CN116309574A - 一种面板漏制程缺陷检测方法、***、设备及存储介质 - Google Patents

一种面板漏制程缺陷检测方法、***、设备及存储介质 Download PDF

Info

Publication number
CN116309574A
CN116309574A CN202310565080.4A CN202310565080A CN116309574A CN 116309574 A CN116309574 A CN 116309574A CN 202310565080 A CN202310565080 A CN 202310565080A CN 116309574 A CN116309574 A CN 116309574A
Authority
CN
China
Prior art keywords
template
pixel
matched
panel
total value
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
CN202310565080.4A
Other languages
English (en)
Other versions
CN116309574B (zh
Inventor
请求不公布姓名
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 Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian 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 Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202310565080.4A priority Critical patent/CN116309574B/zh
Publication of CN116309574A publication Critical patent/CN116309574A/zh
Application granted granted Critical
Publication of CN116309574B publication Critical patent/CN116309574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种面板漏制程缺陷检测方法、***、设备及存储介质，涉及缺陷检测技术领域，所述方法包括步骤为：基于正常的面板图像获取一个标准模板，所述标准模板包含线路的周期性元素；基于待检测的面板图像获取若干待匹配模板，并且基于标准模板对若干待匹配模板进行筛选；基于路径行走的方式获取标准模板的像素矩阵以及筛选后待匹配模板的像素矩阵；计算标准模板的像素矩阵对应的像素总值以及待匹配模板的像素矩阵对应的像素总值，并且基于像素总值判定待检测的面板图像是否存在漏制程缺陷。本发明基于模板匹配和路径行走的方式对面板漏制程缺陷进行精准检测，解决了面板漏制程类缺陷缺少识别特征，现有目标检测模型难以有效检出的问题。

Description

一种面板漏制程缺陷检测方法、***、设备及存储介质
技术领域
本发明涉及缺陷检测技术领域，具体而言，涉及一种面板漏制程缺陷检测方法、***、设备及存储介质。
背景技术
面板加工工厂在生产面板过程中会产生很多缺陷，然而整个面板产品的生产工艺流程复杂、生产周期长，从基板到生产加工完毕常常需要较长的时间，因此在每个工艺段产生的缺陷都需要时刻监控，避免缺陷流入下一道制程造成良率的降低。然而漏制程就是其中一种严重等级较高的缺陷，如果存在漏制程缺陷就会直接导致面板报废。
传统的漏制程缺陷检测方法是经过AOI（Automatic Optical Inspection， 自动光学检测）仪器对面板产品进行图像采集，再由人工对图像进行缺陷判定，一旦出现漏制程缺陷，则将面板进行修补。传统的缺陷检测依赖人工肉眼判图，不仅容易受人员经验差异和精神状态影响，导致误判率较高，而且人工成本相对较高，因此很多面板厂开始引入自动缺陷检测与分类***，用于替代人工缺陷检测，然而这些***一般采用基于深度学习的目标检测算法作为核心检测算法，这类监督学习算法比较受训练集样本质量影响，而漏制程缺陷可能特征并不明显，制程漏做区域和周围正常背景差异较小，模型容易产生漏检。
发明内容
本发明提供一种面板漏制程缺陷检测方法、***、设备及存储介质，解决了面板产品漏制程缺陷检测容易出现漏检的问题。
在第一方面，本发明实施例中提供一种面板漏制程缺陷检测方法，所述方法包括以下步骤：
基于正常的面板图像P0获取一个标准模板M0，所述标准模板M0包含线路的周期性元素；
基于待检测的面板图像P1获取若干待匹配模板M1，并且基于标准模板M0对若干待匹配模板M1进行筛选；
基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1；
计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像P1是否存在漏制程缺陷。
