CN114519714B - 一种显示屏脏污缺陷判定的方法和*** - Google Patents

一种显示屏脏污缺陷判定的方法和*** Download PDF

Info

Publication number
CN114519714B
CN114519714B CN202210413304.5A CN202210413304A CN114519714B CN 114519714 B CN114519714 B CN 114519714B CN 202210413304 A CN202210413304 A CN 202210413304A CN 114519714 B CN114519714 B CN 114519714B
Authority
CN
China
Prior art keywords
defect
image
gray
threshold value
width
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
CN202210413304.5A
Other languages
English (en)
Other versions
CN114519714A (zh
Inventor
查世华
杨义禄
关玉萍
左右祥
曾磊
阙世林
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.)
Zhongdao Optoelectronic Equipment Co ltd
Original Assignee
Zhongdao Optoelectronic Equipment 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 Zhongdao Optoelectronic Equipment Co ltd filed Critical Zhongdao Optoelectronic Equipment Co ltd
Priority to CN202210413304.5A priority Critical patent/CN114519714B/zh
Publication of CN114519714A publication Critical patent/CN114519714A/zh
Application granted granted Critical
Publication of CN114519714B publication Critical patent/CN114519714B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种显示屏脏污缺陷判定的方法和***，包括以下步骤：获取缺陷图像的分割阈值；获取所述缺陷图像的均值滤波图像；计算亮暗区的灰度均值差，确定缺陷的亮暗属性；根据所述缺陷的亮暗属性，获取缺陷特征参数；判定缺陷是否属于脏污。采用这样的处理方法结果较为可靠，本发明对类似显示屏脏污缺陷判定均适用。

