CN111815630B - 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
CN111815630B
CN111815630B CN202010882209.0A CN202010882209A CN111815630B CN 111815630 B CN111815630 B CN 111815630B CN 202010882209 A CN202010882209 A CN 202010882209A CN 111815630 B CN111815630 B CN 111815630B
Authority
CN
China
Prior art keywords
defect
suspicious
image
screen
contour
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
Application number
CN202010882209.0A
Other languages
English (en)
Other versions
CN111815630A (zh
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 CN202010882209.0A priority Critical patent/CN111815630B/zh
Publication of CN111815630A publication Critical patent/CN111815630A/zh
Application granted granted Critical
Publication of CN111815630B publication Critical patent/CN111815630B/zh
Priority to PCT/CN2021/114450 priority patent/WO2022042579A1/zh
Priority to US18/042,422 priority patent/US20230326006A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; 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
    • G06T7/10—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
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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; CALCULATING OR 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; 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
    • G06V10/44—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; CALCULATING OR 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; 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/20224—Image subtraction
    • 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
    • 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

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)
  • 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)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开一种用于LCD屏幕的缺陷检测方法、装置。本申请的方法包括：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。本申请的技术方案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。
背景技术
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 CrystalDisplay，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***，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***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屏幕中线状缺陷检测的方法。
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 527630DEST_PATH_IMAGE001
上述公式中，G(x,y)为高斯滤波函数，参数
Figure 947241DEST_PATH_IMAGE002
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
Figure 891670DEST_PATH_IMAGE002
可以生成不同的滤波器，
Figure 583683DEST_PATH_IMAGE002
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
Figure 976487DEST_PATH_IMAGE002
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
Figure 171976DEST_PATH_IMAGE002
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
Figure 555815DEST_PATH_IMAGE002
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Ij，依次判断该像素点Ij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Ij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Ij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Ip进行以轮廓点Ip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Ip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Ip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Ip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Ip之间的距离，将最大距离标记为轮廓点Ip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；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***的结构示意图，该缺陷检测***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。
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***900的处理器910读取，当计算机可读程序代码931由缺陷检测***900运行时，导致缺陷检测***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。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 (9)

1.一种用于LCD屏幕的缺陷检测方法，其特征在于，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；
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。
2.如权利要求1所述的方法，其特征在于，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。
3.如权利要求2所述的方法，其特征在于，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。
4.如权利要求1所述的方法，其特征在于，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，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。
5.如权利要求1所述的方法，其特征在于，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，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。
6.如权利要求5所述的方法，其特征在于，对可疑区域内符合聚类条件的任一像素点进行聚类处理，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。
7.如权利要求1所述的方法，其特征在于，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，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。
8.如权利要求1所述的方法，其特征在于，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。
9.一种用于LCD屏幕的缺陷检测装置，其特征在于，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；
其中，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。
CN202010882209.0A 2020-08-28 2020-08-28 一种用于lcd屏幕的缺陷检测方法、装置 Active CN111815630B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
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
PCT/CN2021/114450 WO2022042579A1 (zh) 2020-08-28 2021-08-25 一种用于lcd屏幕的缺陷检测方法、装置
US18/042,422 US20230326006A1 (en) 2020-08-28 2021-08-25 Defect detection method and device for an lcd screen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
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 (2)

Publication Number Publication Date
CN111815630A CN111815630A (zh) 2020-10-23
CN111815630B true CN111815630B (zh) 2020-12-15

Family

ID=72860195

Family Applications (1)

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

Country Status (3)

Country Link
US (1) US20230326006A1 (zh)
CN (1) CN111815630B (zh)
WO (1) WO2022042579A1 (zh)

Families Citing this family (39)

* 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
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***
CN113643245A (zh) * 2021-07-26 2021-11-12 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
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
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
CN114663416B (zh) * 2022-03-31 2023-05-09 河北鹰眼智能科技有限公司 基于计算机视觉的铜排冷隔缺陷检测方法及***
CN114820594B (zh) * 2022-06-21 2022-09-23 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
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
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
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
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***
CN115439476B (zh) * 2022-11-07 2023-03-14 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
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
CN115641332B (zh) * 2022-12-01 2023-03-31 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
CN115601367B (zh) * 2022-12-15 2023-04-07 苏州迈创信息技术有限公司 一种led灯芯缺陷检测方法
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
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***及装置及介质
CN115861291B (zh) * 2023-01-06 2023-05-09 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
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
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
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***
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
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、***、设备及其介质
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
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***
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
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***
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
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***
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
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

Citations (5)

* 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
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***
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10867382B2 (en) * 2018-05-24 2020-12-15 Keysight Technologies, Inc. Detecting mura defects in master panel of flat panel displays during fabrication
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

Patent Citations (5)

* 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
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***
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

Also Published As

Publication number Publication date
US20230326006A1 (en) 2023-10-12
CN111815630A (zh) 2020-10-23
WO2022042579A1 (zh) 2022-03-03

Similar Documents

Publication Publication Date Title
CN111815630B (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、***及存储介质
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和***
CN116168026B (zh) 基于计算机视觉的水质检测方法及***
CN111612781A (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN113109368B (zh) 玻璃裂纹检测方法、装置、设备及介质
CN112598922B (zh) 车位检测方法、装置、设备及存储介质
CN108896278A (zh) 一种滤光片丝印缺陷检测方法、装置及终端设备
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和***
CN110706224B (zh) 基于暗场图像的光学元件弱划痕检测方法、***和装置
CN111951253A (zh) 用于锂电池表面缺陷检测的方法、设备及可读存储介质
CN111223078B (zh) 瑕疵等级判定的方法及存储介质
CN109300127A (zh) 缺陷检测方法、装置、计算机设备及存储介质
CN108052921B (zh) 一种车道线检测方法、装置及终端
CN115953373B (zh) 玻璃缺陷检测方法、装置、电子设备及存储介质
CN107545217B (zh) 指纹匹配方法、指纹匹配装置和指纹识别芯片
CN109102507A (zh) 螺钉螺纹检测方法以及装置
CN113781406A (zh) 电子元器件的划痕检测方法、装置及计算机设备
CN112669295A (zh) 一种基于二次阈值分割理论的锂电池极片缺陷检测方法
CN115909157A (zh) 一种基于机器视觉的识别检测方法、装置、设备及介质
CN117437219A (zh) 基于计算机视觉的磁胶电感不规则外观缺陷检测方法
CN111353992A (zh) 一种基于纹理特征的农产品缺陷检测方法及***
CN114612418A (zh) 一种鼠标外壳表面缺陷检测方法及装置、***、电子设备

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