CN113838053A - 屏幕缺陷的检测方法、装置、设备及存储介质 - Google Patents

屏幕缺陷的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113838053A
CN113838053A CN202111416565.4A CN202111416565A CN113838053A CN 113838053 A CN113838053 A CN 113838053A CN 202111416565 A CN202111416565 A CN 202111416565A CN 113838053 A CN113838053 A CN 113838053A
Authority
CN
China
Prior art keywords
image
matrix
analysis
defect
positioning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111416565.4A
Other languages
English (en)
Other versions
CN113838053B (zh
Inventor
郑国荣
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 Xinxinteng Technology Co ltd
Original Assignee
Shenzhen Xinxinteng 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 Xinxinteng Technology Co ltd filed Critical Shenzhen Xinxinteng Technology Co ltd
Priority to CN202111416565.4A priority Critical patent/CN113838053B/zh
Publication of CN113838053A publication Critical patent/CN113838053A/zh
Application granted granted Critical
Publication of CN113838053B publication Critical patent/CN113838053B/zh
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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及屏幕检测领域，公开了一种屏幕缺陷的检测方法、装置、设备及存储介质。该方法包括：拍摄待检测屏幕的定位分析图像，对定位分析图像进行缺陷定位分析处理，得到缺陷定位信息；基于缺陷定位信息，获取待检测屏幕的精确分析图像；读取预置分析算法设置的图像大小，得到A0*B0像素数据，以及读取精确分析图像的图像大小，得到A1*B1像素数据；将精确分析图像横向平均划分为（A1/A0）份，将精确分析图像纵向平均划分为（B1/B0）份；基于精确分析图像的横向平均划分和精确分析图像的纵向平均划分，裁剪得到（A1/A0）*（B1/B0）个分析图像；根据分析算法，对（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息。

Description

屏幕缺陷的检测方法、装置、设备及存储介质
技术领域
本发明涉及屏幕检测领域，尤其涉及一种屏幕缺陷的检测方法、装置、设备及存储介质。
背景技术
随着电子产品的快速发展，其在人们日常生活中发挥着不可替代的作用。然而，屏幕作为电子产品的重要构成部分，其质量的好坏直接影响到产品的使用，屏幕上的缺陷会严重降低产品使用价值。因此，对屏幕的瑕疵缺陷检测是非常重要的。针对目前电子产品更新频率越来越高，生产制造需求量大的背景下，传统人工加测的速度与准确性都已无法满足检测以及测量需求。
而深度学习在特征提取和定位上已经取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中。由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。因此，需要一种能对屏幕缺陷完整建模与迁移的屏幕检测技术。
发明内容
本发明的主要目的在于解决屏幕检测技术对屏幕缺陷不能完整建模与迁移的技术问题。
本发明第一方面提供了一种屏幕缺陷的检测方法，包括步骤：
拍摄待检测屏幕的定位分析图像，对所述定位分析图像进行缺陷定位分析处理，得到缺陷定位信息；
基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像；