Description

一种显示屏脏污缺陷判定的方法和***
技术领域
本发明属于计算机视觉检测技术领域，具体涉及一种显示屏脏污缺陷判定的方法和***。
背景技术
计算机视觉检测在物体检测领域获得广泛应用，因为计算机视觉检测技术具有快速高效、精度高和集成性等优点，逐步成为各行各业检测的主要方法。在平板检测，电路板检测，工件检测等领域都有广泛的应用。本发明专利是针对显示屏脏污缺陷的判定。类似专利有针对液晶显示屏脏污的检测方法，如发明专利申请号CN202010280491.5公开了一种液晶显示器的屏幕脏污检测方法及装置，通过屏幕预先选择脏污区域，然后进行连通区域搜索，计算每块连通区域的平均灰度值，把所有连通区域的平均灰度值作为最终的评估值，用来评判缺陷的脏污程度。对实际检测区域进行纹理去除，图像增强，利用信息熵获取脏污区域的灰度阈值，把增强处理的图像中灰度值小于灰度阈值的区域作为脏污区域。
上述发明专利的缺点在于：首先，需要选择已知的脏污区域，通过该区域的评估值来确定检测未知区域，如果选择的脏污区域和检测区域图像纹理相差较大，容易导致误判。其次，采用纹理滤除，会导致部分缺陷信号丢失。最后，搜索连通区域没有明确的搜索规则。这样导致搜索没有方向性。
发明内容
基于目前显示屏缺陷判定的缺点，本发明提出了一种显示屏脏污缺陷判定的方法。本发明首先获取缺陷图像的分割阈值；对缺陷图像进行均值滤波，获取均值滤波图像；确定缺陷的亮暗属性；获取缺陷特征参数；根据缺陷特征参数判定缺陷是否属于脏污。
具体的，本发明提供了一种显示屏脏污缺陷判定的方法，包括以下步骤：
获取缺陷图像的分割阈值；
获取所述缺陷图像的均值滤波图像；
计算亮暗区的灰度均值差，确定缺陷的亮暗属性；
根据所述缺陷的亮暗属性，获取缺陷特征参数；
判定缺陷是否属于脏污。
进一步地，所述获取缺陷图像的分割阈值过程如下：
采用最大类间方差法，实时获取缺陷图像的分割阈值。
进一步地，所述获取所述缺陷图像的均值滤波图像的过程如下：
对缺陷图像采用3X3均值滤波器，获取缺陷图像的均值滤波图像。
进一步地，所述确定缺陷的亮暗属性的过程如下：
A）将缺陷图像预设为亮区和暗区；如果缺陷图像长度和宽度均大于30个像素，亮区横向起始位置为缺陷图像宽度的1/6处，竖向起始位置为缺陷图像高度的1/6处，横向结束位置为缺陷图像宽度的5/6处，竖向结束位置为缺陷高度的5/6处，其余区域为暗区；如果缺陷图像长度和宽度至少有一个小于或等于30个像素，亮区横向起始位置为缺陷图像宽度的1/4处，竖向起始位置为缺陷图像高度的1/4处，横向结束位置为缺陷图像宽度的3/4处，竖向结束位置为缺陷高度的3/4处，其余为暗区；
B）分别计算亮区和暗区的灰度均值，如果亮区的灰度均值大于暗区的灰度均值，则该缺陷为亮缺陷，否则为暗缺陷。
进一步地，所述获取缺陷特征参数的方法如下：
A）如果亮区和暗区的灰度均值差大于3，并且该缺陷为亮缺陷，则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T大3，否则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T小3；
B）根据所述缺陷图像二值化的阈值把缺陷图像进行二值化，从二值图中搜索种子点位置，直至找到任一点灰阶为255的像素点，记录下此时该像素点的坐标；
C）获取缺陷连通图像；将均值滤波图像中与所述像素点相同位置的像素点作为种子点，采用八邻域区域生长方法，即跟种子点相距最近的八个像素点，按照设定的灰阶差阈值，搜索与种子点灰阶之差在灰阶差阈值范围内的像素点，获取所述与种子点灰阶之差在灰阶差阈值范围内的像素点的位置坐标，并把所述与种子点灰阶之差在灰阶差阈值范围内的像素点作为下次搜索的新种子点，如此循环，直到没有像素点满足灰阶差阈值就停止搜索；将缺陷连通图像所有像素点初始灰度值设为0，获取所有跟种子点灰阶差小于灰阶差阈值的点，然后在缺陷连通图像中将所述所有跟种子点灰阶差小于灰阶差阈值的点的灰度值标记为255，其余像素点灰度值还是为0，最终获取缺陷连通图像；
