CN114022415A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114022415A
CN114022415A CN202111204952.1A CN202111204952A CN114022415A CN 114022415 A CN114022415 A CN 114022415A CN 202111204952 A CN202111204952 A CN 202111204952A CN 114022415 A CN114022415 A CN 114022415A
Authority
CN
China
Prior art keywords
cluster
pixel
pixel points
feature
pixel point
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
CN202111204952.1A
Other languages
English (en)
Other versions
CN114022415B (zh
Inventor
漆长松
李勇
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.)
Chengdu Botovision Technology Co ltd
Original Assignee
Chengdu Botovision 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 Chengdu Botovision Technology Co ltd filed Critical Chengdu Botovision Technology Co ltd
Priority to CN202111204952.1A priority Critical patent/CN114022415B/zh
Publication of CN114022415A publication Critical patent/CN114022415A/zh
Application granted granted Critical
Publication of CN114022415B publication Critical patent/CN114022415B/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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (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)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Liquid Crystal (AREA)

Abstract

本发明提供了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，首先，获取液晶屏RGB三通道图像，还包括S1.获取所述图像各像素点的灰度值及r、g、b通道值，将图像转化为灰度图；S2.对灰度图中的每个像素点进行遍历计算，通过多模态与多尺度的特征提取核，生成每个所述像素点的特征向量；S3.根据所述特征向量聚类的结果以及聚类后集群中的像素点的坐标分布情况以判断液晶屏是否存在缺陷；采用本方法不需要对缺陷样本进行收集，在算法落地应用中更具备开展实施性，且由于参数的规模小，有效的提高缺陷检测算法的效率；另与传统的局部像素值等算法比较，本方法所提供的缺陷检测更具备全面性。

