CN113608378B - 一种基于lcd制程的全自动缺陷检测方法和*** - Google Patents

一种基于lcd制程的全自动缺陷检测方法和*** Download PDF

Info

Publication number
CN113608378B
CN113608378B CN202111172203.5A CN202111172203A CN113608378B CN 113608378 B CN113608378 B CN 113608378B CN 202111172203 A CN202111172203 A CN 202111172203A CN 113608378 B CN113608378 B CN 113608378B
Authority
CN
China
Prior art keywords
image
gray
liquid crystal
integrated
detection
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
CN202111172203.5A
Other languages
English (en)
Other versions
CN113608378A (zh
Inventor
蒲学红
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.)
Shenzhen Huijing Technology Co ltd
Original Assignee
Shenzhen Huijing 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 Shenzhen Huijing Technology Co ltd filed Critical Shenzhen Huijing Technology Co ltd
Priority to CN202111172203.5A priority Critical patent/CN113608378B/zh
Publication of CN113608378A publication Critical patent/CN113608378A/zh
Application granted granted Critical
Publication of CN113608378B publication Critical patent/CN113608378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/1306—Details
    • G02F1/1309—Repairing; Testing
    • 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
    • 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
    • G01N2021/9513—Liquid crystal panels

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Nonlinear Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Optics & Photonics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Liquid Crystal (AREA)

Abstract

本发明提供一种基于LCD制程的全自动缺陷检测方法和***，LCD生产线的传送机构将液晶面板传送并由定位机构定位，同时由光源输出对液晶面板的检测光线；调整CCD相机的镜头与液晶面板之间的距离以进行对焦处理；使CCD相机沿着预设的路径依次采集获取该液晶面板的多张原始图像；由图像校正模块对每张原始图像进行畸形校正处理；由图像拼接模块对全部畸形校正图像进行图像拼接，得到全局图像；检测区域定位模块基于模板匹配算法从全局图像中提取待检测区域；由图像检测装置采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，输出检测结果。本发明能够有效提升LCD制程的检测效率和准确率。

