CN116577351B - 基于图像数据的液晶玻璃基板偏光片质量检测方法 - Google Patents
基于图像数据的液晶玻璃基板偏光片质量检测方法 Download PDFInfo
- Publication number
- CN116577351B CN116577351B CN202310861892.3A CN202310861892A CN116577351B CN 116577351 B CN116577351 B CN 116577351B CN 202310861892 A CN202310861892 A CN 202310861892A CN 116577351 B CN116577351 B CN 116577351B
- Authority
- CN
- China
- Prior art keywords
- image block
- pixel point
- symbiotic
- gray level
- obtaining
- 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
Links
- 239000004973 liquid crystal related substance Substances 0.000 title claims abstract description 26
- 239000011521 glass Substances 0.000 title claims abstract description 20
- 239000000758 substrate Substances 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 55
- 238000007689 inspection Methods 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 230000035772 mutation Effects 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000012797 qualification Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 69
- 230000008569 process Effects 0.000 claims description 23
- 230000010287 polarization Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009928 pasteurization Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 241001270131 Agaricus moelleri Species 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000002950 deficient Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 231100000241 scar Toxicity 0.000 description 3
- 239000004372 Polyvinyl alcohol Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 229920002451 polyvinyl alcohol Polymers 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229920002284 Cellulose triacetate Polymers 0.000 description 1
- 208000032544 Cicatrix Diseases 0.000 description 1
- 239000004820 Pressure-sensitive adhesive Substances 0.000 description 1
- NNLVGZFZQQXQNW-ADJNRHBOSA-N [(2r,3r,4s,5r,6s)-4,5-diacetyloxy-3-[(2s,3r,4s,5r,6r)-3,4,5-triacetyloxy-6-(acetyloxymethyl)oxan-2-yl]oxy-6-[(2r,3r,4s,5r,6s)-4,5,6-triacetyloxy-2-(acetyloxymethyl)oxan-3-yl]oxyoxan-2-yl]methyl acetate Chemical compound O([C@@H]1O[C@@H]([C@H]([C@H](OC(C)=O)[C@H]1OC(C)=O)O[C@H]1[C@@H]([C@@H](OC(C)=O)[C@H](OC(C)=O)[C@@H](COC(C)=O)O1)OC(C)=O)COC(=O)C)[C@@H]1[C@@H](COC(C)=O)O[C@@H](OC(C)=O)[C@H](OC(C)=O)[C@H]1OC(C)=O NNLVGZFZQQXQNW-ADJNRHBOSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N2021/9513—Liquid crystal panels