Description

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
技术领域
本发明涉及液晶屏检测技术领域，具体而言，涉及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。
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。液晶显示屏幕缺陷有很多类型，检测起来难度非常大。
对此，较为传统的检测方法是人工检测，这对检测员的要求较高，且长期采用人工进行缺陷检测，对检测员的眼睛会造成极大的伤害，比如视力下降；此外，检测员长期工作，疲劳时会造成漏检，导致不良品流入市场的几率增加。
为应对人工检测的不足，又提出有基于图像分析开展的缺陷分析方法；如公开号为CN109242829A的中国发明专利基于小样本深度学习的液晶屏缺陷检测方法、***及装置，其通过采集缺陷样本训练缺陷检测模型，但是，缺陷的发生是未知的，那么缺陷成像后的颜色特征、像素大小、形态都是未知的，因此即使可以基于小样本训练得出缺陷检测模型，该模型的泛化能力是有限的；又如公开号为CN104978748A的中国发明专利一种基于局部像素值的液晶屏缺陷检测方法，其通过局部像素的计算探测缺陷，但是局部像素计算的前提是将图像分割为网状的像素块进行局部观测，但若缺陷面积较大时，在局部网状像素块中是无法观测异常的。
鉴于现有技术还存在诸多缺陷，我们分析了液晶屏视觉检测的难点，主要包括缺陷大小没有规律，区别微弱；缺陷形态(如缺陷颜色、缺陷轮廓、缺陷曲折)表现无规律；同一液晶屏出现的缺陷类型可能存在多种；本发明针对上述检测难点，提出一种新的液晶屏缺陷检测方法，以期解决上述问题的同时能够做到更好精准度的缺陷检测。
发明内容
本发明的目的在于提供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，其不需要对缺陷样本进行收集，在算法落地应用中更具备开展实施性，且由于参数的规模小，有效的提高缺陷检测算法的效率；另与传统的局部像素值等算法比较，本方法所提供的缺陷检测更具备全面性。
本发明的实施例通过以下技术方案实现：
第一方面，提供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，首先，获取液晶屏的RGB三通道图像，还包括如下步骤：
S1.获取所述图像各像素点的灰度值及r、g、b通道值，将所述图像转化为灰度图；
S2.对所述灰度图中的每个所述像素点进行遍历计算，通过多模态与多尺度的特征提取核，生成每个所述像素点的特征向量；
S3.根据所述特征向量聚类的结果将像素点分出两个第一集群，对集群进行过滤处理生成第二集群，若生成第二集群且第二集群中的像素点数量大于第一阈值时，则可能存在缺陷；若未生成第二集群，且所述两个第一集群间的像素点差值大于第二阈值，则可能存在缺陷；在可能存在缺陷的情况下，判断第一集群中像素点较小的一个第一集群或第二集群的像素点坐标分布是否离散，若离散则判断为无缺陷，否则判断为有缺陷。
进一步的，所述对所述灰度图中的每个所述像素点进行遍历计算具体包括：
以像素点
Figure BDA0003306469940000033
为中心，采样获取与特征提取核同样大小的局部图像区域矩阵
Figure BDA0003306469940000034
在进行矩阵乘法或矩阵减法运算；
所述特征提取核为m*m大小的二维矩阵fm*m；
其中，所述矩阵乘法运算即特征提取核二维矩阵与局部图像区域矩阵相乘，如下式(1)，
Figure BDA0003306469940000031
所述矩阵减法运算即通过特征提取核二维矩阵减去局部图像区域矩阵，如下式(2)，
Figure BDA0003306469940000032
其中，
Figure BDA0003306469940000035
为以所述像素点
Figure BDA0003306469940000088
为中心采样获取的所述局部图像区域矩阵
Figure BDA0003306469940000037
与所述特征提取核二维矩阵fm*m乘法或减法运算后的结果。
进一步的，所述通过多模态与多尺度的特征提取核，生成像素点的特征向量具体为：
所述多尺度即所述特征提取核的大小m取值包括多个，所述多模态即所述特征提取核中的特征值
Figure BDA0003306469940000038
的定义包括多种；
再根据多模态特征值定义以及多尺度的特征提取核的不同取值生成像素点的特征向量
Figure BDA0003306469940000041
进一步的，所述S3具体包括：
S31.选取一所述像素点作为聚类初始中心，遍历图像的其他所有像素点，计算所述聚类初始中心与所述其他所有像素点的特征向量欧氏距离；
S32.筛选出与所述聚类初始中心特征向量欧氏距离最大的两个像素点作为第二聚类中心a和b；
S33.分别计算各所述像素点与所述第二聚类中心a和第二聚类中心b间的特征向量欧氏距离，并将所有所述像素点进行归类，获得与第二聚类中心a一类的第一集群A，以及与第二聚类中心b一类的第一集群B；
S34.对所述第一集群A与第一集群B进行滤波处理，生成第二集群C，并根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷；
S35.根据所述S34的判断结果结合所述第一集群A、第一集群B和第二集群C中的像素点坐标分布是否离散判断是否存在缺陷。
进一步的，所述S33中的所述将所有所述像素点进行归类具体为：
当所述像素点与第二聚类中心a的特征向量欧氏距离大于该像素点与第二聚类中心b的特征向量欧氏距离时，该像素点被归为第一集群A，否则归为第一集群B。
进一步的，所述S34中的所述滤波处理具体为：
