物理研究院流体物理研究所 | 一种获取金属球腔内表面形貌检测图像的方法及*** |
CN114581433B (zh) * | 2022-03-22 | 2023-09-19 | 中国工程物理研究院流体物理研究所 | 一种获取金属球腔内表面形貌检测图像的方法及*** |
CN114705824A (zh) * | 2022-03-30 | 2022-07-05 | 广州市光铭金属制品有限责任公司 | 一种金属元件产品缺陷检测方法及*** |
CN116912181A (zh) * | 2023-06-30 | 2023-10-20 | 深圳市圆周检测技术有限公司 | 一种屏幕均匀度检测方法、***和可读存储介质 |
CN116912181B (zh) * | 2023-06-30 | 2024-04-26 | 深圳市圆周检测技术有限公司 | 一种屏幕均匀度检测方法、***和可读存储介质 |
CN116993718A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市东陆科技有限公司 | 基于机器视觉的tft阵列基板缺陷检测方法 |
CN116993718B (zh) * | 2023-09-25 | 2023-12-22 | 深圳市东陆科技有限公司 | 基于机器视觉的tft阵列基板缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US11334981B2 (en) | 2022-05-17 |
US20210174489A1 (en) | 2021-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340752A (zh) | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 | |
US9697416B2 (en) | Object detection using cascaded convolutional neural networks | |
JP4657869B2 (ja) | 欠陥検出装置、イメージセンサデバイス、イメージセンサモジュール、画像処理装置、デジタル画像品質テスタ、欠陥検出方法、欠陥検出プログラム、およびコンピュータ読取可能な記録媒体 | |
US8902229B2 (en) | Method and system for rendering three dimensional views of a scene | |
CN110070551B (zh) | 视频图像的渲染方法、装置和电子设备 | |
CN110827244A (zh) | 一种用于电子设备外观瑕疵检测的方法与设备 | |
US20170018106A1 (en) | Method and device for processing a picture | |
US20160259990A1 (en) | Region-of-interest detection apparatus, region-of-interest detection method, and recording medium | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
US20120207379A1 (en) | Image Inspection Apparatus, Image Inspection Method, And Computer Program | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN114937050A (zh) | 绿幕抠图方法、装置及电子设备 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN117152165A (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN115984268B (zh) | 基于机器视觉的目标检测方法、装置、电子设备以及介质 | |
WO2024016715A1 (zh) | 检测***的成像一致性的方法、装置和计算机存储介质 | |
US20220292662A1 (en) | Information processing apparatus,information processing method,and non-transitory computer-readable storage medium | |
CN113221742B (zh) | 视频分屏线确定方法、装置、电子设备、介质和程序产品 | |
CN115239653A (zh) | 支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质 | |
CN114359176A (zh) | 面板检测方法、装置、电子设备及存储介质 | |
CN113508395A (zh) | 用于检测对象的方法 | |
WO2020107196A1 (zh) | 一种对拍摄装置的拍摄质量评测方法、装置及终端设备 | |
CN111160358A (zh) | 一种图像二值化方法、装置、设备、介质 | |
CN113487552B (zh) | 视频检测方法和视频检测装置 |
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 |