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了基于图像数据的液晶玻璃基板偏光片质量检测方法,包括:获取偏光表面图,根据每个子区间的灰度级统计结果获取灰度级的互信息值,根据像素点的分布特征获取图像块的共生复杂度,根据像素点的梯度方向获取角度变化序列以及突变距离序列,根据梯度方向直方图以及像素点的梯度方向获取差异贡献比,根据突变距离序列获取突变环绕度,根据差异贡献比和突变环绕度获取偏光平整度,根据偏光平整度获取增强灰度值以及对比增强图,根据质检结果获取质检合格率和质量等级分类结果,完成液晶玻璃基板偏光片的质量检测。本发明面对各类型缺陷具有较强的泛化能力,对像素点进行自适应增强,提高了质量检测精度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像数据的液晶玻璃基板偏光片质量检测方法。
背景技术
随着VR、AR设备快速发展,产生了成像显示的新需求,偏光片的生产应用得到快速增长。偏光片也称偏振光片,是将聚乙烯醇PVA膜、三醋酸纤维素脂TAC膜、保护膜、离型膜、压敏胶等原材料经拉伸、复合、涂布等工艺制成的一种高分子材料,偏光片是液晶显示面板不可或缺的原材料。按照产品类型及应用领域不同,偏光片主要分为TN型、STN型、TFT型和OLED型。
液晶显示模组中有两张偏光片分别贴在液晶玻璃基板两侧,下偏光片用于将背光源产生的光束转换为偏振光,上偏光片用于解析经液晶层调制后的偏振光,偏光片的质量直接影响液晶显示模组的成像功能以及成像效果。然而偏光片的偏振光轴之间存在一定偏差,这就导致对同一个产品使用同样的偏光片,且采用同样角度对偏光片进行裁切,但是生产出来的液晶显示产品的黑度以及视角的一致性都存在差别,无法满足产品的质量要求。由于偏光片生产过程中涉及的工艺流程较多,使用不同测试仪器测试不同生产阶段的偏光片质量效率偏低,且由于偏光片整体较为轻薄,移动过程中容易产生额外的质量问题;而透射检测法和反射检测法受光源影响较大,检测效率过低。因此需要借助图像处理技术,在保证偏光片不受影响的前提下实现对偏光片的质量检测。
发明内容
本发明提供基于图像数据的液晶玻璃基板偏光片质量检测方法,以解决偏光片上各类缺陷对比度低所导致的质量检测结果精度低的问题,所采用的技术方案具体如下:
本发明一个实施例基于图像数据的液晶玻璃基板偏光片质量检测方法,该方法包括以下步骤:
获取偏光表面图;
利用均匀分块的方式将偏光表面图划分为预设数量的图像块,根据每个图像块中心像素点的八邻域方向获取灰度分布曲线,根据每个子区间的灰度级统计结果获取灰度级的共生概率和互信息值,根据每个图像块内像素点的分布特征获取每个图像块的共生复杂度,根据共生复杂度获取缺陷疑似图像块;
根据缺陷疑似图像块内像素点的梯度方向获取角度变化序列以及突变距离序列,根据缺陷疑似图像块内的梯度方向直方图以及像素点的梯度方向获取差异贡献比,根据像素点与突变距离序列中元素的欧氏距离获取突变环绕度,根据差异贡献比和突变环绕度获取偏光平整度,根据偏光平整度获取增强系数以及增强灰度值,根据增强灰度值获取对比增强图;
根据质检模型的质检结果获取偏光片的质检合格率,根据质检合格率和质量等级分类结果完成液晶玻璃基板偏光片的质量检测。
优选的,所述利用均匀分块的方式将偏光表面图划分为预设数量的图像块,根据每个图像块中心像素点的八邻域方向获取灰度分布曲线的方法为:
利用均匀分块的方式对偏光表面图进行划分,得到预设数量个图像块;
对于任意一个图像块,获取图像块的中心像素点的八邻域方向,将两个相邻八邻域方向之间的区域作为一个子区间,根据每一个子区间内像素点灰度值的统计结果得到每一个子区间对应的灰度分布曲线。
优选的,所述根据每个子区间的灰度级统计结果获取灰度级的共生概率和互信息值的方法为:
获取偏光表面图中所有像素点的灰度值,将每个不相等的灰度值作为一个灰度级;
对于任意一个子区间,根据子区间内每个灰度级的像素点数量和位置信息获取灰度级的共生概率;
将每个灰度级包含的像素点数量与子区间内像素点总数量的比值作为每个灰度级出现的概率,将两个灰度级出现概率的乘积作为先验概率,将两个灰度级的共生概率与先验概率的比值作为两个灰度级的点互信息。
优选的,所述根据子区间内每个灰度级的像素点数量和位置信息获取灰度级的共生概率的方法为:
