CN117115171B - 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法 - Google Patents

一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法 Download PDF

Info

Publication number
CN117115171B
CN117115171B CN202311385368.XA CN202311385368A CN117115171B CN 117115171 B CN117115171 B CN 117115171B CN 202311385368 A CN202311385368 A CN 202311385368A CN 117115171 B CN117115171 B CN 117115171B
Authority
CN
China
Prior art keywords
picture
detected
detection
lcd display
axis
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
CN202311385368.XA
Other languages
English (en)
Other versions
CN117115171A (zh
Inventor
佟夫
于庆安
杨秀培
徐睿
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.)
Suzhou Shida Xunyuan Electronic Technology Co ltd
Original Assignee
Suzhou Shida Xunyuan Electronic 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 Suzhou Shida Xunyuan Electronic Technology Co ltd filed Critical Suzhou Shida Xunyuan Electronic Technology Co ltd
Priority to CN202311385368.XA priority Critical patent/CN117115171B/zh
Publication of CN117115171A publication Critical patent/CN117115171A/zh
Application granted granted Critical
Publication of CN117115171B publication Critical patent/CN117115171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本申请涉及一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其包括以下步骤：在封闭环境内采集获取待检测LCD显示屏的屏幕图像数据集合；基于常态屏幕图像数据集通过预设置的AI视觉检测模型进行常规缺陷检测，并输出缺陷检测结果；LCD显示器常规缺陷检测合格后对其暗室屏幕图像数据集内的图像画面进行预处理得到待检测画面集；对预处理后的待检测画面集选取检测方向进行移动分割，基于各个分割图像平均灰度以及平均像素亮度提取确定轻微亮点缺陷。本申请具有精确高效提取轻微亮点缺陷的效果。