Description

一种基于LCD制程的全自动缺陷检测方法和***
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种基于LCD制程的全自动缺陷检测方法和***。
背景技术
随着液晶面板（LCD，Liquid Crystal Display）产业的不断发展，液晶面板的质量要求越来越高，因此在液晶面板制造过程中需要对液晶面板进行质量检测。传统的检测方式是人工视觉检测，然而人工检测方式无法满足大规模快速生产的需求。同时，人工检测方式检测精度和检测效率不高，并额外增加了人力成本。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于LCD制程的全自动缺陷检测方法和***，能够提升液晶面板的检测效率和检测精度。
本发明第一方面提出了一种基于LCD制程的全自动缺陷检测方法，所述方法包括：
预设有多条LCD生产线，通过每条LCD生产线的传送机构将液晶面板传送至指定位置并由定位机构进行定位，同时由光源输出对液晶面板的检测光线；
调整CCD相机的镜头与液晶面板之间的距离以进行对焦处理；
通过扫描仪扫描该液晶面板的识别码以获取该液晶面板的标识ID，并使所述CCD相机沿着预设的路径依次采集获取该液晶面板的多张原始图像；
由图像校正模块对每张原始图像进行畸形校正处理，得到畸形校正图像；
由图像拼接模块获取该液晶面板的全部畸形校正图像并进行图像拼接处理，得到该液晶面板的全局图像，将标识ID与所述全局图像进行绑定后传输给检测区域定位模块；
所述检测区域定位模块基于模板匹配算法从所述全局图像中提取待检测区域，并将标识ID与待检测区域关联传输给图像检测装置；
由图像检测装置采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，输出检测结果，并记录各个液晶面板的标识ID和检测结果到检测数据库中。
本方案中，由图像检测装置采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，具体包括：
由图像检测装置同步接收多条LCD生产线提供的液晶面板的标识ID与待检测区域；
预设一整合模型，所述整合模型包括多个组成区，多个组成区分别与多个LCD生产线一一对应，预设多个组成区为L1个；
将从多个LCD生产线同步得到的多个液晶面板的待检测区域分别填充至对应的组成区，待填充完成后，得到整合图像；
对所述整合图像进行二值化处理，得到整合灰度图像；
将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点。
本方案中，将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点，具体包括：
对所述整合灰度图像的各个待检测区域在整合模型的限定下按照随机算法变换位置关系，得到一个参考灰度图像；
对所述整合灰度图像的各个待检测区域进行L2次随机变换位置关系，得到L2个参考灰度图像；
将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点。
本方案中，将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点，具体包括：
将所述整合灰度图像中的第一像素点的灰度值减去第一参考灰度图像对应像素点的灰度值，得到第一像素点的第一灰度差；
计算第一灰度差的绝对值，判断第一灰度差的绝对值是否大于第一阈值，若大于，则将所述整合灰度图像的第一像素点认定为一次缺陷参考点；
将所述整合灰度图像中的第一像素点的灰度值与剩余参考灰度图像对应像素点的灰度值分别进行灰度差计算，并将得到灰度差的绝对值与第一阈值进行比对，根据比对结果，确定第一像素点是否能够认定为缺陷参考点；
统计所述整合灰度图像中的第一像素点被认定为缺陷参考点的总次数；
判断所述总次数是否大于第二阈值，若大于，则将所述整合灰度图像中的第一像素点标记为缺陷点；
分别将所述整合灰度图像的剩余像素点与L2个参考灰度图像对应像素点的灰度值进行作差比对分析处理，得到所述整合灰度图像中的全部缺陷点。
本方案中，在得到所述整合灰度图像中的全部缺陷点之后，所述方法还包括：
从所述整合灰度图像中选出未有缺陷点标记的多个待检测区域的图像，作为检验图像，预设检验图像为L3个；
分别将每个检验图像复制为L1个相同检验图像；
基于每个检验图像，将其L1个相同检验图像分别填充至所述整合模型对应的组成区中，以分别形成L3个整合检验灰度图像；
将所述整合灰度图像中某缺陷点的灰度值与L3个整合检验灰度图像对应像素点的灰度值逐一作差计算，得到L3个差值；
针对L3个差值，判断是否超过预设比例的差值的绝对值大于第一阈值，如果是，则该缺陷点检验通过，如果否，则判定该缺陷点为异常缺陷点，并交由检测人员进行人工缺陷检测。
本方案中，由图像拼接模块获取该液晶面板的全部畸形校正图像并进行图像拼接处理，具体包括：
获取两个相邻的畸形校正图像并分别作为参考图像和待拼接图像；
通过SIFT 算法对所述参考图像和所述待拼接图像进行特征点检测；
将获取的所述参考图像和所述待拼接图像的特征点通过图像配准进行特征点匹配，并利用配准之后的匹配点进行投影矩阵的计算；
判断所述投影矩阵是否为最优投影矩阵，如果是，则进行图像拼接融合，形成融合图像，如果否，则继续利用配准之后的其它匹配点进行投影矩阵的计算，直止计算得到投影矩阵为最优投影矩阵；
将所述融合图像继续与其它相邻的畸形校正图像进行图像拼接，直至完成全部畸形校正图像的拼接，得到该液晶面板的全局图像。
本方案中，所述检测区域定位模块基于模板匹配算法从所述全局图像中提取待检测区域，具体包括：
提供一个模板图像A1，并对所述模板图像A1和所述全局图像B1进行傅里叶变换操作，得到模板图像傅里叶变换结果A2和全局图像频谱傅里叶变换结果B2；
分别计算出所述模板图像傅里叶变换结果的幅度谱A3，以及所述全局图像频谱傅里叶变换结果的幅度谱B3；
分别对所述模板图像傅里叶变换结果的幅度谱A3和所述全局图像频谱傅里叶变换结果的幅度谱B3进行高通滤波，并将幅度谱A3和B3转换到对数-极坐标空间中，并得到A4和B4，其中A4为幅度谱A3的对数-极坐标变换结果，B4为幅度谱B3的对数-极坐标变换结果；
采用相位相关法计算对数-极坐标变换结果A4与B4之间的相对平移，并得到模板图像A1和全局图像B1之间的旋转角度和缩放系数；
根据旋转角度和缩放系数对所述模板图像A1进行变换，得到仅存在平移量的图像A5；
采用相位相关法计算所述全局图像B1与图像A5之间的平移量；
根据上述获取的旋转角度、缩放系数和平移量定位出所述模板图像在所述全局图像B1的位置，并将该位置作为待检测区域。
本发明第二方面还提出一种基于LCD制程的全自动缺陷检测***，包括：多条LCD生产线和一个图像检测装置，每条LCD生产线包括传送机构、定位机构、光源、CCD相机、扫描仪、图像校正模块、图像拼接模块以及检测区域定位模块；
所述传送机构，用于将每条LCD生产线的液晶面板传送至指定位置；
所述定位机构，用于对将液晶面板定位在指定位置；
所述光源，用于输出对液晶面板的检测光线；
所述CCD相机，在完成镜头的调焦后，沿着预设的路径依次采集获取该液晶面板的多张原始图像；
所述扫描仪，用于扫描该液晶面板的识别码以获取该液晶面板的标识ID；
所述图像校正模块，用于对每张原始图像进行畸形校正处理，得到畸形校正图像；
所述图像拼接模块，用于对该液晶面板的全部畸形校正图像进行图像拼接处理，得到该液晶面板的全局图像；
所述检测区域定位模块，基于模板匹配算法从所述全局图像中提取待检测区域；
所述图像检测装置，采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，输出检测结果，并记录各个液晶面板的标识ID和检测结果到检测数据库中。