于上述实施例中，本发明基于模板匹配和路径行走的方式对漏制程缺陷进行精准检测，解决了漏制程类缺陷缺少识别特征，现有目标检测模型难以有效检出的问题。
作为本申请一些可选实施方式，基于正常的面板图像P0获取一个标准模板M0的流程如下：
对正常的面板图像P0进行图像轮廓识别处理，以获取标准模板M0的位置信息；
基于标准模板M0的位置信息进行图像截取处理，以得到初始模板N0；
对初始模板N0进行二值化处理和边缘轮廓提取处理，以得到最终的标准模板M0。
作为本申请一些可选实施方式，基于待检测的面板图像P1获取若干待匹配模板M1的流程如下：
对待检测的面板图像P1进行二值化处理和边缘轮廓提取处理，并且获取面板图像P1的左下角像素点；
将待检测的面板图像P1的左下角像素点作为左下角点坐标，以左下角点坐标为参照点获取一个与标准模板M0尺寸相同的一个待匹配模板M1；
将待匹配模板M1依次向右/向上平移一个像素，获取若干待匹配模板M1。
于上述实施例中，采用像素平移的方式获取可以便于后期进行相似度匹配，进而实现待匹配模板M1的精准定位。
作为本申请一些可选实施方式，基于标准模板M0对若干待匹配模板M1进行筛选的流程如下：
依次计算若干待匹配模板M1与标准模板M0的相似度R；
判断相似度R是否大于匹配度阈值T0，如果大于，则对应的待匹配模板M1与标准模板M0相匹配，并且将对应的待匹配模板M1保留，反之，则对应的待匹配模板M1与标准模板M0不匹配，并且将对应的待匹配模板M1剔除。
于上述实施例中，匹配度阈值T0为预设值，即依次计算若干待匹配模板M1与标准模板M0的相似度R，如果待匹配模板M1与标准模板M0的相似度R大于匹配度阈值T0，则分割提取出对应的待匹配模板M1，其中，待匹配模板M1可以为一个或者多个。
作为本申请一些可选实施方式，基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1的流程如下：
根据预先设置的路径行走路线获取标准模板M0的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F0；
根据预先设置的路径行走路线获取筛选后待匹配模板M1的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F1。
于上述实施例中，基于像素矩阵F0和像素矩阵F1可以准确地获取线路的轮廓以及对应的坐标信息。
作为本申请一些可选实施方式，所述路径行走路线是基于面板制程所对应线路的形状、大小进行设置，所述路径行走路线为直线段或者曲线段。
作为本申请一些可选实施方式，计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像是否存在漏制程缺陷的流程如下：
对像素矩阵F0中所有坐标所对应的像素值相加，以获取像素总值L0；
对像素矩阵F1中所有坐标所对应的像素值相加，以获取像素总值L1；
计算像素总值L0和像素总值L1的差值，如果差值小于漏制程阈值T1，则判定待检测的面板图像不存在漏制程缺陷，反正，则判定待检测的面板图像存在漏制程缺陷。
于上述实施例中，由于漏制程的待检测的面板图像P1对应位置的线路肯定是缺失的，正常的面板图像P0对应位置的线路肯定是存在的，因此基于路径游走的方式依次获取相应位置的像素总值L0和像素总值L1，如果差值在预设范围内，则证明对应位置不存在线路缺失，即不存在漏制程缺陷，反之，如果差值不在预设范围内，则证明对应位置存在线路缺失，即存在漏制程缺陷，因此可以精准的对制程位置进行检测，而非全图检测，因此检测的准确度更高，不会出现漏检的情况。
在第二方面，本发明提供一种面板漏制程缺陷检测***，所述***包括：
匹配模板生成单元，所述匹配模板生成单元基于正常的面板图像P0获取一个标准模板M0，所述标准模板M0包含线路的周期性元素；
待匹配模板生成单元，所述待匹配模板生成单元基于待检测的面板图像P1获取若干待匹配模板M1，并且基于标准模板M0对若干待匹配模板M1进行筛选；
检测元素生成单元，所述检测元素生成单元基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1；
漏制程缺陷判定单元，所述漏制程缺陷判定单元用于计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像P1是否存在漏制程缺陷。
在第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述一种面板漏制程缺陷检测方法。
在第四方面，本发明提供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，所述计算机程序被处理器执行时实现所述一种面板漏制程缺陷检测方法。
本发明的有益效果如下：本发明采用模板匹配和路径行走的方式对漏制程缺陷进行精准检测，解决了漏制程类缺陷缺少识别特征，现有目标检测模型难以有效检出的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是根据本发明的实施例所述面板漏制程缺陷检测方法的流程图；