读取预置分析算法设置的图像大小，得到A0*B0像素数据，以及读取所述精确分析图像的图像大小，得到A1*B1像素数据，其中，A0为算法分析图像的横向像素值，A1为精确分析图像的横向像素值，B0为算法分析图像的纵向像素值，B1为精确分析图像的纵向像素值，A1、B1、A0、B0为正整数；
将所述精确分析图像横向平均划分为（A1/A0）份，将所述精确分析图像纵向平均划分为（B1/B0）份；
基于所述精确分析图像的横向平均划分和所述精确分析图像的纵向平均划分，裁剪得到（A1/A0）*（B1/B0）个分析图像；
根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息。
可选的，在本发明第一方面的第一种实现方式中，所述根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息包括：
对所述分析图像进行像素值提取处理，得到初始分析矩阵；
对所述初始分析矩阵进行卷积处理，得到卷积矩阵T1；
将所述卷积矩阵T1作为迭代卷积的初始迭代矩阵，对卷积矩阵TS进行卷积处理，得到卷积矩阵TS+1，迭代卷积L次得到卷积矩阵T2、卷积矩阵T3、… 、卷积矩阵TL+1，其中，S=1、2、..、L，L为正整数常数；
将所述初始分析矩阵确定为卷积矩阵T0，将卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TL+1进行组合转换处理，生成组合矩阵DL+1；
将组合矩阵DL+1、卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TR1进行组合转换处理，生成组合矩阵DR1，其中，R1=1、2、…、L，L为正整数常数；
将组合矩阵DR2还原至A0*B0像素的概率矩阵PR2，对概率矩阵PR2进行卷积激活处理，得到输出矩阵FR2，其中，R2=1、2、…、L+1，L为正整数常数；
对输出矩阵FR2融合转换处理，得到损失判断矩阵F0；
根据预置损失函数，对损失判断矩阵F0进行损失判断处理，得到缺陷信息对应的二值图像。
可选的，在本发明第一方面的第二种实现方式中，所述根据预置损失函数，对损失判断矩阵F0进行损失判断处理，得到缺陷信息对应的二值图像包括：
将损失判断矩阵F0中任一的元素值代入预置损失函数中，得到所述元素值对应的损失值；
判断所述损失值是否大于预置损失阈值；
若大于所述损失阈值，则将所述元素值对应元素确定为缺陷；
若小于所述损失阈值，则将所述元素值对应元素确定为合格。
可选的，在本发明第一方面的第三种实现方式中，所述损失函数包括：
Figure 767956DEST_PATH_IMAGE001
其中， A0是分析图像的横向像素值，B0是分析图像的纵向像素值，Ax是损失判断矩阵F0的元素横坐标，By是损失判断矩阵F0的元素纵坐标，PG（Ax，By）表示（Ax，By）的元素值，Ps（Ax，By）表示预测值，E是损失值。
可选的，在本发明第一方面的第四种实现方式中，所述损失阈值包括：0.09。
可选的，在本发明第一方面的第五种实现方式中，拍摄待检测屏幕的定位分析图像；
根据预置区域划分框架，将所述定位分析图像划分为（M+1）*(N+1）个定位子图像，其中，M为纵向划分线条数，N为横向划分线条数；
对（M+1）*(N+1）个定位子图像进行初步判断处理，筛选出存在缺陷的H个定位子图像，其中，H为不大于（M+1）*(N+1）的正整数；
提取所述H个定位子图像在所述区域划分框架的位置数据，得到缺陷定位信息。
可选的，在本发明第一方面的第六种实现方式中，所述基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像包括：
读取所述定位子图像的大小，得到X*Y像素数据，其中，X为定位子图像的横向像素值，Y为定位子图像的纵向像素值，X、Y为正整数；
从所述定位子图像中读取横向像素从左至右排序[X/2]-I至[X/2]+I的值，从所述定位子图像中读取横向像素从上至下排序[Y/2]-J至[Y/2]+J的值，生成精确分析图像，其中，I为中心像素的预置横向获取值，J为中心像素的预置纵向获取值，[*]为不大于*的最大整数，I、J为正整数。
本发明第二方面提供了一种屏幕缺陷的检测装置，所述屏幕缺陷的检测装置包括：
拍摄模块，用于拍摄待检测屏幕的定位分析图像，对所述定位分析图像进行缺陷定位分析处理，得到缺陷定位信息；
获取模块，用于基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像；
读取模块，用于读取预置分析算法设置的图像大小，得到A0*B0像素数据，以及读取所述精确分析图像的图像大小，得到A1*B1像素数据，其中，A0为算法分析图像的横向像素值，A1为精确分析图像的横向像素值，B0为算法分析图像的纵向像素值，B1为精确分析图像的纵向像素值，A1、B1、A0、B0为正整数；