本方案中，采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，具体包括：
由图像检测装置同步接收多条LCD生产线提供的液晶面板的标识ID与待检测区域；
预设一整合模型，所述整合模型包括多个组成区，多个组成区分别与多个LCD生产线一一对应，预设多个组成区为L1个；
将从多个LCD生产线同步得到的多个液晶面板的待检测区域分别填充至对应的组成区，待填充完成后，得到整合图像；
对所述整合图像进行二值化处理，得到整合灰度图像；
将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点。
本方案中，将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点，具体包括：
对所述整合灰度图像的各个待检测区域在整合模型的限定下按照随机算法变换位置关系，得到一个参考灰度图像；
对所述整合灰度图像的各个待检测区域进行L2次随机变换位置关系，得到L2个参考灰度图像；
将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点。
本发明提出的基于LCD制程的全自动缺陷检测方法和***能够有效提升液晶面板（LCD）的检测效率和检测精度。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明一种基于LCD制程的全自动缺陷检测方法的流程图；
图2示出了本发明一种基于LCD制程的全自动缺陷检测***的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于LCD制程的全自动缺陷检测方法的流程图。
如图1所示，本发明第一方面提出一种基于LCD制程的全自动缺陷检测方法，所述方法包括：
S102，预设有多条LCD生产线，通过每条LCD生产线的传送机构将液晶面板传送至指定位置并由定位机构进行定位，同时由光源输出对液晶面板的检测光线；
S104，调整CCD相机的镜头与液晶面板之间的距离以进行对焦处理；
S106，通过扫描仪扫描该液晶面板的识别码以获取该液晶面板的标识ID，并使所述CCD相机沿着预设的路径依次采集获取该液晶面板的多张原始图像；
S108，由图像校正模块对每张原始图像进行畸形校正处理，得到畸形校正图像；
S110，由图像拼接模块获取该液晶面板的全部畸形校正图像并进行图像拼接处理，得到该液晶面板的全局图像，将标识ID与所述全局图像进行绑定后传输给检测区域定位模块；
S112，所述检测区域定位模块基于模板匹配算法从所述全局图像中提取待检测区域，并将标识ID与待检测区域关联传输给图像检测装置；
S114，由图像检测装置采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，输出检测结果，并记录各个液晶面板的标识ID和检测结果到检测数据库中。
需要说明的是，本发明的传送机构可以为传送带或机械手，定位机构可以为定位夹具。通过传送机构能够实现待检测液晶面板的上下料，实现自动化运输，节省了人力运输成本；本发明通过定位机构能够使液晶面板维持稳定的姿态，以便于后续稳定的光学检测过程。本发明的光源选为LED光源，光源颜色选为白光，本发明是利用 CCD相机来代替人眼，获取液晶面板的光学图像，然后经光电、模数转换处理后形成数字图像，以便于后续进行缺陷检测。
需要说明的是，由于CCD相机的视场相对于液晶面板的尺寸而言较小，因此通过CCD相机采集单张图像难以覆盖整个液晶面板，因此，本发明可以通过驱动机构驱使CCD相机沿预设的路径拍摄多张图像，来覆盖完整的液晶面板。同时，为了便于对液晶面板的全局检测，本发明对多张图像进行拼接，以得到全局图像。
根据本发明的具体实施例，在输出检测结果之后，所述方法还包括：
根据检测结果的类别，由传送机构将该液晶面板移动至对应的收纳区域。
可以理解，检测结果可能包括较多的类别，例如可以基于缺陷的等级进行分类，无缺陷、一级缺陷、二级缺陷、三级缺陷，则收纳区域也应为四个，以分别收纳对应的缺陷等级的液晶面板。
根据本发明的具体实施例，由图像校正模块对每张原始图像进行畸形校正处理，具体包括：
提取出原始图像中的特征点，并根据特征点并求出CCD相机的内外参数以及畸变系数；
将CCD相机的内外参数以及畸变系数代入畸变校正模型，以对原始图像进行图像畸形校正处理。
可以理解，由于CCD相机的畸变作用，使得生成的图像呈现失真。在CCD相机的畸变中，当镜头中心的放大率小于远离镜头中心的放大率，即越靠近镜头中心，光线就越弯曲，这种情况为枕形畸变；当镜头中心的放大率大于远离镜头中心的放大率，即越靠近镜头中心，光线就越笔直，这种情况为桶形畸变。本发明首先计算畸变的畸变参数，然后再做畸变的反变换，从而对畸形图像进行了校正。
在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立CCD相机成像的几何模型，这些几何模型参数就是CCD相机参数。在大多数条件下这些参数须通过实验与计算得到，求解参数的过程称之为CCD相机标定。可以理解，CCD相机标定结果的精度及算法的稳定性直接影响CCD相机工作产生结果的准确性。
根据本发明的实施例，由图像拼接模块获取该液晶面板的全部畸形校正图像并进行图像拼接处理，具体包括：
获取两个相邻的畸形校正图像并分别作为参考图像和待拼接图像；
通过SIFT 算法对所述参考图像和所述待拼接图像进行特征点检测；
将获取的所述参考图像和所述待拼接图像的特征点通过图像配准进行特征点匹配，并利用配准之后的匹配点进行投影矩阵的计算；
判断所述投影矩阵是否为最优投影矩阵，如果是，则进行图像拼接融合，形成融合图像，如果否，则继续利用配准之后的其它匹配点进行投影矩阵的计算，直止计算得到投影矩阵为最优投影矩阵；
将所述融合图像继续与其它相邻的畸形校正图像进行图像拼接，直至完成全部畸形校正图像的拼接，得到该液晶面板的全局图像。
可以理解，本发明的CCD相机在驱动机构的作用下按照“Z”字路径对液晶面板进行扫描拍摄图像，即每移动CCD相机一次，则使CCD相机对液晶面板相应的区域进行拍摄图像，为了使这些图像能够包含液晶面板的全貌，则相邻图像之间具有重叠区域，本发明基于重叠区域进行图像拼接，以得到全局图像。可以理解，本发明所谓的相邻图像是指CCD相机按照“Z”字路径的拍摄顺序在相邻拍摄点拍摄的图像。
可以理解，SIFT (Scale-invariant feature transform)算法为尺度不变特征转换算法，用来侦测与描述图像中的局部性特征，在不同的尺度空间上查找图像的关键点（特征点），并计算出关键点的方向。SIFT所查找到的关键点不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。
根据本发明的具体实施例，在得到该液晶面板的全局图像之后，所述方法还包括：
对全局图像进行图像倾斜校正和光照不均校正处理。
根据本发明的具体实施例，图像倾斜校正，具体包括：
预设液晶面板为矩形，对全局图像进行形态学闭操作处理和形态学开操作处理，得到形态学优化图像；
通过 Harris 角点函数找出形态学优化图像中的液晶面板各个Harris角点，且各个Harris角点围绕在液晶面板四周；
采用最小外接矩形方式来连接各个角点，以检测出所述液晶面板的矩形边缘，并根据所述矩形边缘确定出四个边缘角点，并获取四个边缘角点的坐标信息；
根据四个边缘角点的坐标信息计算液晶面板在全局图像上的倾斜角度，并按照倾斜角度对所述全局图像进行旋转，以进行倾斜校正。
