CN113643245A - 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 - Google Patents
一种屏幕缺陷的测量方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113643245A CN113643245A CN202110843281.7A CN202110843281A CN113643245A CN 113643245 A CN113643245 A CN 113643245A CN 202110843281 A CN202110843281 A CN 202110843281A CN 113643245 A CN113643245 A CN 113643245A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- processed
- line
- screen
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 239000012535 impurity Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 9
- 239000010410 layer Substances 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000003064 k means clustering Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 239000011324 bead Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- 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
-
- 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
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了一种屏幕缺陷的测量方法,该方法包括:获取待处理图像,待处理图像包括原始缺陷;对待处理图像进行增强,得到增强图像;根据增强图像,确定并提取第一缺陷,第一缺陷为增强后的原始缺陷;确定第一缺陷对应的类型,类型包括点缺陷、线缺陷中的至少一种;针对不同类型的第一缺陷,利用不同方法对第一缺陷的尺寸进行测量。本申请提供的方法,可以实现对屏幕缺陷的精确测量。
Description
技术领域
本申请属于屏幕缺陷检测技术领域,尤其涉及一种屏幕缺陷的测量方法、装置及计算机可读存储介质。
背景技术
屏幕作为移动终端重要的构成部分,屏幕的质量好坏直接关系到产品的正常使用。当屏幕上的存在缺陷时,会影响产品的光学特性,严重破坏使用价值。音系,对屏幕的缺陷进行检测以及测量十分重要。
目标,对屏幕的检测大多只是将缺陷检测出来,而无法达到工业界需求的精确测量的程度。
发明内容
本申请实施例提供了一种屏幕缺陷的测量方法、装置及计算机可读存储介质,可以解决不能对屏幕缺陷进行精确测量的问题。
第一方面,本申请提供了一种屏幕缺陷的测量方法,该方法包括:获取待处理图像,待处理图像包括原始缺陷;对待处理图像进行增强,得到增强图像;根据增强图像,确定并提取第一缺陷,第一缺陷为增强后的原始缺陷;确定第一缺陷对应的类型,类型包括点缺陷、线缺陷中的至少一种;针对不同类型的第一缺陷,利用不同方法对第一缺陷的尺寸进行测量。
第一方面提供的方法,通过获取含有原始缺陷的待处理图像,将该待处理图像进行增强处理,得到增强图像。根据增强图像确定第一缺陷。并且,将第一缺陷从待处理图像中进行提取,该第一缺陷是指增强后的原始缺陷,相比于原始缺陷,第一缺陷的轮廓更加清晰。为了实现精准测量,将第一缺陷进行分类,确定第一缺陷为点缺陷或者线缺陷。根据第一缺陷的类型,利用不同的方法对第一缺陷的尺寸进行测量,实现对缺陷的精准测量。
可选的,利用配置远心镜头的相机,对屏幕局部区域进行拍摄,得到对应的待处理图像。该种实现方式中,利用配置远心镜头的相机可以对屏幕缺陷进行激光定位,精准找到屏幕缺陷后,进行局部区域图像的拍摄,从而可以获取高质量的缺陷图。
可选的,对待处理图像进行图像增强,得到增强图像,包括:利用待处理图像的像素点的通道进行求和,得到增强图像。该种实现方式中,通过将待处理图像中的像素点的红、绿、蓝通道进行通道求和,将原始图像的像素点进行增强,得到增强图像。