划分模块，用于将所述精确分析图像横向平均划分为（A1/A0）份，将所述精确分析图像纵向平均划分为（B1/B0）份；
裁剪模块，用于基于所述精确分析图像的横向平均划分和所述精确分析图像的纵向平均划分，裁剪得到（A1/A0）*（B1/B0）个分析图像；
分析模块，用于根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息。
本发明第三方面提供了一种屏幕缺陷的检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述屏幕缺陷的检测设备执行上述的屏幕缺陷的检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的屏幕缺陷的检测方法。
本发明实施例中，通过先拍摄范围较大的定位分析图将缺陷的范围进行锁定，在基于缺陷的位置范围，拍摄更加详细的精确分析图像，基于精确分析图像保证能准确有效的判断出屏幕缺陷内容输出二值图，解决屏幕检测技术对屏幕缺陷不能完整建模与迁移的问题。
附图说明
图1为本发明实施例中屏幕缺陷的检测方法的一个实施例示意图；
图2为本发明实施例中屏幕缺陷的检测方法的矩阵转换关系示意图；
图3为本发明实施例中屏幕缺陷的检测装置的一个实施例示意图；
图4为本发明实施例中屏幕缺陷的检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种屏幕缺陷的检测方法、装置、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中屏幕缺陷的检测方法的一个实施例包括：
101、拍摄待检测屏幕的定位分析图像，对所述定位分析图像进行缺陷定位分析处理，得到缺陷定位信息；
在本实施例中，根据主相机的缺陷定位信息引导精细拍摄相机运行到该区域，主相机已对缺陷进行了初步的定位及大小测量，能够进入精细拍摄相机的缺陷均为尺寸符合前期设定阈值范围内的缺陷。所以，一般缺陷位于精细拍摄相机的相对中心位置，精细拍摄相机对该区域进行图像采集。
在101步骤中，还可以执行以下步骤：
1011、拍摄待检测屏幕的定位分析图像；
1012、根据预置区域划分框架，将所述定位分析图像划分为（M+1）*(N+1）个定位子图像，其中，M为纵向划分线条数，N为横向划分线条数；
1013、对（M+1）*(N+1）个定位子图像进行初步判断处理，筛选出存在缺陷的H个定位子图像，其中，H为不大于（M+1）*(N+1）的正整数；
1014、提取所述H个定位子图像在所述区域划分框架的位置数据，得到缺陷定位信息。
在1011-1014步骤中，主相机拍摄的图像为20000*20000的定位分析图，但是定位分析图太大，需要先切割分析一下。切割上来说横纵各存在9条划分线平均划分原图，而且划分方式以区域划分框架形式存储，在划分过程中进行标号如第一个为（1,1）的标号，（8,9）则表示为横向第8个纵向第9个的子图像。主相机拍摄的图像为20000*20000的定位分析图分割后为共计100个的2000*2000的定位子图像，依次分析100个定位子图像中是否存在缺陷，筛选出H个定位子图像存在缺陷。将缺陷的定位子图想的定位标记作为缺陷定位信息。
102、基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像；
在本实施例中，可以采集定位子图像的相对中心区域的裁剪，精细拍摄相机采集图像为1000*1000，根据定位子图像的相对中心区域扣取1张1000*1000图像。还可以就基于定位子图像的2000*2000的像素大小，精细拍摄相机采集定位子图像区域的2000*2000像素大小图像。
在102步骤中，可以执行以下操作：
1021、读取所述定位子图像的大小，得到X*Y像素数据，其中，X为定位子图像的横向像素值，Y为定位子图像的纵向像素值，X、Y为正整数；
1022、从所述定位子图像中读取横向像素从左至右排序[X/2]-I至[X/2]+I的值，从所述定位子图像中读取横向像素从上至下排序[Y/2]-J至[Y/2]+J的值，生成精确分析图像，其中，I为中心像素的预置横向获取值，J为中心像素的预置纵向获取值，[*]为不大于*的最大整数，I、J为正整数。
在1021-1022步骤中，定位子图像的大小是1500*1500的像素大小，而要提取1000*1000的中心图像，则要提取横向像素为[1500/2]-500至[1500/2]+500的像素排列序号的像素，提取纵向像素为[1500/2]-500至[1500/2]+500的像素排列序号的像素。这样约束住范围之后，就能提取定位子图像中心范围1000*1000的精细拍摄图像。
103、读取预置分析算法设置的图像大小，得到A0*B0像素数据，以及读取所述精确分析图像的图像大小，得到A1*B1像素数据，其中，A0为算法分析图像的横向像素值，A1为精确分析图像的横向像素值，B0为算法分析图像的纵向像素值，B1为精确分析图像的纵向像素值，A1、B1、A0、B0为正整数；