式中,是第i个图像块中第a个子区间内灰度级/>的共生概率,/>是第i个图像块的面积,/>、/>分别是灰度级/>、/>在第i个图像块中第a个子区间内包含的像素点数量,p是灰度级/>在第a个子区间内第p个像素点、k是灰度级/>在第a个子区间内第k个像素点,/>是像素点p、k之间的欧式距离。
优选的,所述根据每个图像块内像素点的分布特征获取每个图像块的共生复杂度的方法为:
对于任意一个图像块,根据图像块内灰度级数量和每个灰度级像素点的位置分布获取块显著度,根据图像块内子区间内灰度分布曲线和灰度级共生概率获取块间共生异常度;
分别获取预设数量图像块块显著度的均值、块间共生异常度的均值,将图像块的块显著度与块显著度均值的差值记为第一差值,将图像块的块间共生异常度与块间共生异常度均值的差值记为第二差值,将图像块第一差值与第二差值的乘积作为图像块的共生复杂度。
优选的,所述根据图像块内灰度级数量和每个灰度级像素点的位置分布获取块显著度的方法为:
对于任意一个图像块,获取图像块内的每个灰度级包含像素点位置的分布方差,将图像块内所有灰度级包含像素点位置分布方差累加和作为分母,将图像块内的灰度级数量作为分子,将分子与分母的比值作为图像块的块显著度。
优选的,所述根据图像块内子区间内灰度分布曲线和灰度级共生概率获取块间共生异常度的方法为:
式中,是第i个图像块的块间共生异常度,N是第i个图像块划分的子区间数量,a、b分别是其中的第a个、第b个子区间,/>、/>分别是第a个、第b个子区间的灰度分布曲线,是/>、/>之间的DTW距离,/>、/>分别是第a个、第b个子区间的共生信息序列,所述共生信息序列是每个子区间内灰度级的互信息值组成的序列,/>是共生信息序列之间的位方差LSD值。
优选的,所述根据缺陷疑似图像块内的梯度方向直方图以及像素点的梯度方向获取差异贡献比的方法为:
式中,是像素点f的差异贡献比,N是像素点f所在图像块内子区间的数量,/>是像素点f所在子区间a对应的梯度方向直方图,/>是直方图中与像素点f梯度方向相同的像素点数量,/>是子区间b对应的梯度方向直方图,/>是直方图/>、/>之间的巴氏距离。
优选的,所述根据像素点与突变距离序列中元素的欧氏距离获取突变环绕度的方法为:
对于疑似缺陷图像块内的任意一个像素点,将像素点对应突变距离序列中元素值的均值作为第一乘积因子;
获取像素点与其所在行像素点对应角度变化序列中相邻突变点欧式距离的最小值,获取像素点与其所在列像素点对应角度变化序列中相邻突变点欧式距离的最小值,将所述两个最小值的和作为第二乘积因子,将第一乘积因子与第二乘积因子的乘积作为像素点的突变环绕度。
优选的,所述根据偏光平整度获取增强系数以及增强灰度值的方法为:
式中,是像素点f的增强系数,/>是像素点f的增强灰度值,/>是像素点f所在图像块i内偏光平整度的最小值,/>是像素点f所在图像块i的共生复杂度,/>是像素点f的灰度值,Y是映射函数。
本发明的有益效果是:本发明提出一种基于图像数据的液晶玻璃基板偏光片质量检测方法,通过对偏光表面图像中不同灰度级在每个图像块内共生概率以及互信息值构建共生复杂度,共生复杂度利用图像块内不同灰度级的共生概率以及共生概率的复杂程度评估存在缺陷的概率,其有益效果在于能够增大细微缺陷的对比度,面对偏光片上各类型、不同程度的缺陷具有较强的泛化能力。其次基于缺陷疑似图像块内突变点的空间分布特征构建纹理平整度,纹理平整程度考虑了图像块内不同子区间内梯度直方图的稳定性,其有益效果在于利用像素点梯度方向以及突变点的空间分布特征评估像素点的纹理平整度能够提高利用全局信息和局部特征对像素点进行自适应增强,提高了偏光片中缺陷的检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,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为本发明一个实施例所提供的基于图像数据的液晶玻璃基板偏光片质量检测方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的基于图像数据的液晶玻璃基板偏光片质量检测方法流程图,该方法包括以下步骤:
步骤S001,利用图像采集装置获取偏光表面图。
目前液晶玻璃基板偏光片主要应用在各类液晶显示器中,因此本发明中以TFT-LCD面板所用偏光片为质检对象。首先在偏光片下方设置一个环形光源,目的是为了降低环境光的干扰,其次利用搭载偏振镜的工业相机采集偏光片的表面图像。为了避免表面图像采集过程中的噪声等因素对成像质量的影响,本发明利用双边滤波去噪技术对所获表面图像进行去噪处理,双边滤波去噪为公知技术,具体过程不再赘述,对去噪得到的图像进行灰度化完成对表面图像的预处理,将预处理得到的灰度图记为偏光表面图。
至此,得到偏光片对应的偏光表面图。
步骤S002,根据灰度级统计结果获取灰度级的共生概率和互信息值,根据每个图像块内像素点的分布特征获取每个图像块的共生复杂度,根据共生复杂度获取缺陷疑似图像块。