可选的,根据增强图像,提取第一缺陷,包括:利用待处理图像和基准图像进行差分,得到差分图像,差分图像包括第一缺陷和杂质。该种实现方式中,利用包含有原始缺陷的待处理图像和没有缺陷的基准图像进行差分,可以快速提取第一缺陷。
可选的,可以利用聚类算法,从差分图像中提取第一缺陷。该种实现方式中,利用聚类算法可以将差分图像中的第一缺陷和杂质进行区分。
可选的,根据增强图像,提取第一缺陷,包括:利用灰度直方图,从待处理图像中提取第一缺陷。该种实现方式中,直接利用灰度直方图,设置像素点阈值,将第一缺陷从待处理图像中提取出来。
可选的,针对不同类型的第一缺陷,利用不同方法对第一缺陷的尺寸进行测量,包括:当第一缺陷为点缺陷时,根据点缺陷的外接矩形的长和宽,确定点缺陷的尺寸。该种实现方式中,由于点缺陷占外接矩形的比值较高,因此,可以根据点缺陷的外接矩形直接作为点缺陷的尺寸。
可选的,针对不同类型的第一缺陷,利用不同方法对第一缺陷的尺寸进行测量,包括:当第一缺陷为线缺陷时,根据Rosenfeld算法提取线缺陷的中心线;基于中心线的长度确定线缺陷的长度;基于中心线到线缺陷的轮廓边缘的距离确定线缺陷的宽度。该种实现方式中,为了便于对线缺陷进行测量,可以根据提取到的线缺陷的中心线的长度作为线缺陷的长度,根据中心线到缺陷的轮廓边缘的距离确定线缺陷的宽度,从而实现对线缺陷的精确测量。
第二方面,提供了一种装置,该装置包括用于执行以上第一方面或者第一方面的任意一方面可能的实现方式中的各个步骤的单元。
第三方面,提供了一种装置,该装置包括远心镜头和至少一个处理器和存储器,该至少一个处理器用于执行以上第一方面或第一方面的任意可能的实现方式中的方法。
第四方面,提供了一种装置,该装置包括至少一个处理器和接口电路,该至少一个处理器用于执行以上第一方面或者第一方面中的任意一方面可能的实现方式中的方法。
第六方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时,用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第七方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序被执行时,用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第八方面,提供了一种芯片或者集成电路,该芯片或者集成电路包括:处理器,用于从存储器中调用并运行计算机程序,使得安装有该芯片或者集成电路的设备执行第一方面或第一方面的任意可能的实现方式中的方法。
可以理解的是,上述第二方面至第八方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请通过获取含有原始缺陷的待处理图像,将该待处理图像进行增强处理,得到增强图像。根据增强图像确定第一缺陷。并且,将第一缺陷从待处理图像中进行提取,该第一缺陷是指增强后的原始缺陷,相比于原始缺陷,第一缺陷的轮廓更加清晰。为了实现精准测量,将第一缺陷进行分类,确定第一缺陷为点缺陷或者线缺陷。根据第一缺陷的类型,利用不同的方法对第一缺陷的尺寸进行测量,实现对缺陷的精准测量。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种屏幕缺陷的测量方法的一个实施例的流程图;
图2是本申请实施例提供的笔记本电脑屏幕的缺陷的示意图;
图3是本申请实施例提供的利用K-means聚类算法对差分图像中的像素点聚类的示意图;
图4是本申请实施例提供的屏幕缺陷测量装置400的示意性框图;
图5是本申请实施例提供的屏幕缺陷测量设备500的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
首先,在介绍本申请提供的方法和***之前,需要对下文中即将提及的部分术语进行说明。当本申请提及术语“第一”或者“第二”等序数词时,除非根据上下文其确实表达顺序之意,否则应当理解为仅仅是起区分之用。
术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
除非另有说明,本文中“/”一般表示前后关联对象是一种“或”的关系,例如,A/B可以表示A或B。术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请的描述中,“多个”是指两个或两个以上。