104、将所述精确分析图像横向平均划分为（A1/A0）份，将所述精确分析图像纵向平均划分为（B1/B0）份；
105、基于所述精确分析图像的横向平均划分和所述精确分析图像的纵向平均划分，裁剪得到（A1/A0）*（B1/B0）个分析图像；
在103-105步骤中，分析算法设置的图像大小为200*200的像素大小，而精确分析图像的图像大小为1000*1000的大小，则横纵向都要平均划分为5份，产生总共25份的训练模型可以分析的图像，以保证每个图像都能在信息处理过程中被精准识别判断。
106、根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息。
在本实施例中，（A1/A0）*（B1/B0）个分析图像都是依次输入到分析算法中进行识别，识别出缺陷信息的大小、种类、尺寸等一些关键信息，或者以便技术人员基于缺陷信息反查生产环节中具体是哪个环节出现的错误。
进一步在106步骤中，可以执行以下步骤：
1061、对所述分析图像进行像素值提取处理，得到初始分析矩阵；
1062、对所述初始分析矩阵进行卷积处理，得到卷积矩阵T1；
1063、将所述卷积矩阵T1作为迭代卷积的初始迭代矩阵，对卷积矩阵TS进行卷积处理，得到卷积矩阵TS+1，迭代卷积L次得到卷积矩阵T2、卷积矩阵T3、… 、卷积矩阵TL+1，其中，S=1、2、..、L，L为正整数常数；
1064、将所述初始分析矩阵确定为卷积矩阵T0，将卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TL+1进行组合转换处理，生成组合矩阵DL+1；
1065、将组合矩阵D R1+1、卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TL+1进行组合转换处理，生成组合矩阵DR1，其中，R1取1、2、…、L，L为正整数常数；
1066、将组合矩阵DR2还原至A0*B0像素的概率矩阵PR2，将卷积矩阵TL+1还原至A0*B0像素的概率矩阵PL+2，对概率矩阵PR2、概率矩阵PL+2进行卷积激活处理，得到输出矩阵FR2+1，其中，R2取1、2、…、L+1，L为正整数常数；
1067、对输出矩阵FR2+1融合转换处理，得到损失判断矩阵F0；
1068、根据预置损失函数，对损失判断矩阵F0进行损失判断处理，得到缺陷信息对应的二值图像。
在1061-1068步骤中，如图2所示，分析图像进行像素值提取处理，得到初始分析矩阵，将初始分析矩阵确定为卷积矩阵T0。对卷积矩阵T0进行卷积处理得到卷积矩阵T1，卷积矩阵TS进行卷积处理，得到卷积矩阵TS+1，L取值为4，则循环生成卷积矩阵T2、卷积矩阵T3、卷积矩阵T4、卷积矩阵T5。进一步，将卷积矩阵T0、卷积矩阵T1、卷积矩阵T2、卷积矩阵T3、卷积矩阵T4、卷积矩阵T5组合得到组合矩阵D5。组合矩阵D5、卷积矩阵T0、卷积矩阵T1、卷积矩阵T2、卷积矩阵T3、卷积矩阵T4、卷积矩阵T5组合生成组合矩阵D4，组合矩阵D4、卷积矩阵T0、卷积矩阵T1、卷积矩阵T2、卷积矩阵T3、卷积矩阵T4、卷积矩阵T5组合生成组合矩阵D3，组合矩阵D3、卷积矩阵T0、卷积矩阵T1、卷积矩阵T2、卷积矩阵T3、卷积矩阵T4、卷积矩阵T5生成组合矩阵D2，组合矩阵D2、卷积矩阵T0、卷积矩阵T1、卷积矩阵T2、卷积矩阵T3、卷积矩阵T4、卷积矩阵T5生成组合矩阵D1。此时，R1依次是取1、2、3、4。将组合矩阵D1、组合矩阵D2、组合矩阵D3、组合矩阵D4、组合矩阵D5还原成A0*B0像素的概率矩阵P1、概率矩阵P2、概率矩阵P3、概率矩阵P4、概率矩阵P5，而将卷积矩阵T5还原成概率矩阵P6，再将概率矩阵P1、概率矩阵P2、概率矩阵P3、概率矩阵P4、概率矩阵P5、概率矩阵P6卷积激活处理得到输出矩阵F1、输出矩阵F2、输出矩阵F3、输出矩阵F4、输出矩阵F5、输出矩阵F6，其中此时，R2依次取1、2、3、4、5。再将输出矩阵F1、输出矩阵F2、输出矩阵F3、输出矩阵F4、输出矩阵F5、输出矩阵F6组合处理得到F0，最后再基于损失函数将F0的损失值求出，基于所有的损失值得到缺陷信息对应的二值图像。
进一步的，在1068步骤中还可以执行以下步骤：
10681、损失判断矩阵F0中任一的元素值代入预置损失函数中，得到所述元素值对应的损失值；
10682、判断所述损失值是否大于预置损失阈值；
10683、若大于所述损失阈值，则将所述元素值对应元素确定为缺陷；
10684、若小于所述损失阈值，则将所述元素值对应元素确定为合格。
在10681-10684步骤中，依次读取损失判断矩阵F0的一个元素的元素值，将元素值代入损失函数值中，计算损失值，当损失值大于0.09时，认为元素对应像素是有缺陷的一个像素，而当损失值小于0.09时，则认为该元素对应像素是合格的一个像素。