Description

一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法
技术领域
本申请涉及LCD缺陷检测技术领域，尤其是涉及一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法。
背景技术
随着科技的发展，人工智能越来越广泛的运用到了人们的生活当中，数据联动，红外感应等技术则早已运用到了人们的快速出行中。LED地铁导向显示屏便是一种数据联动的典型案例。它的核心在于，将各类交通导向的标识和闸机联动的数据，通过一种集中的控制***实现，将所需要展示的内容透过LED显示屏实现，这样的一套***，虽然技术含量很高，但是非常便于地铁***一体化管理，而且整体地铁LED导向屏，安装方便，显示的内容，也可根据使用的环境不同，做适合的调试和修改。
在LCD显示生产过程中，由于工艺及物料等因素的影响，会出现各种显示不良现象，例如亮点缺陷：满天星、内污、异色点，还有一些轻微的亮点缺陷。轻微的亮点缺陷有亮度低、面积小及在个别显示画面才会出现的随机不确定性等特性，导致人工检测和CCD检测都存在特别大的难度，容易导致漏检，产品质量降低。
现有对于LCD表面缺陷的常规检测方法如公开号为CN116137031A的一种LCD显示屏轻微亮点缺陷检测方法，多采用Otsu算法将图像分割后，基于ROI架构选取ROI区域，进而在ROI区域检测LCD画面中的区域是否存在缺陷。但是上述方法面对常规避免缺陷和亮点缺陷可能会取得较好的检测效果，但是面对轻微亮点缺陷时，在采用ROI架构对画面图像进行选取时，容易因轻微的亮点缺陷有亮度低、面积小的原因导致区域漏选的现象发生，进而导致检测结果精度较低。
发明内容
为了解决现有LCD缺陷检测技术面对LCD上轻微的亮点缺陷时，容易因轻微的亮点缺陷有亮度低、面积小的原因导致漏检、错检以及检测精度低的问题，由于，本申请提供一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法。
第一方面，本申请提供一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，采用如下的技术方案：
一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，包括以下步骤：
在封闭环境内采集获取待检测LCD显示屏的屏幕图像数据集合，所述屏幕图像数据集合包括常态屏幕图像数据集以及暗室屏幕图像数据集；
基于常态屏幕图像数据集通过预设置的AI视觉检测模型进行常规缺陷检测，并输出缺陷检测结果；
LCD显示器常规缺陷检测合格后对其暗室屏幕图像数据集内的图像画面进行预处理得到待检测画面集；
对预处理后的待检测画面集选取检测方向进行移动分割，基于各个分割图像平均灰度以及平均像素亮度提取确定轻微亮点缺陷。
优选的，所述在封闭环境内采集获取待检测LCD显示屏的屏幕图像数据集合具体包括以下步骤：
在封闭环境下通过预设的补光光源对待采集图像的LCD显示器进行补光形成显示器常态使用环境；
在显示器常态使用环境，依次将LCD显示器的屏幕画面切换为黑色画面、红色画面、绿色画面和蓝色画面，并通过CCD相机采集LCD显示器屏幕区域的四色画面打包生成常态屏幕图像数据集；
熄灭封闭环境光源形成暗室环境，依次将LCD显示器的屏幕画面切换为黑色画面、红色画面、绿色画面和蓝色画面，并通过CCD相机采集LCD显示器屏幕区域的四色画面打包生成暗室屏幕图像数据集；
将常态屏幕图像数据集和暗室屏幕图像数据集进行打包生成屏幕图像数据集合。
优选的，所述基于常态屏幕图像数据集通过预设置的AI视觉检测模型进行常规缺陷检测，并输出缺陷检测结果具体包括以下步骤：
将常态屏幕图像数据集内的四色画面输入预设置的AI视觉检测模型，所述AI视觉检测模型为机器学习模型基于卷积神经网络通过LCD显示器的标准四色画面样本数据深度学习训练得到；
AI视觉检测模型对常态屏幕图像数据集内的黑色画面、红色画面、绿色画面和蓝色画面进行预处理并对四色画面中的缺陷进行粗略查找获取四色画面的ROI区域；
AI视觉检测模型对四色画面的ROI区域进行常规缺陷检测，输出缺陷检测结果。
优选的，所述LCD显示器常规缺陷检测合格后对其暗室屏幕图像数据集内的图像画面进行预处理得到待检测画面集具体包括以下步骤：