偏光片的制作工艺较为复杂且工序较多,因此在偏光片的生产过程中很容易出现缺陷,从而导致偏光片的质量不合格。偏光片生产过程中常见缺陷包括异物、气泡、折痕、划痕、疤痕等多种缺陷,各种缺陷的成因各不相同。当偏光片上出现上述缺陷时,根据缺陷程度不同,缺陷区域在偏光表面图中的显著程度不同。缺陷区域内像素点的灰度级和正常区域内像素点的灰度级也会呈现不同程度的差异。
获取偏光表面图中所有像素点的灰度值,将每个不相等的灰度值作为一个灰度级,将灰度级从低到高分别记为1至L。获取各灰度级像素点的位置信息,如果偏光片上存在缺陷区域,缺陷区域内像素点的灰度级分布较为集中,和其余灰度级像素点的共生概率并不稳定,即缺陷区域内像素点对应缺陷程度不同或者缺陷位置不同,缺陷区域内像素点的灰度级并不统一,与正常区域内各灰度级像素点的共生概率也会不同。
将偏光表面图均匀划分成M个大小为的图像块,M大小取经验值100。对M个图像块进行相同的处理步骤,以第i个图像块为例,对于第i个(/>)图像块,获取第i个图像块中心点的八邻域方向,将相邻两个八邻域方向之间的区域作为一个子区间,每个图像块得到八个子区间,统计任意一个子区间内像素点灰度值的分布曲线,如果第i个图像块内存在缺陷,那么在缺陷区域内不同方向上灰度值分布曲线将会存在多个波峰或波谷,如果是正常区域,区域内各像素点灰度值大小非常接近,不同方向的灰度值分布曲线上波峰和波谷的数量较小。这是由于偏光片上缺陷形状不规则导致的,例如当偏光片上存在疤痕缺陷,则其对应的偏光表面图中缺陷区域内,沿着疤痕方向的灰度是不断变化的,灰度分布曲线中存在多个波峰和波谷,并且在波峰与波谷处的宽度较小,这是因为在缺陷区域内相邻像素点缺陷程度不同导致的灰度差值不同。
对于存在缺陷区域的图像块而言,缺陷区域的位置大小都是不确定的,但是由于缺陷的不规则性,在各子区间内分布的缺陷像素点的灰度级、数量不同。对每个子区间,本发明中考虑统计子区间内灰度级的数量,将每个灰度级包含的像素点数量与子区间内像素点总数量的比值作为每个灰度级出现的概率。计算第i个图像块第a个子区间内灰度级的互信息值/>:
式中,是第i个图像块第a个子区间内灰度级/>的共生概率,/>是第i个图像块的面积,/>、/>分别是灰度级在第i个图像块中第a个子区间内包含的像素点数量,p是灰度级/>在第a个子区间内第p个像素点、k是灰度级/>在第a个子区间内第k个像素点,/>是像素点p、k之间的欧式距离。
、/>分别是灰度级在第i个图像块第a个子区间内出现的概率,/>、/>的大小分别为/>、/>与第a个子区间内像素点总数量的比值。
基于上述分析,此处构建共生复杂度C,用于表征每个图像块内不同灰度级共生概率的复杂程度,计算第i个图像块的共生复杂度:
式中,是第i个图像块的块显著度,/>是第i个图像块内的灰度级数量,j是个灰度级中的第j个灰度级,/>是第j个灰度级包含像素点的位置分布方差。/>的值越大,第i个图像块在偏光表面图中的显著程度越大。
是第i个图像块的块间共生异常度,N是第i个图像块划分的子区间数量,N的大小取经验值8,a、b分别是其中的第a个、第b个子区间,/>、/>分别是第a个、第b个子区间的灰度分布曲线,/>是/>、/>之间的DTW距离,/>、/>分别是第a个、第b个子区间的共生信息序列,所述共生信息序列是每个子区间内灰度级共生概率的互信息值PMI组成的序列,是共生信息序列之间的位方差LSD,位方差LSD为公知技术,具体过程不再赘述,的值越大,第i个图像块之间的灰度级共生概率越复杂。
是第i个图像块的共生复杂度,/>、/>分别是M个图像块的块显著度均值,块间共生异常度的均值。
共生复杂度反映了每个图像块内不同灰度级共生概率的复杂程度。第i个图像块内灰度级的数量越多,的值越大,各灰度级像素点空间分布越集中,/>的值越小,/>的值越大;第i个图像块中子区间之间的图像信息差异越大,灰度分布曲线差异越大,的值越大,各子区间内像素点的灰度级分布越不相似,相同灰度级在不同子区间内频率差异越大,对应的互信息值PMI差异越大,/>的值越大,/>的值越大;即/>的值越大,第i个图像块内灰度级分布越复杂,第i个图像块内存在缺陷的概率越大。共生复杂度利用图像块内不同灰度级的共生概率以及共生概率的复杂程度评估存在缺陷的概率,其有益效果在于能够增大细微缺陷的对比度,面对偏光片上各类型、不同程度的缺陷具有较强的泛化能力。
获取M个图像块的共生复杂度,统计其中共生复杂度大于0的图像块,如果某个图像块的共生复杂度大于0,说明此图像块和整个偏光表面图中其余图像块的块显著度、块间共生异常度之间都存在较大差异,图像块中存在缺陷的可能性越大。因此本发明中,将每个共生复杂度大于0的图像块都作为偏光表面图中的缺陷疑似图像块。
至此,得到偏光表面图中的缺陷疑似图像块。
步骤S003,获取角度变化序列以及突变距离序列,根据梯度方向直方图获取差异贡献比,根据像素点与突变距离序列中元素的欧氏距离获取突变环绕度,根据差异贡献比和突变环绕度获取偏光平整度。