具体的，损失函数包括：
Figure 481834DEST_PATH_IMAGE001
其中， A0是分析图像的横向像素值，B0是分析图像的纵向像素值，Ax是损失判断矩阵F0的元素横坐标，By是损失判断矩阵F0的元素纵坐标，PG（Ax，By）表示（Ax，By）的元素值，Ps（Ax，By）表示预测值，E是损失值。
本发明实施例中，通过先拍摄范围较大的定位分析图将缺陷的范围进行锁定，在基于缺陷的位置范围，拍摄更加详细的精确分析图像，基于精确分析图像保证能准确有效的判断出屏幕缺陷内容输出二值图，解决屏幕检测技术对屏幕缺陷不能完整建模与迁移的问题。
上面对本发明实施例中屏幕缺陷的检测方法进行了描述，下面对本发明实施例中屏幕缺陷的检测装置进行描述，请参阅图3，本发明实施例中屏幕缺陷的检测装置一个实施例包括：
拍摄模块301，用于拍摄待检测屏幕的定位分析图像，对所述定位分析图像进行缺陷定位分析处理，得到缺陷定位信息；
获取模块302，用于基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像；
读取模块303，用于读取预置分析算法设置的图像大小，得到A0*B0像素数据，以及读取所述精确分析图像的图像大小，得到A1*B1像素数据，其中，A0为算法分析图像的横向像素值，A1为精确分析图像的横向像素值，B0为算法分析图像的纵向像素值，B1为精确分析图像的纵向像素值，A1、B1、A0、B0为正整数；
划分模块304，用于将所述精确分析图像横向平均划分为（A1/A0）份，将所述精确分析图像纵向平均划分为（B1/B0）份；
裁剪模块305，用于基于所述精确分析图像的横向平均划分和所述精确分析图像的纵向平均划分，裁剪得到（A1/A0）*（B1/B0）个分析图像；
分析模块306，用于根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息。
其中，所述拍摄模块301具体用于：
拍摄待检测屏幕的定位分析图像；
根据预置区域划分框架，将所述定位分析图像划分为（M+1）*(N+1）个定位子图像，其中，M为纵向划分线条数，N为横向划分线条数；
对（M+1）*(N+1）个定位子图像进行初步判断处理，筛选出存在缺陷的H个定位子图像，其中，H为不大于（M+1）*(N+1）的正整数；
提取所述H个定位子图像在所述区域划分框架的位置数据，得到缺陷定位信息。
其中，所述获取模块302具体用于：
读取所述定位子图像的大小，得到X*Y像素数据，其中，X为定位子图像的横向像素值，Y为定位子图像的纵向像素值，X、Y为正整数；
从所述定位子图像中读取横向像素从左至右排序[X/2]-I至[X/2]+I的值，从所述定位子图像中读取横向像素从上至下排序[Y/2]-J至[Y/2]+J的值，生成精确分析图像，其中，I为中心像素的预置横向获取值，J为中心像素的预置纵向获取值，[*]为不大于*的最大整数，I、J为正整数。
其中，所述分析模块306具体用于：
对所述分析图像进行像素值提取处理，得到初始分析矩阵；
对所述初始分析矩阵进行卷积处理，得到卷积矩阵T1；
将所述卷积矩阵T1作为迭代卷积的初始迭代矩阵，对卷积矩阵TS进行卷积处理，得到卷积矩阵TS+1，迭代卷积L次得到卷积矩阵T2、卷积矩阵T3、… 、卷积矩阵TL+1，其中，S=1、2、..、L，L为正整数常数；
将所述初始分析矩阵确定为卷积矩阵T0，将卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TL+1进行组合转换处理，生成组合矩阵DL+1；
将组合矩阵D R1+1、卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TL+1进行组合转换处理，生成组合矩阵DR1，其中，R1取1、2、…、L，L为正整数常数；
将组合矩阵DR2还原至A0*B0像素的概率矩阵PR2，将卷积矩阵TL+1还原至A0*B0像素的概率矩阵PL+2，对概率矩阵PR2、概率矩阵PL+2进行卷积激活处理，得到输出矩阵FR2+1，其中，R2取1、2、…、L+1，L为正整数常数；
对输出矩阵FR2+1融合转换处理，得到损失判断矩阵F0；
根据预置损失函数，对损失判断矩阵F0进行损失判断处理，得到缺陷信息对应的二值图像。
其中，所述分析模块306还可以具体用于：
将损失判断矩阵F0中任一的元素值代入预置损失函数中，得到所述元素值对应的损失值；
判断所述损失值是否大于预置损失阈值；
若大于所述损失阈值，则将所述元素值对应元素确定为缺陷；
若小于所述损失阈值，则将所述元素值对应元素确定为合格。
其中，所述损失函数包括：
Figure 792730DEST_PATH_IMAGE001