可以理解，由于液晶面板的放置角度倾斜从而导致液晶面板在全局图像中的姿态可能不正，如果不及时进行倾斜校正处理，则会影响后续的缺陷识别准确度。需要说明的是，角点可以简单的认为是两条边的交点，比较严格的定义则是在邻域内具有两个主方向的特征点，也就是说在两个方向上灰度变化剧烈。
本发明采用 Harris 角点函数，目的是找出待测液晶面板边缘上的角点。由于图像内部孔洞的影响，在 Harris 角点检测算法实施之前需要先将图像进行形态学处理，以防止检测到图像内部角点。首先对图像进行二值化，然后对图像进行闭操作处理以及开操作处理，以便消除图像中的孔洞，且使得图像边缘轮廓不至于有大的变化，从而有利于进一步的角点检测。
根据本发明的具体实施例，光照不均校正，具体包括：
根据成像原理对反射成像过程进行建模形成照度反射模型，所述照度反射模型表达式为：
Figure 631344DEST_PATH_IMAGE001
，其中
Figure 814064DEST_PATH_IMAGE002
为全局图像，
Figure 265905DEST_PATH_IMAGE003
为光照分量，
Figure 926693DEST_PATH_IMAGE004
为待测液晶面板表面的反射分量，
Figure 662437DEST_PATH_IMAGE005
表示像素点坐标；
在多个尺度下利用高斯函数分别提取出光照分量后进行加权综合，得到最终的光照分量，且最终的光照分量的计算公式为：
Figure 16058DEST_PATH_IMAGE006
，其中
Figure 689616DEST_PATH_IMAGE007
，其中
Figure 622937DEST_PATH_IMAGE008
为尺度总数，
Figure 822974DEST_PATH_IMAGE009
表示第
Figure 239174DEST_PATH_IMAGE010
个尺度的加权系数，
Figure 524662DEST_PATH_IMAGE011
表示点积运算符号，
Figure 668198DEST_PATH_IMAGE012
表示高斯函数，
Figure 722742DEST_PATH_IMAGE013
表示归一化常数，
Figure 887007DEST_PATH_IMAGE014
表示指数函数，
Figure 784425DEST_PATH_IMAGE015
为尺度因子，且不同尺度的尺度因子不同；
对所述照度反射模型的表达式
Figure 856286DEST_PATH_IMAGE001
进行变换得到
Figure 906282DEST_PATH_IMAGE016
，其中
Figure 975869DEST_PATH_IMAGE017
表示对数函数，将全局图像
Figure 235949DEST_PATH_IMAGE002
以及多尺度下计算得到的最终的光照分量
Figure 734670DEST_PATH_IMAGE003
代入
Figure 763806DEST_PATH_IMAGE018
，即得到待测液晶面板表面的反射分量
Figure 941977DEST_PATH_IMAGE004
，即为光照不均校正处理后的全局图像。
根据本发明的实施例，所述检测区域定位模块基于模板匹配算法从所述全局图像中提取待检测区域，具体包括：
提供一个模板图像A1，并对所述模板图像A1和所述全局图像B1进行傅里叶变换操作，得到模板图像傅里叶变换结果A2和全局图像频谱傅里叶变换结果B2；
分别计算出所述模板图像傅里叶变换结果的幅度谱A3，以及所述全局图像频谱傅里叶变换结果的幅度谱B3；
分别对所述模板图像傅里叶变换结果的幅度谱A3和所述全局图像频谱傅里叶变换结果的幅度谱B3进行高通滤波，并将幅度谱A3和B3转换到对数-极坐标空间中，并得到A4和B4，其中A4为幅度谱A3的对数-极坐标变换结果，B4为幅度谱B3的对数-极坐标变换结果；
采用相位相关法计算对数-极坐标变换结果A4与B4之间的相对平移，并得到模板图像A1和全局图像B1之间的旋转角度和缩放系数；
根据旋转角度和缩放系数对所述模板图像A1进行变换，得到仅存在平移量的图像A5；
采用相位相关法计算所述全局图像B1与图像A5之间的平移量；
根据上述获取的旋转角度、缩放系数和平移量定位出所述模板图像在所述全局图像B1的位置，并将该位置作为待检测区域。
可以理解，相位相关法是利用傅里叶变化，在频域进行相位匹配从而达到图像配准的方法。本发明的模板图像匹配算法利用图像傅里叶变换幅度谱中存在的信息，采用对数-极坐标变换和相位相关算法相结合的方式计算旋转角度和缩放系数；根据得到的结果变换模板图像，计算平移量，从而得到模板图像在全局图像中的准确位置。
根据本发明的实施例，由图像检测装置采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，具体包括：
由图像检测装置同步接收多条LCD生产线提供的液晶面板的标识ID与待检测区域；
预设一整合模型，所述整合模型包括多个组成区，多个组成区分别与多个LCD生产线一一对应，预设多个组成区为L1个；
将从多个LCD生产线同步得到的多个液晶面板的待检测区域分别填充至对应的组成区，待填充完成后，得到整合图像；
对所述整合图像进行二值化处理，得到整合灰度图像；
将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点。
可以理解，在液晶面板生产制造过程中，通常会有多条生产线，而且多条生产线是同步生产的，也就是说，各个生产线几乎同时生产出一个液晶面板，如果为每个生产线均配备一个图像检测装置，并进行缺陷分析，则检测效率不高，本发明则通过有一个图像检测装置收集多个生产线采集的图像，并进行组合形成整合图像，然后对整合图像进行统一图像缺陷分析，进而提高了检测效率，并节省了检测成本。
可以理解，上述待检测区域实际为待检测区域图像的形式存在；由于多个LCD生产线分别同步生产出一个液晶面板，也就是说每条LCD生产线都会产生一个液晶面板的待检测区域，本发明通过整合模型，将各个LCD生产线的液晶面板的待检测区域进行整合，从而形成一个整合图像，进而方便图像检测装置对该整合图像进行图像分析处理，提升了检测效率，减少了检测计算资源的投入，节省了检测成本。
根据本发明的实施例，将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点，具体包括：
对所述整合灰度图像的各个待检测区域在整合模型的限定下按照随机算法变换位置关系，得到一个参考灰度图像；
对所述整合灰度图像的各个待检测区域进行L2次随机变换位置关系，得到L2个参考灰度图像；
将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点。
可以理解，本发明通过随机方式进行变换整合灰度图像中各个待检测区域的位置关系，从而得到参考灰度图像，并将参考灰度图像作为对整合灰度图像的缺陷检测模板，本发明充分利用LCD生产线自给自足的图像，并未额外提供其它模板图像，减少外界模板图像对液晶面板缺陷检测的干扰，自适应度较高。
根据本发明的实施例，将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点，具体包括：
将所述整合灰度图像中的第一像素点的灰度值减去第一参考灰度图像对应像素点的灰度值，得到第一像素点的第一灰度差；
计算第一灰度差的绝对值，判断第一灰度差的绝对值是否大于第一阈值，若大于，则将所述整合灰度图像的第一像素点认定为一次缺陷参考点；
将所述整合灰度图像中的第一像素点的灰度值与剩余参考灰度图像对应像素点的灰度值分别进行灰度差计算，并将得到灰度差的绝对值与第一阈值进行比对，根据比对结果，确定第一像素点是否能够认定为缺陷参考点；
统计所述整合灰度图像中的第一像素点被认定为缺陷参考点的总次数；
判断所述总次数是否大于第二阈值，若大于，则将所述整合灰度图像中的第一像素点标记为缺陷点；