D）提取所述缺陷连通图像的骨架；
E）获取缺陷平均线宽；统计缺陷连通图像中所有灰度值为255的像素点数目，即为缺陷面积；用缺陷面积和骨架长度的比值F1表示缺陷的平均线宽；
F）用骨架长度和平均线宽F1的比值F2表示缺陷是属于长缺陷还是短缺陷；
G）获取缺陷图像的弯曲程度；在缺陷连通图像中，所有灰度值为255的像素点坐标中，横向坐标的最大值和最小值之差即为缺陷外接矩形的长度，纵向坐标的最大值和最小值之差即为缺陷外接矩形的宽度；获取缺陷外接矩形的长度和宽度之间较大者，用骨架长度与缺陷长宽较大者之差的绝对值跟骨架长度的比值F3表示缺陷的弯曲程度。
进一步地，所述判定缺陷是否属于脏污的方法如下：
当F2和F3同时大于设定的判定阈值时，则判定该缺陷为脏污，否则判定该缺陷不是脏污。
根据本发明的另一个方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述的存储器上运行的计算机程序，所述处理器执行所述程序，以实现如上所述的显示屏脏污缺陷判定的方法。
根据本发明的另一个方面，一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现如上所述的显示屏脏污缺陷判定的方法。
与现有技术相比，本发明的有益效果是：首先获取缺陷图像的分割阈值；对缺陷图像进行均值滤波，获取均值滤波图像；确定缺陷的亮暗属性；获取缺陷特征参数；根据缺陷特征参数判定缺陷是否属于脏污。采用这样的处理方法结果较为可靠，本发明对类似显示屏脏污缺陷判定均适用。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明的一种显示屏脏污缺陷判定的方法实施流程图；
图2为本发明的显示屏脏污缺陷判定缺陷图像示例；
图3为本发明的显示屏脏污缺陷判定的***结构图；
图4示出了本发明一实施例所提供的一种电子设备的结构示意图；
图5示出了本发明一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1
如图1所示，本发明的目标是显示屏脏污缺陷判定。计算过程如下：
1.获取缺陷图像的分割阈值
采用最大类间方差法，实时获取缺陷图像的分割阈值T。
2. 获取均值滤波图像
对缺陷图像采用3X3均值滤波器，获取缺陷图像的均值滤波图像。
3. 确定缺陷的亮暗属性
A）将缺陷图像预设为亮区和暗区。如果缺陷图像长度和宽度均大于30个像素，亮区横向起始位置为缺陷图像宽度的1/6处，竖向起始位置为缺陷图像高度的1/6处，横向结束位置为缺陷图像宽度的5/6处，竖向结束位置为缺陷高度的5/6处，其余区域为暗区。如果缺陷图像长度和宽度至少有一个小于或等于30个像素，亮区横向起始位置为缺陷图像宽度的1/4处，竖向起始位置为缺陷图像高度的1/4处，横向结束位置为缺陷图像宽度的3/4处，竖向结束位置为缺陷高度的3/4处，其余为暗区；
B）分别计算亮区和暗区的灰度均值，如果亮区的灰度均值大于暗区的灰度均值，则该缺陷为亮缺陷，否则为暗缺陷。
4.获取缺陷特征参数
A）如果亮区和暗区的灰度均值差大于3，并且该缺陷为亮缺陷，则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T大3，否则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T小3；
B)从上述获取的缺陷图像二值化阈值把缺陷图像进行二值化，从二值图中搜索种子点位置，只需要找到任一点灰阶为255的像素点即可，记录下此时该像素点p的坐标；
C）获取缺陷连通图像。将均值滤波图像中与像素点p相同位置的像素点作为种子点，采用八邻域区域生长方法，即跟种子点相距最近的八个像素点，按照设定的灰阶差阈值6，搜索与种子点灰阶之差在灰阶差阈值范围内的像素点，获取这些像素点位置坐标，并把这些像素点作为下次搜索的新种子点，如此循环，直到没有像素点满足灰阶差阈值就停止搜索。将缺陷连通图像所有像素点初始灰度值设为0，获取所有跟种子点灰阶差小于灰阶差阈值的点，然后在缺陷连通图像中将相应的这些点灰度值标记为255，其余像素点灰度值还是为0，这样最终获取缺陷连通图像；