其中， A0是分析图像的横向像素值，B0是分析图像的纵向像素值，Ax是损失判断矩阵F0的元素横坐标，By是损失判断矩阵F0的元素纵坐标，PG（Ax，By）表示（Ax，By）的元素值，Ps（Ax，By）表示预测值，E是损失值。
其中，所述损失阈值包括：0.09。
本发明实施例中，通过先拍摄范围较大的定位分析图将缺陷的范围进行锁定，在基于缺陷的位置范围，拍摄更加详细的精确分析图像，基于精确分析图像保证能准确有效的判断出屏幕缺陷内容输出二值图，解决屏幕检测技术对屏幕缺陷不能完整建模与迁移的问题。
上面图3从模块化功能实体的角度对本发明实施例中的屏幕缺陷的检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中屏幕缺陷的检测设备进行详细描述。
图4是本发明实施例提供的一种屏幕缺陷的检测设备的结构示意图，该屏幕缺陷的检测设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）410（例如，一个或一个以上处理器）和存储器420，一个或一个以上存储应用程序433或数据432的存储介质430（例如一个或一个以上海量存储设备）。其中，存储器420和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对屏幕缺陷的检测设备400中的一系列指令操作。更进一步地，处理器410可以设置为与存储介质430通信，在屏幕缺陷的检测设备400上执行存储介质430中的一系列指令操作。
基于屏幕缺陷的检测设备400还可以包括一个或一个以上电源440，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口460，和/或，一个或一个以上操作***431，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图4示出的屏幕缺陷的检测设备结构并不构成对基于屏幕缺陷的检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述屏幕缺陷的检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，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，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种屏幕缺陷的检测方法，其特征在于，包括步骤：
拍摄待检测屏幕的定位分析图像，对所述定位分析图像进行缺陷定位分析处理，得到缺陷定位信息；
基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像；
读取预置分析算法设置的图像大小，得到A0*B0像素数据，以及读取所述精确分析图像的图像大小，得到A1*B1像素数据，其中，A0为算法分析图像的横向像素值，A1为精确分析图像的横向像素值，B0为算法分析图像的纵向像素值，B1为精确分析图像的纵向像素值，A1、B1、A0、B0为正整数；
将所述精确分析图像横向平均划分为（A1/A0）份，将所述精确分析图像纵向平均划分为（B1/B0）份；
基于所述精确分析图像的横向平均划分和所述精确分析图像的纵向平均划分，裁剪得到（A1/A0）*（B1/B0）个分析图像；
根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息。
2.根据权利要求1所述的屏幕缺陷的检测方法，其特征在于，所述根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息包括：
对所述分析图像进行像素值提取处理，得到初始分析矩阵；
对所述初始分析矩阵进行卷积处理，得到卷积矩阵T1；
将所述卷积矩阵T1作为迭代卷积的初始迭代矩阵，对卷积矩阵TS进行卷积处理，得到卷积矩阵TS+1，迭代卷积L次得到卷积矩阵T2、卷积矩阵T3、… 、卷积矩阵TL+1，其中，S=1、2、..、L，L为正整数常数；
将所述初始分析矩阵确定为卷积矩阵T0，将卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TL+1进行组合转换处理，生成组合矩阵DL+1；
将组合矩阵D R1+1、卷积矩阵T0、卷积矩阵T1、…、卷积矩阵TL+1进行组合转换处理，生成组合矩阵DR1，其中，R1取1、2、…、L，L为正整数常数；
将组合矩阵DR2还原至A0*B0像素的概率矩阵PR2，将卷积矩阵TL+1还原至A0*B0像素的概率矩阵PL+2，对概率矩阵PR2、概率矩阵PL+2进行卷积激活处理，得到输出矩阵FR2+1，其中，R2取1、2、…、L+1，L为正整数常数；
对输出矩阵FR2+1融合转换处理，得到损失判断矩阵F0；