目前,随着电子产品市场的日益繁荣,竞争日趋激烈,高质量、高效率的电子产品生产方式备受市场青睐。随着电子屏幕显示器向大尺寸、高分辨率和轻薄化的方向发展,电子屏幕的各种缺陷出现的几率大大增加。因此,在电子屏幕的生产过程中,若要确保其生产质量,必须进行严格的缺陷检测。
当前电子屏幕缺陷的检测主要依靠传统的人工查看法进行,检测主体受主观和客观方面缺陷的制约,这种检测手段不仅容易出现漏检、误检等问题,可靠性和稳定性难以保证,而且检测效率不高、实时性差,检测需要的成本也很高。对于大批量工业化生产的今天,人工查看法已经不能满足工业化生产的需要。故而研究一种合适的电子屏幕缺陷测量的以实现对电子屏幕缺陷的自动在线实时检测成为目前电子产品生产领域的迫切要求。
有鉴于此,本申请提供了一种屏幕缺陷的测量方法,首先获取含有电子屏幕缺陷的待处理图像,为了得到清晰的缺陷轮廓,对待处理图像中的原始缺陷进行增强,得到第一缺陷,将第一缺陷从待处理图像中提取出来,并且对第一缺陷进行分类,根据分类结果,采用不同的测量方法对缺陷进行测量。
下面结合具体的例子来说明本申请提供的屏幕缺陷的测量方法对屏幕中存在的缺陷尺寸进行测量。其中,该屏幕可以为LED屏幕或者OLED屏幕。
参见图1,为本申请提供的一种屏幕缺陷的测量方法的一个实施例的流程图。如图1所示,该方法包括:S110至S150。
S110、获取待处理图像。
首先,采用拍照设备对LED屏幕进行拍照,得到包含有一个或者多个原始缺陷的待处理图像。
可以理解的是,该拍照设备可以为任何具有拍照功能的终端设备。例如,手机、相机、平板等。本申请实施例不做限制。
进一步的,作为一种可能的实现方式,通过配有远心镜头,视野范围为10mm*10mm的靶面相机,对该待处理图像中的原始缺陷进行高清拍摄。图2示出了笔记本电脑屏幕的缺陷图,图2中的(a)图中的A区域代表屏幕线缺陷,图2中的(b)图中的B区域代表屏幕点缺陷。使用该远心镜头可以保证成像质量,确保可拍出屏幕对应的高质量缺陷图,但是,由于该视野范围较小,一般只能拍摄一个缺陷。
作为另一种可能的实现方式,通过配有远心镜头,视野范围较大的靶面相机,对该待处理图像中的缺陷进行高清拍摄,由于靶面相机视野范围较大,可能同时拍到多个可以缺陷。
当然,该相机还可以为其他靶面尺寸或者镜头的相机,本申请实施例不做限制。
S120、对待处理图像进行预处理。
待处理图像中的原始缺陷中可能既包含了屏幕层缺陷,也包含了灯珠层缺陷。一般情况下,屏幕层缺陷与灯珠层缺陷有很大的区别。因为,屏幕层缺陷一般为表面层脏污,在相机拍摄下表现为缺陷色阶与背景色阶的对比对较低,较为不明显,不容易识别,所以需要对屏幕层缺陷进行缺陷增强,确保缺陷与背景可以分离出来。
作为一种可能的实现方式,对待处理图像利用RGB通道求和的方式进行图像增强,得到增强图像。根据增强图像可以确定出第一缺陷,该第一缺陷是指增强后的原始缺陷,该第一缺陷和原始缺陷相比,第一缺陷的轮廓更加清楚,更容易识别。当然,还可以利用其他方式对屏幕层缺陷进行增强,本申请实施例不做限定。
S130、从待处理图像中分离第一缺陷。
为了对第一缺陷进行测量,首先需要从待处理图像中将第一缺陷分离出来。
作为一种可能的实现方式,利用LED屏幕周期性的排布规律对第一缺陷进行初步分离。
例如,将含有第一缺陷的待处理图像和基准图像做差,得到差分图像。该差分图像为包含有第一缺陷的图像。该基准图像是指不包含缺陷的背景图像。
但是,在进行图像差分时,会产生大量的杂质。因此,在后续处理中,需要将杂质和第一缺陷进行区分。
作为一种可能的实现方式,本申请采用聚类算法对杂质和第一缺陷进行聚类处理,从而将第一缺陷和杂质进行分类。当然,还可以通过其他方法将杂质和第一缺陷分离开,本申请对此不做限定。
具体地,利用K-means聚类算法,对提取出来的所有像素点进行分类,假设K值为2时,通过聚类算法后,将提取的像素点分成了两类,将聚类后的面积最大的一类作为第一缺陷类,将面积最小的一类作为杂质类。当然,还可以根据其他的方式对缺陷进行提取,本申请实施例不做限定。
下面对K-means聚类算法进行举例说明:
图3示出了本申请实施例利用K-means聚类算法对差分图像中的像素点聚类的示意图。如图3所示,图3中的(a)表达了初始的像素集,该像素集包含了杂质的像素点和第一缺陷的像素点。在本申请实施例中的K为2。
假设K-means中的k=2,如图3中的(b)中,随机选择了两个k类所对应的类别质心,为了方便以下描述,称该两个聚类中心点为A1,A2,然后分别求像素集中所有点到这两个质心的距离,并标记每个像素点的类别为和该样本距离最小的质心的类别,如图3中的(c)所示,经过计算像素点和A1,A2的距离,得到了所有像素点的第一轮迭代后的类别。此时对当前标记为A1,A2的点分别求其新的质心,如图3中的(d)所示,新的聚类中心点的位置已经发生了变动。如图3中的(e)和如图3中的(f)重复了在如图3中的(c)和如图2中的(d)的过程,即将所有点的类别标记为距离最近的质心的类别并求新的质心。最终得到的两个类别如图3中的(f)。