计算第一集群A中的所有像素点与第二聚类中心a之间的特征向量欧氏距离，并计算获取特征向量欧氏距离均值dA，将与第二聚类中心a之间的特征向量欧氏距离大于j*dA的像素点从第一集群A中删除，并添加到第二集群C中，其中j为常数项。
进一步的，所述根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷具体为：
当生成第二集群C时，且第二集群C中的像素点数量大于5，则判定可能存在缺陷；
当未生成第二集群C时，判断第一集群A与第一集群B的像素点数量差是否大于图像总像素点数量的1/3，若大于1/3，则判定可能存在缺陷。
进一步的，所述S35具体为：
在出现第二集群C且第二集群C中的像素点数量大于5的情况下，计算第二集群C中的像素点的坐标分布是否离散；在没有出现第二集群C的情况下，选取第一集群A、第一集群B中像素点数量少的集群并定义为集群Q，计算所述集群Q中像素点的像素坐标分布是否离散；若像素点坐标呈离散分布，则判断无缺陷，若像素点坐标分布在独立可聚合的区域，则判定发生缺陷。
进一步的，所述像素点的坐标分布是否离散具体为：
设定像素点坐标分布距离阈值d，所述距离阈值
Figure BDA0003306469940000051
其中Iw表示图像像素宽，Ih表示图像像素高；对所述集群Q或第二集群C中的像素点依次进行遍历，计算所述集群Q或第二集群C中两两像素点的坐标分布距离值dP，若dP≤d，则该两像素点为同类像素点坐标聚类集，获取新聚类的坐标分布集群的总数量 Nd；
预设第三阈值T，T＝k*Nt，其中，k为常数项，Nt为所述集群Q或第二集群C的像素点总数量，当Nd≥T时，认为所述集群Q或第二集群C的像素点坐标分布是离散的，判断为无缺陷；否则认为坐标分布在独立可聚合的区域，判断为有缺陷。
第二方面，提供一种电子设备，包括存储器与处理器；
所述存储器存储有计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法。
本发明实施例的技术方案至少具有如下优点和有益效果：
(1)与现有的基于小样本的深度学习技术方案相比，其不需要对缺陷样本进行收集，在算法落地应用中更具备开展实施性，且由于参数的规模小，有效的提高缺陷检测算法的效率；
(2)与传统的局部像素值等算法比较，使缺陷检测更具备全面性，可用于对液晶屏的曲折缺陷以及大面积缺陷的检测。
附图说明
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
第一方面，提供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，首先，获取液晶屏RGB三通道图像，还包括如下步骤：
S1.获取所述图像各像素点的灰度值及r、g、b通道值，将所述图像转化为灰度图。
RGB三通道图像转化为灰度图的通用公式如下，
Figure BDA0003306469940000071
其中，
Figure BDA0003306469940000073
表示图像第n个像素点灰度值，
Figure BDA0003306469940000074
分别表示图像第n个像素点的r、g、b通道值。
通常来说，液晶屏的RGB三通道图像为液晶屏显示单一色彩时的图像。
S2.对所述灰度图中的每个所述像素点进行遍历计算，通过多模态与多尺度的特征提取核，生成每个所述像素点的特征向量。
具体的，对所述灰度图中的每个所述像素点进行遍历计算为，以像素点
Figure BDA0003306469940000075
为中心，采样获取与特征提取核同样大小的局部图像区域矩阵
Figure BDA0003306469940000072
在进行矩阵乘法或矩阵减法运算；
所述特征提取核为m*m大小的二维矩阵fm*m；
其中，所述矩阵乘法运算即特征提取核二维矩阵与局部图像区域矩阵相乘，如下式(1)，
Figure BDA0003306469940000081
Figure BDA0003306469940000082
其中，
Figure BDA0003306469940000086
表示特征提取核中的特征值，即二维矩阵元素。
所述矩阵减法运算即通过特征提取核二维矩阵减去局部图像区域矩阵，如下式(2)，
Figure BDA0003306469940000083
Figure BDA0003306469940000084
其中，
Figure BDA0003306469940000087
为以所述像素点
Figure BDA0003306469940000088
为中心采样获取的所述局部图像区域矩阵
Figure BDA0003306469940000089
与所述特征提取核二维矩阵fm*m乘法或减法运算后的结果。
需要说明的是，所述多尺度即所述特征提取核的大小m取值包括多个，所述多模态即所述特征提取核中的特征值
Figure BDA00033064699400000810
的定义包括多种。
在一具体实施例中，特征提取核的大小m取值包括3，5，9；特征提取核中的特征值
Figure BDA00033064699400000811
表示特征提取核中第n行n列的特征值，例如在特征核
Figure BDA00033064699400000812
中
Figure BDA0003306469940000085
获取的具体特征提取核如下所示，
Figure BDA0003306469940000091
Figure BDA0003306469940000092
Figure BDA0003306469940000093
其中，
Figure BDA0003306469940000094
S为大小为m*m的单位矩阵。
再根据多模态特征值定义以及多尺度的特征提取核的不同取值生成像素点的特征向量
Figure BDA0003306469940000096
如下式所示，
Figure BDA0003306469940000095