对于每个缺陷疑似图像块,图像块在偏光表面图中的显著程度较大,缺陷疑似图像块内每个灰度级像素点的空间位置较为集中。对于任意一个缺陷疑似图像块,利用Sobel算子获取该图像块内所有像素点的梯度方向和梯度幅值。在偏光表面图像中缺陷区域边缘像素点的平整度与其余像素点的平整度有着一定程度的差异,这就会导致缺陷区域边缘像素点的纹理方向与周围像素点的纹理方向存在较大差异,获取每个子区间内梯度方向直方图,将第a个子区间的梯度方向直方图记为。
进一步的,计算相邻两个像素点梯度方向之间的角度变化量,统计各个梯度方向上角度变化量,由于缺陷区域形状不规则,因此沿着缺陷边缘方向像素点的梯度方向处于较高频率的变化,将图像块内每行、每列像素点角度变化量组成的序列记为角度变化序列,利用BG序列分割算法获取角度变化序列的突变点,以及相邻两个突变点之间的欧式距离,BG序列分割算法为公知技术,具体过程不再赘述。其次计算每个像素点与所有突变点的欧氏距离,将所有欧式距离组成的序列记为像素点的突变距离序列。
基于上述分析,此处构建偏光平整度V,用于表征每个像素点在偏光表面图中的纹理平整程度,计算像素点f的偏光平整度:
式中,是像素点f的差异贡献比,/>是像素点f所在子区间a对应的梯度方向直方图,/>是直方图中与像素点f梯度方向相同的像素点数量,/>是子区间b对应的梯度方向直方图,/>是直方图/>、/>之间的巴氏距离,巴氏距离为公知技术,具体过程不再赘述。的值越大,像素点f对子区间差异的贡献比例越大。
是像素点f的突变环绕度,/>是像素点f突变距离序列中元素值的均值,/>是f与其所在行像素点对应角度变化序列中相邻突变点欧式距离的最小值,/>是f与其所在列像素点对应角度变化序列中相邻突变点欧式距离的最小值,/>的值越小,像素点f周围存在突变点的可能越高。
偏光平整度反映了像素点在偏光表面图中的纹理平整程度。像素点f所在子区间的梯度方向直方图与其余子区间内梯度方向直方图的差异越大,的值越大,像素点f属于缺陷像素点的可能性越大,像素点f的梯度方向越独特,与其梯度方向相同的像素点越少,对差异的贡献越大,/>的值越小,/>的值越大;像素点f距离第i个图像块内突变点的空间位置越近,像素点f越有可能是缺陷区域像素点,/>的值越小,像素点f与其所在行、列角度变化序列中相邻突变点欧式距离越小,说明像素点f位于突变点周围的可能越大,被突变点包围的概率越大,/>的值越小;即/>的值越小,像素点f越有可能是缺陷像素点,在偏光表面图中的纹理平整程度越低。纹理平整度考虑了图像块内不同子区间内梯度直方图的稳定性,其有益效果在于利用像素点梯度方向以及突变点的空间分布特征评估像素点的纹理平整度能够提高利用全局信息和局部特征对像素点进行自适应增强,提高偏光片中缺陷检测精度。
进一步的,根据像素点的偏光平整度及其所在图像块的共生复杂度对像素点进行自适应的增强,计算像素点f的增强灰度值:
式中,是像素点f的增强系数,/>是像素点f所在图像块i内偏光平整度的最小值,/>是像素点f所在图像块i的共生复杂度,/>是像素点f的灰度值,Y是映射函数,它的作用是将增强灰度值的取值范围映射为[0,255]。
进一步的,利用像素点的增强灰度值代替偏光表面图中的灰度值,遍历所有像素点,将得到的图像记为对比增强图。
至此,得到偏光表面图对应的对比增强图。
步骤S004, 根据质检模型的质检结果获取偏光片的质检合格率,根据质检合格率和质量等级分类结果完成液晶玻璃基板偏光片的质量检测。
根据上述步骤获取偏光表面图对应的对比增强图,人为将对比增强图中的正常区域、脏污、记号、磨损、气泡缺陷区域分别标记为0、1、2、3、4,将对比增强图与标记进行热编码的结果作为质检模型的输入,质检模型的结构为残差神经网络ResNet,优化算法为Adam,损失函数为交叉熵损失函数,质检模型的输出是对比增强图中的缺陷识别结果,神经网络的训练为公知技术,具体过程不再赘述。获取每张偏光片图像的对比增强图,将利用训练完成后质检模型输出的缺陷识别结果作为偏光片的质检结果。
进一步的,将偏光片的质检结果传输至质检人员,质检人员根据偏光片的质检合格率对偏光片进行不同质量等级分类。具体过程如下:获取每幅偏光表面图质检结果内所有缺陷区域的最小外接矩形,根据最小外接矩形面积和偏光片图像面积的比值获取每个偏光片的质检合格率,第A个偏光片的质检合格率/>:
式中,是第A个偏光片对应偏光表面图的总面积,/>是第A个偏光片识别结果中所有缺陷区域最小外接矩形面积之和。
根据质检合格率对偏光片进行质量等级分类,将质检合格率为1的偏光片作为优质偏光片;将质检合格率位于的偏光片作为良好偏光片,将质检合格率位于/>的偏光片作为劣质偏光片。根据质量等级分类结果,将偏光片输送至对应的质检结果区域,完成对液晶玻璃基板偏光片的质量检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (4)
1.基于图像数据的液晶玻璃基板偏光片质量检测方法,其特征在于,该方法包括以下步骤:
获取偏光表面图;