需要说明的是,一般情况下,会多次运行如图3中的(c)和如图2中的(d),最终达到比较优的类别。
综上所述,利用K-means聚类算法将差分图像中的所有点分成了两类,根据所聚成的类别的面积进行区分,将最大面积类的作为第一缺陷类。
需要说明的是,利用K-means聚类算法可以分成将像素点集分成多类,即K的取值不限于2。上述例子不应对本申请实施例产生任何的限制。
作为一种可能的实现方式,为了使得分类更加精确,将面积最大的缺陷类中的像素点继续利用K-means聚类算法进行分类,将杂质进行再一次筛选。具体步骤如上所述,此处不再赘述。
进一步的,作为一种可能的实现方式,还可以将去除掉的杂质中的像素点进行进一步筛选,将属于缺陷的像素点筛选出来。根据杂质的轮廓面积和预设阈值比较,去除小于预设阈值的轮廓面积的点,将大于预设阈值的轮廓面积的点设定为第一缺陷的点集。
通过该种实现方式,可以将第一缺陷的所有像素点提取出来。
作为另一种可能的实现方式,还可以根据灰度直方图设定分割阈值,将第一缺陷从待处理图像中分离出来。
具体的,利用待处理图像和基准图像进行差分,得到差分图像,差分图像包括第一缺陷和杂质。
例如,在灰度直方图中,设定灰度值为255的像素点为第一缺陷的像素点,灰度值为0的像素点为基准像素点,那么将灰度值为255的像素点均分离出来。从而可以将第一缺陷从待处理图像中分离出来。当然,该分割阈值可以根据具体情况设定,本申请实施例不做限定。
通过上述步骤S130中的方法可以将第一缺陷从待处理图像中分离出来,从而更精准的测量第一缺陷的尺寸大小。
S140、对提取出来的第一缺陷进行分类。
由于第一缺陷可能是点缺陷或者线缺陷,并且点缺陷和线缺陷的测量方式不同。因此,需要对提取出来的第一缺陷进行分类。
作为一种可能的实现方式,根据第一缺陷的外接矩形的长宽比,设定点线区分规则。
比如,当第一缺陷的外接矩形的长宽比为1:1时,判断该缺陷为点缺陷,当第一缺陷的外接矩形的长宽比为3:1时,判断该缺陷为线缺陷。该比例可根据具体情况设定,本申请实施例不做限定。
当然,还可以根据其他方式对点线缺陷进行分类,本申请实施例不作限制。
S150、根据分类后的缺陷类别对第一缺陷进行测量。
一般情况下,由于点缺陷在外接矩形中占比较高,因此可以直接以外接矩形的长宽输出为点缺陷的长宽值。
线缺陷可能会涉及到弯曲、分叉和断裂等多种情况,因此直接以外接矩形计算不能满足测量要求。下面对线缺陷的测量方式进行详细介绍。
首先,对提取出来的线缺陷进行细化,提取线缺陷的中心线。
作为一种可能的实现方式,利用Rosenfeld细化算法结合八领域算法对线缺陷进行细化。
具体地,将提取出来的第一缺陷进行二值化处理,使得第一缺陷的像素值都为0。假设第一缺陷的中心点的像素值为1,如果该中心点的北部为0则说明中心点为北部边界点;如果该中心点的南部为0则说明中心点为南部边界点;如果该中心点的东部为0则说明中心点为东部边界点;如果该中心点的西部为0则说明中心点为西部边界点;如果中心点周围8个像素点的值都为0则中心点为孤立点,如果周围8个像素点有且只有一个像素值为1,则此时中心点为端点。利用该种方式扫描第一缺陷的所有像素点,如果该像素点属于边界点,但不是孤立点和端点,则删除该像素。重复执行上面的迭代过程,直到图像中再也没有可以删除的点后,则最后剩余的像素点的连线为中心线。
但是,当细化得到的中心线有分叉的情况时,需要将中心线上的分叉点去除,得到最长的线缺陷,再进行线缺陷的测量。
作为一种可能的实现方式,利用八领域算法遍历所有像素点,寻找出像素点中的端点和分叉点,端点的判断方式在上文已经进行介绍,此处不再赘述。当中心线上的一个像素点在与该像素点相邻的两个以上方向上均有像素点存在时,证明该像素点为一个分叉点。
然后,利用Twopass算法将像素点连接成一个连通域,该连通域是指第一缺陷的所有像素点中具有相同像素值并且位置相邻的像素点组成的图像区域。找出该第一缺陷中的各个连通域并进行标记。
对于一个连通域来说,利用广度遍历搜索对该连通域中的点进行排序,即随机选取一个像素点作为根节点,从根节点开始对其余的像素点进行排序。再利用深度遍历搜索寻找,深度最深的像素点,层数最多的即为最长的路径。该路径可以视为缺陷的长度。找出最长路径之后,即可去除分叉点。
对于其余的连通域的路径搜索方式参考以上描述,在此不做赘述。