D）提取缺陷连通图像的骨架；
E）获取缺陷平均线宽。统计缺陷连通图像中所有灰度值为255的像素点数目，即为缺陷面积。用缺陷面积和骨架长度的比值F1表示缺陷的平均线宽；
F）用骨架的长度和平均线宽F1的比值F2表示缺陷是属于长缺陷还是短缺陷；
G）获取缺陷图像的弯曲程度。在缺陷连通图像中，所有灰度值为255的像素点坐标中，横向坐标的最大值和最小值之差即为缺陷外接矩形的长度，纵向坐标的最大值和最小值之差即为缺陷外接矩形的宽度。获取缺陷外接矩形的长度和宽度之间较大者，用骨架长度与缺陷长宽较大者之差的绝对值跟骨架长度的比值F3表示缺陷的弯曲程度。
5.判定缺陷是否属于脏污
将F2和F3的判定阈值分别设为4和0.5，当F2和F3同时大于设定的判定阈值时，则判定该缺陷为脏污，否则判定该缺陷不是脏污。
实施例2
本实施例提供一种显示屏脏污缺陷判定的***，如图3所示，包括：
获取分割阈值模块100，用于获取缺陷图像分割的阈值；
获取均值滤波图像模块200，用于获取均值滤波预处理图像；
确定缺陷的亮暗属性模块300，用于确定缺陷的亮暗属性；
获取缺陷特征参数模块400，用于获取缺陷特征参数；
缺陷判定模块500，用于判定缺陷是否属于脏污。
根据本发明的另一个方面，本发明还提供了一种包括存储器、处理器及存储在所述存储器上并可在所述的存储器上运行的计算机程序，所述处理器执行所述程序，以实现如上所述的显示屏脏污缺陷判定方法。
根据本发明的另一个方面，本发明还提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现如上所述的显示屏脏污缺陷判定方法。
与现有技术相比，本发明的有益效果是：首先获取缺陷图像的分割阈值；对缺陷图像进行均值滤波，获取均值滤波图像；确定缺陷的亮暗属性；获取缺陷特征参数；根据缺陷特征参数判定缺陷是否属于脏污。采用这样的处理方法结果较为可靠，本发明对类似显示屏脏污缺陷判定均适用。
本发明实施方式还提供一种与前述实施方式所提供的显示屏脏污缺陷判定的方法对应的电子设备，以执行上显示屏脏污缺陷判定的方法。本发明实施例不做限定。
请参考图4，其示出了本发明的一些实施方式所提供的一种电子设备的示意图。如图4所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本发明前述任一实施方式所提供的显示屏脏污缺陷判定的方法。
其中，存储器201可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本发明实施例任一实施方式揭示的所述显示屏脏污缺陷判定的方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Net work Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本发明实施例提供的电子设备与本发明实施例提供的显示屏脏污缺陷判定的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本发明实施方式还提供一种与前述实施方式所提供的显示屏脏污缺陷判定的方法对应的计算机可读存储介质，请参考图5，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的显示屏脏污缺陷判定的方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本发明的上述实施例提供的计算机可读存储介质与本发明实施例提供的显示屏脏污缺陷判定的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