S3.根据所述特征向量聚类的结果将像素点分出两个第一集群，对集群进行过滤处理生成第二集群，若生成第二集群且第二集群中的像素点数量大于第一阈值时，则可能存在缺陷；若未生成第二集群，且所述两个第一集群间的像素点差值大于第二阈值，则可能存在缺陷；在可能存在缺陷的情况下，判断第一集群中像素点较小的一个第一集群或第二集群的像素点坐标分布是否离散，若离散则判断为无缺陷，否则判断为有缺陷。
具体的，所述S3包括：
S31.选取一所述像素点作为聚类初始中心，遍历图像的其他所有像素点，计算所述聚类初始中心与所述其他所有像素点的特征向量欧氏距离；
S32.筛选出与所述聚类初始中心特征向量欧氏距离最大的两个像素点作为第二聚类中心a和b；
S33.分别计算各所述像素点与所述第二聚类中心a和第二聚类中心b间的特征向量欧氏距离，并将所有所述像素点进行归类，获得与第二聚类中心a一类的第一集群A，以及与第二聚类中心b一类的第一集群B；
需要说明的是，像素点的归类方法具体为，当所述像素点与第二聚类中心a的特征向量欧氏距离大于该像素点与第二聚类中心b的特征向量欧氏距离时，该像素点被归为第一集群A，否则归为第一集群B。
S34.对所述第一集群A与第一集群B进行滤波处理，生成第二集群C，并根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷；
此处的滤波处理具体为，计算第一集群A中的所有像素点与第二聚类中心a之间的特征向量欧氏距离，并计算获取特征向量欧氏距离均值dA，将与第二聚类中心a之间的特征向量欧氏距离大于j*dA的像素点从第一集群A中删除，并添加到第二集群C中，其中j为常数项。
在一具体实施例中，j的取值为2，需要说明的是，常数项j的取值可根据不同的待测液晶屏图像进行调整，在多次实验中，我们发现，j的取值在2左右是效果最好的区段，其中取值为2作为最优选。
所述根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷具体为：
当生成第二集群C时，且第二集群C中的像素点数量大于5，则判定可能存在缺陷；需要说明的是，根据待测液晶屏图像的不同，该处的取值5 可以有所变动。
当未生成第二集群C时，判断第一集群A与第一集群B的像素点数量差是否大于图像总像素点数量的1/3，若大于1/3，则判定可能存在缺陷。
S35.根据所述S34的判断结果结合所述第一集群A、第一集群B和第二集群C中的像素点坐标分布是否离散判断是否存在缺陷。
具体的，S35为：
在出现第二集群C且第二集群C中的像素点数量大于5的情况下，计算第二集群C中的像素点的坐标分布是否离散；在没有出现第二集群C的情况下，选取第一集群A、第一集群B中像素点数量少的集群并定义为集群Q，计算所述集群Q中像素点的像素坐标分布是否离散；若像素点坐标呈离散分布，则判断无缺陷，若像素点坐标分布在独立可聚合的区域，则判定发生缺陷。
具体的，像素点的坐标分布是否离散具体为，设定像素点坐标分布距离阈值d，所述距离阈值
Figure BDA0003306469940000111
其中Iw表示图像像素宽，Ih表示图像像素高；对所述集群Q或第二集群C中的像素点依次进行遍历，计算所述集群Q或第二集群C中两两像素点的坐标分布距离值dP，若dP≤d，则该两像素点为同类像素点坐标聚类集，获取新聚类的坐标分布集群的总数量Nd；
预设第三阈值T，T＝k*Nt，其中，k为常数项，Nt为所述集群Q或第二集群C的像素点总数量，当Nd≥T时，认为所述集群Q或第二集群C的像素点坐标分布是离散的，判断为无缺陷；否则认为坐标分布在独立可聚合的区域，判断为有缺陷。
需要说明的是，常数项k的取值也可以根据待测液晶屏图像的不同进行变动，通过大量的实验发现，其优选取值范围为0.15～0.35。
第二方面，提供一种电子设备，包括存储器与处理器；
所述存储器存储有计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法。
采用本发明所记载的技术方案能够较现有技术带来如下的进步效果，
(1)与现有的基于小样本的深度学习技术方案相比，其不需要对缺陷样本进行收集，在算法落地应用中更具备开展实施性，且由于参数的规模小，有效的提高缺陷检测算法的效率；
(2)与传统的局部像素值等算法比较，使缺陷检测更具备全面性，可用于对液晶屏的曲折缺陷以及大面积缺陷的检测。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法，首先，获取液晶屏RGB三通道图像，其特征在于，还包括如下步骤：
S1.获取所述图像各像素点的灰度值及r、g、b通道值，将所述图像转化为灰度图；
S2.对所述灰度图中的每个所述像素点进行遍历计算，通过多模态与多尺度的特征提取核，生成所述像素点的特征向量；
S3.根据所述特征向量聚类的结果将像素点分出两个第一集群，对集群进行过滤处理生成第二集群，若生成第二集群且第二集群中的像素点数量大于第一阈值时，则可能存在缺陷；若未生成第二集群，且所述两个第一集群间的像素点差值大于第二阈值，则可能存在缺陷；在可能存在缺陷的情况下，判断第一集群中像素点较小的一个第一集群或第二集群的像素点坐标分布是否离散，若离散则判断为无缺陷，否则判断为有缺陷。
2.根据权利要求1所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述对所述灰度图中的每个所述像素点进行遍历计算具体包括：
以像素点
Figure FDA0003306469930000011
为中心，采样获取与特征提取核同样大小的局部图像区域矩阵
Figure FDA0003306469930000012
再进行矩阵乘法或矩阵减法运算；
所述特征提取核为m*m大小的二维矩阵fm*m；
其中，所述矩阵乘法运算即特征提取核二维矩阵与局部图像区域矩阵相乘，如下式(1)，
Figure FDA0003306469930000021
所述矩阵减法运算即通过特征提取核二维矩阵减去局部图像区域矩阵，如下式(2)，