图2是根据本发明的实施例所述正常的面板图像；
图3是根据本发明的实施例所述漏制程的面板图像；
图4是根据本发明的实施例所述待匹配模板的路径行走对比图；
图5是根据本发明的实施例所述面板漏制程缺陷检测***的***框图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例和实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例和实施例中的技术特征可以相互组合。
同样应当理解的是，为了简化本发明揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
实施例1
本发明实施例提供一种面板漏制程缺陷检测方法，请参阅图1，所述方法能够对漏制程缺陷进行检测，以防止出现漏制程缺陷漏检的问题。
具体的，所述方法包括以下步骤：
（1）基于正常的面板图像P0获取一个标准模板M0，所述标准模板M0包含线路的周期性元素；
于本发明实施例中，由于面板产品上的线路多为重复设置的，因此标准模板M0至少需要包含线路一个周期性元素，即标准模板M0的线路特征可以代表面板产品的整体线路特征。
具体的，基于正常的面板图像P0获取一个标准模板M0的流程如下：
（1.1）对正常的面板图像P0进行图像轮廓识别处理，以获取标准模板M0的位置信息；
（1.2）基于标准模板M0的位置信息进行图像截取处理，以得到初始模板N0；
（1.3）对初始模板N0进行二值化处理和边缘轮廓提取处理，以得到最终的标准模板M0。
（2）基于待检测的面板图像P1获取若干待匹配模板M1，并且基于标准模板M0对若干待匹配模板M1进行筛选；
具体的，基于待检测的面板图像P1获取若干待匹配模板M1的流程如下：
（2.1）对待检测的面板图像P1进行二值化处理和边缘轮廓提取处理，并且获取面板图像P1的左下角像素点，所述左下角像素点的坐标可以设置为（x，y）；
（2.2）将待检测的面板图像P1的左下角像素点作为左下角点坐标，以左下角点坐标为参照点获取一个与标准模板M0尺寸相同的一个待匹配模板M1，如果标准模板M0的长度为l，宽度为w，则匹配模板M1的坐标表示为[x，y，x+l，y+w]；
（2.3）将待匹配模板M1依次向右/向上平移一个像素，获取若干待匹配模板M1；
具体的，基于标准模板M0对若干待匹配模板M1进行筛选的流程如下：
（2.4）依次计算若干待匹配模板M1与标准模板M0的相似度R；
（2.5）判断相似度R是否大于匹配度阈值T0，如果大于，则对应的待匹配模板M1与标准模板M0相匹配，并且将对应的待匹配模板M1保留，反之，则对应的待匹配模板M1与标准模板M0不匹配，并且将对应的待匹配模板M1剔除；其中，匹配度阈值T0根据实际情况预先设置，即相似度R越大，则说明待匹配模板M1与标准模板M0包含的线路内容约相似，进而实现图像的定位。
（3）基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1；
具体的，获取像素矩阵F0和像素矩阵F1的流程如下：
（3.1）根据预先设置的路径行走路线获取标准模板M0的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F0；
（3.2）根据预先设置的路径行走路线获取筛选后待匹配模板M1的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F1；
其中，所述路径行走路线是基于面板制程所对应线路的形状、大小进行设置，所述路径行走路线为直线段或者曲线段，并且路径行走路线可以为多条设置，只需将多条路线对应的像素总值L0和像素总值L1按照权重进行累加。
（4）计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像P1是否存在漏制程缺陷；
具体的，漏制程缺陷判定的流程如下：
（4.1）对像素矩阵F0中所有坐标所对应的像素值相加，以获取像素总值L0；
（4.2）对像素矩阵F1中所有坐标所对应的像素值相加，以获取像素总值L1；
（4.3）计算像素总值L0和像素总值L1的差值，如果差值小于漏制程阈值T1，则判定待检测的面板图像P1不存在漏制程缺陷，反正，则判定待检测的面板图像P1存在漏制程缺陷，其中，漏制程阈值T1一般设置接近0的数值；
请参阅图2，为某个面板产品的正常图片，请参阅图3，为对应产品漏制程的待检测图片，基于图2可以获取标准模板M0，基于图3可以获取待匹配模板M1，请参阅图4，并且基于路径行走线路（虚拟线路）依次获取像素矩阵F1，以及对应的像素总值L1，如果存在漏制程缺陷，则路径线路位置的像素总值L1明显会小于正常图片对应的像素总值L0，因此可以通过简单的像素值对应，判定是否存在漏制程缺陷；
与此同时，还可以基于像素矩阵F0和像素矩阵F1进行一一对比，进而可以详细获取缺陷的缺陷发生的位置信息。
实施例2
本发明实施例提供一种面板漏制程缺陷检测方法，所述方法还能够对其他缺陷（除漏制程缺陷以外的缺陷）进行检测，以防止出现缺陷漏检的问题。
具体的，所述方法包括以下步骤：