Claims (7)

1.一种显示屏脏污缺陷判定的方法，其特征在于，包括以下步骤：
获取缺陷图像的分割阈值；
获取所述缺陷图像的均值滤波图像；
计算亮暗区的灰度均值差，确定缺陷的亮暗属性，过程如下：
A）将缺陷图像预设为亮区和暗区；如果缺陷图像长度和宽度均大于30个像素，亮区横向起始位置为缺陷图像宽度的1/6处，竖向起始位置为缺陷图像高度的1/6处，横向结束位置为缺陷图像宽度的5/6处，竖向结束位置为缺陷高度的5/6处，其余区域为暗区；如果缺陷图像长度和宽度至少有一个小于或等于30个像素，亮区横向起始位置为缺陷图像宽度的1/4处，竖向起始位置为缺陷图像高度的1/4处，横向结束位置为缺陷图像宽度的3/4处，竖向结束位置为缺陷高度的3/4处，其余为暗区；
B）分别计算亮区和暗区的灰度均值，如果亮区的灰度均值大于暗区的灰度均值，则该缺陷为亮缺陷，否则为暗缺陷；
根据所述缺陷的亮暗属性，获取缺陷特征参数，方法如下：
A）如果亮区和暗区的灰度均值差大于3，并且该缺陷为亮缺陷，则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T大3，否则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T小3；
B）根据所述缺陷图像二值化的阈值把缺陷图像进行二值化，从二值图中搜索种子点位置，直至找到任一点灰阶为255的像素点，记录下此时该像素点的坐标；
C）获取缺陷连通图像；将均值滤波图像中与所述像素点相同位置的像素点作为种子点，采用八邻域区域生长方法，即跟种子点相距最近的八个像素点，按照设定的灰阶差阈值，搜索与种子点灰阶之差在灰阶差阈值范围内的像素点，获取所述与种子点灰阶之差在灰阶差阈值范围内的像素点的位置坐标，并把所述与种子点灰阶之差在灰阶差阈值范围内的像素点作为下次搜索的新种子点，如此循环，直到没有像素点满足灰阶差阈值就停止搜索；将缺陷连通图像所有像素点初始灰度值设为0，获取所有跟种子点灰阶差小于灰阶差阈值的点，然后在缺陷连通图像中将所述所有跟种子点灰阶差小于灰阶差阈值的点的灰度值标记为255，其余像素点灰度值还是为0，最终获取缺陷连通图像；
D）提取所述缺陷连通图像的骨架；
E）获取缺陷平均线宽；统计缺陷连通图像中所有灰度值为255的像素点数目，即为缺陷面积；用缺陷面积和骨架长度的比值F1表示缺陷的平均线宽；
F）用骨架长度和平均线宽F1的比值F2表示缺陷是属于长缺陷还是短缺陷；
G）获取缺陷图像的弯曲程度；在缺陷连通图像中，所有灰度值为255的像素点坐标中，横向坐标的最大值和最小值之差即为缺陷外接矩形的长度，纵向坐标的最大值和最小值之差即为缺陷外接矩形的宽度；获取缺陷外接矩形的长度和宽度之间较大者，用骨架长度与缺陷长宽较大者之差的绝对值跟骨架长度的比值F3表示缺陷的弯曲程度；
判定缺陷是否属于脏污。
2.根据权利要求1所述的一种显示屏脏污缺陷判定的 方法，其特征在于：
所述获取缺陷图像的分割阈值过程如下：
采用最大类间方差法，实时获取缺陷图像的分割阈值。
3.根据权利要求1所述的一种显示屏脏污缺陷判定的方法，其特征在于：
所述获取所述缺陷图像的均值滤波图像的过程如下：
对缺陷图像采用3X3均值滤波器，获取缺陷图像的均值滤波图像。
4.根据权利要求1所述的一种显示屏脏污缺陷判定的方法，其特征在于：
所述判定缺陷是否属于脏污的方法如下：
当F2和F3同时大于设定的判定阈值时，则判定该缺陷为脏污，否则判定该缺陷不是脏污。
5.一种显示屏脏污缺陷判定的***，其特征在于，包括：
获取分割阈值模块，用于获取缺陷图像的分割阈值；
获取均值滤波图像模块，用于获取均值滤波预处理图像；
确定缺陷的亮暗属性模块，用于计算亮暗区的灰度均值差，确定缺陷的亮暗属性，过程如下：