将多个连通域的端点进行连接,成为一条完整的中心线,即为最终的缺陷的线长。
具体地,根据第一连通域远离第二连通域和一端的像素点的坐标减去第二连通域远离第一连通域的一端的像素点的坐标,确定出该线缺陷的实际线长。当然,该线缺陷可能有多个连通域时,则根据第一个连通域和最后一个连通域确定线缺陷的实际线长。
作为一种可能的实现方式,在确定好中心线之后,以中心线为起点到线缺陷的轮廓边缘的垂直距离的2倍作为线缺陷的线宽。该轮廓边缘在上述图像增强步骤可以得到或者将线缺陷进行二值化之后可以得到。
综上所述,可以精确得到线缺陷的线宽。即,可以确定出线缺陷的尺寸大小。
作为一种可能的实现方式,当线缺陷存在断裂情况时,利用断裂线条的端点的差值,获得实际的线长。
本申请实施例通过获取含有原始缺陷的待处理图像,将该待处理图像进行增强处理,得到增强图像。根据增强图像确定第一缺陷。并且,将第一缺陷从待处理图像中进行提取,该第一缺陷是指增强后的原始缺陷,相比于原始缺陷,第一缺陷的轮廓更加清晰。为了实现精准测量,将第一缺陷进行分类,确定第一缺陷为点缺陷或者线缺陷。根据第一缺陷的类型,利用不同的方法对第一缺陷的尺寸进行测量,实现对缺陷的精准测量。
此外,通过利用配置远心镜头的相机可以对屏幕缺陷进行激光定位,精准找到屏幕缺陷后,进行局部区域的拍摄采图,从而可以获取高质量的待处理图像。将待处理图像中的像素点的红、绿、蓝通道进行通道求和,得到增强图像。根据该增强图像可以确定第一缺陷。利用包含有第一缺陷的待处理图像和没有缺陷的基准图像进行差分,可以快速提取第一缺陷或者直接利用灰度直方图,设置像素点阈值,将第一缺陷从待处理图像中提取出来。通过第一缺陷的外接矩形的尺寸对第一缺陷进行分类。由于点缺陷占外接矩形的比值较高,因此,可以根据点缺陷的外接矩形直接作为点缺陷的尺寸。对于线缺陷根据提取中心线确定线缺陷的长和宽的尺寸大小。
上述方法具体描述了本申请提供的屏幕缺陷测量的实施例。下面介绍本申请实施例提供的屏幕缺陷测量装置。
图4为本申请实施例提供的屏幕缺陷测量装置400的示意性框图,该装置400包括:获取单元401和处理单元402。
获取单元401,用于对屏幕局部区域进行拍摄,获取待处理图像。
处理单元402,用于对待处理图像进行增强,得到增强图像;根据增强图像,确定并提取第一缺陷;确定第一缺陷对应的类型,针对不同类型的第一缺陷,利用不同方法对第一缺陷的尺寸进行测量。
处理单元402,还用于利用待处理图像的像素点的通道进行求和,得到增强图像。
处理单元402,还用于利用待处理图像和基准图像的进行差分,得到差分图像。
处理单元402,还用于利用聚类算法,从差分图像中提取第一缺陷。
处理单元402,还用于利用灰度直方图,从待处理图像中提取第一缺陷。
处理单元402,还用于根据点缺陷的外接矩形的长和宽,确定点缺陷的尺寸。
处理单元402,还用于根据Rosenfeld算法提取线缺陷的中心线;基于中心线的长度确定线缺陷的长度;基于中心线到线缺陷的轮廓边缘的距离确定线缺陷的宽度。
应理解的是,本申请实施例的装置400可以通过专用集成电路(application-specific integrated circuit,ASIC)实现,或可编程逻辑器件(programmable logicdevice,PLD)实现,上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice,CPLD),现场可编程门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。也可以通过软件实现图1所示的屏幕缺陷的测量方法,当通过软件实现图1所示的测量方法时,装置400及其各个模块也可以为软件模块。
图5为本申请实施例提供的屏幕缺陷测量设备示意图。如图5所示,该装置500包括处理器501、存储器502、通信接口503、总线504和摄像头505。其中,处理器501、存储器502、通信接口503和摄像头505通过总线504进行通信,也可以通过无线传输等其他手段实现通信。该存储器502用于存储指令,该处理器501用于执行该存储器502存储的指令。该存储器502存储程序代码5021,且处理器501可以调用存储器502中存储的程序代码5021执行图1所示的屏幕缺陷的测量方法。
应理解,在本申请实施例中,处理器501可以是CPU,处理器501还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器502还可以包括非易失性随机存取存储器。该存储器502可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double datadate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