（1）基于正常的面板图像P0获取一个标准模板M0，所述标准模板M0包含线路的周期性元素；
具体的，基于正常的面板图像P0获取一个标准模板M0的流程如下：
（1.1）对正常的面板图像P0进行图像轮廓识别处理，以获取标准模板M0的位置信息；
（1.2）基于标准模板M0的位置信息进行图像截取处理，以得到初始模板N0；
（1.3）对初始模板N0进行二值化处理和边缘轮廓提取处理，以得到最终的标准模板M0。
（2）基于待检测的面板图像P1获取若干待匹配模板M1，并且基于标准模板M0对若干待匹配模板M1进行筛选；
具体的，基于待检测的面板图像P1获取若干待匹配模板M1的流程如下：
（2.1）对待检测的面板图像P1进行二值化处理和边缘轮廓提取处理，并且获取面板图像P1的左下角像素点；
（2.2）将待检测的面板图像P1的左下角像素点作为左下角点坐标，以左下角点坐标为参照点获取一个与标准模板M0尺寸相同的一个待匹配模板M1；
（2.3）将待匹配模板M1依次向右/向上平移一个像素，获取若干待匹配模板M1。
具体的，基于标准模板M0对若干待匹配模板M1进行筛选的流程如下：
（2.4）依次计算若干待匹配模板M1与标准模板M0的相似度R；
（2.5）判断相似度R是否大于匹配度阈值T0，如果大于，则对应的待匹配模板M1与标准模板M0相匹配，并且将对应的待匹配模板M1保留，反之，则对应的待匹配模板M1与标准模板M0不匹配，并且将对应的待匹配模板M1剔除。
（3）基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1；
具体的，获取像素矩阵F0和像素矩阵F1的流程如下：
（3.1）根据预先设置的路径行走路线获取标准模板M0的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F0；
（3.2）根据预先设置的路径行走路线获取筛选后待匹配模板M1的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F1；
其中，所述路径行走路线是基于面板制程所对应线路的形状、大小进行设置，所述路径行走路线为直线段或者曲线段。
（4）计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像是否存在漏制程缺陷；
具体的，漏制程缺陷判定的流程如下：
（4.1）对像素矩阵F0中所有坐标所对应的像素值相加，以获取像素总值L0；
（4.2）对像素矩阵F1中所有坐标所对应的像素值相加，以获取像素总值L1；
（4.3）计算像素总值L0和像素总值L1的差值，如果差值大于缺陷阈值T2，则判定待检测的面板图像P1存在其它缺陷，其中，缺陷阈值T2一般根据实际情况设置；
请参阅图2，为某个面板产品的正常图片，请参阅图3，为对应产品漏制程的待检测图片，基于图2可以获取标准模板M0，基于图3可以获取待匹配模板M1，请参阅图4，并且基于路径行走线路（虚拟线路）依次获取像素矩阵F1，以及对应的像素总值L1，如果存在漏制程其他缺陷（除漏制程缺陷以外的缺陷），则路径行走线路对应位置肯定会存在缺陷的影像，则路径线路位置的像素总值L1明显会大于正常图片对应的像素总值L0，因此可以通过简单的像素值对应，判定是否存在其他缺陷；
与此同时，还可以基于像素矩阵F0和像素矩阵F1进行一一对比，进而可以详细获取缺陷的缺陷发生的位置信息。
实施例3
本发明提供一种面板漏制程缺陷检测***，所述***与实施例1的所述方法一一对应，请参阅图5，所述***包括：
匹配模板生成单元，所述匹配模板生成单元基于正常的面板图像P0获取一个标准模板M0，所述标准模板M0包含线路的周期性元素；
待匹配模板生成单元，所述待匹配模板生成单元基于待检测的面板图像P1获取若干待匹配模板M1，并且基于标准模板M0对若干待匹配模板M1进行筛选；
检测元素生成单元，所述检测元素生成单元基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1；
漏制程缺陷判定单元，所述漏制程缺陷判定单元用于计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像P1是否存在漏制程缺陷。
于上述实施例中，本发明模板匹配和路径行走的方式对漏制程缺陷进行精准检测，解决了漏制程类缺陷缺少识别特征，现有目标检测模型难以有效检出的问题，实现了对面板生产过程中所有缺陷类型的有效检出。
实施例4
本发明提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行实施例1或2所述一种面板漏制程缺陷检测方法。
本实施例提供的计算机设备可以实现执行实施例1或2所述的方法，为避免重复，在此不再赘述。
实施例5
本发明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上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1或2所述一种面板漏制程缺陷检测方法。
本实施例提供的计算机可读存储介质可以实现执行实施例1或2所述的方法，为避免重复，在此不再赘述。