分别将所述整合灰度图像的剩余像素点与L2个参考灰度图像对应像素点的灰度值进行作差比对分析处理，得到所述整合灰度图像中的全部缺陷点。
可以理解，整合灰度图像与L2个参考灰度图像包括的像素点一一对应，具体在灰度差计算时，则是基于相同位置的像素点进行计算。整合灰度图像的某像素点分别与L2个参考灰度图像相同位置的像素点比对L2次，统计该像素点认定为缺陷参考点的总次数，如果大于第二阈值，则说明两个图像在相同像素点的灰度值区别较大，且这两个图像在该像素点至少有一个为缺陷点，由于产品出现缺陷的几率通常很小，如果整合灰度图像与L2个参考灰度图像在相同像素点的灰度值区别都很大，即可认定整合灰度图像的该像素点为缺陷点。
根据本发明的实施例，在得到所述整合灰度图像中的全部缺陷点之后，所述方法还包括：
从所述整合灰度图像中选出未有缺陷点标记的多个待检测区域的图像，作为检验图像，预设检验图像为L3个；
分别将每个检验图像复制为L1个相同检验图像；
基于每个检验图像，将其L1个相同检验图像分别填充至所述整合模型对应的组成区中，以分别形成L3个整合检验灰度图像；
将所述整合灰度图像中某缺陷点的灰度值与L3个整合检验灰度图像对应像素点的灰度值逐一作差计算，得到L3个差值；
针对L3个差值，判断是否超过预设比例的差值的绝对值大于第一阈值，如果是，则该缺陷点检验通过，如果否，则判定该缺陷点为异常缺陷点，并交由检测人员进行人工缺陷检测。
可以理解，预设比例优选为1/2，2/3，但不限于此。本发明进一步通过已标记缺陷点的整合灰度图像进行筛选出无缺陷点标记的待检测区域，并通过这些无缺陷点标记的待检测区域为整合灰度图像的缺陷检测结果进行优化、检验，从而进一步提升缺陷检测的精度。
根据本发明的具体实施例，在得到所述整合灰度图像中的全部缺陷点之后，所述方法还包括：
将所述整合灰度图像按照多个组成区进行拆分成还原成多个已标记缺陷点的待检测区域；
针对每个已标记缺陷点的待检测区域预先判断是否存在标记的缺陷点，如果不存在，则根据待检测区域与标识ID之间关联关系，确定对应液晶面板的标识ID，并记录对应液晶面板的标识ID为合格，如果存在，则按照预设的评价方式对标记的缺陷点进行评价，根据评价结果来判定对应液晶面板是否为合格产品。
根据本发明的具体实施例，按照预设的评价方式对标记的缺陷点进行评价，根据评价结果来判定对应液晶面板是否为合格产品，具体包括：
将液晶面板的待检测区域划分为v个区域，预设不同区域的缺陷点对液晶面板质量的影响权重
Figure 627037DEST_PATH_IMAGE020
，其中
Figure 40700DEST_PATH_IMAGE021
；
统计某液晶面板的待检测区域落入v个区域的缺陷点数量为
Figure 48977DEST_PATH_IMAGE022
；
将各个区域的缺陷点数量
Figure 788262DEST_PATH_IMAGE022
分别与对应的影响权重
Figure 632722DEST_PATH_IMAGE020
进行相乘，得到各个区域的质量影响因子
Figure 584497DEST_PATH_IMAGE023
；
累计各个区域的质量影响因子
Figure 791488DEST_PATH_IMAGE023
，得到全局质量影响因子为
Figure 62194DEST_PATH_IMAGE024
；
判断全局质量影响因子为
Figure 784163DEST_PATH_IMAGE024
是否超过第三阈值，如果是，则判定对应液晶面板为合格产品，否者为不合格产品。
可以理解，本发明通过分析各个区域对产品质量的影响权重，并结合各个区域的缺陷点数量，进而计算得到液晶面板的综合质量评价结果，从而实现对液晶面板的自动化检测目的。
根据本发明的实施例，在将标识ID与所述全局图像进行绑定后传输给检测区域定位模块之后，所述方法还包括：
所述检测区域定位模块基于其它模板匹配算法从所述全局图像中提取其它待检测区域，并将标识ID与其它待检测区域关联传输给图像检测装置：
由图像检测装置基于其它待检测区域图像并采用掩模法去背景后，得到图像亮部
Figure 414995DEST_PATH_IMAGE025
和图像亮部
Figure 210913DEST_PATH_IMAGE026
；
分别计算图像亮部
Figure 26422DEST_PATH_IMAGE025
和图像暗部
Figure 360320DEST_PATH_IMAGE026
的熵值，对比二者熵值的大小，选取熵值小的图像亮部
Figure 919478DEST_PATH_IMAGE025
或图像暗部
Figure 835481DEST_PATH_IMAGE026
作为K-means聚类算法的像素集；
采用K-means聚类算法对熵值小的图像亮部
Figure 431679DEST_PATH_IMAGE025
或图像暗部
Figure 128239DEST_PATH_IMAGE026
的像素集进行聚类成K个簇，每个簇有一个聚类中心；
分别获取每个聚类中心的像素点亮度，并基于每个聚类中心的像素点亮度对K个簇进行排序以形成亮度排序队列，并去除所述亮度排序队列后预设比例的簇；
分别计算剩余簇中连通区域的凸性，将凸性落入第四阈值范围的连通区域标记为初级粒子，且所述凸性表示为连通区域的面积与对应簇区域的面积比值；
分别获取每个初级粒子的灰度值，并将灰度值落入第五阈值范围的初级粒子标记二级粒子；
分别获取每个二级粒子的面积，并将面积落入第六阈值范围的二级粒子标记导电粒子，并获取所述导电粒子的数量和位置；
判断所述导电粒子的数量和位置是否分别落入预设的数量阈值范围和位置偏移阈值范围内，如果均落入，则导电粒子压合检测合格，反之，则导电粒子压合检测不合格。
需要说明的是，在液晶面板的导电粒子压合封装完成后，需要对产品外观以及导电粒子进行检测，本实施例采用去背景掩模法得到亮部、暗部，不仅去掉了背景和光场信息，而且去掉其它干扰杂质。同时将导电粒子分为暗部和亮部，可以拉伸了重叠粒子间距。另外，本发明采用K-means聚类算法可以丢弃较暗的背景和重叠粒子连接区域，继而将粒子分割出来，然后基于粒子凸性进一步确认出粒子，再通过多层次、多维度的筛选，从而得到导电粒子的数量和位置，最后根据导电粒子的数量和位置来判断导电粒子压合制程是否合格。
可以理解，K-means聚类算法又可以称为k均值聚类算法，其是一种迭代求解的聚类分析算法。
根据本发明的具体实施例，将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，具体包括：
预设整合灰度图像中多个待检测区域的图像呈现阵列状排布，按照预设的周期尺寸Z、H对整合灰度图像进行纵横交叉分割以形成M个图像集，其中Z为横向分割尺寸，H为纵向分割尺寸，M大于等于4；
将M个图像集中的第
Figure 854537DEST_PATH_IMAGE028
个图像集与剩余图像集分别进行像素点与像素点的灰度值比对，以计算得到第
Figure 687363DEST_PATH_IMAGE028
个图像集的缺陷累计图
Figure 782358DEST_PATH_IMAGE029
，
Figure 576002DEST_PATH_IMAGE030
，
Figure 476962DEST_PATH_IMAGE031
，其中
Figure 288929DEST_PATH_IMAGE032
为单个图像集中的像素点坐标，且
Figure 617142DEST_PATH_IMAGE033
，
Figure 632503DEST_PATH_IMAGE034
；
Figure 540416DEST_PATH_IMAGE035
为第
Figure 82256DEST_PATH_IMAGE028
个图像集中像素点