在LCD显示器常规缺陷检测合格后，对其暗室屏幕图像数据集内的黑色画面、绿色画面、蓝色画面和红色画面进行裁剪，剔除四色画面中的LCD显示器边框以及环境背景区域，仅保留LCD屏幕区域的四色画面；
对裁剪后的四色画面进行滤波处理，依次去除黑色画面、绿色画面、蓝色画面和红色画面中的纹理背景；
对滤波处理后的四色画面进行锐化，加强黑色画面、绿色画面、蓝色画面和红色画面中的可能存在的轻微亮点缺陷的锐度和清晰度，得到待检测画面集。
优选的，所述对预处理后的待检测画面集选取检测方向进行移动分割，基于各个分割图像平均灰度以及平均像素亮度提取确定轻微亮点缺陷具体包括以下步骤：
为待检测画面集中的黑色画面构建检测坐标系，确定X轴和Y轴检测方向；
获取待检测LCD显示器最佳分割尺寸和移动量，从黑色画面的检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到若干个待检测区域，计算若干个待检测区域的灰度差值提取确定轻微亮点缺陷；
为检测画面中的绿色画面、蓝色画面和红色画面依次构建检测坐标系，确定X轴和Y轴检测方向；
从各个检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到对应绿色画面、蓝色画面和红色画面的若干个待检测区域，计算各个待检测区域像素亮度差值提取确定轻微亮点缺陷；
将黑色画面的、绿色画面、蓝色画面和红色画面的轻微亮点缺陷标注进行重合，绘制生成轻微亮点缺陷分布图。
优选的，所述获取待检测LCD显示器的最佳分割尺寸和移动量具体包括：获取待检测LCD显示器轻微亮点瑕疵尺寸阈值，基于预设置的最佳分割尺寸计算公式计算最佳分割尺寸以及移动量，所述移动量为最佳分割尺寸的三分之一。
优选的，所述最佳分割尺寸计算公式具体为：
；
其中M为待检测LCD显示器的最佳分割尺寸，N为待检测LCD显示器的轻微亮点瑕疵尺寸阈值，S为待检测面集中四个画面的X轴方向像素数量，C为待检测面集中四个画面的X轴方向长度，其中N、C的单位均为mm。
优选的，所述从黑色画面的检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到若干个待检测区域，计算若干个待检测区域的灰度差值提取确定轻微亮点缺陷具体包括以下步骤：
按照最佳分割尺寸从黑色画面的检测坐标系原点出发提取方形的待检测区域，并沿着X轴和Y轴两个检测方向基于移动量移动截取获取若干个待检测区域；
对各个待检测区域内图像基于移动量沿着X轴和Y轴方向分割生成区域九宫格，测定区域九宫格内各格的平均灰度值；
计算各个待检测区域内区域九宫格中最大平均灰度和最小平均灰度差值，若差值大于预设置的灰度差值阈值则判定存在该检测区域存在轻微亮点缺陷。
优选的，所述从各个检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到对应绿色画面、蓝色画面和红色画面的若干个待检测区域，计算各个待检测区域像素亮度差值提取确定轻微亮点缺陷具体包括以下步骤：
按照最佳分割尺寸从绿色画面、蓝色画面和红色画面的检测坐标系原点出发提取方形的待检测区域，并沿着X轴和Y轴两个检测方向基于移动量移动截取获取若干个待检测区域；
对各个待检测区域内图像基于移动量沿着X轴和Y轴方向分割生成区域九宫格，测定区域九宫格内各格的平均像素亮度；
计算各个待检测区域内区域九宫格中最大平均像素亮度和最小平均像素亮度差值，若差值大于预设置的像素亮度差值阈值则判定存在该检测区域存在轻微亮点缺陷。
第二方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如上述方法任一种方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.先通过AI视觉检测模型以及常态屏幕图像数据集实现高效对LCD屏幕的常规缺陷进行高效精确检测，实现对LCD显示器进行初步筛选，再对常规缺陷检测合格的LCD显示器暗室屏幕图像数据集的图像画面进行预处理，对预处理后的图像画面基于检测轻微亮点缺陷瑕疵的尺寸阈值确定检测区域分割尺寸，进而移动分割形成若干待检测区域基于各个待检测区域平均灰度以及平均像素亮度确定各个待检测区域是否存在轻微亮点缺陷，进而实现精确高效提取轻微亮点缺陷的效果；