根据预置损失函数，对损失判断矩阵F0进行损失判断处理，得到缺陷信息对应的二值图像。
3.根据权利要求2所述的屏幕缺陷的检测方法，其特征在于，所述根据预置损失函数，对损失判断矩阵F0进行损失判断处理，得到缺陷信息对应的二值图像包括：
将损失判断矩阵F0中任一的元素值代入预置损失函数中，得到所述元素值对应的损失值；
判断所述损失值是否大于预置损失阈值；
若大于所述损失阈值，则将所述元素值对应元素确定为缺陷；
若小于所述损失阈值，则将所述元素值对应元素确定为合格。
4.根据权利要求2所述的屏幕缺陷的检测方法，其特征在于，所述损失函数包括：
Figure 40707DEST_PATH_IMAGE001
其中， A0是分析图像的横向像素值，B0是分析图像的纵向像素值，Ax是损失判断矩阵F0的元素横坐标，By是损失判断矩阵F0的元素纵坐标，PG（Ax，By）表示（Ax，By）的元素值，Ps（Ax，By）表示（Ax，By）的预测值，E是损失值。
5.根据权利要求3所述的屏幕缺陷的检测方法，其特征在于，所述损失阈值包括：0.09。
6.根据权利要求1所述的屏幕缺陷的检测方法，其特征在于，所述拍摄待检测屏幕的定位分析图像，对所述定位分析图像进行缺陷定位分析处理，得到缺陷定位信息包括：
拍摄待检测屏幕的定位分析图像；
根据预置区域划分框架，将所述定位分析图像划分为（M+1）*(N+1）个定位子图像，其中，M为纵向划分线条数，N为横向划分线条数；
对（M+1）*(N+1）个定位子图像进行初步判断处理，筛选出存在缺陷的H个定位子图像，其中，H为不大于（M+1）*(N+1）的正整数；
提取所述H个定位子图像在所述区域划分框架的位置数据，得到缺陷定位信息。
7.根据权利要求6所述的屏幕缺陷的检测方法，其特征在于，所述基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像包括：
读取所述定位子图像的大小，得到X*Y像素数据，其中，X为定位子图像的横向像素值，Y为定位子图像的纵向像素值，X、Y为正整数；
从所述定位子图像中读取横向像素从左至右排序[X/2]-I至[X/2]+I的值，从所述定位子图像中读取横向像素从上至下排序[Y/2]-J至[Y/2]+J的值，生成精确分析图像，其中，I为中心像素的预置横向获取值，J为中心像素的预置纵向获取值，[*]为不大于*的最大整数，I、J为正整数。
8.一种屏幕缺陷的检测装置，其特征在于，所述屏幕缺陷的检测装置包括：
拍摄模块，用于拍摄待检测屏幕的定位分析图像，对所述定位分析图像进行缺陷定位分析处理，得到缺陷定位信息；
获取模块，用于基于所述缺陷定位信息，获取所述待检测屏幕的精确分析图像；
读取模块，用于读取预置分析算法设置的图像大小，得到A0*B0像素数据，以及读取所述精确分析图像的图像大小，得到A1*B1像素数据，其中，A0为算法分析图像的横向像素值，A1为精确分析图像的横向像素值，B0为算法分析图像的纵向像素值，B1为精确分析图像的纵向像素值，A1、B1、A0、B0为正整数；
划分模块，用于将所述精确分析图像横向平均划分为（A1/A0）份，将所述精确分析图像纵向平均划分为（B1/B0）份；
裁剪模块，用于基于所述精确分析图像的横向平均划分和所述精确分析图像的纵向平均划分，裁剪得到（A1/A0）*（B1/B0）个分析图像；
分析模块，用于根据所述分析算法，对所述（A1/A0）*（B1/B0）个分析图像进行分析处理，得到缺陷信息。
9.一种屏幕缺陷的检测设备，其特征在于，所述屏幕缺陷的检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述屏幕缺陷的检测设备执行如权利要求1-7中任一项所述的屏幕缺陷的检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，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1-7中任一项所述的屏幕缺陷的检测方法。
CN202111416565.4A 2021-11-26 2021-11-26 屏幕缺陷的检测方法、装置、设备及存储介质 Active CN113838053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111416565.4A CN113838053B (zh) 2021-11-26 2021-11-26 屏幕缺陷的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111416565.4A CN113838053B (zh) 2021-11-26 2021-11-26 屏幕缺陷的检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113838053A true CN113838053A (zh) 2021-12-24