其中，所述处理器可以是中央处理器（CPU，Central Processing Unit），还可以是其他通用处理器、数字信号处理器（digital signal processor）、专用集成电路（Application Specific Integrated Circuit）、现成可编程门阵列（Field programmablegate array）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该处理器也可以是任何常规的处理器等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种面板漏制程缺陷检测方法，其特征在于，所述方法包括以下步骤：
基于正常的面板图像P0获取一个标准模板M0，所述标准模板M0包含线路的周期性元素；
基于待检测的面板图像P1获取若干待匹配模板M1，并且基于标准模板M0对若干待匹配模板M1进行筛选；
基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1；
计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像P1是否存在漏制程缺陷。
2.根据权利要求1所述的一种面板漏制程缺陷检测方法，其特征在于，基于正常的面板图像P0获取一个标准模板M0的流程如下：
对正常的面板图像P0进行图像轮廓识别处理，以获取标准模板M0的位置信息；
基于标准模板M0的位置信息进行图像截取处理，以得到初始模板N0；
对初始模板N0进行二值化处理和边缘轮廓提取处理，以得到最终的标准模板M0。
3.根据权利要求1所述的一种面板漏制程缺陷检测方法，其特征在于，基于待检测的面板图像P1获取若干待匹配模板M1的流程如下：
对待检测的面板图像P1进行二值化处理和边缘轮廓提取处理，并且获取面板图像P1的左下角像素点；
将待检测的面板图像P1的左下角像素点作为左下角点坐标，以左下角点坐标为参照点获取一个与标准模板M0尺寸相同的一个待匹配模板M1；
将待匹配模板M1依次向右/向上平移一个像素，获取若干待匹配模板M1。
4.根据权利要求1所述的一种面板漏制程缺陷检测方法，其特征在于，基于标准模板M0对若干待匹配模板M1进行筛选的流程如下：
依次计算若干待匹配模板M1与标准模板M0的相似度R；
判断相似度R是否大于匹配度阈值T0，如果大于，则对应的待匹配模板M1与标准模板M0相匹配，并且将对应的待匹配模板M1保留，反之，则对应的待匹配模板M1与标准模板M0不匹配，并且将对应的待匹配模板M1剔除。
5.根据权利要求1所述的一种面板漏制程缺陷检测方法，其特征在于，基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1的流程如下：
根据预先设置的路径行走路线获取标准模板M0的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F0；
根据预先设置的路径行走路线获取筛选后待匹配模板M1的坐标以及像素值，以形成关于坐标和像素值的像素矩阵F1。
6.根据权利要求5所述的一种面板漏制程缺陷检测方法，其特征在于，所述路径行走路线是基于面板制程所对应线路的形状、大小进行设置，所述路径行走路线为直线段或者曲线段。
7.根据权利要求5所述的一种面板漏制程缺陷检测方法，其特征在于，计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像是否存在漏制程缺陷的流程如下：
对像素矩阵F0中所有坐标所对应的像素值相加，以获取像素总值L0；
对像素矩阵F1中所有坐标所对应的像素值相加，以获取像素总值L1；
计算像素总值L0和像素总值L1的差值，如果差值小于漏制程阈值T1，则判定待检测的面板图像P1不存在漏制程缺陷，反正，则判定待检测的面板图像P1存在漏制程缺陷。
8.一种面板漏制程缺陷检测***，其特征在于，所述***包括：
匹配模板生成单元，所述匹配模板生成单元基于正常的面板图像P0获取一个标准模板M0，所述标准模板M0包含线路的周期性元素；
待匹配模板生成单元，所述待匹配模板生成单元基于待检测的面板图像P1获取若干待匹配模板M1，并且基于标准模板M0对若干待匹配模板M1进行筛选；
检测元素生成单元，所述检测元素生成单元基于路径行走的方式获取标准模板M0的像素矩阵F0以及筛选后待匹配模板M1的像素矩阵F1；
漏制程缺陷判定单元，所述漏制程缺陷判定单元用于计算像素矩阵F0的像素总值L0以及像素矩阵F1的像素总值L1，并且基于像素总值L0和像素总值L1判定待检测的面板图像P1是否存在漏制程缺陷。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述一种面板漏制程缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述一种面板漏制程缺陷检测方法。