Figure 473048DEST_PATH_IMAGE036
的灰度值；
Figure 100338DEST_PATH_IMAGE037
为第
Figure 546363DEST_PATH_IMAGE038
个图像集中像素点
Figure 818076DEST_PATH_IMAGE036
的灰度值；
Figure 753671DEST_PATH_IMAGE039
为预设的缺陷分割阈值；
Figure 992891DEST_PATH_IMAGE040
，
Figure 773765DEST_PATH_IMAGE041
，且
Figure 165563DEST_PATH_IMAGE042
；
通过对M个图像集进行灰度值比对，分别得到M个缺陷累计图，将M个缺陷累计图进行拼接，得到整合灰度图像
Figure 209743DEST_PATH_IMAGE043
，
Figure 811625DEST_PATH_IMAGE044
，其中
Figure 19359DEST_PATH_IMAGE005
为整合灰度图像中的像素点坐标，且
Figure 655877DEST_PATH_IMAGE005
能够根据
Figure 870958DEST_PATH_IMAGE036
与当前第
Figure 569923DEST_PATH_IMAGE028
个图像集在整合灰度图像中的位置换算得出；
将所述整合灰度图像中相邻位置的缺陷像素点进行聚合，并连通相邻缺陷像素点形成缺陷区域，输出缺陷区域个数以及每个缺陷区域的位置，完成缺陷检测。
可以理解，上述每个图像集中可以包括一个或多个待检测区域的图像，本发明利用整合灰度图像存在周期性的特性，对整合灰度图像按一定周期长度进行分割，得到各个图像集，进而进行周期性灰度值比对以确定是否存在缺陷，该方法能够有效提升缺陷检测速度。
可以理解，
Figure 223759DEST_PATH_IMAGE005
与
Figure 573837DEST_PATH_IMAGE036
换算过程具体为：如果第
Figure 959819DEST_PATH_IMAGE028
个图像集为第1个图像集，即数字图像中的左上角的图像集，则可以直接赋值
Figure 801874DEST_PATH_IMAGE045
，
Figure 603607DEST_PATH_IMAGE046
。如果第
Figure 886821DEST_PATH_IMAGE028
个图像集为第2个图像集，分割后的第一行、第二列对应的图像集，则可以赋值
Figure 506021DEST_PATH_IMAGE047
，
Figure 195891DEST_PATH_IMAGE046
。以此方式即可进行每个图像集与整合灰度图像的像素点坐标的换算。
需要说明的是，本发明按照横向分割尺寸Z和纵向分割尺寸H进行纵横交错分割，且分割后的每个图像集尺寸相同，且均为矩形。第
Figure DEST_PATH_IMAGE049
个图像集与剩余图像集分别进行像素点与像素点的灰度值比对时，实际是基于两个图像集相同位置
Figure 660370DEST_PATH_IMAGE036
的像素点进行灰度值比对。
需要说明的是，在进行图像分块时，为保证检测鲁棒性，所分块数越多，对比效果越好，检测准确率也高，但为了满足高速检测需求，需减少计算时间，分块数目不能过多。
图2示出了本发明一种基于LCD制程的全自动缺陷检测***的示意图。
如图2所示，本发明第二方面还提出一种基于LCD制程的全自动缺陷检测***，包括：多条LCD生产线和一个图像检测装置，每条LCD生产线包括传送机构、定位机构、光源、CCD相机、扫描仪、图像校正模块、图像拼接模块以及检测区域定位模块；
所述传送机构，用于将每条LCD生产线的液晶面板传送至指定位置；
所述定位机构，用于对将液晶面板定位在指定位置；
所述光源，用于输出对液晶面板的检测光线；
所述CCD相机，在完成镜头的调焦后，沿着预设的路径依次采集获取该液晶面板的多张原始图像；
所述扫描仪，用于扫描该液晶面板的识别码以获取该液晶面板的标识ID；
所述图像校正模块，用于对每张原始图像进行畸形校正处理，得到畸形校正图像；
所述图像拼接模块，用于对该液晶面板的全部畸形校正图像进行图像拼接处理，得到该液晶面板的全局图像；
所述检测区域定位模块，基于模板匹配算法从所述全局图像中提取待检测区域；
所述图像检测装置，采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，输出检测结果，并记录各个液晶面板的标识ID和检测结果到检测数据库中。
根据本发明的实施例，采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，具体包括：
由图像检测装置同步接收多条LCD生产线提供的液晶面板的标识ID与待检测区域；
预设一整合模型，所述整合模型包括多个组成区，多个组成区分别与多个LCD生产线一一对应，预设多个组成区为L1个；
将从多个LCD生产线同步得到的多个液晶面板的待检测区域分别填充至对应的组成区，待填充完成后，得到整合图像；
对所述整合图像进行二值化处理，得到整合灰度图像；
将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点。
根据本发明的实施例，将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点，具体包括：
对所述整合灰度图像的各个待检测区域在整合模型的限定下按照随机算法变换位置关系，得到一个参考灰度图像；
对所述整合灰度图像的各个待检测区域进行L2次随机变换位置关系，得到L2个参考灰度图像；
将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点。
本发明提出的基于LCD制程的全自动缺陷检测方法和***能够有效提升液晶面板（LCD）的检测效率和检测精度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于LCD制程的全自动缺陷检测方法，其特征在于，所述方法包括：
预设有多条LCD生产线，通过每条LCD生产线的传送机构将液晶面板传送至指定位置并由定位机构进行定位，同时由光源输出对液晶面板的检测光线；
调整CCD相机的镜头与液晶面板之间的距离以进行对焦处理；
通过扫描仪扫描该液晶面板的识别码以获取该液晶面板的标识ID，并使所述CCD相机沿着“Z”字路径依次采集获取该液晶面板的多张原始图像；
由图像校正模块对每张原始图像进行畸形校正处理，得到畸形校正图像；
由图像拼接模块获取该液晶面板的全部畸形校正图像并进行图像拼接处理，得到该液晶面板的全局图像，将标识ID与所述全局图像进行绑定后传输给检测区域定位模块；
所述检测区域定位模块基于模板匹配算法从所述全局图像中提取待检测区域，并将标识ID与待检测区域关联传输给图像检测装置；
由图像检测装置采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，输出检测结果，并记录各个液晶面板的标识ID和检测结果到检测数据库中。
2.根据权利要求1所述的一种基于LCD制程的全自动缺陷检测方法，其特征在于，由图像检测装置采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，具体包括：
由图像检测装置同步接收多条LCD生产线提供的液晶面板的标识ID与待检测区域；
预设一整合模型，所述整合模型包括多个组成区，多个组成区分别与多个LCD生产线一一对应，预设多个组成区为L1个；
将从多个LCD生产线同步得到的多个液晶面板的待检测区域分别填充至对应的组成区，待填充完成后，得到整合图像；
对所述整合图像进行二值化处理，得到整合灰度图像；