CN113838053B CN113838053B (zh) 2022-03-15

Family

ID=78971398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111416565.4A Active CN113838053B (zh) 2021-11-26 2021-11-26 屏幕缺陷的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113838053B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090136121A1 (en) * 2007-11-14 2009-05-28 Ryo Nakagaki Defect review method and apparatus
CN108460757A (zh) * 2018-02-11 2018-08-28 深圳市鑫信腾科技有限公司 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090136121A1 (en) * 2007-11-14 2009-05-28 Ryo Nakagaki Defect review method and apparatus
CN108460757A (zh) * 2018-02-11 2018-08-28 深圳市鑫信腾科技有限公司 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
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

Also Published As

Publication number Publication date
CN113838053B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN111768432B (zh) 基于孪生深度神经网络的动目标分割方法及***
CN106960195B (zh) 一种基于深度学习的人群计数方法及装置
CN110570435B (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
US11189019B2 (en) Method for detecting defects, electronic device, and computer readable medium
CN111445459A (zh) 一种基于深度孪生网络的图像缺陷检测方法及***
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN114998314B (zh) 一种基于计算机视觉的pcb电路板缺陷检测方法
CN111582093A (zh) 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法
CN106156777A (zh) 文本图片检测方法及装置
CN113706472B (zh) 公路路面病害检测方法、装置、设备及存储介质
CN112669275A (zh) 基于YOLOv3算法的PCB表面缺陷检测方法及装置
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及***
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
CN114049499A (zh) 用于连续轮廓的目标对象检测方法、设备及存储介质
CN112785572A (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN113205511B (zh) 基于深层神经网络的电子元器件批量信息检测方法及***
CN111612681A (zh) 数据获取方法、水印识别方法、水印去除方法及装置
CN113838053B (zh) 屏幕缺陷的检测方法、装置、设备及存储介质
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN107123105A (zh) 基于fast算法的图像匹配缺陷检测方法
CN113139496A (zh) 一种基于时序多尺度融合的行人重识别方法及***
CN113409375A (zh) 图像处理方法、装置以及非易失性存储介质
CN114140428A (zh) 基于YOLOv5的落叶松毛虫虫害检测识别方法及***

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