2.通过预处理剔除四色画面中的LCD显示器边框以及环境背景区域，仅保留LCD屏幕区域的四色画面便于后续选取分割检测区域，通过滤波如锐化结合的预处理手段，去除四色画面的纹理背景的同时加强轻微亮点缺陷的锐度和清晰度，有助于提高轻微亮点瑕疵检测精度；
3.面对轻微亮点缺陷瑕疵采用小移动量小范围的待检测区域提取，实现轻微亮点瑕疵的检测最佳化，通过分段处理，可以在降低干扰影响的同时实现高速性，并基于RGB画面亮点区分规则，通过将区域九宫格内各个宫格与周围宫格进行平均像素亮度比较，使得轻微亮点瑕疵高精度检测能够实现。
附图说明
图1是本申请实施例中应用于地铁LCD显示屏的轻微亮点缺陷检测方法的方法流程图；
图2是本申请实施例中获取屏幕图像数据集合的方法流程图；
图3是本申请实施例中常规缺陷检测的方法流程图；
图4是本申请实施例中画面预处理的方法流程图；
图5是本申请实施例中对待检测画面进行移动分割提取轻微亮点瑕疵的方法流程图；
图6是本申请实施例中待检测画面分割示意图；
图7是本申请实施例中待检测画面移动分割过程中X轴方向下一待检测区域与上一待检测区域的位置关系示意图；
图8是本申请实施例中待检测黑色画面进行移动分割提取轻微亮点瑕疵的方法流程图；
图9是本申请实施例中待检测红绿蓝画面进行移动分割提取轻微亮点瑕疵的方法流程图。
具体实施方式
以下结合附图1-图9对本申请作进一步详细说明。
屏幕亮点一般是指液晶显示器出现的不可修复的单一颜色点，在黑屏的情况下仍然呈现R、G、B（红、绿、蓝）的点，以及在切换至红、绿、蓝三色显示模式下，只有在R或者G或者B中的一种显示模式下有白色点，同时在另外两种模式下均有其他色点的情况。
本申请实施例公开一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法。参照图1，一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，包括以下步骤：
S1、采集图像：在封闭环境内采集获取待检测LCD显示屏的屏幕图像数据集合，所述屏幕图像数据集合包括常态屏幕图像数据集以及暗室屏幕图像数据集；
S2、常规缺陷检测：基于常态屏幕图像数据集通过预设置的AI视觉检测模型进行常规缺陷检测，并输出缺陷检测结果；所述AI视觉检测模型为机器学习模型基于卷积神经网络通过LCD显示器的标准四色画面样本数据深度学习训练得到；需要说明的机器学习模型的训练具体步骤为现有技术在此不再赘述；
S3、图像预处理：LCD显示器常规缺陷检测合格后对其暗室屏幕图像数据集内的图像画面进行预处理得到待检测画面集；
S4、移动分割图像提取确定轻微亮点缺陷：对预处理后的待检测画面集选取检测方向进行移动分割，基于各个分割图像平均灰度以及平均像素亮度提取确定轻微亮点缺陷。先通过AI视觉检测模型以及常态屏幕图像数据集实现高效对LCD屏幕的常规缺陷进行高效精确检测，实现对LCD显示器进行初步筛选，再对常规缺陷检测合格的LCD显示器暗室屏幕图像数据集的图像画面进行预处理，对预处理后的图像画面基于检测轻微亮点缺陷瑕疵的尺寸阈值确定检测区域分割尺寸，进而移动分割形成若干待检测区域基于各个待检测区域平均灰度以及平均像素亮度确定各个待检测区域是否存在轻微亮点缺陷，进而实现精确高效提取轻微亮点缺陷的效果。
参照图2，所述在封闭环境内采集获取待检测LCD显示屏的屏幕图像数据集合具体包括以下步骤：
A1、补光形成显示器常态使用环境：在封闭环境下通过预设的补光光源对待采集图像的LCD显示器进行补光形成显示器常态使用环境；
A2、采集常态环境下的四色画面：在显示器常态使用环境，依次将LCD显示器的屏幕画面切换为黑色画面、红色画面、绿色画面和蓝色画面，并通过CCD相机采集LCD显示器屏幕区域的四色画面打包生成常态屏幕图像数据集；
A3、采集暗室环境下的四色画面：熄灭封闭环境光源形成暗室环境，依次将LCD显示器的屏幕画面切换为黑色画面、红色画面、绿色画面和蓝色画面，并通过CCD相机采集LCD显示器屏幕区域的四色画面打包生成暗室屏幕图像数据集；
A4、打包生成屏幕图像数据集合：将常态屏幕图像数据集和暗室屏幕图像数据集进行打包生成屏幕图像数据集合。基于LCD显示器的发光原理以及亮点产生类型，分别在常态环境下以及暗室环境下均采集LCD显示器屏幕区域的四色画面，有助于AI视觉检测模型快速提取识别常态屏幕图像数据集内四色画面的图像特征，有助于AI视觉检测模型精确高效的对显示器进行常规缺陷检测；通过暗室环境下采集四色画面，有助于对LCD显示器各种画面下可能存在的轻微亮点瑕疵进行高效检测选取，避免出现因轻微的亮点缺陷有亮度低、面积小的原因导致漏检、错检的现象，达到有效提高检测精度的效果。