CN202310565080.4A 2023-05-19 2023-05-19 一种面板漏制程缺陷检测方法、***、设备及存储介质 Active CN116309574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310565080.4A CN116309574B (zh) 2023-05-19 2023-05-19 一种面板漏制程缺陷检测方法、***、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310565080.4A CN116309574B (zh) 2023-05-19 2023-05-19 一种面板漏制程缺陷检测方法、***、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116309574A true CN116309574A (zh) 2023-06-23
CN116309574B CN116309574B (zh) 2023-08-18

Family

ID=86778315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310565080.4A Active CN116309574B (zh) 2023-05-19 2023-05-19 一种面板漏制程缺陷检测方法、***、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116309574B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080055354A1 (en) * 2006-09-05 2008-03-06 Olympus Corporation Record defect detection apparatus, record defect detection method and image recording apparatus
JP2008159930A (ja) * 2006-12-25 2008-07-10 Sony Corp 欠陥修正装置及び欠陥修正方法
US20140193065A1 (en) * 2013-01-09 2014-07-10 Kla-Tencor Corporation Detecting Defects on a Wafer Using Template Image Matching
TW201443460A (zh) * 2013-03-21 2014-11-16 Ebara Corp 檢查裝置、檢查用資料之產生方法、檢查用顯示裝置、缺陷判別方法，及記錄有檢查用顯示程式之記憶媒體
CN109738460A (zh) * 2019-01-28 2019-05-10 西京学院 一种用于土木工程结构表观缺陷的评定检测***
CN109839385A (zh) * 2019-03-04 2019-06-04 佛山市南海区广工大数控装备协同创新研究院 一种自适应的pcb板缺陷视觉定位检测及分类***
CN110967851A (zh) * 2019-12-26 2020-04-07 成都数之联科技有限公司 一种液晶面板array图像的线路提取方法及***
CN111862057A (zh) * 2020-07-23 2020-10-30 中山佳维电子有限公司 图片标注方法、装置、传感器质量检测方法和电子设备
CN111986190A (zh) * 2020-08-28 2020-11-24 哈尔滨工业大学（深圳） 一种基于伪影剔除的印刷品缺陷检测方法及装置
CN112964724A (zh) * 2021-02-01 2021-06-15 苏州百迈半导体技术有限公司 一种多目标多区域视觉检测方法及检测***
CN113608378A (zh) * 2021-10-08 2021-11-05 深圳市绘晶科技有限公司 一种基于lcd制程的全自动缺陷检测方法和***
CN113643289A (zh) * 2021-10-13 2021-11-12 海门市芳华纺织有限公司 基于图像处理的织物表面缺陷检测方法和***
US20210409719A1 (en) * 2019-03-11 2021-12-30 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Prediction value determination method, encoder and computer storage medium
CN114047123A (zh) * 2021-10-09 2022-02-15 江苏芯亿达电子科技有限公司 一种用于集成板生产缺陷检测方法及检测***
CN114926385A (zh) * 2021-02-02 2022-08-19 Tcl科技集团股份有限公司 一种面板缺陷检测方法、存储介质及终端设备
CN115063618A (zh) * 2022-08-17 2022-09-16 成都数之联科技股份有限公司 一种基于模板匹配的缺陷定位方法、***、设备及介质