该总线504除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图5中将各种总线都标为总线504。
该摄像头505可以为配有远心镜头的相机。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive,SSD)。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种屏幕缺陷的测量方法,其特征在于,所述方法包括:
获取待处理图像,所述待处理图像包括原始缺陷;
对所述待处理图像进行增强,得到增强图像;
根据所述增强图像,确定并提取第一缺陷,所述第一缺陷为增强后的所述原始缺陷;
确定所述第一缺陷对应的类型,所述类型包括点缺陷、线缺陷中的任意一种;
针对不同类型的所述第一缺陷,利用不同方法对所述第一缺陷的尺寸进行测量。
2.根据权利要求1所述的方法,所述获取待处理图像包括:
利用配置远心镜头的相机,对屏幕局部区域进行拍摄,得到对应的所述待处理图像。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述待处理图像进行增强,得到增强图像,包括:
利用所述待处理图像的像素点的通道进行求和,得到所述增强图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述增强图像,提取第一缺陷,包括:
利用所述待处理图像和基准图像进行差分,得到差分图像,所述差分图像包括所述第一缺陷和杂质。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
利用聚类算法,从所述差分图像中提取所述第一缺陷。
6.根据权利要求3所述的方法,其特征在于,所述根据所述增强图像,提取第一缺陷,包括:
利用灰度直方图,从所述待处理图像中提取所述第一缺陷。
7.根据权利要求4至6中任一项所述的方法,其特征在于,所述针对不同类型的所述第一缺陷,利用不同方法对所述第一缺陷的尺寸进行测量,包括:
当所述第一缺陷为点缺陷时,根据所述点缺陷的外接矩形的长和宽,确定所述点缺陷的尺寸。
8.根据权利要求4至6中任一项所述的方法,其特征在于,所述针对不同类型的所述第一缺陷,利用不同方法对所述第一缺陷的尺寸进行测量,包括:
当所述第一缺陷为线缺陷时,根据Rosenfeld算法提取所述线缺陷的中心线;
基于所述中心线的长度确定所述线缺陷的长度;
基于所述中心线到所述线缺陷的轮廓边缘的距离,确定所述线缺陷的宽度。
9.一种屏幕缺陷测量装置,其特征在于,包括:远心镜头、处理器及存储器;所述远心镜头用于拍摄所述待处理图像,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时执行如权利要求1至8中任一项所述的屏幕缺陷测量方法中的处理步骤。
10.一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843281.7A CN113643245B (zh) | 2021-07-26 | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843281.7A CN113643245B (zh) | 2021-07-26 | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643245A true CN113643245A (zh) | 2021-11-12 |
CN113643245B CN113643245B (zh) | 2024-08-02 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385434A (zh) * | 2023-06-02 | 2023-07-04 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5966677A (en) * | 1997-02-28 | 1999-10-12 | Fiekowsky; Peter J. | High accuracy particle dimension measurement system |
CN111612781A (zh) * | 2020-05-27 | 2020-09-01 | 歌尔股份有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