将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点。
3.根据权利要求2所述的一种基于LCD制程的全自动缺陷检测方法，其特征在于，将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点，具体包括：
对所述整合灰度图像的各个待检测区域在整合模型的限定下按照随机算法变换位置关系，得到一个参考灰度图像；
对所述整合灰度图像的各个待检测区域进行L2次随机变换位置关系，得到L2个参考灰度图像；
将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点。
4.根据权利要求3所述的一种基于LCD制程的全自动缺陷检测方法，其特征在于，将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点，具体包括：
将所述整合灰度图像中的第一像素点的灰度值减去第一参考灰度图像对应像素点的灰度值，得到第一像素点的第一灰度差；
计算第一灰度差的绝对值，判断第一灰度差的绝对值是否大于第一阈值，若大于，则将所述整合灰度图像的第一像素点认定为一次缺陷参考点；
将所述整合灰度图像中的第一像素点的灰度值与剩余参考灰度图像对应像素点的灰度值分别进行灰度差计算，并将得到灰度差的绝对值与第一阈值进行比对，根据比对结果，确定第一像素点是否能够认定为缺陷参考点；
统计所述整合灰度图像中的第一像素点被认定为缺陷参考点的总次数；
判断所述总次数是否大于第二阈值，若大于，则将所述整合灰度图像中的第一像素点标记为缺陷点；
分别将所述整合灰度图像的剩余像素点与L2个参考灰度图像对应像素点的灰度值进行作差比对分析处理，得到所述整合灰度图像中的全部缺陷点。
5.根据权利要求4所述的一种基于LCD制程的全自动缺陷检测方法，其特征在于，在得到所述整合灰度图像中的全部缺陷点之后，所述方法还包括：
从所述整合灰度图像中选出未有缺陷点标记的多个待检测区域的图像，作为检验图像，预设检验图像为L3个；
分别将每个检验图像复制为L1个相同检验图像；
基于每个检验图像，将其L1个相同检验图像分别填充至所述整合模型对应的组成区中，以分别形成L3个整合检验灰度图像；
将所述整合灰度图像中某缺陷点的灰度值与L3个整合检验灰度图像对应像素点的灰度值逐一作差计算，得到L3个差值；
针对L3个差值，判断是否超过预设比例的差值的绝对值大于第一阈值，如果是，则该缺陷点检验通过，如果否，则判定该缺陷点为异常缺陷点，并交由检测人员进行人工缺陷检测。
6.根据权利要求1所述的一种基于LCD制程的全自动缺陷检测方法，其特征在于，由图像拼接模块获取该液晶面板的全部畸形校正图像并进行图像拼接处理，具体包括：
获取两个相邻的畸形校正图像并分别作为参考图像和待拼接图像；
通过SIFT 算法对所述参考图像和所述待拼接图像进行特征点检测；
将获取的所述参考图像和所述待拼接图像的特征点通过图像配准进行特征点匹配，并利用配准之后的匹配点进行投影矩阵的计算；
判断所述投影矩阵是否为最优投影矩阵，如果是，则进行图像拼接融合，形成融合图像，如果否，则继续利用配准之后的其它匹配点进行投影矩阵的计算，直止计算得到投影矩阵为最优投影矩阵；
将所述融合图像继续与其它相邻的畸形校正图像进行图像拼接，直至完成全部畸形校正图像的拼接，得到该液晶面板的全局图像。
7.根据权利要求1所述的一种基于LCD制程的全自动缺陷检测方法，其特征在于，所述检测区域定位模块基于模板匹配算法从所述全局图像中提取待检测区域，具体包括：
提供一个模板图像A1，并对所述模板图像A1和所述全局图像B1进行傅里叶变换操作，得到模板图像傅里叶变换结果A2和全局图像频谱傅里叶变换结果B2；
分别计算出所述模板图像傅里叶变换结果的幅度谱A3，以及所述全局图像频谱傅里叶变换结果的幅度谱B3；
分别对所述模板图像傅里叶变换结果的幅度谱A3和所述全局图像频谱傅里叶变换结果的幅度谱B3进行高通滤波，并将幅度谱A3和B3转换到对数-极坐标空间中，并得到A4 和B4，其中A4为幅度谱A3的对数-极坐标变换结果，B4为幅度谱B3的对数-极坐标变换结果；
采用相位相关法计算对数-极坐标变换结果A4与B4之间的相对平移，并得到模板图像A1和全局图像B1之间的旋转角度和缩放系数；
根据旋转角度和缩放系数对所述模板图像A1进行变换，得到仅存在平移量的图像A5；
采用相位相关法计算所述全局图像B1与图像A5之间的平移量；
根据上述获取的旋转角度、缩放系数和平移量定位出所述模板图像在所述全局图像B1的位置，并将该位置作为待检测区域。
8.一种基于LCD制程的全自动缺陷检测***，其特征在于，包括：多条LCD生产线和一个图像检测装置，每条LCD生产线包括传送机构、定位机构、光源、CCD相机、扫描仪、图像校正模块、图像拼接模块以及检测区域定位模块；
所述传送机构，用于将每条LCD生产线的液晶面板传送至指定位置；
所述定位机构，用于对将液晶面板定位在指定位置；
所述光源，用于输出对液晶面板的检测光线；
所述CCD相机，在完成镜头的调焦后，沿着“Z”字路径依次采集获取该液晶面板的多张原始图像；
所述扫描仪，用于扫描该液晶面板的识别码以获取该液晶面板的标识ID；
所述图像校正模块，用于对每张原始图像进行畸形校正处理，得到畸形校正图像；
所述图像拼接模块，用于对该液晶面板的全部畸形校正图像进行图像拼接处理，得到该液晶面板的全局图像；
所述检测区域定位模块，基于模板匹配算法从所述全局图像中提取待检测区域；
所述图像检测装置，采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，输出检测结果，并记录各个液晶面板的标识ID和检测结果到检测数据库中。
9.根据权利要求8所述的一种基于LCD制程的全自动缺陷检测***，其特征在于，采用预设的检测算法对多条LCD生产线同步提供的液晶面板待检测区域进行图像融合检测处理，具体包括：
由图像检测装置同步接收多条LCD生产线提供的液晶面板的标识ID与待检测区域；
预设一整合模型，所述整合模型包括多个组成区，多个组成区分别与多个LCD生产线一一对应，预设多个组成区为L1个；
将从多个LCD生产线同步得到的多个液晶面板的待检测区域分别填充至对应的组成区，待填充完成后，得到整合图像；
对所述整合图像进行二值化处理，得到整合灰度图像；
将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点。
10.根据权利要求9所述的一种基于LCD制程的全自动缺陷检测***，其特征在于，将所述整合灰度图像按照预设的缺陷检测算法进行计算处理，得到整合灰度图像的缺陷点，具体包括：
对所述整合灰度图像的各个待检测区域在整合模型的限定下按照随机算法变换位置关系，得到一个参考灰度图像；
对所述整合灰度图像的各个待检测区域进行L2次随机变换位置关系，得到L2个参考灰度图像；
将所述整合灰度图像分别与L2个参考灰度图像进行灰度值作差分析处理，得到所述整合灰度图像的缺陷点。
CN202111172203.5A 2021-10-08 2021-10-08 一种基于lcd制程的全自动缺陷检测方法和*** Active CN113608378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111172203.5A CN113608378B (zh) 2021-10-08 2021-10-08 一种基于lcd制程的全自动缺陷检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111172203.5A CN113608378B (zh) 2021-10-08 2021-10-08 一种基于lcd制程的全自动缺陷检测方法和***