Figure FDA0003306469930000022
其中，
Figure FDA0003306469930000023
为以所述像素点
Figure DEST_PATH_BDA0003306469940000088
为中心采样获取的所述局部图像区域矩阵
Figure FDA0003306469930000025
与所述特征提取核二维矩阵fm*m乘法或减法运算后的结果。
3.根据权利要求2所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述通过多模态与多尺度的特征提取核，生成像素点的特征向量具体为：
所述多尺度即所述特征提取核的大小m取值包括多个，所述多模态即所述特征提取核中的特征值
Figure FDA0003306469930000026
的定义包括多种；
再根据多模态特征值定义以及多尺度的特征提取核的不同取值生成像素点的特征向量
Figure FDA0003306469930000027
4.根据权利要求1所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述S3具体包括：
S31.选取一所述像素点作为聚类初始中心，遍历图像的其他所有像素点，计算所述聚类初始中心与所述其他所有像素点的特征向量欧氏距离；
S32.筛选出与所述聚类初始中心特征向量欧氏距离最大的两个像素点作为第二聚类中心a和b；
S33.分别计算各所述像素点与所述第二聚类中心a和第二聚类中心b间的特征向量欧氏距离，并将所有所述像素点进行归类，获得与第二聚类中心a一类的第一集群A，以及与第二聚类中心b一类的第一集群B；
S34.对所述第一集群A与第一集群B进行滤波处理，生成第二集群C，并根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷；
S35.根据所述S34的判断结果结合所述第一集群A、第一集群B和第二集群C中的像素点坐标分布是否离散判断是否存在缺陷。
5.根据权利要求4所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述S33中的所述将所有所述像素点进行归类具体为：
当所述像素点与第二聚类中心a的特征向量欧氏距离大于该像素点与第二聚类中心b的特征向量欧氏距离时，该像素点被归为第一集群A，否则归为第一集群B。
6.根据权利要求5所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述S34中的所述滤波处理具体为：
计算第一集群A中的所有像素点与第二聚类中心a之间的特征向量欧氏距离，并计算获取特征向量欧氏距离均值dA，将与第二聚类中心a之间的特征向量欧氏距离大于j*dA的像素点从第一集群A中删除，并添加到第二集群C中，其中j为常数项。
7.根据权利要求6所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷具体为：
当生成第二集群C时，且第二集群C中的像素点数量大于5，则判定可能存在缺陷；
当未生成第二集群C时，判断第一集群A与第一集群B的像素点数量差是否大于图像总像素点数量的1/3，若大于1/3，则判定可能存在缺陷。
8.根据权利要求7所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述S35具体为：
在出现第二集群C且第二集群C中的像素点数量大于5的情况下，计算第二集群C中的像素点的坐标分布是否离散；在没有出现第二集群C的情况下，选取第一集群A、第一集群B中像素点数量少的集群并定义为集群Q，计算所述集群Q中像素点的像素坐标分布是否离散；若像素点坐标呈离散分布，则判断无缺陷，若像素点坐标分布在独立可聚合的区域，则判定发生缺陷。
9.根据权利要求8所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法，其特征在于，所述像素点的坐标分布是否离散具体为：
设定像素点坐标分布距离阈值d，所述距离阈值
Figure FDA0003306469930000041
其中Iw表示图像像素宽，Ih表示图像像素高；对所述集群Q或第二集群C中的像素点依次进行遍历，计算所述集群Q或第二集群C中两两像素点的坐标分布距离值dP，若dP≤d，则该两像素点为同类像素点坐标聚类集，获取新聚类的坐标分布集群的总数量Nd；
预设第三阈值T，T＝k*Nt，其中，k为常数项，Nt为所述集群Q或第二集群C的像素点总数量，当Nd≥T时，认为所述集群Q或第二集群C的像素点坐标分布是离散的，判断为无缺陷；否则认为坐标分布在独立可聚合的区域，判断为有缺陷。
10.一种电子设备，其特征在于，包括存储器与处理器；
所述存储器存储有计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1-9任一项所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法。
CN202111204952.1A 2021-10-15 2021-10-15 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 Active CN114022415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111204952.1A CN114022415B (zh) 2021-10-15 2021-10-15 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111204952.1A CN114022415B (zh) 2021-10-15 2021-10-15 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