参照图3，所述基于常态屏幕图像数据集通过预设置的AI视觉检测模型进行常规缺陷检测，并输出缺陷检测结果具体包括以下步骤：
B1、画面输入：将常态屏幕图像数据集内的四色画面输入预设置的AI视觉检测模型，所述AI视觉检测模型为机器学习模型基于卷积神经网络通过LCD显示器的标准四色画面样本数据深度学习训练得到；
B2、画面预处理：AI视觉检测模型对常态屏幕图像数据集内的黑色画面、红色画面、绿色画面和蓝色画面进行预处理并对四色画面中的缺陷进行粗略查找获取四色画面的ROI区域；
其中预处理可以对屏幕图像滤波，基于滤波后的图像生成差分图像，利用差分图像进行粗略查找获取四色画面可能存在缺陷的ROI区域；
B3、对ROI区域进行常规缺陷检测：AI视觉检测模型对四色画面的ROI区域进行常规缺陷检测，输出缺陷检测结果。通过AI视觉检测模型对常态屏幕图像数据集内的四色画面进行预处理，再基于ROI架构规则选取可能存在缺陷的ROI区域，最后针对获取的ROI区域进行细致特征收集和缺陷检查，能够大大缩减AI视觉检测模型缺陷检测工作量，降低数据处理负荷，提高常规缺陷检测精度和检测效率。
参照图4，所述LCD显示器常规缺陷检测合格后对其暗室屏幕图像数据集内的图像画面进行预处理得到待检测画面集具体包括以下步骤：
C1、画面裁剪：在LCD显示器常规缺陷检测合格后，对其暗室屏幕图像数据集内的黑色画面、绿色画面、蓝色画面和红色画面进行裁剪，剔除四色画面中的LCD显示器边框以及环境背景区域，仅保留LCD屏幕区域的四色画面；
C2、画面滤波：对裁剪后的四色画面进行滤波处理，依次去除黑色画面、绿色画面、蓝色画面和红色画面中的纹理背景；
C3、画面锐化：对滤波处理后的四色画面进行锐化，加强黑色画面、绿色画面、蓝色画面和红色画面中的可能存在的轻微亮点缺陷的锐度和清晰度，得到待检测画面集。通过预处理剔除四色画面中的LCD显示器边框以及环境背景区域，仅保留LCD屏幕区域的四色画面便于后续选取分割检测区域，通过滤波如锐化结合的预处理手段，去除四色画面的纹理背景的同时加强轻微亮点缺陷的锐度和清晰度，有助于提高轻微亮点瑕疵检测精度。
参照图5-图7，所述对预处理后的待检测画面集选取检测方向进行移动分割，基于各个分割图像平均灰度以及平均像素亮度提取确定轻微亮点缺陷具体包括以下步骤：
D1、为黑色画面构建检测坐标系：为待检测画面集中的黑色画面构建检测坐标系，确定X轴和Y轴检测方向；
D2、对黑色画面进行移动分割提取确定轻微亮点缺陷：获取待检测LCD显示器最佳分割尺寸和移动量，从黑色画面的检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到若干个待检测区域，计算若干个待检测区域的灰度差值提取确定轻微亮点缺陷；
D3、为绿色画面、蓝色画面和红色画面依次构建检测坐标系：为检测画面中的绿色画面、蓝色画面和红色画面依次构建检测坐标系，确定X轴和Y轴检测方向；
D4、对绿色画面、蓝色画面和红色画面移动分割取确定轻微亮点缺陷：从各个检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到对应绿色画面、蓝色画面和红色画面的若干个待检测区域，计算各个待检测区域像素亮度差值提取确定轻微亮点缺陷；
D5、绘制缺陷分布图：将黑色画面的、绿色画面、蓝色画面和红色画面的轻微亮点缺陷标注进行重合，绘制生成轻微亮点缺陷分布图。上述在依次为四色画面构筑检测坐标系过程中，画面一角与检测坐标系原点重合。通过依次为四色画面构筑检测坐标系实现按照最佳分割尺寸和移动量在X轴和Y轴两个检测方向上单次移动一个移动量实现高效提取分割待检测区域，对黑色画面的待检测区域基于灰度差值确定是否存在轻微亮点瑕疵，对其他三色画面的待检测区域基于像素亮度差值确定是否存在轻微亮点瑕疵，进而基于存在轻微亮点瑕疵的检测区域精确定位画面中的轻微亮点瑕疵，在将四色画面中存在的亮点瑕疵进行标注重合即可绘制包含LCD显示器全部轻微亮点瑕疵的轻微亮点缺陷分布图，达到有效提高检测精度的效果。