利用均匀分块的方式将偏光表面图划分为预设数量的图像块,根据每个图像块中心像素点的八邻域方向获取灰度分布曲线,将相邻两个八邻域方向之间的区域作为一个子区间,每个图像块得到八个子区间,根据每个子区间的灰度级统计结果获取灰度级的共生概率和互信息值,根据每个图像块内像素点的分布特征获取每个图像块的共生复杂度,根据共生复杂度获取缺陷疑似图像块;
根据缺陷疑似图像块内像素点的梯度方向获取角度变化序列以及突变距离序列,根据缺陷疑似图像块内的梯度方向直方图以及像素点的梯度方向获取差异贡献比,根据像素点与突变距离序列中元素的欧氏距离获取突变环绕度,根据差异贡献比和突变环绕度获取偏光平整度,根据偏光平整度获取增强系数以及增强灰度值,根据增强灰度值获取对比增强图;
根据质检模型的质检结果获取偏光片的质检合格率,根据质检合格率和质量等级分类结果完成液晶玻璃基板偏光片的质量检测;
所述利用均匀分块的方式将偏光表面图划分为预设数量的图像块,根据每个图像块中心像素点的八邻域方向获取灰度分布曲线的方法为:
利用均匀分块的方式对偏光表面图进行划分,得到预设数量个图像块;
对于任意一个图像块,获取图像块的中心像素点的八邻域方向,将两个相邻八邻域方向之间的区域作为一个子区间,根据每一个子区间内像素点灰度值的统计结果得到每一个子区间对应的灰度分布曲线;
所述根据每个图像块内像素点的分布特征获取每个图像块的共生复杂度的方法为:
对于任意一个图像块,根据图像块内灰度级数量和每个灰度级像素点的位置分布获取块显著度,根据图像块内子区间内灰度分布曲线和灰度级共生概率获取块间共生异常度;
分别获取预设数量图像块块显著度的均值、块间共生异常度的均值,将图像块的块显著度与块显著度均值的差值记为第一差值,将图像块的块间共生异常度与块间共生异常度均值的差值记为第二差值,将图像块第一差值与第二差值的乘积作为图像块的共生复杂度;
所述根据图像块内子区间内灰度分布曲线和灰度级共生概率获取块间共生异常度的方法为:
式中,是第i个图像块的块间共生异常度,N是第i个图像块划分的子区间数量,a、b分别是其中的第a个、第b个子区间,/>、/>分别是第a个、第b个子区间的灰度分布曲线,是/>、/>之间的DTW距离,/>、/>分别是第a个、第b个子区间的共生信息序列,所述共生信息序列是每个子区间内灰度级的互信息值组成的序列,/>是共生信息序列之间的位方差LSD值;
所述根据缺陷疑似图像块内的梯度方向直方图以及像素点的梯度方向获取差异贡献比的方法为:
式中,是像素点f的差异贡献比,N是像素点f所在图像块内子区间的数量,/>是像素点f所在子区间a对应的梯度方向直方图,/>是直方图中与像素点f梯度方向相同的像素点数量,/>是子区间b对应的梯度方向直方图,/>是直方图/>、/>之间的巴氏距离;
所述根据像素点与突变距离序列中元素的欧氏距离获取突变环绕度的方法为:
对于疑似缺陷图像块内的任意一个像素点,将像素点对应突变距离序列中元素值的均值作为第一乘积因子;
获取像素点与其所在行像素点对应角度变化序列中相邻突变点欧式距离的最小值,获取像素点与其所在列像素点对应角度变化序列中相邻突变点欧式距离的最小值,将两个最小值的和作为第二乘积因子,将第一乘积因子与第二乘积因子的乘积作为像素点的突变环绕度;
所述根据偏光平整度获取增强系数以及增强灰度值的方法为:
式中,是像素点f的增强系数,/>是像素点f的增强灰度值,/>是像素点f所在图像块i内偏光平整度的最小值,/>是像素点f所在图像块i的共生复杂度,/>是像素点f的灰度值,Y是映射函数,/>是像素点f的差异贡献比;
所述根据质检模型的质检结果获取偏光片的质检合格率的方法包括:
将对比增强图中的正常区域、脏污、记号、磨损、气泡缺陷区域分别标记为0、1、2、3、4,将对比增强图与标记进行热编码的结果作为质检模型的输入,质检模型的结构为残差神经网络ResNet,优化算法为Adam,损失函数为交叉熵损失函数,质检模型的输出是对比增强图中的缺陷识别结果,质检模型输出的缺陷识别结果作为偏光片的质检结果;
所述根据差异贡献比和突变环绕度获取偏光平整度的方法为:
计算像素点f的偏光平整度:
式中,是像素点f的差异贡献比,/>是像素点f的突变环绕度,/>是像素点f突变距离序列中元素值的均值,/>是f与其所在行像素点对应角度变化序列中相邻突变点欧式距离的最小值,/>是f与其所在列像素点对应角度变化序列中相邻突变点欧式距离的最小值。
2.根据权利要求1所述的基于图像数据的液晶玻璃基板偏光片质量检测方法,其特征在于,所述根据每个子区间的灰度级统计结果获取灰度级的共生概率和互信息值的方法为:
获取偏光表面图中所有像素点的灰度值,将每个不相等的灰度值作为一个灰度级;
对于任意一个子区间,根据子区间内每个灰度级的像素点数量和位置信息获取灰度级的共生概率;
将每个灰度级包含的像素点数量与子区间内像素点总数量的比值作为每个灰度级出现的概率,将两个灰度级出现概率的乘积作为先验概率,将两个灰度级的共生概率与先验概率的比值作为两个灰度级的互信息值。
3.根据权利要求2所述的基于图像数据的液晶玻璃基板偏光片质量检测方法,其特征在于,所述根据子区间内每个灰度级的像素点数量和位置信息获取灰度级的共生概率的方法为:
式中,是第i个图像块中第a个子区间内灰度级/>的共生概率,/>是第i个图像块的面积,/>、/>分别是灰度级/>、/>在第i个图像块中第a个子区间内包含的像素点数量,p是灰度级/>在第a个子区间内第p个像素点、k是灰度级/>在第a个子区间内第k个像素点,/>是像素点p、k之间的欧式距离。
4.根据权利要求1所述的基于图像数据的液晶玻璃基板偏光片质量检测方法,其特征在于,所述根据图像块内灰度级数量和每个灰度级像素点的位置分布获取块显著度的方法为:
对于任意一个图像块,获取图像块内的每个灰度级包含像素点位置的分布方差,将图像块内所有灰度级包含像素点位置分布方差累加和作为分母,将图像块内的灰度级数量作为分子,将分子与分母的比值作为图像块的块显著度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310861892.3A CN116577351B (zh) | 2023-07-14 | 2023-07-14 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310861892.3A CN116577351B (zh) | 2023-07-14 | 2023-07-14 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577351A CN116577351A (zh) | 2023-08-11 |
CN116577351B true CN116577351B (zh) | 2023-09-19 |
Family
ID=87543557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310861892.3A Active CN116577351B (zh) | 2023-07-14 | 2023-07-14 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577351B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058130B (zh) * | 2023-10-10 | 2024-01-09 | 威海威信光纤科技有限公司 | 一种光纤拉丝表面涂覆质量视觉检测方法 |
CN117058137B (zh) * | 2023-10-11 | 2023-12-12 | 山东万玻玻璃科技有限公司 | 一种夹胶玻璃生产质量视觉检测方法 |
CN117094998B (zh) * | 2023-10-19 | 2024-02-02 | 厘壮信息科技(苏州)有限公司 | 一种单晶硅片生产过程的缺陷检测方法 |
CN117437202B (zh) * | 2023-11-01 | 2024-07-16 | 深圳市宇创显示科技有限公司 | 基于图像的偏光片缺陷检测方法、装置、设备及存储介质 |
CN117437238B (zh) * | 2023-12-22 | 2024-03-29 | 深圳宝铭微电子有限公司 | 一种封装ic表面缺陷视觉检测方法 |
CN117455916B (zh) * | 2023-12-25 | 2024-03-15 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117974663B (zh) * | 2024-04-01 | 2024-06-07 | 瑞纳智绝缘材料(苏州)有限公司 | 基于图像特征的玻璃纤维套管质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180030310A (ko) * | 2016-09-12 | 2018-03-22 | 삼성디스플레이 주식회사 | 편광유닛의 결함 검출 장치 및 방법 |
CN110286133A (zh) * | 2019-07-23 | 2019-09-27 | 中电科风华信息装备股份有限公司 | 偏光片检测装置 |
CN110827309A (zh) * | 2019-11-12 | 2020-02-21 | 太原理工大学 | 一种基于超像素的偏光片外观缺陷分割方法 |
CN115311303A (zh) * | 2022-10-12 | 2022-11-08 | 南通富兰妮纺织品有限公司 | 一种纺织品经纬缺陷检测方法 |
CN116228758A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市前海誉卓科技有限公司 | 一种用于偏光片生产的内部气泡检测方法 |
-
2023