Publications (2)

Publication Number Publication Date
CN114022415A true CN114022415A (zh) 2022-02-08
CN114022415B CN114022415B (zh) 2022-06-28

Family

ID=80056283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111204952.1A Active CN114022415B (zh) 2021-10-15 2021-10-15 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

Country Status (1)

Country Link
CN (1) CN114022415B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、***、终端及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978748A (zh) * 2015-07-06 2015-10-14 电子科技大学 一种基于局部像素值的液晶屏缺陷检测方法
CN110009607A (zh) * 2019-03-25 2019-07-12 深圳市洲明科技股份有限公司 显示屏坏点检测方法、装置、计算机设备和存储介质
CN110021023A (zh) * 2019-03-05 2019-07-16 西安工程大学 一种电子布疵点分割方法
US20190340739A1 (en) * 2018-05-02 2019-11-07 Samsung Display Co., Ltd. Defect detection apparatus and method
CN110954553A (zh) * 2019-10-10 2020-04-03 段美华 一种镜片光学检测***
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
CN111612757A (zh) * 2020-05-18 2020-09-01 苏州精濑光电有限公司 一种屏幕裂纹的检测方法、装置、设备及存储介质
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
CN112419229A (zh) * 2020-10-15 2021-02-26 合肥联宝信息技术有限公司 一种显示屏线状缺陷检测方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978748A (zh) * 2015-07-06 2015-10-14 电子科技大学 一种基于局部像素值的液晶屏缺陷检测方法
US20190340739A1 (en) * 2018-05-02 2019-11-07 Samsung Display Co., Ltd. Defect detection apparatus and method
CN110021023A (zh) * 2019-03-05 2019-07-16 西安工程大学 一种电子布疵点分割方法
CN110009607A (zh) * 2019-03-25 2019-07-12 深圳市洲明科技股份有限公司 显示屏坏点检测方法、装置、计算机设备和存储介质
CN110954553A (zh) * 2019-10-10 2020-04-03 段美华 一种镜片光学检测***
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
CN111612757A (zh) * 2020-05-18 2020-09-01 苏州精濑光电有限公司 一种屏幕裂纹的检测方法、装置、设备及存储介质
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
CN112419229A (zh) * 2020-10-15 2021-02-26 合肥联宝信息技术有限公司 一种显示屏线状缺陷检测方法、装置及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GHISLAIN TAKAM TCHENDJOU等: "Detection, Location and Concealment of Defective Pixels in Image Sensors", 《IEEE TRANSACTIONS ON EMERGING TOPICS IN COMPUTING》 *
夏晓云: "基于MapReduce的液晶屏缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》 *
汪志亮等: "面向OLED屏像素缺陷检测的新方法", 《计算机工程与应用》 *
覃晓伟: "基于机器视觉的手机屏幕坏点检测***研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、***、终端及介质

Also Published As

Publication number Publication date
CN114022415B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与***
CN106650770B (zh) 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
CN107845087A (zh) 液晶面板亮度不均匀缺陷的检测方法和***
CN110599552B (zh) 一种基于计算机视觉的pH试纸检测方法
Zhang et al. Separation of touching grain kernels in an image by ellipse fitting algorithm
US20190147283A1 (en) Deep convolutional neural networks for crack detection from image data
CN110414538A (zh) 缺陷分类方法、缺陷分类训练方法及其装置
CN111640104B (zh) 一种螺钉装配的视觉检测方法
CN104616275A (zh) 一种缺陷检测方法和装置
CN111047655A (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
US20200096454A1 (en) Defect detection system for aircraft component and defect detection method for aircraft component
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN112819844B (zh) 一种图像边缘检测方法及装置
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
AU2018207032A1 (en) Logo detection video analytics
CN114022415B (zh) 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
KR20170127269A (ko) 영상 표면의 결함을 검출 및 분류하는 방법 및 장치
CN111833347A (zh) 一种输电线路防振锤缺陷检测方法及相关装置
CN111368756A (zh) 一种基于可见光的明火烟雾快速识别方法和***
Kuo et al. Automated inspection of micro-defect recognition system for color filter
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN113470015B (zh) 一种基于图像处理的水体晃动检测分析方法及***
CN110349133B (zh) 物体表面缺陷检测方法、装置
CN114705696A (zh) 一种基于数字图像处理和自动光学检测的缺陷检测方法
CN103593667A (zh) 基于集合连通性原理的图像异物快速识别方法

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