其中，上述获取待检测LCD显示器的最佳分割尺寸和移动量具体包括：获取待检测LCD显示器轻微亮点瑕疵尺寸阈值，基于预设置的最佳分割尺寸计算公式计算最佳分割尺寸以及移动量，所述移动量为最佳分割尺寸的三分之一。所述最佳分割尺寸计算公式具体为：
；
其中M为待检测LCD显示器的最佳分割尺寸，N为待检测LCD显示器的轻微亮点瑕疵尺寸阈值，S为待检测面集中四个画面的X轴方向像素数量，C为待检测面集中四个画面的X轴方向长度，其中N、C的单位均为mm。基于要检测的轻微亮点瑕疵尺寸阈值，即轻微亮点瑕疵最小检测尺寸为基础，结合画面像素数量以及画面尺寸计算确定最佳分割尺寸，本质上为了达到分割尺寸与检测对象的尺寸基本相同，兼顾检测敏感度与处理时间，在提高轻微亮点缺陷检测精度的同时有效缩短画面检测时长，达到通过检测精度和检测效率的效果。
参照图8，所述从黑色画面的检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到若干个待检测区域，计算若干个待检测区域的灰度差值提取确定轻微亮点缺陷具体包括以下步骤：
E1、从黑色画面上基于移动量移动分割若干个待检测区域：按照最佳分割尺寸从黑色画面的检测坐标系原点出发提取方形的待检测区域，并沿着X轴和Y轴两个检测方向基于移动量移动截取获取若干个待检测区域；
E2、生成区域九宫格并测定区域九宫格内各格的平均灰度值：对各个待检测区域内图像基于移动量沿着X轴和Y轴方向分割生成区域九宫格，测定区域九宫格内各格的平均灰度值；
E3、基于各个待检测区域内区域九宫格平均灰度差值确定轻微亮点缺陷：计算各个待检测区域内区域九宫格中最大平均灰度和最小平均灰度差值，若差值大于预设置的灰度差值阈值则判定存在该检测区域存在轻微亮点缺陷。对黑色画面基于最佳分割尺寸确定画面提取框，进而从黑色画面的检测坐标系原点出发沿X轴和Y轴两个检测方向，每次移动画面提取框一个移动量，获得若干个待检测区域，在基于各个待检测区域内区域九宫格中最大平均灰度和最小平均灰度差值判定各个待检测区域中是否存在轻微亮点缺陷。面对轻微亮点缺陷瑕疵采用小移动量小范围的待检测区域提取，实现轻微亮点瑕疵的检测最佳化，通过分段处理，可以在降低干扰影响的同时实现高速性，基于黑色画面亮点区分规则，通过将区域九宫格内各个宫格与周围宫格进行平均灰度值比较，使得轻微亮点瑕疵高精度检测能够实现。
参照图9，所述从各个检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到对应绿色画面、蓝色画面和红色画面的若干个待检测区域，计算各个待检测区域像素亮度差值提取确定轻微亮点缺陷具体包括以下步骤：
F1、依次从绿色画面、蓝色画面和红色画面上基于移动量移动分割若干个待检测区域：按照最佳分割尺寸从绿色画面、蓝色画面和红色画面的检测坐标系原点出发提取方形的待检测区域，并沿着X轴和Y轴两个检测方向基于移动量移动截取获取若干个待检测区域；
F2、生成区域九宫格并测定区域九宫格内各格的平均像素亮度：对各个待检测区域内图像基于移动量沿着X轴和Y轴方向分割生成区域九宫格，测定区域九宫格内各格的平均像素亮度；
F3、基于平均像素亮度差值确定轻微亮点缺陷：计算各个待检测区域内区域九宫格中最大平均像素亮度和最小平均像素亮度差值，若差值大于预设置的像素亮度差值阈值则判定存在该检测区域存在轻微亮点缺陷。面对轻微亮点缺陷瑕疵采用小移动量小范围的待检测区域提取，实现轻微亮点瑕疵的检测最佳化，通过分段处理，可以在降低干扰影响的同时实现高速性，并基于RGB画面亮点区分规则，通过将区域九宫格内各个宫格与周围宫格进行平均像素亮度比较，使得轻微亮点瑕疵高精度检测能够实现。
本申请实施例还公开一种计算机可读存储介质，其存储有能够被处理器加载并执行如上述方法中的计算机程序，计算机可读存储介质例如包括：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。
以上实施例仅用以说明本发明的技术方案，而非对发明的保护范围进行限制。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明，本领域普通技术人员依然可以在不冲突的情况下，不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整，从而得到不同的、本质未脱离本发明的构思的其他技术方案，这些技术方案也同样属于本发明所要保护的范围。