A）将缺陷图像预设为亮区和暗区；如果缺陷图像长度和宽度均大于30个像素，亮区横向起始位置为缺陷图像宽度的1/6处，竖向起始位置为缺陷图像高度的1/6处，横向结束位置为缺陷图像宽度的5/6处，竖向结束位置为缺陷高度的5/6处，其余区域为暗区；如果缺陷图像长度和宽度至少有一个小于或等于30个像素，亮区横向起始位置为缺陷图像宽度的1/4处，竖向起始位置为缺陷图像高度的1/4处，横向结束位置为缺陷图像宽度的3/4处，竖向结束位置为缺陷高度的3/4处，其余为暗区；
B）分别计算亮区和暗区的灰度均值，如果亮区的灰度均值大于暗区的灰度均值，则该缺陷为亮缺陷，否则为暗缺陷；
获取缺陷特征参数模块，用于获取缺陷特征参数，方法如下：
A）如果亮区和暗区的灰度均值差大于3，并且该缺陷为亮缺陷，则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T大3，否则缺陷图像二值化的阈值比采用最大类间方差法获取的分割阈值T小3；
B）根据所述缺陷图像二值化的阈值把缺陷图像进行二值化，从二值图中搜索种子点位置，直至找到任一点灰阶为255的像素点，记录下此时该像素点的坐标；
C）获取缺陷连通图像；将均值滤波图像中与所述像素点相同位置的像素点作为种子点，采用八邻域区域生长方法，即跟种子点相距最近的八个像素点，按照设定的灰阶差阈值，搜索与种子点灰阶之差在灰阶差阈值范围内的像素点，获取所述与种子点灰阶之差在灰阶差阈值范围内的像素点的位置坐标，并把所述与种子点灰阶之差在灰阶差阈值范围内的像素点作为下次搜索的新种子点，如此循环，直到没有像素点满足灰阶差阈值就停止搜索；将缺陷连通图像所有像素点初始灰度值设为0，获取所有跟种子点灰阶差小于灰阶差阈值的点，然后在缺陷连通图像中将所述所有跟种子点灰阶差小于灰阶差阈值的点的灰度值标记为255，其余像素点灰度值还是为0，最终获取缺陷连通图像；
D）提取所述缺陷连通图像的骨架；
E）获取缺陷平均线宽；统计缺陷连通图像中所有灰度值为255的像素点数目，即为缺陷面积；用缺陷面积和骨架长度的比值F1表示缺陷的平均线宽；
F）用骨架长度和平均线宽F1的比值F2表示缺陷是属于长缺陷还是短缺陷；
G）获取缺陷图像的弯曲程度；在缺陷连通图像中，所有灰度值为255的像素点坐标中，横向坐标的最大值和最小值之差即为缺陷外接矩形的长度，纵向坐标的最大值和最小值之差即为缺陷外接矩形的宽度；获取缺陷外接矩形的长度和宽度之间较大者，用骨架长度与缺陷长宽较大者之差的绝对值跟骨架长度的比值F3表示缺陷的弯曲程度；
缺陷判定模块，用于判定缺陷是否属于脏污。
6.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述的存储器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求的1-4中任一所述的显示屏脏污缺陷判定的方法。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-4中任一所述的显示屏脏污缺陷判定的方法。
CN202210413304.5A 2022-04-20 2022-04-20 一种显示屏脏污缺陷判定的方法和*** Active CN114519714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210413304.5A CN114519714B (zh) 2022-04-20 2022-04-20 一种显示屏脏污缺陷判定的方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210413304.5A CN114519714B (zh) 2022-04-20 2022-04-20 一种显示屏脏污缺陷判定的方法和***