CN115290663A (zh) * 2022-09-30 2022-11-04 南通艾美瑞智能制造有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115330783A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢丝绳缺陷检测方法
CN115375610A (zh) * 2021-05-21 2022-11-22 深圳中科飞测科技股份有限公司 检测方法及装置、检测设备和存储介质
CN115564727A (zh) * 2022-09-30 2023-01-03 成都数之联科技股份有限公司 一种爆光显影异常缺陷检测方法及***
CN115880520A (zh) * 2022-11-14 2023-03-31 成都数之联科技股份有限公司 一种基于模板匹配和缺陷分割的缺陷等级分类方法及***
CN115908420A (zh) * 2023-01-10 2023-04-04 北京阿丘机器人科技有限公司 印刷电路板的缺陷检测方法、装置、设备及存储介质

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080055354A1 (en) * 2006-09-05 2008-03-06 Olympus Corporation Record defect detection apparatus, record defect detection method and image recording apparatus
JP2008159930A (ja) * 2006-12-25 2008-07-10 Sony Corp 欠陥修正装置及び欠陥修正方法
US20140193065A1 (en) * 2013-01-09 2014-07-10 Kla-Tencor Corporation Detecting Defects on a Wafer Using Template Image Matching
TW201443460A (zh) * 2013-03-21 2014-11-16 Ebara Corp 檢查裝置、檢查用資料之產生方法、檢查用顯示裝置、缺陷判別方法，及記錄有檢查用顯示程式之記憶媒體
CN109738460A (zh) * 2019-01-28 2019-05-10 西京学院 一种用于土木工程结构表观缺陷的评定检测***
CN109839385A (zh) * 2019-03-04 2019-06-04 佛山市南海区广工大数控装备协同创新研究院 一种自适应的pcb板缺陷视觉定位检测及分类***
US20210409719A1 (en) * 2019-03-11 2021-12-30 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Prediction value determination method, encoder and computer storage medium
CN110967851A (zh) * 2019-12-26 2020-04-07 成都数之联科技有限公司 一种液晶面板array图像的线路提取方法及***
CN111862057A (zh) * 2020-07-23 2020-10-30 中山佳维电子有限公司 图片标注方法、装置、传感器质量检测方法和电子设备
CN111986190A (zh) * 2020-08-28 2020-11-24 哈尔滨工业大学（深圳） 一种基于伪影剔除的印刷品缺陷检测方法及装置
CN112964724A (zh) * 2021-02-01 2021-06-15 苏州百迈半导体技术有限公司 一种多目标多区域视觉检测方法及检测***
CN114926385A (zh) * 2021-02-02 2022-08-19 Tcl科技集团股份有限公司 一种面板缺陷检测方法、存储介质及终端设备
CN115375610A (zh) * 2021-05-21 2022-11-22 深圳中科飞测科技股份有限公司 检测方法及装置、检测设备和存储介质
CN113608378A (zh) * 2021-10-08 2021-11-05 深圳市绘晶科技有限公司 一种基于lcd制程的全自动缺陷检测方法和***
CN114047123A (zh) * 2021-10-09 2022-02-15 江苏芯亿达电子科技有限公司 一种用于集成板生产缺陷检测方法及检测***
CN113643289A (zh) * 2021-10-13 2021-11-12 海门市芳华纺织有限公司 基于图像处理的织物表面缺陷检测方法和***
CN115063618A (zh) * 2022-08-17 2022-09-16 成都数之联科技股份有限公司 一种基于模板匹配的缺陷定位方法、***、设备及介质
CN115290663A (zh) * 2022-09-30 2022-11-04 南通艾美瑞智能制造有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115564727A (zh) * 2022-09-30 2023-01-03 成都数之联科技股份有限公司 一种爆光显影异常缺陷检测方法及***