Claims (8)

1.一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其特征在于，包括以下步骤：
在封闭环境内采集获取待检测LCD显示屏的屏幕图像数据集合，所述屏幕图像数据集合包括常态屏幕图像数据集以及暗室屏幕图像数据集；
基于常态屏幕图像数据集通过预设置的AI视觉检测模型进行常规缺陷检测，并输出缺陷检测结果；
LCD显示器常规缺陷检测合格后对其暗室屏幕图像数据集内的图像画面进行预处理得到待检测画面集；
对预处理后的待检测画面集选取检测方向进行移动分割，基于各个分割图像平均灰度以及平均像素亮度提取确定轻微亮点缺陷；
所述在封闭环境内采集获取待检测LCD显示屏的屏幕图像数据集合具体包括以下步骤：
在封闭环境下通过预设的补光光源对待采集图像的LCD显示器进行补光形成显示器常态使用环境；
在显示器常态使用环境，依次将LCD显示器的屏幕画面切换为黑色画面、红色画面、绿色画面和蓝色画面，并通过CCD相机采集LCD显示器屏幕区域的四色画面打包生成常态屏幕图像数据集；
熄灭封闭环境光源形成暗室环境，依次将LCD显示器的屏幕画面切换为黑色画面、红色画面、绿色画面和蓝色画面，并通过CCD相机采集LCD显示器屏幕区域的四色画面打包生成暗室屏幕图像数据集；
将常态屏幕图像数据集和暗室屏幕图像数据集进行打包生成屏幕图像数据集合；
所述对预处理后的待检测画面集选取检测方向进行移动分割，基于各个分割图像平均灰度以及平均像素亮度提取确定轻微亮点缺陷具体包括以下步骤：
为待检测画面集中的黑色画面构建检测坐标系，确定X轴和Y轴检测方向；
获取待检测LCD显示器最佳分割尺寸和移动量，从黑色画面的检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到若干个待检测区域，计算若干个待检测区域的灰度差值提取确定轻微亮点缺陷；
为检测画面中的绿色画面、蓝色画面和红色画面依次构建检测坐标系，确定X轴和Y轴检测方向；
从各个检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到对应绿色画面、蓝色画面和红色画面的若干个待检测区域，计算各个待检测区域像素亮度差值提取确定轻微亮点缺陷；
将黑色画面的、绿色画面、蓝色画面和红色画面的轻微亮点缺陷标注进行重合，绘制生成轻微亮点缺陷分布图。
2.根据权利要求1所述的一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其特征在于，所述基于常态屏幕图像数据集通过预设置的AI视觉检测模型进行常规缺陷检测，并输出缺陷检测结果具体包括以下步骤：
将常态屏幕图像数据集内的四色画面输入预设置的AI视觉检测模型，所述AI视觉检测模型为机器学习模型基于卷积神经网络通过LCD显示器的标准四色画面样本数据深度学习训练得到；
AI视觉检测模型对常态屏幕图像数据集内的黑色画面、红色画面、绿色画面和蓝色画面进行预处理并对四色画面中的缺陷进行粗略查找获取四色画面的ROI区域；
AI视觉检测模型对四色画面的ROI区域进行常规缺陷检测，输出缺陷检测结果。
3.根据权利要求1所述的一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其特征在于，所述LCD显示器常规缺陷检测合格后对其暗室屏幕图像数据集内的图像画面进行预处理得到待检测画面集具体包括以下步骤：
在LCD显示器常规缺陷检测合格后，对其暗室屏幕图像数据集内的黑色画面、绿色画面、蓝色画面和红色画面进行裁剪，剔除四色画面中的LCD显示器边框以及环境背景区域，仅保留LCD屏幕区域的四色画面；
对裁剪后的四色画面进行滤波处理，依次去除黑色画面、绿色画面、蓝色画面和红色画面中的纹理背景；
对滤波处理后的四色画面进行锐化，加强黑色画面、绿色画面、蓝色画面和红色画面中的可能存在的轻微亮点缺陷的锐度和清晰度，得到待检测画面集。
4.根据权利要求1所述的一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其特征在于，所述获取待检测LCD显示器的最佳分割尺寸和移动量具体包括：获取待检测LCD显示器轻微亮点瑕疵尺寸阈值，基于预设置的最佳分割尺寸计算公式计算最佳分割尺寸以及移动量，所述移动量为最佳分割尺寸的三分之一。
5.根据权利要求4所述的一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其特征在于，所述最佳分割尺寸计算公式具体为：
；
其中M为待检测LCD显示器的最佳分割尺寸，N为待检测LCD显示器的轻微亮点瑕疵尺寸阈值，S为待检测面集中四个画面的X轴方向像素数量，C为待检测面集中四个画面的X轴方向长度，其中N、C的单位均为mm。
6.根据权利要求4所述的一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其特征在于，所述从黑色画面的检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到若干个待检测区域，计算若干个待检测区域的灰度差值提取确定轻微亮点缺陷具体包括以下步骤：
按照最佳分割尺寸从黑色画面的检测坐标系原点出发提取方形的待检测区域，并沿着X轴和Y轴两个检测方向基于移动量移动截取获取若干个待检测区域；
对各个待检测区域内图像基于移动量沿着X轴和Y轴方向分割生成区域九宫格，测定区域九宫格内各格的平均灰度值；
计算各个待检测区域内区域九宫格中最大平均灰度和最小平均灰度差值，若差值大于预设置的灰度差值阈值则判定存在该检测区域存在轻微亮点缺陷。
7.根据权利要求4所述的一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法，其特征在于，所述从各个检测坐标系原点出发沿X轴和Y轴两个检测方向移动分割得到对应绿色画面、蓝色画面和红色画面的若干个待检测区域，计算各个待检测区域像素亮度差值提取确定轻微亮点缺陷具体包括以下步骤：
按照最佳分割尺寸从绿色画面、蓝色画面和红色画面的检测坐标系原点出发提取方形的待检测区域，并沿着X轴和Y轴两个检测方向基于移动量移动截取获取若干个待检测区域；
对各个待检测区域内图像基于移动量沿着X轴和Y轴方向分割生成区域九宫格，测定区域九宫格内各格的平均像素亮度；
计算各个待检测区域内区域九宫格中最大平均像素亮度和最小平均像素亮度差值，若差值大于预设置的像素亮度差值阈值则判定存在该检测区域存在轻微亮点缺陷。
8.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1-7中任一项所述的一种应用于地铁LCD显示屏的轻微亮点缺陷检测方法的计算机程序。
CN202311385368.XA 2023-10-25 2023-10-25 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法 Active CN117115171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311385368.XA CN117115171B (zh) 2023-10-25 2023-10-25 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311385368.XA CN117115171B (zh) 2023-10-25 2023-10-25 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法