Publications (2)

Publication Number Publication Date
CN113608378A CN113608378A (zh) 2021-11-05
CN113608378B true CN113608378B (zh) 2021-12-10

Family

ID=78310840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111172203.5A Active CN113608378B (zh) 2021-10-08 2021-10-08 一种基于lcd制程的全自动缺陷检测方法和***

Country Status (1)

Country Link
CN (1) CN113608378B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920437B (zh) * 2021-12-14 2022-04-12 成都考拉悠然科技有限公司 一种导电粒子识别方法、***、存储介质和计算机设备
CN115079045B (zh) * 2022-06-10 2023-05-02 郴州恒维电子股份有限公司 一种前工序图像自动检测短断路装置
CN115205223B (zh) * 2022-06-22 2023-03-14 锋睿领创(珠海)科技有限公司 透明物体的视觉检测方法、装置、计算机设备及介质
CN116309574B (zh) * 2023-05-19 2023-08-18 成都数之联科技股份有限公司 一种面板漏制程缺陷检测方法、***、设备及存储介质
CN117541563A (zh) * 2023-11-22 2024-02-09 泸州老窖股份有限公司 一种图像缺陷检测方法、装置、计算机设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108760767B (zh) * 2018-05-31 2020-07-17 电子科技大学 基于机器视觉的大尺寸液晶屏缺陷检测方法
CN108961238A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN110533657A (zh) * 2019-09-04 2019-12-03 苏州精速智能科技有限公司 一种液晶屏外观检测方法
CN111913312A (zh) * 2020-07-08 2020-11-10 合肥壹佰度信息科技有限公司 一种模组生产线液晶面板的检查装置及方法

Also Published As

Publication number Publication date
CN113608378A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和***
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和***
CN111815630B (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN108764257B (zh) 一种多视角的指针式仪表识别方法
CN108355981B (zh) 一种基于机器视觉的电池连接器质量检测方法
US11132786B2 (en) Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
US11544916B2 (en) Automated gauge reading and related systems, methods, and devices
CN109856156A (zh) 一种基于aoi的显示面板微小缺陷判定方法与装置
CN113240626A (zh) 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法
CN116559183B (zh) 一种提高缺陷判定效率的方法及***
CN106340044A (zh) 摄像机外参自动标定方法及标定装置
TWI669519B (zh) 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體
CN111122590B (zh) 一种陶瓷表面缺陷检测装置及检测方法
CN112686920A (zh) 一种圆形零件几何尺寸参数视觉测量方法及***
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及***
Chen et al. Evaluating fabric pilling with light-projected image analysis
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN114612418A (zh) 一种鼠标外壳表面缺陷检测方法及装置、***、电子设备
CN115457541A (zh) 一种基于图像识别的珠宝质量鉴定方法和装置
CN111353992A (zh) 一种基于纹理特征的农产品缺陷检测方法及***
CN112329845B (zh) 更换纸币的方法、装置、终端设备及计算机可读存储介质
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN116309561B (zh) 一种基于防漏电绝缘材料的表面缺陷识别方法
CN116129365B (zh) 输送设备上颗粒物料的检测方法和***
CN117092113A (zh) 一种摄像头模具焊接质量检测装置及其***

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