Publications (2)

Publication Number Publication Date
CN114519714A CN114519714A (zh) 2022-05-20
CN114519714B true CN114519714B (zh) 2022-07-26

Family

ID=81600460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210413304.5A Active CN114519714B (zh) 2022-04-20 2022-04-20 一种显示屏脏污缺陷判定的方法和***

Country Status (1)

Country Link
CN (1) CN114519714B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116405661B (zh) * 2023-04-28 2023-09-29 可诺特软件(深圳)有限公司 一种智能电视开发性能测试方法和装置
CN116503382B (zh) * 2023-05-25 2023-10-13 中导光电设备股份有限公司 一种显示屏划痕缺陷检测的方法和***
CN117437232B (zh) * 2023-12-21 2024-03-26 山东心传矿山机电设备有限公司 一种基于图像处理的水泵叶轮外观缺陷检测方法及***

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4974261A (en) * 1988-11-15 1990-11-27 Matsushita Electric Works, Ltd. Optical surface inspection method
JPH07122193A (ja) * 1993-10-27 1995-05-12 Toshiba Eng Co Ltd 欠陥検出方法および装置
JPH10282063A (ja) * 1997-04-08 1998-10-23 Nippon Steel Corp 表面疵自動検査装置
JP2005181040A (ja) * 2003-12-18 2005-07-07 Seiko Epson Corp 表示パネルの欠陥検出方法及びその検出装置並びに表示パネルの製造方法
JP2006047078A (ja) * 2004-08-04 2006-02-16 Central Glass Co Ltd 透明板状体の印刷欠陥および／または印刷汚れの検査方法
JP2008014842A (ja) * 2006-07-06 2008-01-24 Seiko Epson Corp シミ欠陥検出方法及び装置
JP2008170325A (ja) * 2007-01-12 2008-07-24 Seiko Epson Corp シミ欠陥検出方法およびシミ欠陥検出装置
JP2011008482A (ja) * 2009-06-25 2011-01-13 Seiko Epson Corp 欠陥検出方法、欠陥検出装置、および欠陥検出プログラム
KR20150014717A (ko) * 2013-07-30 2015-02-09 (주)탑중앙연구소 카메라 모듈 결함 판정용 이미지 스테인 검출 방법
CN107643295A (zh) * 2017-08-24 2018-01-30 中国地质大学（武汉） 一种基于机器视觉的布匹缺陷在线检测的方法和***
CN108169236A (zh) * 2016-12-07 2018-06-15 广州映博智能科技有限公司 一种基于视觉的金属表面缺陷检测方法
CN108709893A (zh) * 2018-03-30 2018-10-26 苏州佳智彩光电科技有限公司 一种amoled显示屏点线团在线缺陷检测方法
CN109613023A (zh) * 2019-01-28 2019-04-12 西南大学 一种区域亮度自适应校正的水果表面缺陷快速检测方法
CN109752394A (zh) * 2019-01-28 2019-05-14 凌云光技术集团有限责任公司 一种显示屏缺陷高精度检测方法及***
CN109949725A (zh) * 2019-03-06 2019-06-28 武汉精立电子技术有限公司 一种aoi***图像灰度标准化方法及***
CN110208269A (zh) * 2019-05-17 2019-09-06 惠州高视科技有限公司 一种玻璃表面异物与内部异物区分的方法及***
CN112630222A (zh) * 2020-11-24 2021-04-09 河海大学常州校区 一种基于机器视觉的手机盖板玻璃缺陷检测方法
KR20210105185A (ko) * 2020-02-18 2021-08-26 동우 화인켐 주식회사 얼룩 결함 검사 방법
CN113390611A (zh) * 2021-05-27 2021-09-14 北京兆维科技开发有限公司 一种屏幕缺陷的检测方法
CN113888539A (zh) * 2021-12-06 2022-01-04 蓝思科技股份有限公司 缺陷分类方法、装置、设备及存储介质
WO2022012240A1 (zh) * 2020-07-16 2022-01-20 京东方科技集团股份有限公司 检测显示面板不良的方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108683907B (zh) * 2018-05-31 2020-10-09 歌尔股份有限公司 光学模组像素缺陷检测方法、装置及设备
CN109613004A (zh) * 2018-12-13 2019-04-12 武汉精立电子技术有限公司 一种背光检中缺陷显示方法
CN111476758B (zh) * 2020-03-12 2023-04-25 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质
CN111612781B (zh) * 2020-05-27 2023-07-14 歌尔光学科技有限公司 一种屏幕缺陷检测方法、装置及头戴显示设备