Publications (2)

Publication Number Publication Date
CN117115171A CN117115171A (zh) 2023-11-24
CN117115171B true CN117115171B (zh) 2024-01-26

Family

ID=88800640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311385368.XA Active CN117115171B (zh) 2023-10-25 2023-10-25 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法

Country Status (1)

Country Link
CN (1) CN117115171B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117130186B (zh) * 2023-10-25 2024-01-05 深圳市晶鸿电子有限公司 一种lcd显示屏瑕疵缺陷智能检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674975A (zh) * 2013-09-09 2014-03-26 中华人民共和国四川出入境检验检疫局 基于Gabor滤波与C-V模型分割的LCD Mura缺陷机器视觉检测方法
CN104977304A (zh) * 2015-06-26 2015-10-14 清华大学 具有子像素结构的空间光调制器缺陷检测的装置及方法
CN111524101A (zh) * 2020-04-10 2020-08-11 苏州赛腾精密电子股份有限公司 一种基于机器视觉技术的电子屏幕缺陷检测方法
CN114693656A (zh) * 2022-04-06 2022-07-01 厦门大学 一种led显示屏显示缺陷的检测方法及相机和滤光片的标定方法
CN115131336A (zh) * 2022-07-22 2022-09-30 电子科技大学 一种显示屏四色背景画面下的暗线缺陷检测方法
CN116879313A (zh) * 2023-06-09 2023-10-13 重庆交通大学 一种基于雷视超融合的结构裂损实时测定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674975A (zh) * 2013-09-09 2014-03-26 中华人民共和国四川出入境检验检疫局 基于Gabor滤波与C-V模型分割的LCD Mura缺陷机器视觉检测方法
CN104977304A (zh) * 2015-06-26 2015-10-14 清华大学 具有子像素结构的空间光调制器缺陷检测的装置及方法
CN111524101A (zh) * 2020-04-10 2020-08-11 苏州赛腾精密电子股份有限公司 一种基于机器视觉技术的电子屏幕缺陷检测方法
CN114693656A (zh) * 2022-04-06 2022-07-01 厦门大学 一种led显示屏显示缺陷的检测方法及相机和滤光片的标定方法
CN115131336A (zh) * 2022-07-22 2022-09-30 电子科技大学 一种显示屏四色背景画面下的暗线缺陷检测方法
CN116879313A (zh) * 2023-06-09 2023-10-13 重庆交通大学 一种基于雷视超融合的结构裂损实时测定方法

Also Published As

Publication number Publication date
CN117115171A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
WO2021143343A1 (zh) 一种产品质量检测方法及装置
CN114140679B (zh) 一种缺陷融合方法、装置、识别***及存储介质
CN111047655B (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN117115171B (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法
CN111209876A (zh) 一种漏油缺陷检测方法及***
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN115100221A (zh) 一种玻璃缺陷分割方法
CN112308854B (zh) 一种芯片表面瑕疵的自动检测方法、***及电子设备
CN113034464B (zh) 一种多背景下的液晶显示器缺陷视觉实时检测方法
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN112465746A (zh) 一种射线底片中小缺陷检测方法
CN114119591A (zh) 一种显示屏画面质量检测方法
CN113470041A (zh) 免疫组化细胞图像细胞核分割与计数方法和***
CN115266732A (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN114428110A (zh) 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及***
CN113962929A (zh) 光伏电池组件缺陷检测方法、***及光伏电池组件生产线
CN112967224A (zh) 一种基于人工智能的电子电路板检测***、方法及介质
CN116091503B (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
CN112488986A (zh) 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及***
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及***
Prabha et al. Defect detection of industrial products using image segmentation and saliency
CN114926429A (zh) 一种线迹长度检测方法、装置、设备及可读存储介质
JP2001028059A (ja) 色ムラ検査方法及び装置
CN114219758A (zh) 缺陷检测方法、***、电子设备和计算机可读存储介质
JPH03175343A (ja) 外観検査による欠陥抽出方法

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