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 |
CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
CN112394064A (zh) * | 2020-10-22 | 2021-02-23 | 惠州高视科技有限公司 | 一种屏幕缺陷检测的点线测量方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5966677A (en) * | 1997-02-28 | 1999-10-12 | Fiekowsky; Peter J. | High accuracy particle dimension measurement system |
CN111612781A (zh) * | 2020-05-27 | 2020-09-01 | 歌尔股份有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
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 |
CN112394064A (zh) * | 2020-10-22 | 2021-02-23 | 惠州高视科技有限公司 | 一种屏幕缺陷检测的点线测量方法 |
Non-Patent Citations (2)
Title |
---|
应冬梅等: "基于手机屏幕缺陷检测***设计", 《现代工业经济和信息化》, no. 02, pages 1 * |
张昱;张健;: "模糊专家***在TFT-LCD缺陷检测中的应用", 光电子.激光, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385434A (zh) * | 2023-06-02 | 2023-07-04 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
CN116385434B (zh) * | 2023-06-02 | 2023-08-08 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115147414B (zh) | 一种双极型功率晶体管表面击穿缺陷检测方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN116385434B (zh) | 一种用于预制梁裂缝的智能检测方法 | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN111598889A (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN111695373A (zh) | 斑马线的定位方法、***、介质及设备 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN115311275A (zh) | 一种电子元器件表面缺陷检测方法及*** | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及*** | |
CN116740072A (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
CN115049736A (zh) | 用于电缆表面缺陷精准定位的方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114004858B (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN111369492B (zh) | 一种显示屏的检测方法及检测装置、检测*** | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN116703925B (zh) | 一种轴承缺陷检测方法、装置、电子设备及存储介质 | |
CN113643245B (zh) | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 |
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 |