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4974261A (en) * 1988-11-15 1990-11-27 Matsushita Electric Works, Ltd. Optical surface inspection method
JPH07122193A (ja) * 1993-10-27 1995-05-12 Toshiba Eng Co Ltd 欠陥検出方法および装置
JPH10282063A (ja) * 1997-04-08 1998-10-23 Nippon Steel Corp 表面疵自動検査装置
JP2005181040A (ja) * 2003-12-18 2005-07-07 Seiko Epson Corp 表示パネルの欠陥検出方法及びその検出装置並びに表示パネルの製造方法
JP2006047078A (ja) * 2004-08-04 2006-02-16 Central Glass Co Ltd 透明板状体の印刷欠陥および／または印刷汚れの検査方法
JP2008014842A (ja) * 2006-07-06 2008-01-24 Seiko Epson Corp シミ欠陥検出方法及び装置
JP2008170325A (ja) * 2007-01-12 2008-07-24 Seiko Epson Corp シミ欠陥検出方法およびシミ欠陥検出装置
JP2011008482A (ja) * 2009-06-25 2011-01-13 Seiko Epson Corp 欠陥検出方法、欠陥検出装置、および欠陥検出プログラム
KR20150014717A (ko) * 2013-07-30 2015-02-09 (주)탑중앙연구소 카메라 모듈 결함 판정용 이미지 스테인 검출 방법
CN108169236A (zh) * 2016-12-07 2018-06-15 广州映博智能科技有限公司 一种基于视觉的金属表面缺陷检测方法
CN107643295A (zh) * 2017-08-24 2018-01-30 中国地质大学（武汉） 一种基于机器视觉的布匹缺陷在线检测的方法和***
CN108709893A (zh) * 2018-03-30 2018-10-26 苏州佳智彩光电科技有限公司 一种amoled显示屏点线团在线缺陷检测方法
CN109613023A (zh) * 2019-01-28 2019-04-12 西南大学 一种区域亮度自适应校正的水果表面缺陷快速检测方法
CN109752394A (zh) * 2019-01-28 2019-05-14 凌云光技术集团有限责任公司 一种显示屏缺陷高精度检测方法及***
CN109949725A (zh) * 2019-03-06 2019-06-28 武汉精立电子技术有限公司 一种aoi***图像灰度标准化方法及***
CN110208269A (zh) * 2019-05-17 2019-09-06 惠州高视科技有限公司 一种玻璃表面异物与内部异物区分的方法及***
KR20210105185A (ko) * 2020-02-18 2021-08-26 동우 화인켐 주식회사 얼룩 결함 검사 방법
WO2022012240A1 (zh) * 2020-07-16 2022-01-20 京东方科技集团股份有限公司 检测显示面板不良的方法及装置
CN112630222A (zh) * 2020-11-24 2021-04-09 河海大学常州校区 一种基于机器视觉的手机盖板玻璃缺陷检测方法
CN113390611A (zh) * 2021-05-27 2021-09-14 北京兆维科技开发有限公司 一种屏幕缺陷的检测方法
CN113888539A (zh) * 2021-12-06 2022-01-04 蓝思科技股份有限公司 缺陷分类方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114519714A (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN114519714B (zh) 一种显示屏脏污缺陷判定的方法和***
CN108629775B (zh) 一种热态高速线材表面图像处理方法
CN108896278B (zh) 一种滤光片丝印缺陷检测方法、装置及终端设备
CN111612781A (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
CN112577969B (zh) 一种基于机器视觉的缺陷检测方法以及缺陷检测***
CN110334760B (zh) 一种基于resUnet的光学元器件损伤检测方法及***
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN113538603B (zh) 一种基于阵列产品的光学检测方法、***和可读存储介质
CN113160161A (zh) 目标边缘处缺陷的检测方法和装置
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN112102253A (zh) 基于机器视觉的无纺布表面缺陷自动化检测方法及***
CN114677348A (zh) 一种基于视觉的ic芯片缺陷的检测方法、***和存储介质
CN116503382B (zh) 一种显示屏划痕缺陷检测的方法和***
CN116309583B (zh) 一种显示屏凹痕缺陷检测的方法和***
CN116542963A (zh) 一种基于机器学习的浮法玻璃缺陷检测***及检测方法
CN113902742B (zh) 一种基于tft-lcd检测缺陷真假判定方法和***
CN113888539B (zh) 缺陷分类方法、装置、设备及存储介质
CN113870754B (zh) 一种面板检测电子信号缺陷判定的方法和***
CN115631190A (zh) 玻璃基板缺陷识别示警方法、***、电子设备和存储介质
CN114445405B (zh) 一种圆孔均匀性检测的方法和***
CN111678673A (zh) 镜片检测方法、装置和可读存储介质
JP2020109541A (ja) 付着物検出装置および付着物検出方法
CN118037719B (zh) 产品缺陷检测方法、设备及存储介质
CN116500042B (zh) 缺陷检测方法、装置、***及存储介质
CN112730427B (zh) 一种基于机器视觉的产品表面缺陷检测方法及***

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