CN115330783A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢丝绳缺陷检测方法
CN115880520A (zh) * 2022-11-14 2023-03-31 成都数之联科技股份有限公司 一种基于模板匹配和缺陷分割的缺陷等级分类方法及***
CN115908420A (zh) * 2023-01-10 2023-04-04 北京阿丘机器人科技有限公司 印刷电路板的缺陷检测方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SHU-KAI S. FAN等: "Automatic detection of Mura defect in TFT-LCD based on regression diagnostics", 《PATTERN RECOGNITION LETTERS》, vol. 31, no. 15, pages 2397 - 2404, XP027263254 *
朱寒等: "基于改进模板匹配及图像差分法的PCB板缺陷多级检测方法", 《应用光学》, vol. 41, no. 04, pages 837 - 843 *
林诗昳: "显示面板Array制程缺陷自动光学检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2021, pages 136 - 109 *
梁博: "基于机器视觉检测PCB板的关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2022, pages 135 - 78 *
王鑫: "工业微焦点X射线成像中的图像增强及缺陷自动识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2023, pages 135 - 295 *

Also Published As

Publication number Publication date
CN116309574B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN106920245B (zh) 一种边界检测的方法及装置
CN106251333B (zh) 元件反件检测方法和***
US11315229B2 (en) Method for training defect detector
CN104021565A (zh) 一种基于直线检测的pcb层数及导线厚度测量方法
CN113538603A (zh) 一种基于阵列产品的光学检测方法、***和可读存储介质
Heo et al. Crack automatic detection of CCTV video of sewer inspection with low resolution
CN115690089A (zh) 一种微弱缺陷检测用的图像增强前处理方法及***
WO2014103617A1 (ja) 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム
CN116309574B (zh) 一种面板漏制程缺陷检测方法、***、设备及存储介质
CN116091503A (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
CN113870754B (zh) 一种面板检测电子信号缺陷判定的方法和***
JP6114559B2 (ja) フラットパネルディスプレイの自動ムラ検出装置
CN110634124A (zh) 一种区域检测的方法及设备
CN109215068B (zh) 图像放大率测量方法及装置
CN112308061A (zh) 一种车牌字符排序方法、识别方法及装置
CN110874837A (zh) 一种基于局部特征分布的缺陷自动检测方法
CN117495846B (zh) 图像检测方法、装置、电子设备及存储介质
CN112730427B (zh) 一种基于机器视觉的产品表面缺陷检测方法及***
CN117495857B (zh) 皮带撕边的检测方法、***、设备和介质
KR101076478B1 (ko) 스트레칭 기법을 활용한 평판 디스플레이 패널의 화상결함 검사 방법 및 기록매체
US20220253996A1 (en) Method, apparatus, and device for labeling images
Choi et al. Edge-based text localization and character segmentation algorithms for automatic slab information recognition
CN116997769A (zh) 检查装置、检查方法、玻璃板的制造方法以及检查程序
CN114170185A (zh) 基于视觉信息的相机检测方法及***

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