- 2023-07-14 CN CN202310861892.3A patent/CN116577351B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180030310A (ko) * | 2016-09-12 | 2018-03-22 | 삼성디스플레이 주식회사 | 편광유닛의 결함 검출 장치 및 방법 |
CN110286133A (zh) * | 2019-07-23 | 2019-09-27 | 中电科风华信息装备股份有限公司 | 偏光片检测装置 |
CN110827309A (zh) * | 2019-11-12 | 2020-02-21 | 太原理工大学 | 一种基于超像素的偏光片外观缺陷分割方法 |
CN115311303A (zh) * | 2022-10-12 | 2022-11-08 | 南通富兰妮纺织品有限公司 | 一种纺织品经纬缺陷检测方法 |
CN116228758A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市前海誉卓科技有限公司 | 一种用于偏光片生产的内部气泡检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116577351A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116577351B (zh) | 基于图像数据的液晶玻璃基板偏光片质量检测方法 | |
CN110570393B (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
TW200844429A (en) | An automatic optical inspection approach for detecting and classifying the surface defects on coating brightness enhancement film | |
Ming et al. | A comprehensive review of defect detection in 3C glass components | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN105976382B (zh) | 一种基于缺陷区预判和水平集的TFT-LCD Mura缺陷检测方法 | |
CN115100200B (zh) | 基于光学手段的光纤缺陷检测方法及*** | |
CN115965816B (zh) | 基于深度学习的玻璃缺陷分类与检测方法及*** | |
Kuo et al. | Automated defect inspection system for CMOS image sensor with micro multi-layer non-spherical lens module | |
CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和*** | |
CN112434586A (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
CN112233059A (zh) | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 | |
CN116612125B (zh) | 基于人工智能的食药品胶囊质量检测方法 | |
CN113393438A (zh) | 一种基于卷积神经网络的树脂镜片缺陷检测方法 | |
Le et al. | Novel framework for optical film defect detection and classification | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
CN116739991A (zh) | 基于深度学习的液晶显示屏表面缺陷检测方法及电子装置 | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
Chen et al. | Real-time defect detection of TFT-LCD displays using a lightweight network architecture | |
Chen et al. | TFT‐LCD mura defect visual inspection method in multiple backgrounds | |
CN117132564A (zh) | 基于YOLOv3的蓝宝石衬底表面缺陷检测方法及*** | |
CN109751959B (zh) | 线宽测量方法 | |
CN116523901A (zh) | 一种基于计算机视觉的冲切模具检测方法 |
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 |